用于自动化阿尔茨海默病检测的纵向语音生物标志物
声音
2021-11-24 v1 音频与语音处理
定量方法
摘要
我们引入一种新颖的音频处理架构，即开放语音脑模型(OVBM)，提升了从自发语音中纵向判别阿尔茨海默病(AD)的检测准确率。我们还概述了导向该架构的 OVBM 设计方法，该方法通常可融合多模态生物标志物并同时针对多种疾病及其他 AI 任务。我们方法的关键在于使用相互补充的多个生物标志物，当其中两个在目标疾病中唯一识别不同受试者时，我们称它们为正交的。我们通过引入 16 个生物标志物来阐释该方法，其中 3 个为正交，展示了对看似无关的疾病（如 AD 和 COVID-19）同时优于当前最优的判别能力。受 MIT 大脑、心智与机器中心研究的启发，OVBM 结合了智能四大模块的生物标志物实现：脑操作系统对音频样本进行分块与重叠，并从感知流与认知核心聚合生物标志物特征，为目标任务构建符号组合模型的多模态图神经网络。我们将其应用于 AD，在原始音频上达到 93.8% 的优于当前最优准确率，同时提取出利用多个生物标志物（所报告 AD 任务中为 16 个）纵向追踪相对疾病进展的受试者显著性图。最终目标是透过检测发病与治疗影响来帮助医疗实践，从而可纵向检验干预方案。利用 OBVM 设计方法，我们引入一种使用 20 万+咳嗽样本创建的新型肺与呼吸道生物标志物，以预训练判别咳嗽文化来源的模型。该咳嗽数据集作为最大的音频健康数据集树立了新基准，于 2020 年 4 月有 3 万+受试者参与，首次展示了咳嗽的文化偏差。
引用
@article{arxiv.2111.11859,
title = {Longitudinal Speech Biomarkers for Automated Alzheimer's Detection},
author = {Jordi Laguarta Soler and Brian Subirana},
journal= {arXiv preprint arXiv:2111.11859},
year = {2021}
}