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

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

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

本文介绍了 ADReSS Challenge，它提供了一个用于比较自动识别老年痴呆症的语音的不同方法的共享任务。该挑战提供了基准的语音数据集，并定义了两个认知评估任务，即老年痴呆症语音分类任务和神经心理评分回归任务。ADReSS 旨在为语音和语言老年痴呆症研究社区提供一个综合方法比较的平台，以解决当前影响该领域的标准化缺乏问题，并为未来的研究和临床应用提供线索。

Apr, 2020

用深度神经网络进行多模态分析调查老年痴呆症，通过在音频、文本和图像等不同模态上进行传递学习，实现了优于现有研究的准确性和 F1 得分

Nov, 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

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

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

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

本文介绍了 ADReSSo Challenge 的三项预测任务，分别是：阿尔茨海默病的检测，认知测试得分的推断和认知能力下降的预测。通过从音频记录中直接提取声学和语言特征，本文开发的分类和回归模型的基准准确率分别达到了 78.87％，5.28 分的 RMSE 误差和 68.75％。

Mar, 2021