利用大型语言模型检测帕金森病的自发语言变化
本研究提出了一种利用深度学习方法对带有 Parkinson 病的患者的语音记录进行分类的方法,通过对一个预训练自然语言模型 wav2vec 2.0 进行知识转移训练音频分类器,并成功在由智能手机录制的语音记录数据集中实现了 97.92% 的准确度。
Apr, 2022
通过自动学习语言模型和强化自然语言处理任务,我们构建了数字化语言标记,可以测量沟通质量和各种语言障碍的强度,并揭示了与病情进展相关的逐渐语言损害的有用见解。
Oct, 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
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
该研究探索了派金森病患者声音特征变化作为早期疾病预测手段的潜力,使用多种先进的机器学习算法进行综合分析,结果表明 LightGBM 模型在准确率、AUC,敏感度和特异度等指标上表现出色,强调了结合声音生物标志物和先进机器学习技术对于精确及时检测派金森病的重要性。
Nov, 2023
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
本文应用联邦学习技术,利用不同机构提供的语音信号数据构建模型,实现帕金森氏症的检测,达到了远程合作且高准确度的目的,而不需要共享病人数据,增强了患者的结果。
May, 2023
通过语音分析促进帕金森病(PD)的诊断受到缺乏公开的多样性语言数据集的限制,为了填补这一空白,我们引入了一个全面的语料库,其包括 108 名西班牙母语的巴斯克语言人中的 55 名健康对照组和 53 名被诊断为 PD 的患者,他们在药物优化状态下接受记录。这个独特的数据集涵盖了多种语音任务,包括西班牙五个元音的持续发声、对口语音测试、16 个听音重复的表达以及自由独白。这个数据集通过听音重复任务的专业手动转录加强了准确性和可靠性,同时利用 Whisper 进行了自动独白转录,成为目前最完整的公开帕金森病语音语料库,也是第一个使用西班牙巴斯克语的语料库。NeuroVoz 由 2,903 个音频录音组成,每位参与者平均有 26.88 个录音,为研究帕金森病对语音的影响提供了重要资源。该数据集已经支撑了多项研究,在 PD 语音模式识别方面达到了 89% 的基准准确率,表明了与 PD 相关的显著语音变化。尽管取得了这些进展,进行语言无关性的跨语料库分析仍然是未来研究中一个开放的领域。此研究填补了 PD 语音分析资源的重要空缺,并为全球研究社区在利用语音作为神经退行性疾病的诊断工具方面树立了新的标准。
Mar, 2024
通过机器学习技术,使用临床特征,声音特征和运动检查等数据,实现对帕金森病的早期检测,并取得了 100%针对 PD 和 RBD 患者的准确分类率,以及对 PD 和 HC 个体的 92%准确分类率。
Oct, 2023
该论文提出了一种基于深度学习技术的方法,通过语音分析及回归技术能够判断一个人是否患有严重的帕金森症,并预测病情的程度,取得了非常有前景的效果。
Feb, 2024