通过基于机器学习的分析对患者的食后声音来预测食障碍的愿望
Jung-Min Kim1,2, Min-Seop Kim3, Sun-Young Choi2
1Department of Health Science and Technology, Graduate School of Convergence Science and Technology, Seoul National University, Seoul, South Korea.
Journal of neuroengineering and rehabilitation
|March 30, 2024
概括
这项研究开发了一种机器学习模型,使用语音分析来预测缺食渴望,为传统诊断方法提供一种非侵入性的替代方案.
科学领域:
- 生物医学工程 生物医学工程
- 计算语言学 计算语言学
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
背景情况:
- 传统的消化障碍诊断存在局限性,包括长时间的等待,辐射暴露和有限的评估.
- 语音分析为非侵入性失调症查和监测提供了一个有希望的途径.
- 假设肌肉软弱和渴望影响声乐特征是这项研究的关键.
研究的目的:
- 开发一种机器学习算法,用于预测失调状态 (正常与愿望).
- 分析食后语音特征以检测缺食症.
- 建立一个以语音为基础的系统,以实现更安全,更有效的消化障碍干预.
主要方法:
- 一项前性队列研究,涉及198名参与者 (年龄40岁以上),有或没有缺食渴望症.
- 语音数据采集和分析使用mel光谱图和一个多层感知器 (MLP) 与MobileNet V3.
- 十倍交叉验证用于构建和评估仅男性,仅女性和组合性消化不良预测模型.
主要成果:
- 预先训练的模型 (mn40_as,mn30_as) 的表现优于未经预先训练的模型.
- 性能最好的模型mn30_as在组合组中平均AUC为0.8361.
- 模型表现出高性能,大多数实现AUC>0.7,峰值性能约为0.9.
结论:
- 梅尔光谱分析和MobileNetV3有效地预测了缺食渴望.
- 语音分析具有显著的潜力,用于食障碍的查,诊断和监测.
- 这种方法可以实现非侵入性,更安全,更有效的消化障碍干预.
