通过训练一个基于注意力的语音识别模型并在精心设计的图片描述任务上使用，本研究构建了一个适用于普通话使用者的痴呆评估系统，通过提取语音识别模型的编码器并添加一个线性层用于痴呆评估，从 99 名被试中收集普通话语音数据并获取他们的临床评估，成功实现了 92.04% 的阿尔茨海默病检测准确率和 9% 的临床痴呆评分的平均绝对误差。

Oct, 2023

该研究利用 openSmile 工具包和 XLSR-53 提取声学特征，将语音转录成文本后提取语言特征进行 AD 患者检测，结果显示该方法能够通过自发性说话实现自动多语言阿尔茨海默病检测，分类准确率为 69.6%，均方根误差为 4.788。

Mar, 2023

提出了一种集成声学、认知和语言特征的多模式系统，使用带时间特征的专业人工神经网络以检测阿尔茨海默病和其严重程度，并在 ADReSS 挑战数据集上获得了 83.3％的精度并在 DementiaBank Pitt 数据库上获得了 88.0％的分类精度，验证了无意识语音的通用性和可移植性。

Aug, 2020

本文旨在探讨阿尔茨海默病对词汇不同方面的影响，以及证明这些词汇特征在机器学习分类器中的应用可以实现最先进的性能，通过 ADDreSS 挑战数据集和语言样本实验结果验证阿尔茨海默病对词汇处理的显著影响。

Jul, 2023

使用多模式深度学习方法通过语音和相应的文本同时检测多种言语段落的诊断，其模型在 Dementiabank Pitt 语料库上获得了 85.3% 的准确率。

Nov, 2020

本文使用 NLP 技术对 DementiaBank 数据集中 Alzheimer's 病人的语言特征进行分类和分析，利用 CNN、LSTM-RNN 和两者的组合进行分类，识别语言样本，获得了 AD 识别任务的新的独立基准精度。最后通过激活聚类和导数显著性技术分析神经网络的学习特征，自动发现激活簇内不同语法模式，进一步阐述了 AD 患者的语言特征，揭示了神经网络模型的局限性。

Apr, 2018

这项研究通过使用患者的语音和剧本数据，通过预训练语言模型和图神经网络来构建语音剧本的图，并提取特征进行阿尔茨海默病检测，同时引入音频数据和对小数据集进行增强处理，进而将音频特征与文本特征融合，最后尝试将语音剧本转化为音频进行对比学习，研究结果揭示了在使用语音和音频数据进行阿尔茨海默病检测中的挑战和潜在解决方案。

Jul, 2023

通过将语言复杂度和（不）流畅特征与预训练语言模型相结合，成功地在 2021 年 ADReSSo（阿尔茨海默病性痴呆症通过自发性言语识别）挑战赛的阿尔茨海默病检测任务中取得了 83.1% 的准确率，这是基准模型的 4.23% 的提高，并且在交叉验证和测试数据上表现出了很好的鲁棒性。

Jun, 2021

本文通过使用基于提示的微调技术，结合语音中存在的顿挫特征，优化了已有的语言模型，建立了一套 AD 自动检测系统，实验结果表明利用提高语调或语速左右的提示词建议的自然而然的语音可以有效提高自动检测系统的性能。

Oct, 2022

本文利用多模态方法，结合语音和文本特征，提出了自动检测阿尔茨海默病的分类框架，并发现语言特征对于阿尔茨海默病的分类比声学特征更为重要，能够提高分类准确率。

May, 2020