Детектирование бокового амиотрофического склероза на основе акустического анализа голоса с использованием библиотеки openSMILE

Рассмотрена задача автоматического выявления признаков бокового амиотрофического склероза на основе анализа акустических характеристик голосового сигнала. Для извлечения функциональных акустических признаков голоса использовалась библиотека openSMILE с конфигурацией ComParE_2016. В качестве исходных данных использовались аудиозаписи из голосовой базы Minsk2020_ALS, включающей записи как здоровых пациентов, так и пациентов с боковым амиотрофическим склерозом. Проведены сравнение голосовых признаков между группами с использованием непараметрического критерия Манна – Уитни и FDR-коррекции множественных сравнений и раздельный анализ по полу. Выполнен эксперимент по классификации голосовых сигналов с использованием вложенной процедуры перекрестной проверки. Получены классификаторы, имеющие вероятность правильного обнаружения 75,0 % (для мужских голосов) и 74,2 % (для женских голосов). Выявлены статистически значимые акустические параметры, которые могут быть полезны в задачах автоматизированной диагностики и мониторинга бокового амиотрофического склероза.

1. Bowden M., Beswick E., Tam J., Perry D., Smith A., Newton J., et al. (2023) A Systematic Review and Narrative Analysis of Digital Speech Biomarkers in Motor Neuron Disease. NPJ Digital Medicine. 6 (1), 1–19.

2. Norel R., Pietrowicz M., Agurto C., Rishoni S., Cecchi G. (2018) Detection of Amyotrophic Lateral Sclerosis (ALS) Via Acoustic Analysis. Proceedings of the Annual Conference of the International Speech Communication Association (INTERSPEECH). 377–381.

3. Folgado D., Rocha P. S., Matias P., Liebeatrau D., Nunes F., Rocha T., et al. (2025) HomeSenseALS: A Mobile Sensing and Self-Monitoring System to Monitor Patients with ALS in Everyday Life. ACM Transactions on Computing for Healthcare. 25 (3), 1–32.

4. An K., Kim M., Teplansky K., Green J., Campbell T., Yunusova Y., et al. (2018) Automatic Early Detection ofAmyotrophic Lateral Sclerosis from Intelligible Speech Using Convolutional Neural Networks. Proceedings of Interspeech. 1913–1917.

5. Illa A., Patel D., Yamini B. K., Veeramani P.-K., Polavarapu K., Nashi S., et al. (2018) Comparison of Speech Tasks for Automatic Classification of Patients with Amyotrophic Lateral Sclerosis and Healthy Subjects. Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). 6014–6018.

6. Yunusova Y., Green J. R., Greenwood L., Wang J., Pattee G. L., Zinman L. (2012) Tongue Movements andTheir Acoustic Consequences in Amyotrophic Lateral Sclerosis. Journal of Speech, Language, and Hearing Research. 55 (3), 673–687.

7. Eyben F., Wӧllmer M., Schuller B. (2010) openSMILE: The Munich Versatile and Fast Open-Source Audio Feature Extractor. Proceedings of the 18th ACM International Conference on Multimedia. 1459–1462.

8. Bocklet T., Steidl S., Nӧth E., Skodda S. (2013) Automatic Evaluation of Parkinson’s Speech-Acoustic, Prosodic and Voice-Related Cues. Proceedings of Interspeech. 1149–1153.

9. Vashkevich M., Rushkevich Yu. (2021) Classification of ALS Patients Based on Acoustic Analysis of Sustained Vowel Phonations. Biomedical Signal Processing and Control. 65, 1–14.

10. Minsk2020_ALS_database: Classification of ALS Patients Based on Acoustic Analysis of Sustained Vowel Phonations. GitHub. Available: https://github.com/Mak-Sim/Minsk2020_ALS_database (Accessed 6 October 2025).

11. Hermansky H., Morgan N. (1994) RASTA Processing of Speech. IEEE Transactions on Speech and Audio Processing. 2 (4), 578–589.

12. Hastie T., Tibshirani R., Friedman J. H. (2009) The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer.