机器学习算法的先进比较分析,用于早期检测帕金森病,使用语音生物标志物
Ajay Kumar1, Jay Parkash Singh1, Priyanka Paygude2
1Department of Computer Science & Engineering, Manipal University Jaipur, Rajasthan, India.
Digital health
|June 9, 2025
概括
使用持续元音发音和机器学习的语音分析显示,早期帕金森病的高准确性.
科学领域:
- 计算神经科学是一种神经科学.
- 生物医学工程 生物医学工程
- 语音科学 语言科学
背景情况:
- 帕金森病 (PD) 诊断在早期可能具有挑战性.
- 对于早期发现PD,需要使用非侵入性和具有成本效益的诊断方法.
- 语音分析为早期PD查提供了一个潜在的途径.
研究的目的:
- 为了评估持续的元音发音,用于早期发现帕金森病.
- 应用机器学习技术来分析PD诊断中的语音数据.
- 评估这种诊断方法的成本效益和非侵入性.
主要方法:
- 利用公开可用的252个语音录音数据集 (188名PD患者,64名健康对照).
- 经过训练和测试的机器学习分类器:k-最近邻居 (KNN),AdaBoost和人工神经网络 (ANN).
- 使用准确度,精度,回忆,F1得分和ROC曲线分析评估模型性能.
主要成果:
- 在KNN分类器实现了最高的准确率为98.52% (平均准确率为97.33%).
- ANN和AdaBoost分类器表现出强的表现,平均准确率分别为93.15%和91.77%.
- 所有模型都显示出从语音录音中检测PD的显著区分能力.
结论:
- 持续的元音发音与机器学习相结合,是早期诊断PD的可行方法.
- 该KNN分类器表现出卓越的诊断准确性,突出其潜在的临床实用性.
- 基于语音的机器学习工具可以在临床环境中增强早期PD检测和管理.
