关于用于脑震荡检测语音分析的概念验证开发
Upeka De Silva1, Samaneh Madanian1, Ajit Narayanan2
1Department of Data Science and Artificial Intelligence, AUT, New Zealand.
Studies in health technology and informatics
|August 8, 2025
概括
语音分析显示,它有望用于检测脑震荡. 使用Mel频率脑震荡系数 (MFCC) 的机器学习模型区分了脑震荡语音,提供了一个潜在的客观诊断工具.
科学领域:
- 神经学 神经学
- 语音科学 语言科学
- 机器学习 机器学习
背景情况:
- 对神经系统疾病的客观临床决策越来越依赖于先进的分析技术.
- 目前,脑震荡检测缺乏客观的生物标志物,需要创新的诊断方法.
研究的目的:
- 评估使用语音信号分析用于脑震荡检测的可行性.
- 开发和评估机器学习模型,以基于语音特征来区分脑震荡和健康个体.
主要方法:
- 收集了82名脑震荡和82名健康参与者的演讲数据集.
- 提取了Mel频率 Cepstral系数 (MFCCs) 来描述语音发音的特征.
- 使用了支持向量机 (SVM),K-最近邻居 (KNN) 和决策树 (DT) 分类器.
主要成果:
- 这三种机器学习分类器均使用基于MFCC的功能实现了超过0.5的马修相关系数得分.
- 决策树 (DT) 模型在识别脑震荡时显示了78%的灵敏度和75%的特异性.
- 这些结果表明,语音特征与脑震荡状态之间存在显著的相关性.
结论:
- 语音分析,特别是使用MFCC和机器学习,是脑震荡检测的可行方法.
- 这项研究为开发客观,基于语音的脑震荡诊断工具提供了概念验证.
- 需要进一步的研究来完善这些方法的临床应用.
