语音分析和深度学习用于检测怀孕妇女的精神障碍:一个横截面研究

科学领域:

• 围产期心理健康问题
• 机器学习在医疗保健中的应用.
• 语音信号处理 语音信号处理

背景情况:

• 围产期精神障碍影响10-20%的孕妇,影响母亲和新生儿的结果.
• 传统的查工具,如爱丁堡产后抑郁量表 (EPDS),在客观性和临床效率方面存在局限性.
• 语音分析和机器学习为更客观的精神障碍查提供了潜力.

研究的目的:

• 开发和评估一种深度学习模型,用于使用语音分析选孕妇精神障碍.
• 为了比较基于语音的模型与已建立的爱丁堡产后抑郁量表 (EPDS) 的表现.

主要方法:

• 一项涉及204名孕妇的横截面研究,在产后检查中收集语音样本.
• 应用了语音数据预处理,MEL频谱转换和数据增强技术.
• 一个EfficientFormer V2-L模型与转移学习,通过Optuna进行超参数优化和集体学习被用于分类.

主要成果:

• 基于语音的模型实现了1.00的灵敏度和0.82的回忆,超过了EPDS.
• 该EPDS显示了更高的特异性 (0.97) 和精度 (0.84).
• 两种方法之间的接收器操作特征曲线下的区域没有发现显著差异 (p=0.759).

结论:

• 与EPDS相比,基于语音的模型显示出更高的灵敏度和回忆力来识别有风险的个人.
• 机器学习驱动的语音分析为早期发现围产期精神障碍提供了一个有希望的客观工具.
• 这种方法有可能通过改进的查方法来增强围产期心理健康护理.