一种深度学习方法通过吞前后的声音变化来检测缺食-渴望算法
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, Republic of Korea.
Frontiers in bioengineering and biotechnology
|August 19, 2024
概括
一种深度学习模型通过分析吞前后的声音变化,有效地检测出缺食渴望. 这种语音分析工具为医疗机构的实时患者监测和个性化干预提供了潜力.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 语音科学 语言科学
背景情况:
- 吸食失调带来严重的健康风险,往往需要侵入性诊断方法.
- 吞前后的声音变化是缺乏研究的吞障碍-渴望的指标.
- 功能障碍患者的肌肉衰弱和呼吸道阻塞可能表现为明显的声音变化.
研究的目的:
- 开发和评估一种基于语音特征的深度学习模型,用于识别基于语音特征的缺食志向.
- 分析与健康个体相比,食障碍患者的吞前后语音变化.
- 探索语音分析的潜力,以进行非侵入性,实时监测失调-渴望.
主要方法:
- 进行了一项前性队列研究,涉及198名参与者 (>40岁).
- 吞前后的语音数据被收集,处理成Mel光谱图,并使用修改后的EfficientAT深度学习模型 (包含MobileNetV3) 进行分析.
- 该模型经过了10倍的交叉验证,以进行可靠的绩效评估,将声音分类为正常或渴望的.
主要成果:
- 机器学习模型在两性之间表现不同,男性的曲线下面面积 (AUC) 值 (0.81170.8319) 比女性 (0.69750.7331) 高.
- 最佳的模型配置包括特定的学习率和批量大小,性别不同.
- 一个结合模型平衡性别表示实现了AUC值为0.77460.7997,表明整体检测能力良好.
结论:
- 一个基于语音分析的程序显示,它有望检测与吞障碍-渴望相关的吞前和吞后的变化.
- 这项技术可以实时监测患者的病情.
- 这些发现支持开发个性化干预措施来治疗失调症.


