[論文レビュー] Parkinsonian Chinese Speech Analysis towards Automatic Classification of Parkinson's Disease

Hao Fang, Gong Chen+3 more|arXiv (Cornell University)|May 31, 2021

Voice and Speech Disorders参考文献 18被引用数 4

ひとこと要約

本研究では、パーキンソン病（PD）を音声から分類するための新しい中国語（普通話）音声コーパスを提案し、機械学習およびディープラーニング手法を評価する。自由な形での画像記述タスクを用いたアプローチは、94.0%の正確度を達成し、最先端の結果を上回った。これは、自然な音声が、早期PD検出において構造化されたタスクよりも優れていることを示している。

ABSTRACT

Speech disorders often occur at the early stage of Parkinson's disease (PD). The speech impairments could be indicators of the disorder for early diagnosis, while motor symptoms are not obvious. In this study, we constructed a new speech corpus of Mandarin Chinese and addressed classification of patients with PD. We implemented classical machine learning methods with ranking algorithms for feature selection, convolutional and recurrent deep networks, and an end to end system. Our classification accuracy significantly surpassed state-of-the-art studies. The result suggests that free talk has stronger classification power than standard speech tasks, which could help the design of future speech tasks for efficient early diagnosis of the disease. Based on existing classification methods and our natural speech study, the automatic detection of PD from daily conversation could be accessible to the majority of the clinical population.

研究の動機と目的

• パーキンソン病（PD）研究のための新しい普通話音声コーパスの開発。自由な会話、DDK、および詩の朗読を含む多様な音声タスクを含む。
• 音声信号を用いた、PD患者と健常対照群を区別するための、さまざまな機械学習およびディープラーニング手法の有効性の調査。
• 自然で構造のない音声（例：画像記述）が、標準化された音声タスクよりも優れた分類能力を示すかどうかの評価。
• 中国語話者のPD関連の音声障害を特徴付ける、最も判別力のある音声特徴の同定。
• 日常の会話の自動分析を用いた、アクセスしやすくモバイルフレンドリーなPDの早期診断の実現。

提案手法

• 34名のPD患者および34名の健常対照群から成る新しい普通話音声コーパスを構築。実世界の制御のない環境（例：スマートフォン、自宅環境）で収録された。
• 主な音声特徴としてメル周波数ケプストラム係数（MFCCs）を抽出し、次元削減のためのランク付けアルゴリズムを用いた特徴選択を実施。
• 古典的機械学習モデル（RBFカーネルを用いたSVM、KNN、ランダムフォレスト）およびディープラーニングアーキテクチャ（CNN、RNN、エンドツーエンドシステム）を分類に適用。
• PCAで次元を削減した特徴（50次元）を用い、t-SNEを用いてPD群と健常群のクラス分離性を可視化。
• 自由会話（画像記述）、ディアドコキネティックタスク（DDK）、構造化された朗読（詩）の3つの音声タスクの性能を比較。
• 交差検証を用いたモデル学習最適化と、分類正確度（ACC）を用いた性能評価。

実験結果

リサーチクエスチョン

• RQ1 自然で構造のない音声（例：画像記述）の音声特徴は、標準化された音声タスクよりも、PD分類において高い正確度を達成できるか？
• RQ2 特徴選択を伴う古典的機械学習手法と、ディープラーニングモデルの間で、中国語音声からのPD分類において性能に差は生じるか？
• RQ3 自由会話、DDK、または詩の朗読のうち、どの音声タスクがPD検出に最も判別力のある音声パターンをもたらすか？
• RQ4 MFCCベースの特徴と次元削減（PCA）は、PD分類におけるモデルの汎化性能および分離性をどの程度向上させるか？
• RQ5 タスク固有の設計なしに、エンドツーエンドのディープラーニングシステムが日常の会話からのPD分類を効果的に実行できるか？

主な発見

• 自由会話（画像記述）タスクが94.0%の最高正確度を達成し、標準タスク（DDK：83.5%、詩の朗読：91.1%）を顕著に上回った。
• 特徴選択を施したRBF-SVMモデルが94.0%の正確度を達成し、音声信号を用いたPD分類において、これまで報告されたすべての最先端の結果を上回った。
• t-SNE可視化により、PCAおよびt-SNE投影後の特徴空間で、PD群と健常群の音声パターンの明確な分離が確認された。
• 本研究では、自然な音声タスクがPD患者に顕著な発声運動障害を引き起こし、分類の判別力を向上させることを示した。
• 古典的機械学習およびディープラーニングモデルの両方が、最先端の性能を達成した。これは、手法論的アプローチの堅牢性を示している。
• 結果から、日常会話からの自動PD検出が実現可能であり、スケーラブルな早期診断のためのモバイルヘルスアプリケーションへの統合が可能であると示唆された。