Speech‐Based Detection of Alzheimer's Disease: Leveraging Spectral Contrast and Pitch Variability as Potential Diagnostic Markers
Notice bibliographique
Résumé
BACKGROUND: Alzheimer's disease (AD) profoundly affects motor control and cognitive functions, often resulting in impaired speech characteristics such as vocal clarity, emotional expressiveness, and prosodic richness. To detect such abnormalities, we examine the role of three specific acoustic features to differentiate participants with AD from healthy controls (HC) and study the association between these acoustic features and global cognition. METHODS: Speech data from 237 participants (115 HC, 110 AD) in the ADReSS-M dataset, collected during the "Cookie Theft" picture description task, were analyzed. This dataset has been matched for age and gender by propensity score to prevent bias. The HC group averaged 66.4 years (SD: 6.64), and the AD group averaged 69.4 years (SD: 6.92), with significantly lower Mini-Mental State Examination (MMSE) scores in AD (AD: 17.9; HC: 29.0). Features quantifying vocal clarity, articulatory precision (spectral contrast), vocal tone (pitch mean), and prosodic variability (pitch standard deviation) were extracted. Group differences in these features were assessed using t-tests, and Pearson correlation analyses were conducted to examine associations between acoustic measures and MMSE scores. RESULTS: There were significant differences between AD and HC groups for spectral contrast (t(235) = 4.26, p <0.0001), pitch mean (t(235) = 3.54, p = 0.0005), and pitch standard deviation (t(235) = 3.62, p = 0.0004). Cohen's d values for these features ranged from -0.5 to -0.6, indicating medium effect sizes, with lower values observed in the AD group. We also found a significant correlation (p <0.01) between MMSE scores and each of the features (Pearson's r = 0.22 for pitch mean, 0.23 for pitch standard deviation, and 0.25 for spectral contrast). CONCLUSIONS: This preliminary study highlights the physiological basis of altered speech patterns in AD and their diagnostic relevance. Future work will focus on refining preprocessing algorithms and incorporating advanced feature extraction methods to enhance the effect sizes and correlation for AD detection and cognitive 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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».