摘要：数字语音记录包含的有价值的信息可以表明个人的认知健康，并提供一种无创和有效的评估方法。研究表明，数字语音度量可以通过分析语音率，表达，音高变化和暂停等特征来检测认知能力下降的早期迹象，这在偏离规范模式时可能会表明认知障碍。但是，语音数据引入了隐私挑战，这是由于录制中嵌入的个人身份信息，例如性别，口音和情感状态，以及可以独特地识别个...

数字语音记录包含的有价值的信息可以表明个人的认知健康，并提供一种无创和有效的评估方法。研究表明，数字语音度量可以通过分析语音率，表达，音高变化和暂停等特征来检测认知能力下降的早期迹象，这在偏离规范模式时可能会表明认知障碍。

但是，语音数据引入了隐私挑战，这是由于录制中嵌入的个人身份信息，例如性别，口音和情感状态，以及可以独特地识别个人的更微妙的语音特征。当自动化系统处理语音数据时，这些风险会放大，从而引起人们对RE的担忧 - 识别和潜在滥用数据。

在一项新的研究中，波士顿大学Chobanian＆Avedisian医学院的研究人员引入了一个计算框架，该计算框架应用了俯仰变化，一种声音录音技术，它改变了声音的音调，即提高或降低声音，以保护扬声器身份，同时保留对认知评估必不可少的声学特征。

“通过利用诸如音调转换为语音混淆手段的技术，我们证明了减轻隐私风险的能力，同时保留声学特征的诊断价值，”相应的作者Vijaya B. Kolachalama，Phd，Phd，Phd，Faha，Faha，Faha，Faha，医学副教授。

研究人员使用弗雷明汉心脏研究（FHS）和dementiabank特拉华州（DBD）的数据，在不同级别上应用俯仰转换，并结合了其他转换，例如时间尺度的修改和噪声，以改变对神经心理学测试反应的声音特征。然后，他们通过相同的错误率和诊断效用来评估说话者通过机器学习模型的分类准确性区分认知状态的抑制作用：正常认知（NC），轻度认知障碍（MCI）和痴呆症（DE）。

使用混淆的语音文件，计算框架能够准确确定62％的FHS数据集中的NC，MCI和DE分化和DBD数据集的63％。

根据研究人员的说法，这项工作有助于语音数据在医学分析中的道德和实际整合，强调保护患者隐私的重要性，同时保持认知健康评估的完整性。 “这些发现为开发标准化，以隐私为中心的标准化指南为临床和研究环境中基于语音评估的应用的应用铺平了道路，” Kolachalama补充说。

这些发现出现在阿尔茨海默氏症和痴呆症：阿尔茨海默氏症协会杂志上。

该项目得到了美国国家衰老研究所的人工智能和技术合作组织（P30-AG073104和P30-AG073105），美国心脏协会（20SFRN35460031），Gates Ventures，Gates Ventures，National Institutes以及National Institutes以及National Institutes（R01-HL159620，R059620，R011-AG01-2109）和R0162109，R0073104和P30-AG073105（R073104和P30-AG073105）得到了支持。