تصنيف خطر الاكتئاب المُحاكى من ميزات صوت مرضى باركنسون باستخدام بنية MLP معززة بالانتباه الذاتي

لماذا يهم صوت الشخص

بالنسبة للعديد من الأشخاص المصابين بمرض باركنسون، تكون أكثر التغيرات وضوحًا هي الرعشة أو بطء الحركة. لكن التغيرات الأقل وضوحًا، مثل المزاج والدافع، قد تقوّض جودة الحياة بهدوء. الاكتئاب شائع لدى مرضى باركنسون وغالبًا ما يمر دون أن يُكتشف. تستكشف هذه الدراسة فكرة بسيطة إلى حد ما: هل يمكن لتسجيلات صوتية قصيرة، تُحلّل بواسطة نظام ذكاء اصطناعي، أن تساعد في الإشارة إلى من قد يكون في خطر أعلى للاكتئاب، دون الحاجة لاختبارات تدخّلية أو استبيانات طويلة؟

الاستماع لإشارات خفية

يؤثر مرض باركنسون في الدوائر الدماغية التي تتحكم ليس فقط بالحركة، بل أيضًا بالكلام والعاطفة. ونتيجة لذلك، قد يتغير أسلوب الحديث لدى الشخص بشكل طفيف. يركّز المؤلفون على جانبين قابلين للقياس في الصوت. الأول هو مدى «نقاء» وثبات النغمة مقارنة بالضوضاء الخلفية، والثاني هو مقدار تذبذب النغمة من لحظة إلى أخرى. الأصوات الأكثر صحة وحيوية تميل لأن تكون أوضح وأكثر ثباتًا، بينما قد تصبح الأصوات المتأثرة بالمزاج المنخفض أو ضعف الدافع أكثر تنفّسًا وأقل تحكمًا. من خلال تحويل هذه الجوانب إلى «علامات صوتية» رقمية، يسعى الباحثون إلى التقاط دلائل عن الصحة النفسية يصعب ملاحظتها بطرق أخرى.

تحويل الصوت الخام إلى بيانات قابلة للاستخدام

تستخدم الدراسة مجموعة بيانات صوتية متاحة علنًا من 195 شخصًا، بعضهم مصابون بباركنسون وبعضهم لا. نطق كل شخص بمقطع حرفي ساكن بسيط، وكشفت خوارزميات الحاسوب هذه التسجيلات إلى 22 قياسًا صوتيًا تفصيليًا. قبل تدريب أي نموذج ذكاء اصطناعي، قام الفريق بتنظيف وتوحيد البيانات بحيث يمكن مقارنة كل ميزة بشكل عادل بين الأفراد. بعد ذلك ركّزوا على مقياسين صوتيين أساسيين واستخدموا قيم حدية بسيطة لتقسيم الأشخاص إلى مجموعتين: خطر اكتئاب أقل إذا كان الصوت واضحًا ومستقر النغمة نسبيًا، وخطر أعلى خلاف ذلك. يؤكد المؤلفون أن هذه التسميات تُحاكى لأغراض البحث وليست بديلًا لتشخيص طبي يُجريه طبيب.

كيف "ينتبه" الذكاء الاصطناعي

تعامل معظم النماذج التقليدية كل مقياس صوتي كمعلومة مستقلة. في الواقع، غالبًا ما تتفاعل هذه الميزات معًا: فقد يعني الصوت الأكثر ضوضاءً أمرًا مختلفًا إذا كانت النغمة غير مستقرة أيضًا. لالتقاط مثل هذه العلاقات، يبني الباحثون شبكة عصبية معززة بآلية الانتباه الذاتي. ببساطة، تحول الشبكة أولًا مجموعة ميزات الصوت إلى تمثيل داخلي، ثم تستخدم آلية الانتباه لتقرر أي تراكيب الميزات هي الأكثر أهمية لكل فرد. يتيح هذا التصميم للنظام وزن، على سبيل المثال، ما إذا كان نمط معين من الضوضاء وتغيّر النغمة دلالة خاصة على خطر الاكتئاب لدى مرضى باركنسون، ومن ثم تحسين توقعه وفقًا لذلك.

اختبار النموذج

تم تقييم النموذج الجديد مقابل عدة أساليب مستخدمة على نطاق واسع، بما في ذلك آلات المتجهات الداعمة، وجيران k الأقرب، وطرق التعلم العميق الأخرى. رأت جميع النماذج نفس بيانات الصوت وتسميات الخطر المحاكة، وتم تقييم أدائها بمقاييس معيارية مثل الدقة ومعدل التعرف الصحيح على الحالات الأعلى خطرًا. برزت شبكة الانتباه الذاتي في المقدمة، محققة دقة تبلغ نحو 97% ودرجات قوية جدًا سواء في رصد الأفراد الأعلى خطرًا أو في التعرف الصحيح على أصحاب الخطر الأدنى. كما أنها تتدرب وتعمل بسرعة، مما يوحي بأنه من الناحية النظرية يمكن أن تدعم فحوصات شبه فورية في العيادات أو حتى أدوات المراقبة عن بُعد.

ماذا قد يعني هذا للمرضى

تُظهر الدراسة أن تسجيلًا صوتيًا قصيرًا وبسيطًا، مقترنًا بنموذج ذكاء اصطناعي مصمم بعناية، يمكن أن يحمل معلومات غنية عن خطر الصحة النفسية لدى الأشخاص المصابين بمرض باركنسون. وعلى الرغم من أن التسميات الحالية مبنية على قواعد وليست تقييمات نفسية طبية رسمية، تشير النتائج إلى مستقبل يمكن أن تساعد فيه الإشارات غير التداخلية واليومية مثل الحديث الأطباء في اكتشاف المشكلات مبكرًا ومتابعة التغيرات مع مرور الوقت. مع المزيد من التحقق باستخدام مقاييس اكتئاب سريرية فعلية وعينات كلامية أكثر تنوعًا، قد تصبح مثل هذه الفحوصات الصوتية أداة عملية لمراقبة الرفاهية العاطفية إلى جانب أعراض الحركة في رعاية باركنسون.

الاستشهاد: Arasavali, N., Ashik, M., Nirmal, V. et al. Simulated depression risk classification from Parkinson’s voice features using a self-attention-enhanced MLP architecture. Sci Rep 16, 7869 (2026). https://doi.org/10.1038/s41598-026-37773-8

الكلمات المفتاحية: مرض باركنسون, تحليل الصوت, خطر الاكتئاب, التعلّم الآلي, العلامات الحيوية الرقمية