Использование машинного обучения для распознавания болезни Альцгеймера на основе транскрипционной информации
https://doi.org/10.35596/1729-7648-2023-21-6-106-112
Аннотация
Выполнены аналитические и прогностические исследования по распознаванию болезни Альц геймера на основе расшифрованных текстовых речевых данных с использованием алгоритмов машинного обучения. Данные были взяты из программы ADReSS 2020 Challenge, которая содержит речевые данные пациентов с болезнью Альцгеймера и здоровых людей. Распознавание болезни Альцгеймера представляет собой проблему бинарной классификации. Сначала из расшифрованных текстов речевых данных извлекались полные тексты интервьюируемых пациентов. Затем следовало обучение модели нейронной сети на основе векторизованных текстовых признаков с использованием классификатора случайного леса, в котором авторы применяли метод GridSearchCV для оптимизации гиперпараметров. Точность классификации модели составила 85,2 %.
Ключевые слова
Об авторах
В. А. Вишняков
Белорусский государственный университет информатики и радиоэлектроники
Беларусь
Беларусь
г. Минск
Чу Юэ Юй
Белорусский государственный университет информатики и радиоэлектроники
Беларусь
Беларусь
г. Минск
Список литературы
1. Martínez-Sánchez F., Meilán J. J. G., Carro J., Ivanova O. (2018) A Prototype for the Voice Analysis Diagnosis of Alzheimer’s Disease. Journal of Alzheimer’s Disease. 64 (2), 473–481.
2. Pulido M. L. B., Hernández J. B. A., Ballester M. Á. F., González C. M. T., Mekyska J., Smékal Z. (2020) Alzheimer’s Disease and Automatic Speech Analysis: A Review. Expert Systems with Applications. 150, 113213.
3. Lorenz K., Freddolino P. P., Comas-Herrera A., Knapp M., Damant J. (2019) Technology-Based Tools and Services for Peop le with Dementia and Carers: Mapping Technology Onto the Dementia Care Pathway. Dementia. 18 (2), 725–741.
4. Szatloczki G., Hoffmann I., Vincze V., Kalman J., Pakaski M. (2015) Speaking in Alzheimer’s Disease, is That an Early Sign? Importance of Changes in Language Abilities in Alzheimer’s Disease. Frontiers in Aging Neuroscience. (7), 195.
5. Fraser K. C., Meltzer J. A., Rudzicz F. (2016) Linguistic Features Identify Alzheimer’s Disease in Narrative Speech. Journal of Alzheimer’s Disease. 49 (2), 407–422.
6. Gosztolya G., Vincze V., Tóth L. Pákáski M., Kálmán János, Hoffmann Ildikó (2019) Identifying Mild Cognitive Impairment and Mild Alzheimer’s Disease Based on Spontaneous Speech Using ASR and Linguistic Features. Computer Speech & Language. 53, 181–197.
7. Garreta R., Moncecchi G. (2013) Learning Scikit-Learn: Machine Learning in Python. Great Britain, Packt Publ.
8. Luz S., Haider F., de la Fuente S., Fromm D., MacWhinney B. (2004) Alzheimer’s Dementia Recognition Through Spontaneous Speech: The ADReSS Challenge. arXiv Preprint arXiv. 06833, 2172–2176.
9. Pompili A., Abad A., de Matos D. M. (2020) Pragmatic Aspects of Discourse Production for the Automatic Identification of Alzheimer’s Disease. IEEE Journal of Selected Topics in Signal Processing. 14 (2), 261–271.
10. Brian MacWhinney (2014) The CHILDES Project: Tools for Analyzing Talk. Vol. II: The Database. Moscow, Psychology Publ. 432.
11. Manning C. D. (2009) An Introduction to Information Retrieval. Cambridge, Cambridge University Publ. 581.
12. Breiman L. (2001) Random Forests. Machine Learning. 45, 5–32.
13. Yuan J., Bian J., Cai X., Huang J, Ye Z., Church K. (2020) Disfluencies and Fine-Tuning Pre-Trained Language Models for Detection of Alzheimer’s Disease. Interspeech. 2020, 2162–2166.
Рецензия
Для цитирования:
Вишняков В.А., Юй Ч. Использование машинного обучения для распознавания болезни Альцгеймера на основе транскрипционной информации. Доклады БГУИР. 2023;21(6):106-112. https://doi.org/10.35596/1729-7648-2023-21-6-106-112
For citation:
Vishniakou U.A., Yu Ch. Using Machine Learning for Recognition of Alzheimer’s Disease Based on Transcription Information. Doklady BGUIR. 2023;21(6):106-112. https://doi.org/10.35596/1729-7648-2023-21-6-106-112
Просмотров: 244
Послать статью по эл. почте 