基于手写和语音数据的轻度认知障碍查优化的顺序分类模型
Qizhe Tang1, Xiaoya Zhang1, Chu Zhang1
1School of Information Engineering, Huzhou University, Huzhou, China.
Journal of Alzheimer's disease : JAD
|July 21, 2025
概括
这项研究引入了一种新的多式模式,将手写和语音分析结合起来,用于早期检测轻度认知障碍 (MCI). 该模型实现了95.2%的准确性,大大改善了诊断认知衰退的单模方法.
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
- 医疗信息学 医疗信息学
背景情况:
- 手写和语音分析是检测认知衰退的关键生物标志物,对于早期诊断阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 至关重要.
- 现有的AD和MCI的单模诊断方法在分类准确性方面存在局限性,可能缺少手写和语音数据的联合诊断能力.
研究的目的:
- 开发和评估一个创新的多式联络分类模型,整合手写和语音分析,以更好地检测MCI.
- 通过利用协同数据融合来克服单一模式方法的局限性,以提高诊断准确性.
主要方法:
- 开发了一种利用封闭循环单位 (GRU) 和注意力机制的多式分类模型,将手写和语音数据作为顺序输入进行处理.
- 该模型在41名参与者 (20名MCI,21名认知正常) 的数据集上进行了验证,使用了10倍的交叉验证来确保对小样本大小的稳定性.
主要成果:
- 多式模式模型实现了95.2%的分类准确度,用于区分MCI和认知正常个体.
- 这一表现代表了与单一模式方法相比的显著改进,证明了跨模式融合对增强分类的有效性.
结论:
- 拟议的基于GRU的模型有效地融合了手写和语音数据,与单模方法相比,显著改善了早期MCI检测.
- 这种方法对初级医疗保健机构有希望,并为未来的研究提供了基础,包括对MCI和AD阶段的分类.
