预先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:

• 生物医学工程 生物医学工程
• 计算神经科学是一种神经科学.
• 人工智能的人工智能

背景情况:

• 机器学习,特别是深度学习,显示了自动检测帕金森病 (PD) 的潜力.
• 语音录音是PD检测的常见,非侵入性数据源,因为其易于获取.
• 之前的工作展示了一个卷积神经网络 (CNN) 与转移学习有效地分析了母音 /a/谱图用于PD识别.

研究的目的:

• 为了评估CNN在更大,宽带智能手机语音数据集上的转移学习的性能,用于PD检测.
• 为了比较线性尺度与MEL尺度光谱图在PD分类中的有效性.
• 通过不同的数据采集平台和带宽限制验证开发方法的稳定性.

主要方法:

• 利用一个卷积神经网络 (CNN) 与转移学习来分析持续元音 / a / 的光谱图像.
• 从模拟电话线 (带宽有限) 和智能手机 (带宽宽) 收集和分析语音数据集.
• 使用线性尺度和MEL尺度光谱图进行分类性能比较.

主要成果:

• 采用转移学习方法的CNN超越了传统的机器学习方法.
• 在有限带宽 (模拟电话) 和宽带宽 (智能手机) 数据集之间观察到可比性能.
• 与线性尺度谱图相比,Mel尺度谱图在分类准确度方面取得了小但统计学上显著的改善.

结论:

• 开发的CNN与转移学习方法在使用语音谱图检测帕金森病方面是有效的,即使带宽有限的录音也有效.
• 智能手机记录的数据保持了高性能,这表明该方法的应用范围更广.
• 在这种情况下,Mel尺度谱图为PD分类提供了轻微的优势.