Automated detection of adult autism from vowel acoustics using machine learning

Diese Studie zeigt, dass maschinelle Lernmodelle, die auf akustischen Vokaleigenschaften wie der Grundfrequenz basieren, mit einer Genauigkeit von 89 % zwischen erwachsenen Menschen mit Autismus und neurotypischen Erwachsenen unterscheiden können, was einen vielversprechenden Ansatz für eine transparente und skalierbare Unterstützung bei der Autismus-Screening bietet.

Das Wesentliche

🎤 Wenn die Stimme verrät, wer wir sind: Ein KI-Experiment mit Autisten und Nicht-Autisten

Stellen Sie sich vor, Sie könnten jemanden nur daran erkennen, wie er eine einzelne Vokal-Laut (wie ein „A" oder ein „O") spricht, ohne dass er ein einziges Wort sagt. Klingt wie Magie? Für diese Forscher war es ein Experiment mit künstlicher Intelligenz (KI).

Hier ist die Geschichte hinter der Studie, ganz einfach erklärt:

1. Das Problem: Die Diagnose ist wie ein langer Weg

Autismus ist eine Art, wie das Gehirn funktioniert. Menschen mit Autismus haben oft Schwierigkeiten in der sozialen Kommunikation. Um das festzustellen, müssen Ärzte heute stundenlang beobachten, wie jemand spielt, spricht und reagiert. Das ist wie ein langer, mühsamer Weg durch einen dichten Wald, bei dem man sich auf das Bauchgefühl des Arztes verlässt. Es gibt keinen einfachen „Bluttest" für Autismus.

Die Forscher wollten wissen: Kann die Stimme selbst ein schnellerer Weg sein?

2. Die Idee: Die Stimme als Fingerabdruck

Jeder Mensch hat eine einzigartige Stimme. Aber Menschen mit Autismus sprechen oft auf eine Art und Weise, die sich von der „normalen" (neurotypischen) Art unterscheidet. Es ist nicht so, dass sie „falsch" sprechen, sondern ihre Stimme hat andere Muster – wie ein Fingerabdruck, der nur schwer zu sehen ist, aber da ist.

Die Forscher wollten diese Muster mit Hilfe von Computern finden. Sie dachten sich: „Wenn wir die Stimme genau genug analysieren, kann eine Maschine lernen, den Unterschied zu erkennen."

3. Das Experiment: Ein Sprach-Quiz

Die Forscher luden 36 Erwachsene ein – 18 mit einer offiziellen Autismus-Diagnose und 18 ohne. Alle sprachen Zypern-Griechisch.

Was mussten sie tun?
Statt lange Gespräche zu führen, bekamen sie eine einfache Aufgabe: Sie sollten Scheinwörter (klingende Wörter ohne Bedeutung) laut vorlesen.

• Beispiel: „Sas", „Sos", „Sus".
• Sie mussten dabei ganz natürlich klingen, aber die Forscher hörten sich nur die Vokale (a, e, i, o, u) genau an.

Was haben sie gemessen?
Die Forscher nutzten ein Computerprogramm, das die Stimme wie ein Mikroskop unter die Lupe nahm. Sie maßen Dinge wie:

• Die Tonhöhe (F0): Ist die Stimme hoch oder tief? Schwankt sie?
• Die Lautstärke (Intensität): Wie kräftig wird gesprochen?
• Die Klangfarbe (Formanten): Wie klingt der Raum in der Kehle?
• Die Stimmqualität: Ist die Stimme rau, zitternd oder sehr sauber?

4. Der KI-Test: Vier Detektive im Einsatz

Die Forscher gaben diese Daten an vier verschiedene „KI-Detektive" (Maschinelle Lernmodelle) weiter. Man kann sich diese Modelle wie vier verschiedene Detektive vorstellen, die alle versuchen, ein Rätsel zu lösen:

1. Der Zufallsmaster (Random Forest): Schaut sich viele verschiedene Perspektiven an.
2. Der Strahlensucher (LightGBM & XGBoost): Sucht nach den stärksten Mustern.
3. Der Abgrenzer (SVM): Versucht, eine klare Linie zwischen den beiden Gruppen zu ziehen.

Das Ergebnis:
Alle vier Detektive waren ziemlich gut! Der beste von ihnen (Random Forest) konnte in 89 % der Fälle richtig sagen: „Aha, das ist eine Person mit Autismus" oder „Nein, das ist eine neurotypische Person". Das ist eine sehr hohe Trefferquote für so eine schwierige Aufgabe.

5. Der große Gewinner: Die Tonhöhe (F0)

Aber was hat den KI-Detektiven am meisten geholfen? Das war die spannendste Entdeckung!

Stellen Sie sich vor, die KI hat eine Waage, auf die sie alle Messwerte legt.

• Die Tonhöhe (F0) war so schwer, dass sie die Waage fast allein ins Gleichgewicht brachte. Sie war mit Abstand der wichtigste Hinweis.
• Die Lautstärke kam auf Platz 2.
• Alles andere (wie die Klangfarbe oder die Stimmzittern) war wie ein kleineres Gewicht, das nur noch ein bisschen half.

