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

通过混合训练有痴呆症和健康参与者语言的神经语言模型，使用单一特征的若干计算机方法进行痴呆症患者诊断分类，从而实现聚类的最新方法。

May, 2020

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

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

该研究提出了一种新颖的方法，利用Transformer DL模型（GPT-2）和与其人为降级版本（GPT-D）之间的困惑度比率，在语言学健康和损伤个体的语言上获得了接近于最先进性能的技术，也演示了通过GPT-D产生与AD相关的语言异常特征的能力，这对于更好地理解生成神经语言模型的内部工作机制、它们产生的语言以及痴呆症对人类语音和语言特征的不良影响是一步。

Mar, 2022

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

本文通过使用基于提示的微调技术，结合语音中存在的顿挫特征，优化了已有的语言模型，建立了一套AD自动检测系统，实验结果表明利用提高语调或语速左右的提示词建议的自然而然的语音可以有效提高自动检测系统的性能。

Oct, 2022

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

本研究针对全球50百万名认知障碍患者及其日益增多的趋势，提出了一种利用大语言模型（LLM）和最新自然语言处理技术的聊天机器人解决方案，以实时提供可解释的机器学习预测。该系统通过精确的自然语言分析和解释性仪表板，旨在战胜模型潜在的偏见，并帮助临床工作者作出更好的诊断决策，分类结果在所有评估指标上均超过80%。

Sep, 2024

本研究针对现有阿尔茨海默病（AD）检测方法在患者语言特征建模中的局限性，提出了一种基于大型语言模型推理增强的转录特征分析框架。通过系统提取语言缺陷属性，并将其嵌入Albert模型中，显著提高了检测准确性和解释能力，展示了语言模型在AD检测中的潜力。

Sep, 2024