利用语音分析和机器学习用于早期诊断帕金森病:在三个数据集的比较研究

科学领域:

• 计算语言学计算语言学
• 生物医学工程 生物医学工程
• 机器学习在医疗保健中的应用

背景情况:

• 帕金森病 (PD) 诊断可能具有挑战性,通常依赖于疾病进展晚些时候出现的临床症状.
• 早期发现PD对于及时干预和管理至关重要.
• 语音分析为潜在的早期诊断标记提供了一种非侵入性和易于使用的方法.

研究的目的:

• 为了评估机器学习 (ML) 技术的有效性,应用于用于诊断帕金森病 (PD) 的语音分析.
• 为了比较各种ML模型在从语音数据中识别PD的性能.

主要方法:

• 分析了三组数据集中的432名参与者 (278名患有PD) 的语音录音 (音声"a") 记录.
• 采用了四种ML模型 (人工神经网络,随机森林,梯度提升,支持矢量机) 和两种组合方法 (组合投票分类器,组合堆叠模型 - ESM).
• 模型使用50次代,数据分割,十倍交叉验证和统计比较 (ANOVA,Bonferroni校正) 进行评估.

主要成果:

• 集体堆叠模型 (ESM),支向量机 (SVM) 和梯度增强 (GB) 模型表现出卓越的性能.
• 在这些高性能模型中观察到高精度,灵敏度,特异性,精度,F1得分和ROC AUC.
• 尽管数据异质性和变量选择限制,但模型实现了强大的性能指标.

结论:

• 机器学习与语音分析的整合,特别是使用ESM,SVM和GB,显示了早期PD诊断的巨大潜力.
• 使用多来源数据和大样本大小可以提高研究结果的有效性和概括性.
• 这些发现为语音语言病理学家提供了有价值的工具,以改进诊断过程并促进早期PD干预.