Jan, 2024

基于语言的轻度认知障碍检测使用信息损失

PDF
TL;DR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。
发现论文，激发创造
  • 利用词向量丰富复杂网络，从语音转录中检测轻度认知障碍

    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

  • 利用视频对话中的面部特征检测轻度认知损害

    利用深度学习算法从视频中提取面部特征来检测老年人的轻度认知障碍（MCI），通过使用卷积自编码器提取空间整体面部特征和使用变换器提取时间信息的方法，该研究在 I-CONECT 行为干预研究数据中成功地检测了 MCI 病人与正常认知状况的病人，结合特定主题视频中面部特征信息的片段和序列信息可以提高预测性能，最终达到了 88% 的准确率。

    Aug, 2023

  • 使用复合 Skip-grams 学习语言生物标志，预测轻度认知障碍

    使用自动化机器学习方法，通过分析 MCI 患者的言语表述等方式，构建了一个组合 Skip-grams 特征的模型，有效的区分了 19 名 MCI 患者和 19 名健康对照个体，表现良好，有望应用于小型 MCI 数据样本的机器学习预测上。

    Nov, 2015

  • 利用面部视频检测老年人轻度认知障碍的 MC-ViViT 多分支分类器 - ViViT

    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

  • 使用递归卷积神经网络对神经心理测试叙事转录中的句子进行分割

    该研究通过使用循环卷积神经网络与韵律、词性等特征及单词嵌入，提出了一种自动句子分割方法，用于帮助机器自动识别语言障碍性痴呆疾病患者的语言，获得了比条件随机场模型更好的结果，为自动话语分析工具的发展提供了一定的参考。

    Oct, 2016

  • 如何寻找神奇的特征：基于子序列分类指导的认知功能障碍检测

    通过序列机器学习模型和领域知识来预测哪些特征有助于提高性能，为 cognitive impairment detection 等需要解释性的领域的分类提供了示例。

    Oct, 2020

  • 一种多级有监督对比学习框架用于低资源自然语言推断

    本文提出了一种多级有监督对比学习框架 MultiSCL，该框架使用句子级和对级对比学习目标，在低资源自然语言推理任务中区分不同分类的句对。MultiSCL 采用数据增强模块和交叉注意力模块来获取对级表示，经实验证明，在低资源设置中，MultiSCL 的准确率比其他模型平均高 3.1％，且在文本分类的跨域任务中优于以前的最新方法。

    May, 2022

  • INESC-ID 多模态系统 - ADReSS 2020 挑战赛

    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

  • 自然语言推理的对偶级别监督对比学习

    本文提出一种基于对偶句子级别的监督对比学习（PairSCL）方法，采用交叉注意力机制学习句子对的联合表示，并使用对比学习目标来区分不同类别的句子对，在两个公共 NLI 数据集上，PairSCL 的准确性平均优于其他方法 2.1％，并在文本分类的七个转移任务上超过了先前的最新方法。

    Jan, 2022

  • 使用 LSTM 学习自然语言推断

    本文使用 LSTM 结构，将 match-LSTM 方法引入进行单词级联匹配以预测自然语言推理中的矛盾或中性关系标签，并在 Stanford 自然语言推理数据集上表现出比其他深度神经网络方法更高的 86.1% 的准确率。

    Dec, 2015