查马克:为可解释的认知衰退语言生物标志物进行字符级马尔科夫建模
Kevin Mekulu1, Faisal Aqlan2, Hui Yang1
1Complex Systems Monitoring, Modeling and Control Laboratory, Pennsylvania State University, University Park, PA, United States.
Frontiers in digital health
|December 5, 2025
概括
这项研究介绍了CharMark,一个可解释的AI框架,使用字符级别分析来识别痴呆症的语言生物标志物. 它揭示了不同的语音模式,为早期痴呆症查提供了可扩展的方法.
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:
- 痴呆症是一种流行的神经退行性疾病,影响全球数百万人.
- 目前的认知评估 (MoCA,SLUMS) 缺乏详细的语言洞察力.
- 了解言语模式的变化是检测认知衰退的关键.
研究的目的:
- 介绍CharMark,一个可解释的AI框架,用于语言痴呆症标志物识别.
- 使用马尔科夫链,在字符层面描述语言的产生.
- 探索角色层面的特征,作为潜在的认知衰退的生物标志物.
主要方法:
- 开发了一个新的可解释AI (IAI) 框架,CharMark.
- 在语音转录上利用了第一阶段马尔科夫链模型.
- 分析了字符转换概率,使用PCA和拉索逻辑回归.
主要成果:
- 在痴呆症患者和对照人群之间,发现了字符使用的显著差异,包括空格,n和i.
- 根据认知状态,PCA显示了基于认知状态的自然聚类.
- 拉索逻辑回归证实了字符级特征的歧视力.
结论:
- 字符级语言特征可以作为认知衰退的可解释生物标志物.
- 查尔马克为早期痴呆症查提供了一个轻量级和可扩展的策略.
- 这种方法适用于复杂或依赖音频的模型不切实际的环境.
