非侵袭性中风诊断使用来自失联症患者的语音数据
概括
研究人员使用语音数据开发了一种深度学习模型,用于使用语音数据进行非侵入性脑中风诊断. 这种具有成本效益的方法可以准确地检测急性缺血性中风 (AIS) 症状,如缺关节症.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 急性缺血性中风 (AIS) 是导致长期残疾和死亡的主要原因.
- 发言障碍 - - 失节症是AIS的常见症状,严重影响患者的生活质量.
- 目前对中风的诊断方法可能是侵入性的和昂贵的.
研究的目的:
- 为诊断急性缺血性中风 (AIS) 开发一个具有成本效益和非侵入性的深度学习模型.
- 为了利用语音特征,特别是失联症,用于中风检测.
- 评估各种深度学习模型在从语音数据中分类中风指标方面的表现.
主要方法:
- 采用了深度学习架构,包括ResNet50,InceptionV4,ResNeXt50,SeresNeXt18,以及AttResNet50. 这三种架构.
- 在语音数据上训练模型,提取和分类暗示中风症状的特征.
- 使用关键指标评估模型性能:灵敏度,特异性,精度,准确性和F1分数.
主要成果:
- 开发的深度学习模型实现了高性能指标.
- 灵敏度达到了96.77%,特异性达到了96.08%,精度达到了92.82%,准确度达到了95.52%,F1得分达到了93.82%.
- 这些模型有效地对与AIS相关的语音特征进行了分类.
结论:
- 拟议的深度学习方法提供了一种有希望的非侵入性和具有成本效益的早期中风检测方法.
- 这项技术有可能通过快速诊断来改善患者的治疗结果.
- 进一步的研究可能会提高中风诊断的准确性和更广泛的临床应用.
