使用基于机器学习的长期,短期声学特征预测帕金森病

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 计算生物学 计算生物学

背景情况:

• 帕金森病 (PD) 是一种流行的神经退行性疾病,具有运动和非运动症状.
• 一个预发性阶段,以非运动症状 (如睡眠障碍和声音变化) 为特征,通常在明显的运动症状之前.
• 语音分析显示,作为PD早期检测和患者监测的数字生物标志物具有前途.

研究的目的:

• 通过语音分析评估机器学习 (ML) 模型在检测帕金森病 (PD) 的有效性.
• 确定最有效的声学特征和ML算法,以区分PD患者与健康受试者.
• 建立语音分析作为早期PD诊断和预后的非侵入性工具.

主要方法:

• 一项横截面研究分析了40名PD患者和41名健康个体的语音障碍.
• 使用了各种各样的声学特征:长期 (,闪,CPP),短期 (MFCC) 和非标准 (PPE,RPDE).
• 使用交叉验证进行性能评估,训练和评估多个ML算法 (RF,KNN,DT,NB,SVM,LR).

主要成果:

• 随机森林 (RF) 模型获得了最高的性能,准确率为82.72%,ROC-AUC得分为89.65%.
• 支持矢量机 (SVM) 也显示出相当大的有效性 (75.29%的准确性,82.63%的ROC-AUC).
• 结合一套全面的声学特征,与使用有限特征子集的研究相比,提高了预测性能.

结论:

• 先进的声学分析与ML算法相结合,为早期PD检测提供了一种可靠的,非侵入性的方法.
• 这种方法具有显著的潜力,可以通过及时诊断和患者管理来改善医疗保健结果.
• 语音分析可以作为一种有价值的数字生物标志物,用于早期识别和跟踪帕金森病.