A Speech-Based Classification Model for Mild Cognitive Impairment Screening
Notice bibliographique
Résumé
Mild Cognitive Impairment (MCI) is an early stage of cognitive decline that often goes undetected due to its overlap with normal aging symptoms. Early identification is crucial, as MCI can progress to dementia, a neurodegenerative condition that severely impairs quality of life and has become a growing global public health concern. While traditional cognitive screening tools, such as the Mini-Mental State Examination (MMSE) and Montreal Cognitive Assessment (MOCA), are commonly used, they suffer from subjectivity, cultural bias, and limited scalability, highlighting the need for objective, accessible alternatives. This study explored a non-invasive and scalable alternative to traditional MCI screening through speech-based methods. A speech-based classification model was built using an open-source database of audio recordings from MCI patients and healthy controls. To enhance detection performance, the model utilized language-independent acoustic features including Mel-Frequency Cepstral Coefficients (MFCC), jitter, shimmer, and fundamental frequency. Multiple machine learning models were trained and evaluated, including Random Forest, Support Vector Machine (SVM) and Logistic Regression, Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM), and a lightweight Deep Neural Network (DNN). Random Forest performed the best among the baseline models with an accuracy of 83.5%. Between CNN-LSTM and DNN, DNN achieved the highest performance with an accuracy of 84%. These findings demonstrate the potential of universal speech features in supporting early detection of MCI through deep learning techniques while maintaining low computational cost. This approach underscores the potential of deep-learning-based speech biomarkers to enable non-invasive, scalable, and language-agnostic MCI screening, with implications for both clinical workflows and self-assessment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».