通过语音和声信号隐藏的秘密:神经疾病早期检测的可解释方法

科学领域:

• 计算神经科学是一种神经科学.
• 生物医学工程 生物医学工程
• 语言病理学 语音病理学

背景情况:

• 神经退行性疾病会导致渐进的神经损伤,影响功能.
• 早期诊断对于有效治疗和改善患者生活质量至关重要.
• 目前神经退行性疾病的诊断方法往往缺乏非侵入性,可扩展的解决方案.

研究的目的:

• 开发和验证使用语音分析进行早期神经退行性疾病诊断的非侵入性方法.
• 确定可靠的语音和声乐生物标志物,以区分健康和病态的声音.
• 评估机器学习算法在分类语音信号中的性能.

主要方法:

• 从元音和语音信号中提取声学,发音和曲的特征.
• 在语音特征的组合数据集上训练的机器学习算法的应用.
• 在数据集上对方法的验证,包括规范声和病理声样本.

主要成果:

• 拟议的方法在区分健康声音和病态声音方面取得了高准确性 (97.5%).
• 报告了优秀的性能指标,包括灵敏度 (98.5%),精度 (97.0%),F1得分 (98.0%),MCC (0.95),和AUC (0.98).
• 可解释性任务证实了从语音和声乐特征中确定的神经生物标志物的可靠性.

结论:

• 语音分析与机器学习相结合,为早期神经退行性疾病查提供了一个有希望的非侵入性工具.
• 开发的方法证明了临床应用的高可靠性和准确性.
• 进一步的研究和临床验证可以导致对神经退行性疾病的批准,大规模的诊断工具.