基于机器学习的认知衰退进展预测模型:在多语言环境中使用语音分析进行比较研究

科学领域:

• 神经学 神经学
• 计算语言学 计算语言学
• 机器学习 机器学习

背景情况:

• 轻度认知障碍 (MCI) 是痴呆症的前体,需要早期检测才能进行干预.
• 痴呆症影响认知功能,包括语言和言语,使言语分析成为一个可行的诊断工具.
• 自动语音分析提供了一种具有成本效益的方法来监测患者的认知衰退,并帮助护理人员.

研究的目的:

• 研究来自自发言语 (SS) 的音频特征在区分认知障碍方面的有效性.
• 分析语音分析用于认知衰退检测的跨语言适用性.
• 通过语言和声学数据评估用于预测MCI进展的机器学习模型.

主要方法:

• 利用来自两个数据集的自发言语 (SS) 和迷你精神状态检查 (MMSE) 成绩:穆格拉大学痴呆门诊 (MUDC) 和阿尔茨海默氏症痴呆通过自发言语 (ADRess) 挑战进行识别.
• 应用机器学习模型,包括随机森林和多层感知器 (MLP),以分析英语和土耳其语SS的音频特征.
• 评估了特定语言的模型性能和跨语言的可转移性.

主要成果:

• 实现了高准确率:ADRess数据集上的随机森林95%,语言特定模型的MUDC数据集上的MLP94%.
• 当模型应用于其他语言时,英语的准确率为72%,土耳其语的准确率为76%,证明了跨语言的有效性.
• 突出了音频特征在区分不同语言结构的认知障碍水平方面的重大影响.

结论:

• 从自发言语中提取的音频特征具有自动认知障碍跟踪的跨语言潜力.
• 语音分析为临床医生和患者在监测MCI进展方面提供了一种方便且具有成本效益的工具.
• 这种方法支持早期干预策略,用于预防和管理痴呆症.