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。

May, 2023

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

SpeechBrain 1.0 是一个开放源码的对话 AI 工具包，基于 PyTorch，主要关注于语音处理任务，如语音识别、语音增强、说话人识别、文本到语音等，它提供了预训练模型和完整的代码和算法 “配方” 以促进透明度和可复制性。SpeechBrain 1.0 引入了新技术来支持多样化的学习方式，大型语言模型（LLM）的集成和先进的解码策略，同时提供了新的模型、任务和模态，并包括一个新的基准库，为研究人员提供了一个统一的平台来评估各种任务的模型。

Jun, 2024

SpeechBrain 是一个开源的语音工具包，具有抽象出多个任务的核心结构，提供训练方案，预训练模型和推理脚本，以及基于 Python 的语音技术教程。

Jun, 2021

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

通过深度学习生成技术，本论文探讨了对于核心 AI 系统而言机器学习分类器的准确性的影响，以进一步提高通过声音识别帕金森病的 AI 系统性能。

Dec, 2023

通过引入脑 - 人工智能接口（BAI）作为一种新的脑 - 计算机接口（BCI）类别，我们可以让患有认知障碍的个体也能受益于 BCI 技术，BAI 使用人工智能以取代传统 BCI 所依赖的完整认知功能，通过提供高层次意图来完成复杂任务，同时由预先训练的 AI 代理处理底层细节。本研究介绍了 BAI 的整体概念，并通过基于 EEG 的对话 BAI 展示了其潜力，特别是在一个模拟电话对话实验中，该对话 BAI 实现了复杂的交流，无需生成语言。因此，我们的工作首次展示了语音神经假肢在现实场景中使用非侵入式技术实现流畅交流的能力。

Feb, 2024

研究神经语言理解基础一直是各种科学研究项目的长期目标，最近的语言建模和神经影像技术的进展为语言的神经生物学调查和构建更好、更类人的语言模型提供了潜在的改进。本文综述了从早期研究将事件相关电位和源于简单语言模型的复杂性度量联系起来的一条线路，到使用大型语料库训练的人工神经网络模型与使用自然刺激的多个模态的神经响应记录相结合的当代研究。

Mar, 2022

基于 AI 在自然语言理解和生成方面的革命性进展，我们设计了能够解决复杂科学任务的 AI 系统，并将自然语言作为 AI 与人类科学家之间的核心表示、推理和交换格式。本文旨在探讨实现这一愿景所面临的主要研究挑战。

Oct, 2022

通过分析连接语言来评估认知功能的方法中，我们提出了一个新颖的基准数据集和预测任务。该数据集包含了普通认知的普通话和英语演讲者以及不同程度的认知损害的个体的言语样本和临床信息。我们通过倾向评分分析来仔细匹配这些数据，以确保模型训练中的平衡和代表性。预测任务包括轻度认知损害的诊断和认知测试分数的预测。我们通过提供使用语言无关和可比较特征进行诊断和认知测试分数预测的基准预测模型来说明这一框架。在诊断中，平均未加权回忆率为 59.2%，评分预测的均方根误差为 2.89。

Jun, 2024