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

利用大型语言模型，通过自发语音进行自动检测帕金森病的精确度高达 73%。

Apr, 2024

使用自发语言作为适当的数字标记，对诊断和监测痴呆症进行非侵入性方法已成为一种新兴、有前景的方法。本文提出了以捕捉语言连贯性作为一种经济实惠、人类可解读的数字标记，用于监测患有痴呆症的个体的认知变化的方法，并介绍了一项学习短传录叙述中话语的时间逻辑一致性的新任务，并研究了一系列神经方法。通过比较痴呆症患者和健康对照组的语言连贯性模式，并针对三个临床生物标志物进行纵向评估，以调查我们提出的数字连贯性标记的可靠性。连贯性标记在轻度认知障碍、阿尔茨海默病和健康对照组之间表现出显著差异。此外，我们的分析显示连贯性标记与临床生物标志物具有很高的关联性，并具有适用于其他相关疾病的潜力。

Oct, 2023

通过混合训练有痴呆症和健康参与者语言的神经语言模型，使用单一特征的若干计算机方法进行痴呆症患者诊断分类，从而实现聚类的最新方法。

May, 2020

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 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

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

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

本篇论文回顾了有关语言和沟通缺陷的发现，并分析了认知、社交、行为各方面的影响。文章探讨临床话语分析法，它可以为病人的语言和沟通技能提供全面评估，可以补充现有的神经语言学评估，用于诊断、预测和评估治疗的有效性。

Nov, 2022

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