基于语音分析和可解释机器学习的帕金森病的非侵入性检测

科学领域:

• 神经科学是一个神经科学.
• 计算语言学 计算语言学
• 生物医学工程 生物医学工程

背景情况:

• 帕金森病 (PD) 是一种进展性神经退行性疾病,影响运动和语言功能.
• 早期发现PD对于改善患者的治疗结果和生活质量至关重要.
• 非侵入性语音分析为早期PD诊断提供了一个有希望的途径.

研究的目的:

• 开发一种可解释的机器学习模型,使用语音录音预测帕金森病.
• 为了确定PD的关键声学特征.
• 建立一种可靠的,非侵入性的方法来早期检测PD.

主要方法:

• 分析患有PD和没有PD的个体的语音录音,提取基本频率 (Fo),动,闪,噪音和声调比率 (NHR) 和非线性动态复杂度度等特征.
• 应用合成少数群体过量采样技术 (SMOTE) 来解决阶级不平衡问题.
• 实现和评估机器学习算法,包括随机森林和梯度提升,使用准确度,回忆,F1分数和AUC-ROC进行评估.
• 使用夏普利添加式解释 (SHAP) 进行模型解释性和特征重要性评估.

主要成果:

• 语音不稳定性特征 (,闪,NHR) 和非线性指标 (RPDE,PPE) 是PD的高度预测.
• 随机森林和梯度增强模型实现了卓越的性能,AUC-ROC为0.98和召回为0.95.
• SHAP分析确定了基本的频率变化和波与噪声比为区分PD患者的关键.

结论:

• 使用语音记录的机器学习模型可以准确预测帕金森病.
• 随机森林和梯度提升模型在PD检测方面表现出色.
• 语音分析,特别是侧重于声学不稳定性和非线性动态,为早期PD诊断提供了强大的非侵入性工具.