在阿尔茨海默病中学习隐含的情绪 识别与上下文注意的特征 功能 功能

科学领域:

• 计算语言学计算语言学
• 医疗保健中的人工智能
• 神经科学是一个神经科学.

背景情况:

• 阿尔茨海默病 (AD) 诊断是具有挑战性的,因为患者成绩单中的微妙情感线索.
• 现有的神经网络模型忽略了对AD检测至关重要的隐含情绪.
• 在文档层面上隐含的情感分类是分析AD相关语言的关键.

研究的目的:

• 通过分析成绩单中隐含的情绪来开发一种新的阿尔茨海默病诊断模型.
• 通过基于语言的分析来提高AD检测的准确性和有效性.
• 为了解决目前神经网络在捕捉微妙情感细微差别方面的局限性.

主要方法:

• 采用双层注意力机制,在单词和句子层面识别深层次的语义信息.
• 文档表示是通过选择性地将重要单词汇总成句子向量和句子汇总成文档向量来构建的.
• 监督模糊隐性情绪分类方法被用于文档级别分析.

主要成果:

• 拟议的模型在注释的皮特公司上实现了91.6%的领先精度.
• 该方法在学习和表达从成绩单中隐含的情绪方面表现出有效性.
• 注意层成功地识别并选择了有信息的单词和句子.

结论:

• 开发的模型通过对成绩单的隐性情感分析,为阿尔茨海默病诊断提供了一个有希望的方法.
• 注意力机制为AD提供了对AD信息语言特征的定性见解.
• 这种方法为使用语言和情感分析推进AD诊断提供了宝贵的灵感.