Jul, 2024

Parkinson's病的创新语音深度学习分类方法：系统综述

HTML
PDF
TL;DR本研究针对帕金森病（PD）在早期阶段的语音障碍问题进行探讨，分析了由于数据集稀缺而带来的研究限制。文章系统回顾了2020年至2024年间33篇相关科学作品，介绍了最新的深度学习方法，包括端到端学习、迁移学习，以及深度声学特征提取，强调了这些方法在诊断有效性与解释性方面的优势及挑战。该研究为未来PD诊断技术的发展提供了重要见解，揭示了偏差和隐私问题的潜在影响。
发现论文，激发创造
  • 应用人工智能和自然语言知识转移进行帕金森病诊断

    本研究提出了一种利用深度学习方法对带有 Parkinson 病的患者的语音记录进行分类的方法，通过对一个预训练自然语言模型 wav2vec 2.0 进行知识转移训练音频分类器，并成功在由智能手机录制的语音记录数据集中实现了97.92%的准确度。

    Apr, 2022

  • 使用来自不同语言的语音进行帕金森病检测的AI模型的安全开发的联邦学习

    本文应用联邦学习技术，利用不同机构提供的语音信号数据构建模型，实现帕金森氏症的检测，达到了远程合作且高准确度的目的，而不需要共享病人数据，增强了患者的结果。

    May, 2023

  • 超越公平：基于声音的无年龄歧视帕金森病检测

    通过使用基于GradCAM的特征遮盖和集成模型的新的去偏方法，我们有效提高了早发型帕金森病患者的检测准确率，而不以性能为代价。此外，我们为年轻群体提出了两步检测策略，为潜在早发型帕金森病患者提供实际风险评估。

    Sep, 2023

  • 帕金森病的声音生物标志和先进机器学习算法检测：一项综合研究

    该研究探索了派金森病患者声音特征变化作为早期疾病预测手段的潜力，使用多种先进的机器学习算法进行综合分析，结果表明LightGBM模型在准确率、AUC，敏感度和特异度等指标上表现出色，强调了结合声音生物标志物和先进机器学习技术对于精确及时检测派金森病的重要性。

    Nov, 2023

  • 用于发展基于人工智能的帕金森氏症语音评估的合成数据生成技术（一项比较研究）

    通过深度学习生成技术，本论文探讨了对于核心AI系统而言机器学习分类器的准确性的影响，以进一步提高通过声音识别帕金森病的AI系统性能。

    Dec, 2023

  • 使用声音特征评估回声状态网络对帕金森病预测的研究

    该研究旨在开发一种诊断模型，能够在临床实践中实现高准确度和最小化误报阴性，使用ANOVA进行特征选择，结合Echo State Networks等多种机器学习方法进行评估，结果表明ESN方法在Parkinson's疾病诊断方面具有优越的性能，不仅准确性更高，而且假阴性率最低，使其成为有限数据场景下特别适用的PD诊断模型。

    Jan, 2024

  • 使用多任务神经网络确定帕金森病患者的严重程度

    该论文提出了一种基于深度学习技术的方法，通过语音分析及回归技术能够判断一个人是否患有严重的帕金森症，并预测病情的程度，取得了非常有前景的效果。

    Feb, 2024

  • NeuroVoz：帕金森患者演讲的西班牙语语料库

    通过语音分析促进帕金森病（PD）的诊断受到缺乏公开的多样性语言数据集的限制，为了填补这一空白，我们引入了一个全面的语料库，其包括108名西班牙母语的巴斯克语言人中的55名健康对照组和53名被诊断为PD的患者，他们在药物优化状态下接受记录。这个独特的数据集涵盖了多种语音任务，包括西班牙五个元音的持续发声、对口语音测试、16个听音重复的表达以及自由独白。这个数据集通过听音重复任务的专业手动转录加强了准确性和可靠性，同时利用Whisper进行了自动独白转录，成为目前最完整的公开帕金森病语音语料库，也是第一个使用西班牙巴斯克语的语料库。NeuroVoz由2,903个音频录音组成，每位参与者平均有26.88个录音，为研究帕金森病对语音的影响提供了重要资源。该数据集已经支撑了多项研究，在PD语音模式识别方面达到了89%的基准准确率，表明了与PD相关的显著语音变化。尽管取得了这些进展，进行语言无关性的跨语料库分析仍然是未来研究中一个开放的领域。此研究填补了PD语音分析资源的重要空缺，并为全球研究社区在利用语音作为神经退行性疾病的诊断工具方面树立了新的标准。

    Mar, 2024

  • 利用大型语言模型检测帕金森病的自发语言变化

    利用大型语言模型，通过自发语音进行自动检测帕金森病的精确度高达73%。

    Apr, 2024

  • 病理语音检测的自监督学习

    语音产生是一个复杂的现象，通过思维加工、运动规划和发音运动的执行，大脑协调一系列过程。然而，这些多种过程的复杂执行容易受到各种神经退行性病理性言语障碍的影响和干扰，如帕金森病，导致话语障碍、运动障碍等情况。这些障碍导致异常的言语模式和不清晰的表达。为了解决这些挑战，已提出了几种自动病理性言语检测方法，主要侧重于输入表示和分类器的应用。由于数据有限，检测的性能仍然不甚理想。自我监督学习嵌入，如wav2vec2及其多语言版本，被认为是提高性能的有希望途径。这些嵌入利用自我监督学习技术从音频数据中提取丰富的表征，从而为解决标签数据稀缺性所带来的限制提供了潜在的解决方案。

    May, 2024