基于变压器的转移学习对自我报告的语音录音进行帕金森病诊断
Ilias Tougui1, Mehdi Zakroum2, Ouassim Karrakchou2
1College of Engineering and Architecture - TICLab, International University of Rabat, Rabat, Morocco. ilias.tougui@uir.ac.ma.
Scientific reports
|December 3, 2024
概括
使用智能手机语音数据的深度学习模型显示了早期帕金森病 (PD) 诊断的前景. 变压器模型取得了最好的结果,改善了这种神经退行性疾病的预测准确性.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 深度学习 (DL) 为帕金森病 (PD) 诊断提供了非侵入性工具.
- 早期检测对于有效的PD管理至关重要.
- 基于智能手机的语音数据提供了一个可访问的生物标志物.
研究的目的:
- 使用智能手机语音数据探索端到端的DL架构,用于使用智能手机语音数据进行PD诊断.
- 评估卷积神经网络 (CNN) 和变压器的性能.
- 调查转移学习对PD预测的有效性.
主要方法:
- 利用通过智能手机收集的自我报告的语音数据.
- 应用端到端DL模型,包括CNN和变压器.
- 员工转移学习与模型预先训练在大型图像和音频数据集,微调在mPower语音数据.
主要成果:
- 在语音数据上进行预训练的变压器模型表现出卓越的性能.
- 实现了高平均曲线下的面积 (AUC) 和精度回忆曲线下的面积 (AUPRC).
- 从头开始训练的高性能模型和使用语音或多模式数据的先前研究.
结论:
- 变压器模型代表了基于音频的PD诊断的新方法.
- 自我报告的语音数据与先进的DL相结合,可以显著提高PD预测.
- 这种方法有可能通过早期诊断改善患者的治疗结果.
