Apprentissage de modèles linguistiques et acoustiques pour l'identification de la démence d'Alzheimer à partir de la parole

Résumé :

La démence d'Alzheimer (MA) est une maladie neurodégénérative chronique qui se manifeste par un déclin progressif des fonctions cognitives. L'identification précoce de la MA est essentielle pour gérer les déficits cognitifs qui en découlent, ce qui peut conduire à un meilleur pronostic. Les données vocales peuvent servir de fenêtre sur le fonctionnement cognitif et être utilisées pour dépister les signes précoces de la MA. Cet article décrit des méthodes d'apprentissage de modèles à partir d'échantillons de parole de la base de données DementiaBank, pour identifier les sujets atteints de démence d'Alzheimer. Nous considérons deux tâches d'apprentissage automatique : 1) la classification binaire pour distinguer les patients des témoins sains, et 2) la régression pour estimer le score du Mini-Mental State Examination (MMSE) de chaque sujet. Pour développer des modèles pouvant utiliser des caractéristiques acoustiques et/ou linguistiques, nous explorons une variété de techniques de réduction de dimension, d'algorithmes de formation et de stratégies de fusion. Notre modèle de classification le plus performant, qui utilise des caractéristiques linguistiques avec réduction de la dimension et régression logistique régularisée, atteint une précision de 85,4 % sur un ensemble de test retenu. En ce qui concerne la tâche de régression, un modèle de régression linéaire entraîné sur un ensemble réduit de caractéristiques linguistiques atteint une erreur quadratique moyenne (RMSE) de 5,62 sur l'ensemble de test. Ces résultats démontrent la promesse de l'utilisation de l'apprentissage automatique pour détecter le déclin cognitif à partir du langage des patients atteints de la maladie d'Alzheimer.