Das bedeutet: Wenn jemand mit Autismus spricht, ist oft die Art und Weise, wie die Tonhöhe schwankt, das stärkste Signal. Es ist nicht unbedingt so, dass sie immer „eintönig" sprechen (ein weit verbreitetes Klischee), sondern dass ihre Tonhöhe sich auf eine sehr spezifische, für die KI erkennbare Art verhält.

6. Warum ist das wichtig? (Die Brücke zur Zukunft)

Warum sollte uns das interessieren?

• Ein neues Werkzeug: Diese Technologie ist wie ein Frühwarnsystem. Sie könnte Ärzten helfen, schneller zu erkennen, wer eine genauere Untersuchung braucht. Sie ersetzt den Arzt nicht, aber sie gibt ihm eine starke Lupe.
• Transparenz: Viele KI-Systeme sind „Black Boxes" (man weiß nicht, wie sie entscheiden). Diese Forscher haben aber erklärt, warum die KI so entschieden hat (nämlich wegen der Tonhöhe). Das macht das System vertrauenswürdiger.
• Für Erwachsene: Die meisten Studien machen man mit Kindern. Diese Studie zeigt: Auch bei erwachsenen Menschen sind diese Sprachmuster noch da und erkennbar.

Zusammenfassung in einem Bild

Stellen Sie sich vor, die Stimme ist ein Musikinstrument.
Die meisten Menschen spielen ein Lied auf eine bestimmte, vorhersehbare Weise. Menschen mit Autismus spielen dasselbe Lied, aber ihre Finger bewegen sich auf den Saiten ein ganz klein bisschen anders – vielleicht ist der Bogen etwas schneller oder die Saite etwas straffer.

Früher musste ein Mensch mit gutem Gehör diese winzigen Unterschiede hören. Heute hat die KI ein Super-Ohr, das diese winzigen Unterschiede sofort erkennt und uns sagt: „Hier stimmt etwas im Musikstil nicht mit der Gruppe überein."

Das ist ein großer Schritt hin zu einer schnelleren, fairen und objektiven Diagnose für Autismus.

Technische Zusammenfassung

Technische Zusammenfassung: Automatisierte Erkennung von Autismus bei Erwachsenen mittels Vokal-Akustik und maschinellem Lernen

1. Problemstellung und Motivation

Die frühzeitige und präzise Diagnose des Autismus-Spektrum-Störung (ASS) ist eine klinische Priorität, da sie den Zugang zu Unterstützung und Interventionen erleichtert. Derzeitige Diagnoseverfahren stützen sich jedoch fast ausschließlich auf Verhaltensbeobachtungen und klinische Urteile, was zeitaufwendig ist und keine etablierten biologischen Biomarker nutzt.
Zwar gibt es Hinweise darauf, dass die Sprache von Menschen mit ASS akustische Besonderheiten aufweist (z. B. in Bezug auf Tonhöhe, Sprechtempo oder Artikulation), doch die Forschung konzentrierte sich bisher überwiegend auf Kinder und englischsprachige Probanden. Zudem nutzen viele bestehende maschinelle Lernansätze komplexe, schwer interpretierbare Merkmalsätze (z. B. hochdimensionale Spektren), was die klinische Nachvollziehbarkeit erschwert.
Das Ziel dieser Studie war es, einen interpretierbaren, auf maschinellem Lernen (ML) basierenden Ansatz zu entwickeln, der erwachsene Menschen mit ASS von neurotypischen Erwachsenen anhand von Vokal-Akustikmerkmalen unterscheidet, speziell im Kontext der zypriotischen griechischen Sprache.

2. Methodik

• Teilnehmer:

  • Stichprobe: 36 muttersprachliche Sprecher des zypriotischen Griechisch (18 mit klinisch diagnostiziertem ASS, 18 neurotypisch).
  • Demografie: Alter zwischen 18 und 42 Jahren (durchschnittlich ca. 24 Jahre), ausgewogenes Geschlechterverhältnis.
  • Ausschlusskriterien: Intellektuelle Behinderung oder begleitende Sprachstörungen wurden ausgeschlossen.
  • Validierung: Die Gruppen wurden hinsichtlich Alter, nicht-verbalem IQ, Bildungsstand und Geschlecht als vergleichbar bestätigt. Signifikante Unterschiede zeigten sich jedoch bei den Selbstauskunftsskalen für Empathie (EQ) und Autismus-Spektrum-Quotient (AQ).

• Datenakquisition (Experimentelles Design):

  • Stimuli: Disyllabische Pseudowörter in vier phonetischen Konfigurationen, die die fünf griechischen Vokale (/i, e, a, o, u/) enthielten.
  • Aufgabe: Kontrollierte Lesetätigkeit in einer ruhigen Umgebung. Die Aufnahmen erfolgten mit einem Zoom H5 Digitalrecorder (44,1 kHz, 16-bit).
  • Datenvolumen: Insgesamt 2.880 Wörter (80 Wörter pro Teilnehmer).

