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

本文介绍了两种基于多模态融合的深度学习模型，同时使用 ASR 转录的语音和声纹数据，对结构化诊断任务中的说话人是否存在阿尔茨海默病进行分类，并评估了 ADReSSo 挑战 2021 数据，其中最佳模型 BiLSTM 采用了包括单词、单词概率、口吃特征、停顿信息和各种声学特征的 highway 层，实现了 84％ 的准确率和 4.26 的 MMSE 认知分数预测 RSME 误差。通过使用多模态方法和单词概率、口吃和停顿信息，我们的模型在预测认知衰退时表现出了提高，并且对于使用多模态融合和门控技术进行的 AD 分类，我们展示了相当大的收益。

Jun, 2021

本文旨在探讨阿尔茨海默病对词汇不同方面的影响，以及证明这些词汇特征在机器学习分类器中的应用可以实现最先进的性能，通过 ADDreSS 挑战数据集和语言样本实验结果验证阿尔茨海默病对词汇处理的显著影响。

Jul, 2023

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

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

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

通过将语言复杂度和（不）流畅特征与预训练语言模型相结合，成功地在 2021 年 ADReSSo（阿尔茨海默病性痴呆症通过自发性言语识别）挑战赛的阿尔茨海默病检测任务中取得了 83.1% 的准确率，这是基准模型的 4.23% 的提高，并且在交叉验证和测试数据上表现出了很好的鲁棒性。

Jun, 2021

使用基于智能手表的应用程序收集声学特征作为检测日常功能缺陷的客观标记是可行的，通过声学特征可以高达 77.8% 的准确率检测出存在日常功能缺陷的个体。

Sep, 2023

本篇论文研究并对比了线性与非线性聚类方法，以鉴别从语音中区分痴呆和抑郁症之间的能力，研究结果表明，非线性聚类技术可以更好地区分不同疾病群集。从输出结果来看，几种能区分痴呆和抑郁症的主要不同症状为：声学异常、言语的重复性、词语查找困难、认知障碍和词汇复杂度的差异。

Oct, 2022