声音属性与阿尔海默氏病的诊断（项目分享）

阿尔茨海默氏病（Alzheimer's disease，简称AD），俗称老年痴呆，是一种中枢神经系统的退行性病变，主要特征包括进行性的认知功能障碍和行为损害。利用声音属性诊断阿尔茨海默氏病是近年来的研究热点，以下是相关介绍：

### 声音属性与阿尔茨海默氏病的关联

- **语音特征变化**

  - **发音清晰度下降**：患者可能会出现发音含糊、不准确的情况，一些复杂的音节或词汇发音会变得困难，导致语音辨识度降低。比如在说一些多音节词时，会遗漏或混淆部分音节。

  - **韵律异常**：韵律包括语速、语调、重音等方面。阿尔茨海默氏病患者往往语速变慢，语调变得单调，缺乏正常的抑扬顿挫，重音的分布也可能出现紊乱，使话语听起来不自然。

- **语言流畅性改变**

  - **停顿增多**：在表达过程中，患者会出现不自然的停顿，停顿的时间可能会延长，且停顿的位置也可能不符合正常的语言表达习惯，导致语言的连贯性受损。

  - **重复现象**：可能会反复说同一个词、短语或句子，或者在叙述事情时不断重复相同的内容，这反映出患者在语言组织和表达上出现了困难。

- **声音的声学特征变化**

  - **基频变化**：基频与声带振动的频率有关，反映了声音的音调高低。患者的基频范围可能会变窄，平均基频可能会降低或升高，而且基频的稳定性也会下降，表现为说话时音调的波动异常。

  - **共振峰改变**：共振峰与声道的形状和共鸣特性相关，能反映出语音的音色特点。阿尔茨海默氏病患者的共振峰频率可能会发生偏移，共振峰的带宽也可能会变宽或变窄，导致声音的音色发生变化。

### 基于声音属性的诊断方法

- **语音采集**：通常会在安静的环境中，使用专业的录音设备采集患者的语音样本。采集内容一般包括患者的自然对话、朗读指定文本、对特定问题的回答等，以全面获取患者的语音表现。

- **声学分析**：运用声学分析软件对采集到的语音样本进行分析，提取各种声学参数，如基频、共振峰、音强、时长等，通过对比患者与健康人群的声学参数差异，寻找与阿尔茨海默氏病相关的特征模式。

- **语言特征分析**：除了声学分析，还会对语音内容进行语言特征分析，计算词汇多样性、语句复杂度、语义连贯性等指标，借助自然语言处理技术，分析患者语言表达中的语法错误、语义混乱等情况，为诊断提供依据。

- **机器学习算法**：利用机器学习中的分类算法，如支持向量机、随机森林等，将提取的声音特征作为输入特征，对阿尔茨海默氏病患者和健康对照进行分类训练和测试，构建诊断模型，通过模型的判断来辅助诊断。

### 研究现状和挑战

- **现状**：目前，利用声音属性诊断阿尔茨海默氏病已经取得了一定的研究成果，一些研究表明，基于声音分析的方法在早期诊断和病情评估方面具有较高的准确性和可靠性，有望成为一种便捷、无创的辅助诊断手段。

- **挑战**：不同个体的声音特征存在天然差异，这可能干扰诊断结果。此外，环境噪声等外部因素也会对语音采集和分析产生影响。而且，声音变化并非阿尔茨海默氏病所特有，其他神经系统疾病或语言障碍也可能导致类似的声音改变，如何提高诊断的特异性和准确性，是需要解决的重要问题。

### 数据集介绍

属性信息：

矩阵列条目（属性）：

name - 受试者姓名及记录编号（ASCII 格式）

MDVP:Fo (Hz) - 平均发声基频

MDVP:Fhi (Hz) - 最大发声基频

MDVP:Flo (Hz) - 最小发声基频

MDVP:Jitter (%)、MDVP:Jitter (Abs)、MDVP:RAP、MDVP:PPQ、Jitter:DDP - 基频变化的几种测量指标

MDVP:Shimmer、MDVP:Shimmer (dB)、Shimmer:APQ3、Shimmer:APQ5、MDVP:APQ、Shimmer:DDA - 振幅变化的几种测量指标

NHR、HNR - 语音中噪声与音调成分比率的两种测量指标

status - 受试者的健康状况（1 - 帕金森病，0 - 健康）

RPDE、D2 - 两种非线性动力学复杂度测量指标

DFA - 信号分形标度指数

spread1、spread2、PPE - 基频变化的三种非线性测量指标

### 分析步骤和结果

1. 使用多因素逻辑回归和Boruta法鉴定相关变量，用于后续的模型构建；结果显示，多因素逻辑回归的筛选是失败的，可能因为样本量的问题，而Boruta法是可行的。

2. 构建xgboost模型并进行评价，准确度可达95%，说明筛选出的声音特征可以用于诊断AD，为下一步的研究奠定基础。

3. 使用SHAP分析来解释模型，但是结果有些看不懂，明明模型预测效能较好，但是SHAP散点图数据之间的区别不大，有待于进一步研究。

4. 考察堆叠聚合模型的效果，与xgboost区别不大。

### 最后

声音特征确实可以反应AD的变化，是否有早期诊断价值等，需要更多的分析。

项目地址：https://www.heywhale.com/mw/project/67a95683414b53320efcc370