使用深度学习模型对大脑小脑语言异常进行敏感量化
Kyriakos Vattis1,2, Brandon Oubre1,2, Anna C Luddy1
1Department of Neurology, Massachusetts General Hospital, Boston, MA 02114, USA.
IEEE access : practical innovations, open solutions
|November 28, 2024
概括
这项研究开发了人工智能模型,通过语音分析检测小脑动. 这些模型能够准确地识别病患者,并测量疾病的严重程度,即使是在亚临床阶段,有助于早期检测和临床试验.
科学领域:
- 神经学 神经学
- 语音科学 语言科学
- 人工智能的人工智能
背景情况:
- 大脑小脑动症早期表现为可检测的语音变化.
- 准确的疾病评估对于临床试验和患者护理至关重要.
- 目前的语音评估可能缺乏对早期或亚临床疾病阶段的敏感性.
研究的目的:
- 开发和验证人工智能模型,用于识别和量化语音失语.
- 评估模型区分心力衰竭患者与健康个体的能力.
- 评估模型对估计疾病严重程度和进展的能力.
主要方法:
- 在log-mel语音谱图上利用卷积神经网络 (CNN).
- 采用时间和频率的部分导数来捕捉运动语言的表型.
- 训练有素的分类模型用于患者与对照者的歧视.
- 训练有素的回归模型用于疾病严重程度的估计.
主要成果:
- CNNs准确地分类了健康的对照组和心动症患者,包括那些没有临床检测到语音缺陷的人.
- 回归模型提供了精确的疾病严重程度估计.
- 模型检测到亚临床语音变化,并随着时间的推移跟踪疾病的进展.
结论:
- 分析语音信号衍生物的AI模型可以检测亚临床的性语音变化.
- 这些模型提供了灵敏,低负荷的工具,用于早期检测和监测小脑动症.
- 这种方法有可能增强临床试验和神经保健.
