肌萎缩侧索硬化发病前嗓音变化早期检测研究数据集 - PathMap实验#000035

数据集获取

源站：https://doi.org/10.5281/zenodo.21284091

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据集大小约 2.1 MB。

数据说明

交互式数据查看器：从第1天起即可阅读、查看和打印 使用我们的全交互式查看器，从第1天起即可查看、阅读和打印本研究数据：https://pathmap.org/viewer.php?id=35 Artificial General Intelligence LLC 评估的声明：在肌萎缩侧索硬化症发病前，一个人的声音会发生哪些变化，这些变化可能有助于该疾病的非临床（如可能，也可为临床）早期检测？本数据集包含原始JSON执行轨迹、经逐字核实的引文，以及由PathMap Studio的Veridical Enforcement引擎生成的与MeSH对齐的逻辑门。🔍 新颖且被忽视的见解 亚临床检测：** 人工智能框架能够在功能衰退显现之前的“临床静默前驱期”识别神经肌肉变化。生物力学精确性：** 反映声门张力和声带稳定性的生物力学声音参数足够敏感，可区分临床表型（延髓型与脊髓型起病）。多模态整合：** 将面部表面肌电（sEMG）与声学信号相结合，在检测早期延髓运动功能障碍方面优于单一模态评估。

听众努力度（LE）： LE 是一项由临床医生评定的指标，可捕捉构音障碍中有意义的变化，并显示出作为反应性临床试验终点的潜力。智能手机实用性： 简单的基于智能手机的评估任务（例如舌侧化或元音发声）与实验室标准评估高度相关，从而提高了可及性。生物标志物的稳定性： 尽管疾病在进展，ECoG 语音脑机接口中的高伽马皮层特征仍表现出长期稳定性，提示其作为辅助接口的持久性。预测建模： 受试者特异性预后模型现在可以提前 30–90 天预测构音精确度和 ALSFRS-R 言语子评分。声音亚型： 无监督聚类揭示了超越传统诊断标签的“声音特征谱”，表明声音特征可捕捉功能性模式。

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。