模拟语音中的语言和声学生物标志物揭示阿尔茨海默病早期认知障碍模式 - 认知障碍

模拟语音中的语言和声学生物标志物揭示阿尔茨海默病早期认知障碍模式Linguistic and Acoustic Biomarkers from Simulated Speech Reveal Early Cognitive Impairment Patterns in Alzheimer’s Disease | bioRxiv

环球医讯 / 认知障碍来源：www.biorxiv.org英国 - 英语2026-08-22 13:57:20 - 阅读时长2分钟 - 640字

本研究通过蒙特卡洛模拟生成大规模语音数据集，分析阿尔茨海默病(AD)患者从正常到轻度认知障碍(MCI)再到AD的认知退化过程。研究发现语速、停顿时长、声音抖动和词汇多样性等参数可作为早期认知障碍的生物标志物，XGBoost分类器准确率达85%，SHAP分析确认词型-词例比降低、停顿频率增加及声音不稳定性升高是关键预测指标。FMN("勿忘我")框架为认知障碍筛查提供了一种可解释、可扩展的模拟方法，虽需外部验证，但为未来真实世界应用奠定了基础。

摘要

背景

阿尔茨海默病(AD)导致语言和认知能力进行性下降。自动语音分析已成为一种有前景的筛查工具，但临床数据稀缺限制了研究进展。为此，我们生成了一个大规模模拟语音数据集，用于模拟认知阶段(对照组、轻度认知障碍(MCI)和AD)中的语言和声学退化过程。

方法

我们使用蒙特卡洛模拟方法，重现了Pitt DementiaBank的"饼干盗窃"叙述任务。声学特征(语速、停顿持续时间、抖动、抖颤)和语言特征(词型-词例比、唯一词计数、填充词使用)均从真实世界DementiaBank分布中合成采样。我们训练了一个XGBoost分类器来区分诊断组，并应用SHAP(Shapley加性解释)评估特征重要性。

结果

该模型实现了高判别性能(AUC≈0.94；准确率≈85%)。与对照组相比，模拟的MCI和AD组显示出流畅性和词汇多样性的进行性下降，以及不流畅性和声音不稳定性增加。SHAP分析显示，关键预测因子包括降低的词型-词例比、更高的停顿和填充词率，以及升高的抖动/抖颤。分类对对照组与AD组最为准确；MCI错误分类突显了中间特征表现。