优化自然语言处理方法用于使用GPT嵌入式自动检测阿尔茨海默病

科学领域:

• 计算语言学 计算语言学
• 神经科学是一个神经科学.
• 人工智能的人工智能

背景情况:

• 随着人口老龄化,阿尔茨海默病 (AD) 的影响在全球范围内越来越大.
• 早期发现和预防对于缓解AD的渐进性影响至关重要.
• 非侵入性,具有成本效益的检测方法对于广泛的查至关重要.

研究的目的:

• 为了优化阿尔茨海默病 (AD) 检测使用自然语言处理 (NLP) 的自发言语.
• 评估用于AD分类的音频处理技术和AI转录服务.
• 将本地和基于云的AI转录解决方案与手动方法进行比较.

主要方法:

• 使用Boll光谱减法进行音频增强.
• 对Wav2Vec,Whisper,IBM云和Rev.AI的转录准确性进行了评估.
• 支持使用OpenAI的GPT字嵌入的矢量机 (SVM) 分类器训练.
• 对转录的语音进行分析,以对AD,可能的AD和轻度认知障碍 (MCI) 进行分类.

主要成果:

• 在分类AD和控制样本方面,人工智能驱动的转录显著超过了手工转录.
• 带有增强音频的本地Wav2Vec实现了最高的精度和F1分数 (0.99).
• 基于云的Rev AI (无增强音频) 以高精度 (0.96) 领先,突出了隐私,成本和计算方面的权衡.
• 包括面试官的演讲负面影响了模型的表现.

结论:

• 当前的AI转录和NLP技术可以准确地从语音中分类AD,可能的AD和MCI.
• 一个显著的局限性是缺乏足够的训练数据,这些AI模型.
• 建议排除面试官的演讲,以提高数据质量和分类准确性.
• 这项研究为通过语言分析进行非侵入性认知障碍监测提供了基础.