环境噪声对阿尔茨海默病语音检测的影响:你应该让婴儿哭吗?
本研究发现,删除错误最大程度影响语法复杂性和言语中的话语表示等特征,因此在自动语音识别中加入惩罚删除错误的机制有助于提高认知障碍检测性能。
Apr, 2019
该研究使用Spontaneous Speech数据集文本转录,使用多种模型对AD和正常人的分类和预测进行训练和评估。结果表明,使用TF-IDF向量化器作为输入的SVM模型和使用' DistilBERT '的预训练模型作为简单线性模型的嵌入层的模型表现最佳,在分类指标上展示了测试集得分为0.81-0.82和RMSE为4.58的结果。
Jun, 2020
这篇研究论文探讨了如何通过自然语言处理和机器学习等方法,借助Alzheimer's disease相关数据集,提高人类认知障碍的检测准确性,与传统检测方法相比,使用fine-tuned BERT模型在Alzheimer's disease检测任务上具有更好的表现。
Jul, 2020
通过对2000-2019年关于使用人工智能、语音和语言处理来预测老年痴呆症认知下降的研究进行系统回顾,总结出近51项相关研究的详细信息、研究过程及其局限,并提出解决策略。虽然这51项研究结果令人惊喜,但仍存在许多问题,如缺乏标准化、结果有限的可比性以及研究目标与临床应用之间的脱节,需要进一步深入研究来解决这些问题。
Oct, 2020
本研究使用三种不同方法(传统声学特征、预训练声学嵌入和特征和嵌入的组合)对ADReSSo挑战数据集上的阿尔茨海默病检测进行了研究,结果表明使用预训练嵌入的分类方法具有更高的跨验证性能和更好的泛化能力,最优模型的表现超过了基线模型 2.8%。
Jun, 2021
本文介绍了两种基于多模态融合的深度学习模型,同时使用 ASR 转录的语音和声纹数据,对结构化诊断任务中的说话人是否存在阿尔茨海默病进行分类,并评估了 ADReSSo 挑战 2021 数据,其中最佳模型 BiLSTM 采用了包括单词、单词概率、口吃特征、停顿信息和各种声学特征的 highway 层,实现了 84% 的准确率和 4.26 的 MMSE 认知分数预测 RSME 误差。通过使用多模态方法和单词概率、口吃和停顿信息,我们的模型在预测认知衰退时表现出了提高,并且对于使用多模态融合和门控技术进行的 AD 分类,我们展示了相当大的收益。
Jun, 2021
随着医疗技术、预防保健和老年健康的日益重视,全球平均寿命不断增长。因此,开发能够检测和追踪老年人群中与认知功能有关的老化相关疾病的技术至关重要。特别是,自动检测和评估阿尔茨海默病(AD)的研究具有重要性,因为该疾病的流行度以及现有方法的成本。在该研究中,我们使用自然语言处理和机器学习等技术,比较和对比了10种线性回归模型在ADReSS挑战数据集上对Mini-Mental状态检查得分进行预测的性能。通过使用两种方法选择的54种最佳特征的子集(1)递归淘汰和(2)相关性得分,我们超越了用于相同任务的最先进的基线。在评分和评估每个模型的每个所选特征子集的统计显着性时,我们发现,对于给定的任务,手工制作的语言特征比声学和学习特征更具有显着性。
Sep, 2022
该研究利用信号处理和机器学习方法基于自然语言数据构建预测模型,旨在探究多语言环境下应用于阿尔茨海默病检测的声学特征表达方法,其基准系统在语音阿尔茨海默病检测方面准确率达到73.91%、在认知分数预测方面根均方误差为4.95。
Jan, 2023
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
基于声音对象的特征作为声音生物标志物,提出了一种早期认知功能障碍筛查方法。通过使用机器学习模型对包括声音对象的精心构造特征进行分析,可以对语言无关的声音样本进行短时筛查。
Jan, 2024