Wissenschaftlich fundiert

Übersicht

Im Folgenden geben wir eine Übersicht über die wichtigsten Publikationen, die die wissenschaftliche Grundlage der ∆elta Plattform bilden. Im Anschluss daran befindet sich eine Liste aller unserer Publikationen. Einen Überblock über alle (klinischen) Studien, in denen ∆elta zum Einsatz kam oder kommt finden Sie auf der Seite Studien.

Hintergrund: Es sollte das Interesse an der Verwendung automatischer Sprachanalysen für die Beurteilung leichter kognitiver Beeinträchtigungen (MCI) und der Alzheimer-Krankheit (AD) im Frühstadium untersucht werden.

Methode: Gesunde, ältere Kontrollpersonen (HC) und Patienten mit MCI oder AD wurden bei der Ausführung mehrerer kurzer kognitiver Stimmaufgaben aufgezeichnet. Die Sprachaufnahmen wurden verarbeitet und die ersten Stimmmarker wurden mit Hilfe von Sprachsignalverarbeitungstechniken extrahiert. Zweitens wurden die stimmlichen Marker getestet, um ihre “Fähigkeit” zur Unterscheidung zwischen HC, MCI und AD zu beurteilen. Im zweiten Schritt wurden automatische Klassifikatoren für die Erkennung von MCI und AD trainiert, wobei maschinelle Lernmethoden verwendet und die Erkennungsgenauigkeit getestet wurde.

Ergebnisse: Die Klassifizierungsgenauigkeit der automatischen Audioanalysen war wie folgt: zwischen HCs und solchen mit MCI 79% 6 5%; zwischen HCs und solchen mit AD 87% 6 3%; und zwischen solchen mit MCI und solchen mit AD 80% 6 5%, was den Nutzen der Bewertung belegt.

Schlussfolgerung: Automatische Sprachanalysen könnten ein zusätzliches objektives Bewertungsinstrument für ältere Menschen mit kognitivem Rückgang sein.

Hintergrund: Verschiedene Arten von Demenz und leichter kognitiver Beeinträchtigung (MCI) manifestieren sich als Unregelmäßigkeiten im menschlichen Sprechen und in der Sprache, die sich als starke Prädiktoren für das Vorhandensein und den Verlauf der Krankheit erwiesen haben. Daher kann die automatische Sprachanalyse, die durch eine mobile Anwendung bereitgestellt wird, ein nützliches Instrument sein, um zusätzliche Indikatoren für die Bewertung und Erkennung von Demenz und MCI im Frühstadium zu liefern.

Methode: 165 Teilnehmer (Probanden mit subjektiver kognitiver Beeinträchtigung (SCI), MCI-Patienten, Patienten mit Alzheimer-Krankheit (AD) und Patienten mit gemischter Demenz (MD)) wurden mit einer mobilen Anwendung erfasst, während sie während einer regelmäßigen Konsultation mehrere kurze stimmliche kognitive Aufgaben ausführten. Diese Aufgaben umfassten verbale Sprachkompetenz, Bildbeschreibung, Countdown und eine Aufgabe zur freien Rede. Die Sprachaufnahmen wurden in zwei Schritten verarbeitet: Im ersten Schritt wurden stimmliche Marker mit Hilfe von Sprachsignalverarbeitungstechniken extrahiert; im zweiten Schritt wurden die stimmlichen Marker getestet, um ihre “Fähigkeit” zur Unterscheidung zwischen SCI, MCI, AD und MD zu beurteilen. Im zweiten Schritt wurden automatische Klassifikatoren für die Erkennung von MCI und AD auf der Grundlage maschineller Lernmethoden trainiert und die Erkennungsgenauigkeit getestet.

Ergebnisse: Die Aufgaben zum flüssigen und freien Sprechen erzielen die höchsten Genauigkeitsraten bei der Klassifizierung von AD vs. MD vs. MCI vs. SCI. Anhand der Daten haben wir die Klassifikationsgenauigkeit wie folgt nachgewiesen: SCI vs. AD = 92% Genauigkeit; SCI vs. MD = 92% Genauigkeit; SCI vs. MCI = 86% Genauigkeit und MCI vs. AD = 86%.

