ACLFeb, 2024

语音中的自闭症识别 — 综述

PDF
TL;DR通过分析来自生物医学、心理学和自然语言处理领域的研究，我们寻找能够指示自闭症的语言、韵律和声学线索。此调查涵盖了自闭症的定义、可能影响正确诊断的共病疾病，以及诸如语言流畅性、韵律特征、不流畅性和说话速度等观察结果。我们还介绍了基于词汇的方法，并描述了对音频数据和文本的机器学习和基于转换器的方法。最后，我们得出结论，目前已有大量研究，但女性患者的研究仍然非常有限，而且大多数自然语言处理研究侧重于传统的机器学习方法，而非在这一领域有潜力的转换器。另外，我们未能找到将音频和文本特征结合起来的研究。
autismvoicelanguagenlpmachine learning
发现论文，激发创造
  • 利用机器学习探索自闭症中的言语模式障碍

    通过分析检查者 - 患者对话，本研究提供一种综合方法，用于识别独特的语音模式，并利用机器学习在自闭症谱系障碍 (ASD) 的诊断过程中支持早期检测和个性化治疗规划。

    May, 2024

  • 利用预训练语音嵌入理解 ASD 儿童的口语语言发展

    本研究旨在提出使用语音处理技术进行自动化评估儿童口语发展的应用，并通过对自然语言样本分析，对使用智能辅助诊断提供了可行性，其实验结果表明 F1 宏分数分别为 82.6% 和 67.8%。

    May, 2023

  • 自闭症谱系障碍对话分析的参数选择

    我们通过分析从心理学家与典型发育或患有自闭症谱系障碍（ASD）的儿童之间的诊断对话中提取的声学 / 韵律和语言特征，提出了一种 ASD 诊断的建模方法。我们比较不同特征在一系列对话任务中的贡献，并着重寻找表征患有 ASD 的儿童对话行为的最小参数集。除了分析儿童的行为外，我们还研究心理学家的对话行为是否在不同的诊断群体之间有所变化。我们的结果有助于对 ASD 儿童的对话数据进行细粒度分析，以支持诊断和干预。

    Jan, 2024

  • 在多诊断情境中自动分类神经精神疾病的语音和文本方法

    本研究比较了基于语音和文本特征的二元分类和多类分类模型在区分多种神经精神障碍时的表现，结果显示联合模型表现更佳，同时提出今后应该关注更具代表性的跨诊断数据集以及精细化的临床特征。

    Jan, 2023

  • 使用基于语音与基于语言的方法比较在阿尔茨海默病检测中使用 BERT 模型的必要性

    这篇研究论文探讨了如何通过自然语言处理和机器学习等方法，借助 Alzheimer's disease 相关数据集，提高人类认知障碍的检测准确性，与传统检测方法相比，使用 fine-tuned BERT 模型在 Alzheimer's disease 检测任务上具有更好的表现。

    Jul, 2020

  • 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

  • 提高 ASD 检测准确性：结合自然语言处理的机器学习和深度学习模型的综合方法

    利用人工智能（AI）诊断自闭症谱系障碍（ASD）的研究表明了其对 ASD 诊断尤其是儿童的早期发现的重要性，使用深度学习和机器学习从社交媒体的文本输入中检测 ASD，达到了 88% 的高准确率。

    Mar, 2024

  • 自动识别未转录语音中的干扰

    说话不流畅现象，如填充式停顿或重复，是典型言语流畅的干扰。本文研究语言、声学和多模态方法在自动裁剪检测和分类中的应用，发现基于声学的方法在性能上超过语言方法，同时引入多模态结构提升了检测性能。这些创新方法有助于将自动裁剪检测应用于各种应用场景。

    Nov, 2023

  • 自閉症譜系障礙韓國兒童言語語料庫：朝向自動評估系統

    本文介绍了一个专门针对韩国自闭症儿童开发的语音语料库，旨在推进发音和严重程度评估等语音技术。通过对自闭症儿童的语音和语言评估会话录音进行转录和注释，提取语音数据并分析语音和语言特征，揭示了自闭症儿童的一些与典型发育儿童或通过临床评分分类的自闭症亚组有所不同的语音和语言特征，为社交沟通严重程度和发音熟练度的自动评估系统的开发提供了潜力。

    Feb, 2024

  • 从语音和文本多模态检测阿尔茨海默病

    使用多模式深度学习方法通过语音和相应的文本同时检测多种言语段落的诊断，其模型在 Dementiabank Pitt 语料库上获得了 85.3% 的准确率。

    Nov, 2020