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

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

该研究使用标准化测试中的语音数据，通过使用 OpenSMILE 特征和支持向量机分类器，成功实现了认知障碍的自动检测，并使用 wav2vec 2.0 特征提取技术进一步提高了识别准确度。

Jun, 2022

穿戴设备预测模型、认知损害、机器学习模型、预测特征、持续健康监测

Aug, 2023

基于声音对象的特征作为声音生物标志物，提出了一种早期认知功能障碍筛查方法。通过使用机器学习模型对包括声音对象的精心构造特征进行分析，可以对语言无关的声音样本进行短时筛查。

Jan, 2024

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

本研究使用三种不同方法（传统声学特征、预训练声学嵌入和特征和嵌入的组合）对 ADReSSo 挑战数据集上的阿尔茨海默病检测进行了研究，结果表明使用预训练嵌入的分类方法具有更高的跨验证性能和更好的泛化能力，最优模型的表现超过了基线模型 2.8%。

Jun, 2021

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

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

研究以语音为基础的智能手表应用程序 MyMove，通过老年人接收活动标签，可支持个性化活动跟踪技术。

Apr, 2022