Исследователи разработали приложение для смартфона, которым можно управлять самостоятельно, для выявления нейродегенеративных состояний, таких как болезнь Альцгеймера и легкие когнитивные нарушения, путем анализа речевых паттернов. Поскольку малозаметные нарушения речи являются ранним признаком этих состояний, это может быть простым способом более быстрой постановки диагноза.
Несмотря на распространенность болезни Альцгеймера (БА) во всем мире, по оценкам, 75% людей с это не диагностировано. Нарушение речи обычно является одним из первых признаков БА. Вначале у людей может развиться заикание или прерывистая речь, и им будет трудно вспомнить слова или найти правильное слово, чтобы передать то, что они пытаются сказать.
Использование технологий для регистрации часто незаметных изменений голоса человека помогает врачам диагностировать БА и легкие когнитивные нарушения (MCI) на ранней стадии. Чем раньше будет поставлен диагноз, тем больше шансов, что прогрессирование болезни можно замедлить. Однако распознавание речевых паттернов у пожилых людей может быть затруднено.
Исследователи из Университета Цукуба, Япония, и IBM Research разработали самоуправляемый прототип приложения для смартфона, позволяющий точно анализировать чью-то речь на предмет явных признаков раннего AD и MCI.
Исследователи собрали речевые данные 114 участников: 25 с диагнозом AD, 46 с MCI и 43 когнитивно здоровых участника. Возраст участников колебался от 72 до 75 лет. Участники сидели в тихой комнате и отвечали на заранее записанные вопросы; их ответы были записаны на iPad.
Участники выполняли пять речевых заданий: обратный счет, вычитание, задания на беглость речи и описание картинок. Их ответы были расшифрованы с помощью службы автоматического распознавания речи IBM Watson Speech-to-Text. Записи анализировались на джиттер (кратковременные колебания высоты тона), мерцание (кратковременные колебания громкости), скорость речи, интонацию и паузы. Машинное обучение использовалось для классификации трех групп — AD, MCI и контроля — с помощью речевых признаков, при этом исследователи вводили 92 речевых признака, извлеченных из каждой задачи.
Исследователи обнаружили статистически значимые различия в речевых паттернах участников контрольной группы и участников с AD или MCI. Более того, модель машинного обучения обнаружила AD и MCI с точностью 91 % и 88 % соответственно.
Насколько им известно, это первое исследование, демонстрирующее возможность использования автоматического, самоуправляемого инструмент для обнаружения AD и MCI с использованием речи в качестве маркера. Они предлагают дальнейшие исследования, чтобы проверить, совпадают ли вариации речи, обнаруженные их приложением, с патологическими изменениями, наблюдаемыми в этих условиях, такими как уровни тау и бета-амилоида.
Исследователи признают, что их исследование имеет некоторые ограничения. Речевые данные были собраны в лабораторных условиях, что могло повлиять на то, как участники отвечали на вопросы. Во-вторых, размер выборки был небольшим, что влияет на обобщаемость результатов исследования.
Тем не менее, их исследование демонстрирует потенциал использования анализа речи с помощью самостоятельного приложения для смартфона для выявления этих изнурительных заболеваний.
Исследование опубликовано в журнале Computer Speech and Language.
