一项用于语音评估的试点研究,以检测帕金森病的严重程度:一个整体方法

科学领域:

• 神经学 神经学
• 语音语言病理学 语音语言病理学
• 计算语言学 计算语言学

背景情况:

• 声音变化是帕金森病 (PD) 的关键症状,有助于评估病情.
• 自然的声音变化对准确追踪PD进展提出了挑战.
• 虽然二进制语音分类识别了患有PD的人 (PwPD),但对疾病严重程度的多类分类是困难的.

研究的目的:

• 为了调查二动力学 (DDK) 任务在对帕金森病严重程度的分类中的有效性.
• 确定最佳的语音特征和机器学习模型,以区分四个PD严重程度.
• 为PwPD严重性评估开发一个合并的多类模型.

主要方法:

• 分析了6个DDK任务和4个特征类型 (语音,发音,旋律,融合).
• 定义了四个二进制分类问题,以增加严重程度 (正常,轻微,轻微,中等).
• 机器学习模型被训练并组合起来,以创建一个多类分类器.

主要成果:

• 最佳的任务特征组合因严重程度不同而有所不同 (例如,从"ka-ka-ka"到"正常"和"不正常"的表述).
• 后勤回归,随机森林和梯度提升模型对不同的分类表现出不同的成功.
• 组装模型在区分正常,轻度,轻度和中度PD严重程度方面实现了72%的准确性.

结论:

• 将多类问题分解为二进制分类,确定了每个严重程度的最佳语音特征.
• 使用DDK任务的计算机语音分析显示了评估PD严重程度的前景.
• 这项基于公共数据集的试点研究突出了DDK对客观PD评估的潜力.