离散变异自编码器基于BERT模型的横聚焦超声波用于阿尔茨海默病检测
Kaushika Reddy Thipparthy1, Archana Kollu2, Chaitanya Kulkarni3
1Department of Computer science, Fairleigh Dickinson University, Teaneck, USA.
Journal of neuroscience methods
|February 5, 2025
概括
这项研究引入了一种新的tFUS-BERT模型,用于使用语音分析检测阿尔茨海默病. 该模型实现了高精度,在识别早期诊断的语言模式方面表现优于传统方法.
科学领域:
- 神经科学是一个神经科学.
- 计算语言学 计算语言学
- 人工智能的人工智能
背景情况:
- 阿尔茨海默病 (AD) 呈现出语音障碍,如失言症和言语流性降低.
- 对于AD检测的传统声学语音分析在捕捉语义细微差别方面存在局限性,并且需要艰苦的转录.
- 非侵入性大脑刺激 (NBS),包括跨的聚焦超声波 (tFUS),在调节大脑活动和增强AD患者的认知功能方面显示出希望.
研究的目的:
- 通过分析语音中的语言表征来开发阿尔茨海默病检测的先进模型.
- 通过结合语义信息来克服传统的基于声学特征的方法的局限.
- 为了提高诊断准确性,在深度学习框架内利用非侵入性脑刺激原则.
主要方法:
- 利用离散变量自编码器将语音转换为伪音符序列.
- 应用了BERT (变压器双向编码器表示) 模型来分析这些伪音符序列中的关系.
- 开发了tFUS-BERT模型,将语音处理与基于变压器的语言理解集成为AD检测.
主要成果:
- 在ADReSSo数据集上,tFUS-BERT模型在Wav2vec 2.0上达到76.06%的准确性,在Hu-BERT上达到71.83%的准确性.
- 与基线系统相比,在阿尔茨海默氏症检测准确度方面表现出5.63%的改善.
- 与传统的声学方法相比,在捕捉语言表达方面表现出了卓越的性能.
结论:
- 通过语音分析,tFUS-BERT模型为阿尔茨海默病的检测提供了一个可扩展和准确的方法.
- 这种方法提高了识别与AD相关的微妙语言变化的能力.
- 这些发现表明,在神经退行性疾病中,对非侵入性,人工智能驱动的诊断有希望的方向.
