通过音频预测痴呆症:使用声学特征的合奏和深度学习方法

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 语音科学 语言科学

背景情况:

• 痴呆症是一种超出正常衰老的认知衰退,影响记忆,推理和日常活动.
• 沟通困难是痴呆症老年人面临的一个重大挑战.
• 早期诊断痴呆症对于及时干预和管理至关重要.

研究的目的:

• 调查音频录音和机器学习用于早期痴呆症诊断的使用.
• 为了确定暗示痴呆症的关键声学特征.
• 为了比较集体学习和深度学习模型在痴呆症检测中的性能.

主要方法:

• 从患者的音频录音中提取声学特征 (音调,声音强度,光谱中间体,MFCC,F0).
• 组合模型 (随机森林,AdaBoost,XGBoost,梯度提升) 和深度学习模型 (BiLSTM,LSTM,CNN-LSTM) 的培训和评估.
• 使用超参数调整,规范化和交叉验证来优化模型性能.

主要成果:

• 梯度提升模型在使用光谱心状,MFCC和F0特征诊断痴呆症时达到90.5%的最高准确率.
• 在这个特定的应用中,集体学习模型在深度学习模型上表现出更高的性能.
• 该研究确定了与语音痴呆症相关的特定声学模式.

结论:

• 音频分析与机器学习相结合,为早期痴呆症检测提供了一个有希望的途径.
• 渐变增强和其他组合方法是有效的诊断痴呆症从语音特征.
• 需要进一步的研究,以了解为什么在某些场景中,集合模型的表现优于深度学习.