凸轮ALS的声学特征:用持续元音和LightGBM进行预测建模
Zahra Farrokhi1, Seyed Amirali Zakavi2, Arian Sarafraz3
1Student Research Committee, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
eNeurologicalSci
|August 14, 2025
概括
这项研究使用语音分析和机器学习来检测肌缩侧面硬化症 (ALS). 像病理振动指数 (Pathological Vibrato Index) 这样的声学特征显示出早期,非侵入性ALS诊断的前景.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 肌缩侧面硬化症 (ALS) 缺乏早期诊断生物标志物.
- 早期检测对于管理这种神经退行性疾病至关重要.
研究的目的:
- 调查持续元音发音 (SVP) 的声学分析与机器学习相结合用于检测ALS的有效性.
- 为了确定标志着ALS的关键声学特征.
主要方法:
- 收集了来自31名ALS患者和33名健康对照者的SVP数据.
- 提取了131个声学特征,包括MFCC和PVI.
- 开发并优化了一个使用5倍交叉验证的LightGBM机器学习模型.
主要成果:
- 该LightGBM模型证明了ALS检测的高可预测性 (RMSLE 0.162).
- 确定了S55_i,CCI(2),dCCa(12) 和PVI等关键特征作为重要指标.
- 病理振动指数 (PVI) 与ALS诊断有很强的相关性.
结论:
- 声学分析和机器学习为早期发现ALS提供了具有成本效益的,非侵入性的方法.
- 该方法具有远程医疗和临床应用的潜力.
- 需要进一步研究更大的数据集和多式联运集成,以提高模型的稳定性和临床翻译性.
