标签
提出了一种基于Transformer的孟加拉语语音识别与诊断系统，通过声学与文本特征检测痴呆症迹象，并利用Bi-LSTM注意力模型在对话中为患者自动补全未说完的句子，填补了低资源语言在认知障碍分析领域的空白。
该论文提出了一种接触式多模态筛查框架，利用与 Amazon Alexa 交互过程中采集的视频、音频和文本信号来检测轻度认知障碍（MCI），实验表明多模态融合模型在 Command-Reading 和 Question-Answering 任务上均达到 0.76 的准确率，优于单一模态模型。
论文提出 CogDrills-4D（CogDrift-4D），一种层级式 4D Transformer 多模态框架，通过 18 个月内七次非脚本化交互的行为数据建模时间性行为衰退，用于轻度认知障碍（MCI）早期检测，分类准确率达 0.733±0.13。
本文研究了基于DAPF的痴呆检测模型的可解释性，揭示了虽然DAPF取得了强劲的性能，但其token级别的解释缺乏忠实性。
本文提出了一种多视图门控图注意力网络，用于从自发言语中检测阿尔茨海默病，利用语义图、依存图和共现图，并采用自适应门控融合机制。该模型在ADReSSo数据集上达到90.00%的准确率，源代码已公开。
本文提出了一种跨语言迁移学习方法，用于从语音中检测阿尔茨海默病，覆盖多种语言，实现了82%的F1分数，并支持实时筛查应用。