探索创伤性脑损伤和神经退行症的语音生物签名:试点机器学习研究
Rahmina Rubaiat1, John Michael Templeton2, Sandra L Schneider3
1Knight Foundation School of Computer and Information Sciences, Florida International University, Miami, FL, United States.
JMIR neurotechnology
|December 4, 2025
概括
语音分析显示,它有望检测神经退行性疾病,如轻度创伤性脑损伤和帕金森病. PaTaKa测试有效地区分了各种疾病,有助于早期诊断.
科学领域:
- 神经科学是一个神经科学.
- 计算语言学 计算语言学
- 生物医学工程 生物医学工程
背景情况:
- 语音特征越来越多地被认为是神经退行和精神健康状况的潜在生物标志物.
- 通过语音分析早期发现和区分疾病对于有效的诊断和管理至关重要.
研究的目的:
- 在轻度创伤性脑损伤 (脑震荡) 和帕金森病 (PD) 中探索语音生物签名.
- 评估语音分析在区分这些神经退行性疾病和健康对照之间的有效性.
主要方法:
- 使用来自脑震荡,PD和年龄相匹配的健康对照参与者的语音样本进行PaTaKa和持续元音 (/ah/) 测试.
- 采用机器学习模型 (SVM,决策树,随机森林,XGBoost) 拥有37个时间和光谱语音特征.
- 应用数据增强和5倍交叉验证来评估分类性能.
主要成果:
- PaTaKa测试获得了高F1分数 (>0.9) 来分类脑震荡与健康和脑震荡与神经退行性疾病.
- 最初的神经退行性与健康分类显示性能差 (<0.2 F1分数),在数据增强后改进到60-70%的准确性.
- 持续发音测试显示,脑震荡与神经退行性相比,F1得分高 (>0.85),但其他比较得分较低.
结论:
- 语音特征有可能成为神经退行性疾病的生物标志物.
- 帕塔卡测试显示出强大的区分能力,特别是在脑震荡相关和差异诊断方面.
- 需要进一步的研究来完善基于语音的工具,以准确识别神经退行性疾病和差异诊断.