Schlussfolgerungen: Unsere Ergebnisse zeigen den potenziellen Wert der Stimmanalyse und der Verwendung einer mobilen Anwendung für eine genaue automatische Unterscheidung zwischen SCI, MCI und AD. Dieses Instrument kann dem Kliniker aussagekräftige Informationen für die Beurteilung und Überwachung von Menschen mit MCI und AD auf der Grundlage einer nicht-invasiven, einfachen und kostengünstigen Methode liefern.

Hintergrund: Semantische Wortflüssigkeitsaufgaben (SVF) werden routinemäßig beim Screening auf leichte kognitive Beeinträchtigung (MCI) eingesetzt. Bei dieser Aufgabe benennen die Teilnehmer unter Zeitdruck so viele Items einer semantischen Kategorie wie möglich. Ärzte messen die Aufgabenleistung manuell, indem sie die Anzahl der richtigen Wörter und Fehler summieren. Feinkörnigere Variablen fügen der klinischen Beurteilung wertvolle Informationen hinzu, sind aber zeitaufwendig. Daher ist das Ziel dieser Studie zu untersuchen, ob die automatische Analyse des SVF diese ebenso genau wie die manuelle Analyse liefern und somit ein qualitatives Screening der neurokognitiven Beeinträchtigung unterstützen könnte.

Methoden: Die SVF-Daten wurden bei 95 älteren Menschen mit MCI (n = 47), Alzheimer oder verwandten Demenzen (ADRD; n = 24) und gesunden Kontrollen (HC; n = 24) erhoben. Alle Daten wurden manuell und automatisch mit Clustern und Schaltern annotiert. Die erhaltenen Metriken wurden mit Hilfe eines Klassifikators validiert, um zwischen HC, MCI und ADRD zu unterscheiden.

Ergebnisse: Automatisch extrahierte Cluster und Schalter waren hoch korreliert (r = 0,9) mit manuell festgelegten Werten und wurden auch bei der Klassifizierungsaufgabe durchgeführt, um HC von Personen mit ADRD (Fläche unter der Kurve [AUC] = 0,939) und MCI (AUC = 0,758) zu unterscheiden.

Schlussfolgerung: Die Ergebnisse zeigen, dass es möglich ist, feinkörnige Analysen von SVF-Daten für die Beurteilung des kognitiven Rückgangs zu automatisieren.

Hintergrund: Apathie kommt bei verschiedenen psychiatrischen und neurologischen Erkrankungen vor und hat nachweislich einen schwerwiegenden negativen Einfluss auf den Krankheitsverlauf. Bei älteren Menschen kann sie ein Prädiktor für ein erhöhtes Demenzrisiko sein. Den derzeitigen Bewertungsmethoden mangelt es an Objektivität und Sensitivität, weshalb neue diagnostische Instrumente und breit angelegte Screening-Technologien erforderlich sind.

Ziel: Diese Studie ist die erste ihrer Art, in der untersucht wird, ob die automatische Sprachanalyse zur Charakterisierung und Erkennung von Apathie eingesetzt werden könnte.

Methoden: Eine Gruppe von apathischen und nicht apathischen Patienten (n = 60) mit leichter bis mittlerer neurokognitiver Störung wurde während der Durchführung von zwei kurzen narrativen Sprachaufgaben erfasst. Paralinguistische Marker in Bezug auf prosodische, formantische, quellenbezogene und zeitliche Qualitäten der Sprache wurden automatisch extrahiert, zwischen den Gruppen untersucht und mit den Basisbewertungen verglichen. Es wurden Experimente zum maschinellen Lernen durchgeführt, um die diagnostische Kraft der extrahierten Marker zu validieren.

