BenSParX：面向孔氏病检测的人类语言情感可解释机器学习框架
机器学习
2025-05-20 v1 声音
音频与语音处理
摘要
孔氏病（PD）正面临日益增长的全球性健康挑战，Bangladesh正经历显著上升的PD相关死亡率。早期检测PD在资源受限的环境中尤为具有挑战性，而语音分析已然成为一种有前景的非侵入性和高性价比的替代方案。然而，现有研究主要聚焦于英语或其他主要语言；值得注意的是，尚无针对孔氏病的人类语言语音数据集存在，这构成了一个显著的障碍，限制了文化包容性和可及性健康解决方案的发展。此外，大多数先前研究仅采用狭窄的声学特征集合，缺乏或几乎没有超参数调优和特征选择策略，以及对模型可解释性的关注。这限制了开发稳健且可推广的机器学习模型的能力。为此，我们提出BenSparX，首个面向PD检测的人类语言语音数据集，以及专为早期诊断量身定制的稳健可解释机器学习框架。该框架融合多样化的声学特征类别、系统化的特征选择方法以及最先进的机器学习算法，进行广泛的超参数优化。此外，为增强模型预测的可解释性和可信度，该框架集成了SHAP（SHapley Additive exPlanations）分析，以量化individual声学特征对PD检测的贡献。我们的框架实现了最先进的性能，准确率达95.77%，F1分数达95.57%，AUC-ROC为0.982。我们进一步通过将框架应用于其他语言的现有PD数据集进行外部验证，在一致上超越最先进的方法。为促进进一步的研究和可重复性，数据集已公开发布于https://github.com/Riad071/BenSParX。
引用
@article{arxiv.2505.12192,
title = {BenSParX: A Robust Explainable Machine Learning Framework for Parkinson's Disease Detection from Bengali Conversational Speech},
author = {Riad Hossain and Muhammad Ashad Kabir and Arat Ibne Golam Mowla and Animesh Chandra Roy and Ranjit Kumar Ghosh},
journal= {arXiv preprint arXiv:2505.12192},
year = {2025}
}
备注
46 pages, 16 figures