【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)屬于阿爾茨海默病檢測，具體涉及一種跨語種環(huán)境下基于量表的阿爾茨海默病檢測方法。
技術(shù)介紹
1、阿爾茨海默病(alzheimer's?disease,ad)是當(dāng)前全球最常見的神經(jīng)退行性疾病類型之一，尤其在老年群體中高發(fā)。ad的主要特征表現(xiàn)為患者的認(rèn)知功能和日常活動能力的衰退，涉及語言、記憶、注意力以及執(zhí)行功能等多個領(lǐng)域。發(fā)現(xiàn)并識別這些認(rèn)知缺陷具有重要意義，因為及時的干預(yù)與治療可以有效延緩認(rèn)知障礙的惡化進(jìn)程，并有助于保留患者的認(rèn)知功能水平，從而改善生活質(zhì)量。
2、迄今為止，用于研究的公開可用的高質(zhì)量數(shù)據(jù)集較少，尤其是在非英語語種領(lǐng)域。為了應(yīng)對這一挑戰(zhàn)，研究人員已經(jīng)探索并應(yīng)用了一系列創(chuàng)新技術(shù)手段，諸如遷移學(xué)習(xí)、自監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)以及數(shù)據(jù)增強(qiáng)方法。根據(jù)臨床醫(yī)學(xué)研究，阿爾茲海默癥在語言上的表現(xiàn)包括語無倫次、實詞減少、虛詞增多等。在過去的ad檢測研究中，大量研究者試圖使用語言預(yù)訓(xùn)練模型捕捉患者語言中的ad特征，但由于絕大多數(shù)語言預(yù)訓(xùn)練模型未在言語異常相關(guān)任務(wù)上進(jìn)行過訓(xùn)練，預(yù)訓(xùn)練模型作為數(shù)據(jù)驅(qū)動的方法，其對ad特征的捕捉能力強(qiáng)烈依賴于ad訓(xùn)練數(shù)據(jù)。而現(xiàn)有的ad數(shù)據(jù)非常稀缺，在小語種上尤為匱乏，導(dǎo)致小語種上的ad檢測發(fā)展非常艱難。近年來，一些研究者開始探索跨語言ad檢測，即在ad數(shù)據(jù)相對較多的英語上訓(xùn)練模型，希望模型在目標(biāo)小語種上有較好表現(xiàn)。在adresso數(shù)據(jù)集上，winterlight?labs等人提出的基于傳統(tǒng)聲學(xué)特征和基于預(yù)訓(xùn)練的嵌入分類方法，準(zhǔn)確率達(dá)到67.61％。raghavendrapappagar等人運(yùn)
技術(shù)實現(xiàn)思路
1、本專利技術(shù)的目的在于提供一種跨語種環(huán)境下基于量表的阿爾茨海默病檢測方法，該方法該方法結(jié)合醫(yī)學(xué)量表規(guī)則以及z分?jǐn)?shù)標(biāo)準(zhǔn)，能夠有效對ad進(jìn)行檢測。
2、為實現(xiàn)上述目的，本專利技術(shù)采用的技術(shù)方案是：
3、一種跨語種環(huán)境下基于量表的阿爾茨海默病檢測方法，其特征在于，具體步驟為：
4、s1、搭建一個四層全連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來進(jìn)行數(shù)據(jù)建模和預(yù)測；
5、s2、先采用了interspeech?2020adress挑戰(zhàn)的文本數(shù)據(jù)集(adress20)，該數(shù)據(jù)集包括波士頓診斷失語癥檢查的cookie?theft圖片描述的語音錄音和轉(zhuǎn)錄文本；轉(zhuǎn)錄文本使用了chat編碼系統(tǒng)進(jìn)行注釋；接著又采用了adresso挑戰(zhàn)賽中專為通過語音特征檢測阿爾茨海默病而設(shè)計的數(shù)據(jù)集(adresso)；最后還采用了icassp?2023信號處理挑戰(zhàn)大賽中的adress-m希臘語數(shù)據(jù)集來驗證跨語言的準(zhǔn)確性；
6、s3、具體方法為：
7、s3-1、數(shù)據(jù)預(yù)處理
8、對文本進(jìn)行處理，其目標(biāo)是自動對連續(xù)的對話文本進(jìn)行有效分割與分類，將文本內(nèi)容拆分為問題句列表、合并的回答句字符串以及單獨(dú)的回答句列表；
9、首先通過正則表達(dá)式對輸入的對話文本進(jìn)行句子級別劃分，確保每個獨(dú)立的句子都被正確識別而不受特定情境(如縮略詞)的影響；隨后，針對每一句分割出的文本，運(yùn)用一系列基于語法規(guī)則和關(guān)鍵詞匹配的策略來區(qū)分問題句與回答句；
10、s3-2、特征提取
