痴呆症患者的话语和对话障碍
通过自动学习语言模型和强化自然语言处理任务,我们构建了数字化语言标记,可以测量沟通质量和各种语言障碍的强度,并揭示了与病情进展相关的逐渐语言损害的有用见解。
Oct, 2023
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
记忆障碍是老年人功能和日常活动衰退的核心因素。该研究采用自动特征选择和机器学习技术,通过语音分析来诊断认知能力下降和痴呆症患者,取得了高于国际研究水平的分类准确度。
Feb, 2024
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
本篇论文研究并对比了线性与非线性聚类方法,以鉴别从语音中区分痴呆和抑郁症之间的能力,研究结果表明,非线性聚类技术可以更好地区分不同疾病群集。从输出结果来看,几种能区分痴呆和抑郁症的主要不同症状为:声学异常、言语的重复性、词语查找困难、认知障碍和词汇复杂度的差异。
Oct, 2022
阿尔茨海默病(AD)是最常见的神经退行性疾病,但目前的可用治疗方法仅限于停止疾病进展。此外,由于该疾病的异质性,这些治疗方法的有效性并不保证。因此,能够在早期阶段确定疾病亚型至关重要。我们提出了一个多模态框架,使用早期指标如图像、遗传学和临床评估来对早期阶段的 AD 患者进行亚型分类。同时,我们建立提示并使用大型语言模型(如 ChatGPT)来解释我们模型的发现。在我们的框架中,我们提出了一个三模态共同关注机制(Tri-COAT),以明确学习跨模态特征关联。我们提出的模型优于基线模型,并提供了支持已知生物学机制的关键跨模态特征关联的洞察。
Jan, 2024
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
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
通过混合训练有痴呆症和健康参与者语言的神经语言模型,使用单一特征的若干计算机方法进行痴呆症患者诊断分类,从而实现聚类的最新方法。
May, 2020