痴呆症:一种基于注意力的混合多模式和多任务学习框架,与专家知识一起用于从语音评估阿尔茨海默病的疾病评估

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) 的患病率正在增加,需要可访问的评估方法.
• 语音分析为早期AD检测提供了一种非侵入性,低成本的方法.
• 现有的多式联运方法往往忽视了多式联运相互作用和模型可解释性.

研究的目的:

• 开发一个多任务学习 (MTL) 模型,整合音频,文本和专家知识,用于AD评估.
• 通过混合注意力和多式表示来同时检测AD并预测认知状态.
• 为模型及其模式提供全面的可解释性分析.

主要方法:

• 提出了一种多任务学习 (MTL) 框架,其中包含混合注意力机制.
• 融合多式联网数据包括音频,文本和专家知识.
• 进行了可解释性分析,以确定与阿尔茨海默病相关的语言模式.

主要成果:

• 实现了89.58%的准确性和91.67%的回忆力,用于AD分类.
• 获得了认知状态预测的根平均平方误差为4.31.
• 在阿尔茨海默病患者中表现出良好的概括性能,并确定了语音标志物,如较慢的语音速度和减少的语法复杂性.

结论:

• 拟议的MTL模型有效地使用多式联络语音数据评估阿尔茨海默病.
• 可解释性分析证实了该模型能够检测AD特有的语言变化.
• 这项研究验证了言语作为早期AD查和认知监测的有希望的生物标志物,增强了临床信任.