本文提出了一种新的 Multi-branch Classifier-Video Vision Transformer (MC-ViViT) 模型，通过分析面部特征区分普通认知和轻度认知障碍 (MCI)。作者通过提出的 HP Loss 组合了 Focal Loss 和 AD-CORRE Loss 解决了数据集不平衡的问题，并在 I-CONECT 数据集上取得了 90.63% 的高准确率。

Apr, 2023

该研究使用深度学习和自然语言处理技术，提出了一个框架，通过分析来自 I-CONECT 研究项目的视频访谈生成的文本，区分老年人的轻度认知障碍和正常认知状态。提出的 NLP 框架由两个基于 Transformer 的模块组成，分别为句子嵌入和句子交叉注意力。通过该框架，可以以平均曲线下面积为 84.75% 的准确率区分 MCI 和 NC。

Jan, 2024

利用机器学习计算法，针对阿尔茨海默病 （Alzheimer's disease）采用多模式生物标志物来帮助早期诊断。其中，最近研究的高斯判别分析（GDA）方法用于分类阿尔茨海默病的效果更加有效和准确，特别是对轻度认知障碍的早期诊断具有重要意义。可以通过采取全局特征提取模型，显著提高早期阿尔茨海默病诊断的性能比采用局部特征提取方法更好。

Dec, 2017

研究老龄化人口与阿尔茨海默病的关系，通过深度学习和多模态信息，基于大脑 MRI 扫描预测疾病阶段，早期检测和治疗。

Nov, 2023

使用复杂网络和单词嵌入 (CNE) 对神经心理评估中的病人发出的短语的文本进行建模，通过 CNE 对复杂网络进行了丰富，以更好地表示这种非语法性的语音，从而实现了对 MCI 的自动识别。

Apr, 2017

该研究提出了一种新的多模态神经影像关注机制的卷积神经网络结构，MNA-net，用于预测在 10 年内正常认知个体是否会发展为轻度认知障碍或阿尔茨海默病。通过使用注意机制形成 MRI 和 PET 图像的共享表示，MNA-net 在 OASIS-3 数据集上进行了测试，并具有 83% 的准确率，80% 的真阴性率和 86% 的真阳性率，相比之前的工作准确率和真阴性率分别提高了 5% 和 10%，这些结果表明了该模型在预测认知衰退方面的潜力和通过融合不同神经影像模态的关注机制来改进预测的能力。

Dec, 2023

通过整合基于卷积神经网络的健康指标数据和面部图像数据的认知评估游戏应用程序，本研究旨在开发一种新的深度学习启发的游戏方法，以早期检测痴呆症。通过我们的工作，我们的提出的 MOD-1D-CNN 模型可以使用真实生活的健康指标数据识别 70.50％的痴呆特征，而提出的 MOD-2D-CNN 模型则可以使用真实生活的面部图像数据识别 95.72％的痴呆状态。因此，我们应用一种基于规则的加权方法来结合这两种方法以达到最终决策。

May, 2024

本研究利用自监督对比学习方法和基于游程的神经网络模型，通过解剖学磁共振成像生成的结构性脑网络预测 MCI 向 AD 的转变，并可视化模型解释以识别白质通路异常变化。

Mar, 2022

最近的研究强调用户对与机器进行类似人的互动的偏好增长。因此，面部表情识别作为给社交机器人赋予识别用户情感状态的能力的一种方式变得重要。在本研究中，我们评估了深度学习方法的适用性，这些方法因其在该领域的出色表现而闻名，用于识别具有智力残疾的个体的面部表情，据我们所知，这方面的研究尚未进行。为实现这一目标，我们使用了十二个不同方法的卷积神经网络集合进行训练，其中包括没有具有智力残疾的个体的数据集合以及包含了这些个体的数据集合。我们对不同训练条件下各个模型的结果进行了分析，结合可解释的人工智能技术在表情识别期间进行的关键面部区域的全面分析，揭示了智力残疾个体之间以及具有智力残疾的个体之间面部表情的显著差异。显著的是，我们的研究结果通过用户特定的训练方法证明了对该人群中面部表情的可行性，这使得模型能够有效地处理每个用户独特的表达方式。

Jan, 2024

本研究使用一组自注意力瓶颈变换器与成像质量感知极小化器的集成方法，基于结构性磁共振成像技术早期检测阿尔茨海默症，检验性能指标包括准确率、精准率、召回率、F1 得分和曲线下面积（ROC-AUC）。

May, 2023