• Merkmalsextraktion (Feature Extraction):

  • Analyse mittels Praat (Software für Phonetik).
  • Extraktion von 9 akustischen Merkmalen pro Vokal:
    1. Grundfrequenz (F0)
    2. Formanten F1, F2, F3
    3. Dauer (Duration)
    4. Jitter (Frequenzinstabilität)
    5. Shimmer (Amplitudeninstabilität)
    6. Harmonics-to-Noise Ratio (HNR)
    7. Intensität (Lautstärke)
  • Die Messungen wurden im temporalen Mittelpunkt der Vokale durchgeführt, um Koartikulationseffekte zu minimieren.

• Maschinelles Lernen (Modellierung):

  • Algorithmen: Vier überwachende ML-Modelle wurden trainiert und evaluiert:
    • LightGBM
    • Random Forest
    • Support Vector Machine (SVM)
    • XGBoost
  • Datenaufteilung: Stratifiziertes Splitting in Trainings- (80 %) und Testdaten (20 %).
  • Vorverarbeitung: Zentrierung und Standardisierung der Merkmale.
  • Hyperparameter-Tuning: Durchführung mittels 5-facher Kreuzvalidierung zur Maximierung der AUC (Area Under the Curve).
  • Erklärbarkeit (XAI): Anwendung von SHAP (Shapley Additive Explanations) auf das bestperformende Modell, um die Beitragstärke der einzelnen Merkmale zu quantifizieren.

3. Ergebnisse

• Klassifikationsleistung:

  • Alle Modelle zeigten eine gute Trennschärfe zwischen ASS und neurotypischen Gruppen.
  • Random Forest erzielte die beste Gesamtleistung mit einer Genauigkeit (Accuracy) von 81,7 % und einer AUC von 0,892.
  • LightGBM (AUC 0,886) und XGBoost (AUC 0,874) folgten mit sehr ähnlicher Leistung.
  • SVM zeigte eine vergleichsweise schwächere Leistung (AUC 0,812).
  • Die besten Modelle erreichten eine Sensitivität (Recall) von über 85 %.

• Feature-Importanz (SHAP-Analyse):

  • F0 (Grundfrequenz/Tonhöhe) war mit Abstand der einflussreichste Prädiktor für die Klassifizierung.
  • Intensität belegte den zweiten Platz.
  • F3 und F1 (Formanten) zeigten einen moderaten Beitrag.
  • Die übrigen Merkmale (Dauer, Shimmer, HNR, Jitter, F2) hatten einen geringeren, aber dennoch signifikanten Beitrag.
  • Die Analyse zeigte, dass ein kleiner Teil der Merkmale (insbesondere F0 und Intensität) den Großteil der Vorhersagekraft liefert.

4. Hauptbeiträge und Innovationen

1. Fokus auf Erwachsene: Die Studie schließt eine Lücke in der Literatur, da die meisten bisherigen akustischen ASS-Studien sich auf Kinder konzentrierten. Sie belegt, dass sprachbasierte Biomarker auch im Erwachsenenalter relevant sind.
2. Sprachlicher Kontext: Erstmals wurde ein ML-Ansatz zur Autismus-Erkennung im griechischen Sprachraum (zypriotisches Griechisch) entwickelt und validiert.
3. Interpretierbarkeit: Anstatt auf "Black-Box"-Deep-Learning-Modelle zurückzugreifen, verwendete die Studie klassische, gut interpretierbare akustische Merkmale in Kombination mit SHAP, um klinisch nachvollziehbare Entscheidungswege zu gewährleisten.
4. Robustheit der Merkmale: Die Studie bestätigt, dass F0 (Tonhöhe) auch bei Erwachsenen ein starker Diskriminator ist, was die Annahme stützt, dass prosodische Besonderheiten ein stabiles Merkmal von ASS bleiben.

5. Bedeutung und klinische Relevanz

• Früherkennung und Screening: Die Ergebnisse unterstreichen das Potenzial von sprachbasierten ML-Tools als skalierbare, nicht-invasive Screening-Methoden, die Fachkräfte bei der Triage und Diagnose unterstützen können, ohne die klinische Beurteilung zu ersetzen.
• Objektivität: Die Methode bietet objektive, messbare Biomarker, die weniger von subjektiven Beobachtungen oder kulturellen Kontexten abhängen als reine Verhaltensbeobachtungen.
• Zukunftsperspektive: Obwohl die Studie vielversprechend ist, wurden Einschränkungen wie die kleine Stichprobengröße und die Nutzung von Pseudowörtern (geringe ökologische Validität) eingeräumt. Zukünftige Arbeiten sollten die Generalisierbarkeit auf spontane Sprache und größere, diversere Datensätze untersuchen.

Fazit: Die Studie demonstriert erfolgreich, dass akustische Merkmale von Vokalen, insbesondere die Grundfrequenz (F0), in Kombination mit modernen ML-Algorithmen und Erklärbarkeitsmethoden (XAI), ein zuverlässiges Instrument zur Unterscheidung von Erwachsenen mit und ohne Autismus darstellen können.