May, 2024

通过对数正态特征分析机器学习方法研究阿尔茨海默病对书写的影响

PDF
TL;DR通过 Sigma-lognormal 模型提取的手写特征，应用于机器学习，旨在开发一个支持系统来帮助医生诊断和研究阿尔茨海默病，并评估提取特征的有效性以及它们之间的关系。
alzheimer's diseasehandwriting analysisneurological conditionssigma-lognormal modelmachine learning
发现论文，激发创造
  • 词义和音韵对阿尔茨海默症患者手写的影响：基于机器学习的分析

    利用手写的运动学特性来支持神经退行性疾病的诊断是一个真正的挑战：非侵入性检测技术与机器学习方法的结合为该研究领域带来了巨大的进展。本文探讨了词语语义和音韵对患有阿尔茨海默病的人的手写的影响，通过实验结果证明通过特征选择可以为每种词类型提取出不同的高度特征，非规则的词需要更多特征但实现了出色的分类性能，非规则词达到了近 90% 的准确率。

    Jul, 2023

  • 难以置信的进步：为阿尔茨海默病患者的手写合成生成准备的空中运动

    利用深度学习分析和识别手写字在医疗领域中的早期检测与诊断应用，通过引导式数据合成生成有利于深度学习模型训练的逼真数据，结合阿尔茨海默病的领域知识，探索了利用空中运动进行合成数据生成。

    Dec, 2023

  • 量子机器学习在认知领域中的应用：阿尔茨海默病研究

    使用量子计算技术和人工智能方法，对老年人的手写数据进行早期阿尔茨海默病诊断，取得了 0.75 的准确率。

    Sep, 2023

  • 量子人工智能用于阿尔茨海默病早期筛查

    量子机器学习能够在健康领域中进行高效解决大数据集问题，此研究将其应用于阿尔茨海默病的诊断，并发现量子和经典算法在分类任务中表现相似，甚至有时量子方法表现更好，为将来在早期筛查诊断方面开发新的量子机器学习应用铺平了道路。

    May, 2024

  • LSTM-CNN：一种利用动态手写分析的高效帕金森病诊断网络

    设计了一个紧凑高效的网络架构，利用动态手写信号的独特特征，为帕金森病的诊断提供客观鉴定；通过深度学习方法（LSTM 和 CNN）实现对时间变化特征的提取，并在实验证明其有效性和效率。

    Nov, 2023

  • 帕金森病检测的动态增强静态手写表示

    这篇论文研究了使用动态增强的静态手写图像来诊断帕金森病，通过同时利用手写的静态和动态属性，提出了一种嵌入动态信息的静态表示方法，通过在同一数据集上与现有方法进行了公平比较，证明了动态增强的静态手写图像能够胜过独立使用静态和动态手写的结果，从而实现了非侵入性、低成本的计算机辅助诊断系统来支持临床医生的诊断和监测神经退行性疾病，特别是帕金森病的评估。

    May, 2024

  • 使用生成对抗网络进行笔迹特征分析

    使用改进的 DCGAN 架构和强化学习技术，本文提出一种智能系统，旨在学习实体的手写字体，可以用于鉴别伪造文件、签名验证、计算机生成艺术和文件数字化等领域。初步实现结果表明，该算法在 MNIST 数据集上表现优异。

    Nov, 2016

  • 手写文件的非破坏性检验的新数据集

    司法笔迹鉴定是法医科学的一个分支，旨在通过全面比较内在的局部和全局特征，检验手写文件以准确定义或假设手稿的作者。该研究提出了一个新的数据集，包括传统手写文件和数字工具（如平板电脑）生成的文件之间的比较，并展示了数据的初步结果，显示第一子集可以达到 90％的分类准确率，第二子集可以达到 96％。

    Jan, 2024

  • 基于免费手写指标的年龄群体歧视

    使用带有传感器的墨水笔对书写进行生态评估，以年龄组分类的创新方法展示了卓越的分类器性能，可以在非受控环境（如远程居家监测）中早期检测衰老的异常迹象，从而解决衰弱检测的关键问题，为老年人改善护理做出贡献。

    Sep, 2023

  • 通过解释神经模型来检测阿尔茨海默病的语言特征

    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