数字语音评估和机器学习用于分辨神经退行性疾病
Kyurim Kang1, Adonay S Nunes2, Ilkay Yildiz Potter2
1Department of Neurology, Johns Hopkins University School of Medicine, Baltimore, MD, USA.
Clinical parkinsonism & related disorders
|September 11, 2025
概括
分析语音特征的机器学习模型可以帮助诊断和跟踪神经退行性疾病,如帕金森病 (PD) 和渐进性超核麻 (PSP). 数字健康工具对识别和监测这些疾病充满希望.
科学领域:
- 神经学 神经学
- 计算语言学 计算语言学
- 数字健康数字健康
背景情况:
- 语音障碍是神经退行性疾病的常见症状,如帕金森病 (PD),渐进性超核性麻 (PSP),亨廷顿病 (HD) 和肌缩侧面硬化症 (ALS).
- 诊断和监测这些疾病需要可扩展的数字健康工具和机器学习 (ML) 方法.
研究的目的:
- 开发和评估机器学习模型,根据语音特征区分神经退行性疾病类别.
- 专门开发一种模型,使用语音数据区分渐进性超核麻 (PSP) 和帕金森病 (PD).
主要方法:
- 采集了来自92个人的语音数据 (彩虹通道),包括患有PSP,PD,HD,ALS的患者和健康的对照者 (CTR),使用数字设备.
- 从录音中提取了12个语音特征.
- 训练了Elastic Net ML模型来分类5和4的诊断组,以及用于PSP与PD分类的支持矢量机 (SVM) 模型.
主要成果:
- 弹性网模型在5个类中达到高达77%的平衡精度,在4个类中达到83% (包括PSP-PD).
- 该PSP与PD分类模型实现了85%的平衡精度.
- 特定的语音特征,如"总发声时间"",额外单词比率"",每秒暂停"",可理解性"和"表达率"被确定为关键差异化因素.
结论:
- 数字健康技术和ML有效地识别和监测神经退行性疾病中的语音特征.
- 语音特征分析对神经系统疾病的诊断和跟踪具有重大潜力.