Ergebnisse: Korrelationen zwischen Apathie-Subskalen und Merkmalen zeigten eine Beziehung zwischen zeitlichen Aspekten der Sprache und den Unterbereichen der Reduktion von Interesse und Initiative sowie zwischen Prosodie-Merkmalen und dem affektiven Bereich. Es wurde festgestellt, dass die Gruppenunterschiede je nach Aufgabe bei Männern und Frauen unterschiedlich waren. Die Unterschiede in den zeitlichen Aspekten der Sprache erwiesen sich als der konsistenteste Unterschied zwischen apathischen und nicht apathischen Patienten. An Sprachmerkmalen trainierte maschinelle Lernmodelle erreichten Spitzenleistungen von AUC = 0,88 bei Männern und AUC = 0,77 bei Frauen.

Schlussfolgerungen: Diese Ergebnisse bestätigen die Verwendbarkeit von Sprache als verlässlicher Biomarker bei der Erkennung und Bewertung von Apathie.

Alle Publikationen

Hali Lindsay, Johannes Tröger, Nicklas Linz, Jan Alexandersson, Johannes Prudlo (2019)
ExLing 2019

Johannes Tröger, Nicklas Linz, Alexandra König, Philippe Robert, Jan Alexandersson, Jessica Peter, Jutta Kray (2019)
Neuropsychologia, 131, 53-61.

Nicklas Linz, Kristina Lundholm Fors, Hali Lindsay, Marie Eckerström, Jan Alexandersson, Dimitrios Kokkinakis (2019)
Sixth Workshop on Computational Linguistics and Clinical Psychology (CLPsych)

Kathleen C Fraser, Nicklas Linz, Bai Li, Kristina Lundholm Fors, Frank Rudzicz, Alexandra König, Jan Alexandersson, Philippe Robert, Dimitrios Kokkinakis (2019)
NAACL 2019

Kathleen C Fraser, Nicklas Linz, Hali Lindsay, Alexandra König (2019)
Sixth Workshop on Computational Linguistics and Clinical Psychology (CLPsych)

Hali Lindsay, Nicklas Linz, Johannes Troeger, Jan Alexandersson (2019)
3rd International Conference on Natural Language and Speech Processing

Alexandra König, Nicklas Linz, Radia Zeghari, Xenia Klinge, Johannes Tröger, Jan Alexandersson, Philippe Robert (2019)
Journal of Alzheimer’s Disease69(4), 1183-1193.

Nicklas Linz, Johannes Tröger, Hali Lindsay, Alexandra Konig, Philippe Robert, Jessica Peter, Jan Alexandersson (2018)
Resources and Processing of Linguistic and Extra-Linguistic Data from People with Various Forms of Cognitive/Psychiatric Impairments (RaPID-18)

Johannes Tröger, Nicklas Linz, Alexandra König, Philippe Robert, Jan Alexandersson (2018)
12th EAI International Conference on Pervasive Computing Technologies for Healthcare

Alexandra König, Nicklas Linz, Johannes Tröger, Maria Wolters, Jan Alexandersson, Phillipe Robert (2018)
Dementia and geriatric cognitive disorders45(3-4), 198-209.

Alexandra König, Aharon Satt, Alex Sorin, Ran Hoory, Alexandre Derreumaux, Renaud David, Phillippe Robert (2018)
Current Alzheimer Research15(2), 120-129.

Nicklas Linz, Johannes Tröger, Jan Alexandersson, Maria Wolters, Alexandra König, Philippe Robert (2017)
IEEE International Conference on Data Mining Workshops (ICDMW)

Johannes Tröger, Nicklas Linz, Jan Alexandersson, Alexandra König, Philippe Robert (2017)
11th EAI International Conference on Pervasive Computing Technologies for Healthcare

Nicklas Linz, Johannes Tröger, Jan Alexandersson, Alexandra König (2017)
IWCS 2017

Alexandra König, Aharon Satt, Alexander Sorin, Ron Hoory, Orith Toledo‐Ronen, Alexandre Derreumaux, Valeria Manera, Frans Verhey, Pauline Aalten, Phillipe H. Robert, Renaud David (2015)
Alzheimer’s & Dementia: Diagnosis, Assessment & Disease Monitoring1(1), 112-124.

Aharon Satt, Ron Hoory, Alexandra König, Pauline Aalten, Philippe Robert (2014)
INTERSPEECH 2014