O quadro aritmético protege a privacidade em avaliações de saúde cognitiva baseadas em áudio

As gravações de áudio digital contêm informações valiosas que podem se referir à saúde cognitiva do indivíduo, fornecendo um método de avaliação não cirúrgico e eficaz. A pesquisa mostrou que os padrões de som digital podem descobrir sinais precoces de diminuição cognitiva, analisando características como taxa de fala, expressão, contraste e parada no estádio, o que pode indicar comprometimento cognitivo ao se desviar de padrões normativos.

No entanto, os dados de áudio oferecem desafios de privacidade devido às informações pessoais incluídas nos registros, como sexo, âncora e estado emocional, bem como as propriedades de fala mais precisas que podem determinar os indivíduos exclusivamente. Esses riscos são amplificados quando os dados de áudio são processados ​​por meio de sistemas automáticos, o que levanta preocupações sobre uma re ––Determinar e abusar de possíveis dados.

Em um novo estudo, pesquisadores da Universidade de Boston Schoophanian e Evisian entraram em uma estrutura matemática que aplica a mudança no estádio, que é uma tecnologia de gravação de áudio, aumentando ou diminuindo, para proteger a identidade do alto -falante, mantendo os recursos de áudio necessários para avaliação cognitiva.

Ao aproveitar as técnicas, como alterar o estádio como um meio de interrogatório vocal, mostramos a capacidade de reduzir o risco de privacidade, mantendo o valor diagnóstico dos recursos sonoros. “

Vijaya B. Campsalma, PhD, Faha, Al -Maksab, o professor assistente de medicina

Usando dados do estudo Heart Framingham (FHS) e Dementiabank Delaware (DBD), os pesquisadores aplicaram a transformação do estádio em diferentes níveis e incorporaram transformações adicionais, como modificações cronológicas e adicionar ruído, para alterar as características vocais das respostas para testes nervosos. Em seguida, eles avaliaram a superação do falante por meio de uma taxa de erro igual e interesse diagnóstico através da precisão da classificação dos modelos de aprendizado de máquina.

Usando arquivos de fala excessivos, o quadro aritmético permite o NC, MCI e DE em 62 % do conjunto de dados do FHS e 63 % da coleta de dados do DBD.

Segundo os pesquisadores, este trabalho contribui para a integração moral e prática dos dados de áudio em análises médicas, enfatizando a importância de proteger a privacidade do paciente, mantendo a integridade das avaliações de saúde cognitiva. “Esses resultados abrem o caminho para o desenvolvimento de instruções uniformes centradas na privacidade das aplicações futuras de avaliações baseadas em áudio em ambientes clínicos e de pesquisa”, acrescenta Celchlama, que também é professor associado de ciência da computação, um Instituto de Computação da Faculdade de Buson.

Esses resultados aparecem on -line na revista Alzheimer e Death: Al -Zheimer’s Association.

Este projeto foi apoiado por subsídios do Instituto Nacional de Inteligência e Tecnologia Artificial em Envelhecimento (P30-AG073104 e P30-AG073105) e a American Heart Association (20SFRN35460031), Gates Ventures, Gates Ventures e National Health (R01-HL159620, R01-AG: R019, R01G08, R019, R019, R019 e R019.