超越公平性：基于语音的无年龄损害帕金森病检测
机器学习
2023-09-26 v1 计算机与社会
声音
音频与语音处理
摘要
帕金森病（PD）是一种神经退行性疾病，常表现为言语和语音功能障碍。虽然利用语音数据进行 PD 检测在临床应用中具有巨大潜力，但目前广泛使用的深度学习模型在不同发病年龄上存在公平性问题。这些深度模型在老年组（年龄 55）表现良好，但在青年组（年龄 55）准确性较低。通过我们的调查，老年与青年之间的差异源于 1）数据集不平衡和 2）早发患者常表现出的较轻症状。然而，传统的去偏方法不切实际，因为它们通常在最小化差异的同时损害多数组的预测精度。为解决此问题，我们提出了一种结合基于 GradCAM 的特征掩蔽与集成模型的新去偏方法，确保公平性与准确性均不受损。具体而言，基于 GradCAM 的特征掩蔽选择性地遮蔽输入语音数据中的年龄相关特征，同时保留 PD 检测所需的关键信息。集成模型进一步提高了少数群体（青年组）的预测精度。我们的方法有效提升了早发患者的检测准确率，且不牺牲老年组的性能。此外，我们为青年组提出了一种两步检测策略，为潜在早发 PD 患者提供实用的风险评估。
引用
@article{arxiv.2309.13292,
title = {Beyond Fairness: Age-Harmless Parkinson's Detection via Voice},
author = {Yicheng Wang and Xiaotian Han and Leisheng Yu and Na Zou},
journal= {arXiv preprint arXiv:2309.13292},
year = {2023}
}