연구원들은 음성 기반 인지 마커를 저하시키지 않고 개인 정보를 보호하는 계산 도구를 개발했다

디지털 음성 녹음에는 개인의 인지 건강을 나타낼 수 있는 귀중한 정보가 포함되어 있어 비침습적이고 효율적인 평가 방법을 제공합니다. 연구에 따르면 디지털 음성 측정은 말의 속도, 발음, 피치 변화 및 멈춤과 같은 특징을 분석하여 인지 저하의 조기 징후를 감지할 수 있으며, 이는 규범적 패턴에서 벗어날 때 인지 장애를 나타낼 수 있습니다.

그러나 음성 데이터는 성별, 악센트, 감정 상태와 같은 녹음에 포함된 개인 식별 정보와 개인을 고유하게 식별할 수 있는 보다 미묘한 음성 특성으로 인해 개인 정보 보호 문제가 발생합니다. 이러한 위험은 음성 데이터가 자동화된 시스템에 의해 처리될 때 증폭되어 재식별 및 잠재적인 데이터 오용에 대한 우려가 제기 됩니다.

보스턴대학교 초바니안 & 에이브디지안 의대의 연구자들은 최근 연구에서 피치 시프팅을 적용하는 계산 프레임워크를 도입했습니다. 피치 시프팅은 소리의 피치를 높이거나 낮추어 화자의 신원을 보호하는 사운드 녹음 기술로, 인지적 평가에 필수적인 음향적 특징은 그대로 유지합니다.

"음성 난독화 수단으로 피치 시프팅과 같은 기술을 활용함으로써 음향 특징의 진단 가치를 보존하면서 개인정보 보호 위험을 완화할 수 있는 능력을 입증했습니다." 해당 저자인 Vijaya B. Kolachalama, PhD, FAHA, 의학 부교수가 설명했습니다.

Framingham Heart Study(FHS)와 DementiaBank Delaware(DBD)의 데이터를 사용하여 연구자들은 다양한 수준에서 피치 시프팅을 적용하고 시간 척도 수정 및 노이즈 추가와 같은 추가 변환을 통합하여 신경 심리학적 검사에 대한 반응에 대한 음성 특성을 변경했습니다. 그런 다음 인지 상태(정상 인지(NC), 경미한 인지 장애(MCI) 및 치매(DE))를 구분하는 기계 학습 모델의 분류 정확도를 통해 동일한 오류율과 진단 유틸리티를 통해 화자 난독화를 평가했습니다.

난독화된 음성 파일을 사용하여 계산 프레임워크는 FHS 데이터 세트의 62%와 DBD 데이터 세트의 63%에서 NC, MCI 및 DE 차별화를 정확하게 판단할 수 있었습니다.

연구자들에 따르면, 이 연구는 의료 분석에서 음성 데이터의 윤리적이고 실용적인 통합에 기여하며, 인지 건강 평가의 무결성을 유지하면서 환자의 개인 정보를 보호하는 것의 중요성을 강조합니다. "이러한 결과는 임상 및 연구 환경에서 음성 기반 평가의 미래 응용 프로그램을 위한 표준화되고 개인 정보 중심의 가이드라인을 개발하는 길을 열어줍니다." 보스턴 대학교의 컴퓨터 과학과 조교수이자 Hariri Institute for Computing의 제휴 교수이며, 컴퓨팅 및 데이터 과학 학부의 창립 멤버인 Kolachalama가 덧붙였습니다.

이러한 연구 결과는 Alzheimer's & Dementia: The Journal of the Alzheimer's Association에 온라인으로 게재되었습니다.

이 프로젝트는 국립고령화연구소 인공지능 및 기술 협력기관(P30-AG073104 및 P30-AG073105), 미국 심장협회(20SFRN35460031), Gates Ventures, 국립보건원(R01-HL159620, R01-AG062109, R01-AG083735)의 보조금으로 지원되었습니다.

출처: https://www.sciencedaily.com/releases/2025/03/250314113805.htm