用视觉图形神经网络和对比学习进行光谱图像分析,用于检测帕金森病

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 语音处理 语音处理

背景情况:

• 帕金森病 (PD) 诊断依赖于临床症状,往往是晚期诊断的.
• 语音分析为早期发现PD提供了一种非侵入性方法.
• 目前的方法难以捕捉PD中复杂的光谱-时间语音变化.

研究的目的:

• 开发一种先进的框架,用语音检测帕金森病.
• 通过新的机器学习集成来增强光谱时空语音分析.
• 提高基于语音的PD诊断工具的准确性和可行性.

主要方法:

• 一个新的框架,将视觉图神经网络 (Vision Graph Neural Networks,ViG) 与监督对比学习相结合.
• 音频信号的频段分解成低频,中频和高频谱表示.
• 使用与对比目标训练的ViG架构处理Mel多频段的光谱-时间表示.

主要成果:

• ViG-contrastive框架在PD检测中表现出优异的分类性能.
• ViG-M-GELU架构实现了91.78%的测试准确性.
• 该框架有效地从有限的标记数据中学习了歧视性表示.

结论:

• 拟议的ViG-contrastive框架为准确检测帕金森病提供了一个有希望的方法.
• 这种方法捕捉了传统的卷积神经网络 (CNN) 方法所错过的复杂的光谱-时间语音关系.
• 这项研究强调了开发临床上可行的,基于语音的PD诊断工具的潜力.