Identificação da doença de Alzheimer através da fala: uma abordagem multilíngue
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1273Palavras-chave:
Aprendizado de Máquina, Análise Automática da Fala, Doença de AlzheimerResumo
A doença de Alzheimer, principal forma de demência entre os idosos no mundo, tem significativas repercussões sociais e econômicas. É caracterizada pela perda de memória e mudanças na linguagem, cognição e emoções, afetando irreversivelmente os neurônios. O diagnóstico precoce é fundamental, mas desafiador, pois depende de avaliações médicas, testes e exames complexos que, muitas vezes, são inacessíveis para indivíduos de baixa renda. Nesse contexto, técnicas computacionais, como o aprendizado de máquina (AM), surgem como alternativas para a detecção da doença. Este estudo apresenta uma abordagem multilíngue baseada em AM, focando nas características paralinguísticas e emocionais da fala como biomarcadores para a identificação do Alzheimer. Os experimentos produziram resultados com acurácia de 81% para o inglês e 87,50% para o português. Além disso, a integração dessa metodologia com o modelo de Haider, Fuente, e Luz(1) resultou em uma acurácia média de 81,70%, superando os resultados originais dos autores.
Referências
Haider F, de la Fuente S, Luz S. An Assessment of Paralinguistic Acoustic Features for Detection of Alzheimer’s Dementia in Spontaneous Speech. IEEE Journal of Selected Topics in Signal Processing. 2020 Feb;14:272-281.
World Health Organization. Ageing. World Health Organization (WHO) [Internet]. 2024 [cited 2024 Jan 15]; [about 1 p.]. Available from: https://www.who.int/health-topics/ageing.
Long S, Benoist C, Weidner W. World Alzheimer Report 2023: Reducing dementia risk: never too early, never too late. London, England: Alzheimer’s Disease International (ADI); 2023.
Campbell EL, Mesía RY, Docío-Fernández L, García-Mateo C. Paralinguistic and linguistic fluency features for Alzheimer’s disease detection. Computer Speech & Language. 2021. Jul;68:101198.
de la Fuente Garcia S, Haider F, Luz S. Cross-corpus Feature Learning between Spontaneous Monologue and Dialogue for Automatic Classification of Alzheimer’s Dementia Speech. 2020 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC). 2020 Jul 20-24; Montreal, Canada. p. 5851-5855.
Bernieri G, Duarte JC. Identifying Alzheimer’s Disease Through Speech Using Emotion Recognition. Journal of Health Informatics. 2023 Jul 20;15:1-14.
Russell JA, Mehrabian A. Evidence for a three-factor theory of emotions. Journal of Research in Personality. 1977 Sep;11:273–294.
Cai H, Huang X, Liu Z, Liao W, Dai H, Wu Z, et al. Multimodal Approaches for Alzheimer’s Detection Using Patients’ Speech and Transcript. Lecture Notes in Computer Science. 2023 Sep 13;395–406.
Becker JT, Boiler F, Lopez OL, Saxton J, McGonigle KL. The natural history of Alzheimer's disease: Description of study cohort and accuracy of diagnosis. Archives of Neurology. 1994 Jun; 51 (6): 585-594.
Burkhardt F, Paeschke A, Rolfes M, Sendlmeier WF, Weiss B. A database of German emotional speech. In: Proceedings of Interspeech 2005; 2005 Sep 04-08; Lisbon, Portugal. p. 1517-1520.
Aluísio S, Cunha A, Scarton C. Evaluating Progression of Alzheimer’s Disease by Regression and Classification Methods in a Narrative Language Test in Portuguese. Computational Processing of the Portuguese Language. 2016;109–114.
Husein Z. Malaya, Speech-Toolkit library. Version 1.2.7 [software]. 2020 [cited 2024 Jan 15]. Available from: https://github.com/huseinzol05/malaya-speech.
Buechel S, Hahn U. Emotion Analysis as a Regression Problem – Dimensional Models and Their Implications on Emotion Representation and Metrical Evaluation. European Conference on Artificial Intelligence 2016; 2016. p. 1114-1122.
Wagner J, Triantafyllopoulos A, Wierstorf H, Schmitt M, Burkhardt F, Eyben F, et al. Dawn of the transformer era in speech emotion recognition: Closing the valence gap. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022; 1–13.
Shreffler J, Huecker MR. Diagnostic Testing Accuracy: Sensitivity, Specificity, Predictive Values and Likelihood Ratios. StatPearls. 2023.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
