基于深度学习框架通过语音的大脑响应检测中风后失语症
信号处理
2024-01-22 v1 声音
音频与语音处理
摘要
失语症是一种主要由中风引起的语言障碍，传统上通过行为语言测试进行诊断。然而，这些测试耗时，需要训练有素的临床医生进行人工解释，生态效度低，并且诊断可能会受到失语症中并发的运动和认知问题的偏差影响。在本研究中，我们引入了一种用于失语症语音处理障碍的自动筛查工具，该工具在深度学习框架内依赖于与语音时间锁定的大脑响应（即神经追踪）。我们使用在大样本健康参与者上训练的卷积神经网络，对故事声学、分段和语言学语音表示的脑电图（EEG）响应进行建模，以此作为语音完整神经追踪的模型。随后，我们在由 26 名失语症患者（IWA）和 22 名健康对照组成的独立样本上评估了我们的模型。我们的结果显示，IWA 中所有语音表示的追踪均有所下降。利用以神经追踪测量值为输入的支持向量机分类器，我们展示了在个体水平上以省时方式（需要 9 分钟的 EEG 数据）高准确率（85.42%）检测失语症的能力。鉴于其高鲁棒性、时间效率和对未见数据的泛化能力，我们的方法在临床应用中具有重要前景。
引用
@article{arxiv.2401.10291,
title = {Detecting Post-Stroke Aphasia Via Brain Responses to Speech in a Deep Learning Framework},
author = {Pieter De Clercq and Corentin Puffay and Jill Kries and Hugo Van Hamme and Maaike Vandermosten and Tom Francart and Jonas Vanthornhout},
journal= {arXiv preprint arXiv:2401.10291},
year = {2024}
}
备注
Shared first authors: De Clercq & Puffay