11、受到量表規(guī)則的啟發(fā)，在對adress20數(shù)據(jù)集中的““cookie?theft”圖片描述任務(wù)進(jìn)行深度分析的過程中，進(jìn)行詞匯特性分析；基于這些詞匯分析，將其轉(zhuǎn)化為七個具有統(tǒng)計學(xué)意義的z-分?jǐn)?shù)指標(biāo)，這七個z-分?jǐn)?shù)是衡量患者在此項任務(wù)中表現(xiàn)的關(guān)鍵特征參數(shù)；
12、s3-2-1、詞匯特性分析
13、首先對原始文本進(jìn)行分詞，生成詞匯清單并計算總詞匯量；隨后，建立排除詞匯庫，篩選掉扭曲文本原意或降低表達(dá)效率的詞語；
14、在分析內(nèi)容相關(guān)性時，通過原始有關(guān)詞匯表探尋與預(yù)設(shè)主題密切相關(guān)的詞匯集群，并結(jié)合正則表達(dá)式進(jìn)一步驗證與統(tǒng)計解析，揭示了文本與描述內(nèi)容的相關(guān)程度；
15、在結(jié)構(gòu)化詞匯分析環(huán)節(jié)，預(yù)設(shè)包含連詞、介詞等關(guān)鍵句法結(jié)構(gòu)單元的集合，并運(yùn)用正則匹配規(guī)則梳理文本詞匯，統(tǒng)計結(jié)構(gòu)性詞匯的使用頻率；
16、在評估文本在描述細(xì)節(jié)和內(nèi)容豐滿度的表現(xiàn)，采納詞性標(biāo)注技術(shù)，特別重視形容詞和副詞的運(yùn)用；通過統(tǒng)計修飾性詞匯的數(shù)量來量化判斷參與者在描繪細(xì)部時的細(xì)膩程度與詳盡性；
17、最后，在完成了上述各層次的篩選和分類后，將未能納入前述類別范疇的其他詞匯識別為非關(guān)鍵內(nèi)容詞匯；
18、s3-2-2、z-分?jǐn)?shù)計算
19、z分?jǐn)?shù)(也稱為標(biāo)準(zhǔn)分?jǐn)?shù))的通用計算公式如下：
20、
21、在這個公式中：
22、x表示某個具體的觀測值或數(shù)據(jù)點；
23、是整個群體或樣本數(shù)據(jù)的平均數(shù)；
24、s是群體或樣本數(shù)據(jù)的標(biāo)準(zhǔn)差，它衡量的是數(shù)據(jù)點圍繞平均數(shù)的分散程度；
25、對于每個不同的語言特征指標(biāo)x，將其視為一個觀測值，并將這個觀測值減去相應(yīng)特征的平均值然后再除以該特征的標(biāo)準(zhǔn)差s，從而得到相應(yīng)的z-分?jǐn)?shù)z；將這些z-分?jǐn)?shù)作為從量表中提取的特征；
26、s3-3、特征分析
27、首先利用shap對七個特征進(jìn)行分析，基于shapley值理論，通過將模型預(yù)測結(jié)果分解為每個特征的貢獻(xiàn)；
28、s4、實驗設(shè)計
29、運(yùn)用傳統(tǒng)機(jī)器學(xué)習(xí)模型包括但不限于k近鄰算法(k-nn)以及較新的神經(jīng)網(wǎng)絡(luò)kan來對任務(wù)進(jìn)行預(yù)測；在kan中輸入為7維，輸出為2維，中間有1個包含了16個隱藏單元的隱藏層；網(wǎng)絡(luò)間隔的數(shù)量以及分段多項式的階數(shù)都是3；使用lbfgs作為優(yōu)化器來最小化損失函數(shù)；訓(xùn)練過程將執(zhí)行20步，每一步都會對模型的參數(shù)進(jìn)行更新以最小化損失函數(shù)；搭建的4-layer?fcnn模型包括四個相互連接的全連接層，每一層后接relu非線性激活函數(shù)；網(wǎng)絡(luò)的輸入層接納7個特征變量，經(jīng)過逐層非線性轉(zhuǎn)換后，最終輸出層產(chǎn)生2維預(yù)測結(jié)果；采用學(xué)習(xí)率為0.001的隨機(jī)梯度下降優(yōu)化器，在隨機(jī)梯度下降優(yōu)化器中引入動量項。
30、與現(xiàn)有技術(shù)相比，本專利技術(shù)具有如下有益效果：
<本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點】
1.一種跨語種環(huán)境下基于量表的阿爾茨海默病檢測方法，其特征在于，具體步驟為：
【技術(shù)特征摘要】
1.一種跨語種環(huán)境下基于量表的阿爾茨海...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：朱士虎，王袁誠，
申請(專利權(quán))人：江蘇師范大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。