May, 2023

言语、语言和沟通障碍患者的计算机语言评估

PDF
TL;DR通过机器学习、自然语言处理和信号处理等方法，计算语言评估是对老年和高风险人群的神经认知评估的改进，可促进危险和语言障碍人群的诊断、预后和治疗效果，并允许更轻松地扩展以评估来自各种语言的患者。
computational language assessmentneurocognitive diseasemachine learningnatural language processingartificial intelligence
发现论文，激发创造
  • 计算语言评估：开放式大脑人工智能

    介绍了 Open Brain AI 平台，该平台利用机器学习和自然语言处理等 AI 技术自动分析口头和书面语音产生，其提供的可靠和高效的测量能够提高诊断的准确性并优化治疗策略，同时也减轻了临床医师的工作量并让他们能够把更多的时间和资源投入到直接患者护理中。

    Jun, 2023

  • 人工智能、语音和语言处理方法在阿尔茨海默病监测中的应用：一项系统性综述

    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

  • 面向老年痴呆患者的人工智能语言评估工具

    本文提出了一种使用人工智能的语言评估工具，利用机器学习中的二元分类器来识别老年人患痴呆所引起的语言障碍，评估了不同任务、特征与媒介对分类器性能的影响，并确定了工具的可靠性和有效性。

    Sep, 2022

  • 将 NLP 任务改写以捕捉患有痴呆症人群中语言障碍的纵向表现

    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

  • 通过特征选择和声学词袋模型鉴别口语语言中的认知衰退

    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

  • 临床语言理解评估（CLUE）

    本文介绍了 Clinical Language Understanding Evaluation (CLUE) 基准测试，它通过提供一组基于 MIMIC 数据的四个临床语言理解任务、标准的训练、开发、验证和测试集，以及一个软件工具包去解决临床语言处理面临的实验设置不一等问题，能够直接比较不同方法之间的性能差异，提高可重复性，并降低开发新模型或方法的门槛。

    Sep, 2022

  • 远程推断使用图片描述在 ALS 患者中的认知分数

    使用语言分析技术检测肌萎缩侧索硬化症（ALS）患者的认知功能，并预测 ECAS 子分数和总分的线性回归模型的可靠性研究。

    Sep, 2023

  • 阿尔茨海默病神经任务评分建模的声学 - 语言特征

    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

  • 一种基于存储转发的云计算远程监测系统，用于自动评估神经病变中失语症演变的视频记录分析

    针对神经系统疾病患者可能发展为言语运动障碍疾病，本研究提出了一种存储和转发的自助式远程监测系统，该系统集成了卷积神经网络（CNN），通过分析患有言语运动障碍疾病者的视频录像实现面部特征的定位，并能监测疾病的进展，为临床医生提供支持和帮助。

    Sep, 2023

  • 通过解释神经模型来检测阿尔茨海默病的语言特征

    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