多模式分散式混合学习用于早期帕金森病检测,使用语音生物标志物和对比语音嵌入

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:

• 帕金森病 (PD) 影响全球数以百万计的人,患病率越来越高.
• 在PD中早期的神经运动语言障碍为基于语音的检测提供了潜力.
• 目前用于PD的语音分析方法缺乏诊断性能和互操作性,因为依赖于手工制作或不透明的功能.

研究的目的:

• 利用语音分析开发一种多模式的分散式混合学习框架,用于早期检测帕金森病.
• 整合结构化语音生物标志物与深度语音嵌入,以提高诊断准确度.
• 提高语音分析模型用于神经退行性疾病查的可解释性和互操作性.

主要方法:

• 一个混合学习框架,结合了结构化语音生物标志物 (UCI帕金森病数据集) 和对比语音嵌入 (DAIC-WOZ语料库通过Wav2Vec 2.0).
• 利用早期的融合策略,然后使用密集的神经分类器进行二进制分类.
• 采用基于SHAP的分析来确定关键的歧视性特征.

主要成果:

• 实现了高诊断性能,准确率为96.2%,AUC为97.1%.
• 超越了单模和基线融合模型的表现,证明了多模方法的有效性.
• SHAP分析证实了特定特征的高区分价值,提高了模型的可解释性.

结论:

• 拟议的框架为早期帕金森病查提供了一个数据驱动的,非侵入性的途径.
• 将可解释的临床特征与含义丰富的深层嵌入结合起来,可以捕捉到互补的模式,从而改善检测.
• 这种方法有望在神经退行性疾病的非侵入性查中得到更广泛的应用.