预训练的卷积神经网络从语音样本的谱图图像中识别帕金森病

科学领域:

• 神经学 神经学
• 计算机科学 计算机科学
• 生物医学工程 生物医学工程

背景情况:

• 机器学习,特别是深度学习,对自动检测帕金森病有很大的希望.
• 语音录音是帕金森病分析的方便和非侵入性数据来源.
• 之前的研究开发了一个卷积神经网络 (CNN),用于使用带宽有限的语音数据检测帕金森病.

研究的目的:

• 为了评估CNN转移学习方法在更大,宽带智能手机语音数据集上的性能.
• 为了比较线性尺度与MEL尺度光谱图在帕金森病检测中的有效性.
• 将CNN转移学习方法与传统机器学习方法进行比较.

主要方法:

• 使用带有转移学习的卷积神经网络 (CNN) 来分析持续元音 /a/ 的光谱图像.
• 使用有限带宽的电话线和宽带宽的智能手机收集了语音数据集.
• 将线性尺度和MEL尺度光谱图之间的分类性能进行了比较.

主要成果:

• 通过CNN转移学习方法,在有限带宽的电话和宽带宽的智能手机数据集中表现相似.
• 在两个录音平台之间观察到功能重要性的显著差异,归因于带宽限制.
• 与线性尺度谱图相比,Mel尺度谱图在分类性能方面取得了小但统计学上显著的改善.
• 在CNN转移学习方法的表现优于传统的机器学习技术.

结论:

• 开发的CNN转移学习方法对于使用语音数据检测帕金森病是有效的,无论记录带宽如何.
• 对于这个分类任务,Mel尺度谱图提供了轻微的优势.
• 深度学习模型,如转移学习的CNN,比传统的基于语音的帕金森病检测方法提供更高的性能.