在多语言语音信号中使用混合罗神经网络和支持矢量机器检测帕金森病
Pandit Vivek Kumar Pandey1, Sitanshu Sekhar Sahu1
1Department of ECE, Birla Institute of Technology, Mesra, Ranchi, India.
Journal of voice : official journal of the Voice Foundation
|August 5, 2025
概括
本研究介绍了一种混合的语神经网络 (SNN) 与支持向量机器 (SVM),用于通过多种语言的语音分析检测帕金森病 (PD). 该方法具有很高的准确性,在各种语言环境中为早期PD检测提供了一个有前途的解决方案.
科学领域:
- 神经学 神经学
- 计算语言学 计算语言学
- 机器学习 机器学习
背景情况:
- 帕金森病 (PD) 是一种神经退行性疾病,影响运动功能,包括发言,其进展早期.
- 语音分析是早期发现PD的关键,非侵入性标记.
- 现有的PD检测研究主要集中在单一语言上,忽视了诸如声学变化和数据稀缺等多语言挑战.
研究的目的:
- 开发和评估一个混合的语神经网络 (SNN) 与支持矢量机器 (SVM) 以在多种语言中进行强大的帕金森病检测.
- 为应对多语言PD检测场景中语言特异的声学变化和有限的数据集所带来的挑战.
- 为了利用对比学习来捕捉PD和健康的声音模式在不同的声学条件下.
主要方法:
- 一个混合SNN-SVM模型被提议用于帕金森病的检测.
- 使用对比学习来捕捉不同语言的语音模式.
- 该模型经过训练和测试,使用持续的元音发音 (/a/, /e/, /i/, /o/, /u/ 在意大利语; /a/ 在美国英语和西班牙语).
主要成果:
- 混合SNN-SVM模型在意大利数据集中使用母音/o/检测帕金森病时达到93%的峰值准确度.
- 在跨语言测试中,在西班牙语中训练并在美国英语中测试的模型达到82.7%的准确性.
- 拟议的混合方法在PD检测中表现出更高的准确性,有效地管理语言变异.
结论:
- 混合SNN-SVM模型为在多语言环境中检测帕金森病提供了有效的解决方案.
- 这种方法显示了实时应用的潜力,克服了特定语言语音分析的局限性.
- 这项研究强调了对比学习在处理PD检测跨语言声学变化的有效性.
