La grabación de voz digital contiene información valiosa que puede identificar la salud académica de un individuo, que ofrece una forma desagradable y efectiva para el diagnóstico. La investigación ha demostrado que las medidas de sonido digital pueden detectar los primeros signos de deficiencia académica analizando las características del habla, la declaración, las variaciones e intervalos de tono, que pueden indicar defectos académicos al desviarse de patrones menores.
Sin embargo, los datos de voz introducen los desafíos de la privacidad debido a la información identificada personalmente, como el género, el acento y la calidad emocional, así como las más características del habla que pueden identificar a las personas por separado. Cuando se trata de datos acústicos a través de sistemas automatizados, se promueve riesgos, lo que crea preocupaciones sobre RE– de.Posible mal uso de la identificación y los datos.
En un nuevo estudio, los investigadores de la Universidad de la Universidad de Boston Chubani y la Eudisian School of Medicine han introducido un marco computacional que aplica el cambio de tono, una técnica de grabación de sonido que cambia un tono de voz, se suma o reduce, mientras protege al orador.
“Al preservar el valor diagnóstico de las características sonoras, mostramos la capacidad de reducir el riesgo de privacidad, preservamos el valor diagnóstico de las características de voz, mostramos la capacidad de reducir el riesgo de privacidad.
Utilizando datos del Estudio Heart de Freemingham (FHS) y Demanetia Bank Delaware (DBD), los investigadores aplicaron cambios de tono en varios niveles y agregaron cambios adicionales adicionales, como un tiempo para cambiar la respuesta a las pruebas neuro -ciclológicas. Luego evaluó el prejuicio del orador a través de la tasa de error igual y la utilidad de diagnóstico a través de la precisión de la clasificación del modelo de aprendizaje automático: cognición normal (NC), defecto académico leve (MCI) y demencia (DE).
Utilizando archivos de discursos proporcionales, el marco computacional pudo determinar con precisión la discriminación NC, MCI y DE en el 62 % de la oportunidad del FHS y el 63 % de DBD STEGDAS.
Según los investigadores, este trabajo es ayudado por la integración moral y práctica de los datos sólidos en el análisis médico, y enfatiza la importancia de proteger la privacidad de los pacientes mientras mantiene la integridad del diagnóstico de salud académica. “Estos resultados allanan el camino para una pautas estándar centradas en la privacidad para las solicitudes futuras de diagnóstico basado en el sonido en entornos clínicos e de investigación”, que también es profesor asociado de informática, facultad de comercio y profesor de competencia, una facultad de competencia.
Estos resultados aparecen en línea en Alzheimer y demencia: Journal of the Alzheimer’s Association.
This project is to the National Institutes on Aging’s artificial intelligence and technology colleagues (P30-AG073104 and P30-AG073105), the American Heart Association (20Sfrn35460031), Gates Ventures, and the National Institutes of Health (R01-HL159620, R01-AG0620, and R01- R01-Ag09, ayudado por Grant.
