科技日报记者 刘垠 通讯员 范光辉 李立敏
帕金森病是高发的神经退行性疾病，早期无创筛查与精准分级是临床诊疗的关键。近日，扬州职业技术大学、扬州大学与兰州理工大学组成的帕金森病语音声学与分子标志物联合检测团队，在帕金森病智能检测领域取得重要突破：提出基于压缩激励密集型网络的声信号识别与分级方法，可对健康、轻度、中度、重度帕金森病实现高效精准分类，多项性能指标显著优于现有主流算法。3月28日，中国计量测试学会主办的《计量学报》刊登相关研究成果。
流行病学数据显示，超过90%的帕金森病患者在病程早期即出现发声功能异常，表现为语音强度减弱、节律不稳、基频范围变窄、发音粗糙等典型特征。与影像检查、运动功能评估等传统手段相比，基于声信号的检测具有非接触、无侵入、低成本、易普及等优势，适合大规模人群筛查与居家长期监测。
目前传统声信号识别方法多局限于“健康/ 患病”二分类，难以实现病情轻重分级，且在低信噪比等复杂环境下易出现误判，临床应用受限。针对这一瓶颈，研究团队从帕金森病发声异常病理机制入手，将声信号转化为信噪比、相对幅值微扰、周期扰动三类关键量化特征，可客观反映神经损伤、肌肉僵硬及声带病变程度，为分级诊疗提供可靠依据。
在此基础上，团队融合密集连接网络与压缩激励模块，构建端到端智能识别模型，实现浅层与深层声学特征双向融合，经由Softmax分类器完成四级精准判别。实验基于扬州大学附属医院120名受试者的600段持续元音声信号开展验证，结果显示：该方法对健康、轻度、中度、重度帕金森病的识别准确率分别达到96.9%、96.8%、95.5%、97.6%，显著高于传统方法83.2%—85.6%的精度区间。
在抗干扰测试中，面对白噪声干扰的低信噪比场景，传统算法准确率快速下降，而新技术仍保持稳定输出。同时，该方法迭代效率更高、损失值更低，鲁棒性与实用性突出。该成果突破了传统语音检测仅能二分类的局限，降低了对采集环境的要求，提升了复杂场景适应性，为帕金森病早筛早诊与精准分级提供全新技术路径。
团队成员扬州职业技术大学侯晓丽副教授表示，研究团队下一步将拓展多维声学特征融合研究，推动算法向便携式检测终端与远程筛查系统转化，以智能计量技术赋能神经退行性疾病早发现、早干预，助力普惠式精准医疗落地。
网友评论
