基于语音分析的机器学习模型识别阿尔茨海默病.pdfVIP

第42卷第5期中国医学物理学杂志Vol.42No.5

2025年5月ChineseJournalofMedicalPhysicsMay2025-685-

DOI:10.3969/j.issn.1005-202X.2025.05.020医学人工智能

基于语音分析的机器学习模型识别阿尔茨海默病

1,212,32,31,2

张雨曦，孙炜，朱国栋，任之尧，张瑞秋

1.华南理工大学设计学院，广东广州510000；2.广州市民政科技协同创新中心，广东广州510000；3.广州市老年医院老年医学

研究所，广东广州510000

【摘要】目的：通过语音分析结合机器学习及特征选择技术，筛选阿尔茨海默病（AD）发展进程中的关键声学特征，构建AD

分类模型，为AD的早期筛查提供候选工具。方法：从NCMMSC2021AD语音数据集中获取AD、轻度认知障碍（MCI）与

正常老年人（HC）的语音样本，对语音样本进行数据预处理，通过OpenSmile工具包提取eGeMAPS特征集中的特征参数，

利用随机森林和支持向量机（SVM）机器学习算法构建分类模型。通过Python进行特征显著性检验及特征重要性排序，

运用序列前向搜索（SFS）进行特征选择，并对比特征选择前后分类模型的效能。采用准确率和受试者工作特征曲线下面

积（AUC）指标进行模型分类性能评价。结果：分类模型中重要声学特征主要来源于谱斜率、共振峰、基频、响度。模型最

优分类效果均来自SFS特征选择后的SVM模型，AD/MCI组识别准确度为0.926（AUC=0.974），AD/HC组识别准确率为

0.875（AUC=0.956），MCI/HC组识别准确率为0.879（AUC=0.904）。结论：SVM模型性能优于随机森林模型，采用SFS进

行特征选择可以有效提高模型性能，语音分析可以成为未来AD快速评估筛查的有效补充工具。

【关键词】阿尔茨海默病；语音分析；随机森林；支持向量机；序列前向搜索

【中图分类号】R318；TP181；R749.16【文献标志码】A【文章编号】1005-202X（2025）05-0685-08

Voiceanalysis-basedmachinelearningmodelstodiagnoseAlzheimersdisease

1,212,32,31,2

ZHANGYuxi,SUNWei,ZHUGuodong,RENZhiyao,ZHANGRuiqiu

1.SchoolofDesign,SouthChinaUniversityofTechnology,Guangzhou510000,China;2.CollaborativeInnovationCenterforCivil

AffairsofGuangzhou,Guangzhou510000,China;3.InstituteofGerontology,GuangzhouGeriatricHospital,Guangzhou510000,

China

Abstract:ObjectiveToidentifykeyacousticfeaturesassociatedwiththeprogressionofAlzheimersdisease(AD)through

voiceanalysiscombinedwithmac