多模态信息融合的阿尔茨海默病智能辅助诊断方法研究

第1章　绪 论 001
1.1 研究背景 001
1.1.1 流行病学研究 002
1.1.2 临床表现 002
1.1.3 精神行为和神经系统症状 004
1.1.4 实验室及辅助检查 005
1.1.5 诊断与鉴别诊断 007
1.2 研究意义 008
1.3 选题依据 009
1.4 研究内容 010
1.5 研究思路 011
1.6 文章的组织结构 013
第2章　国内外研究现状 015
2.1 阿尔茨海默病临床诊断方法 015
2.2 波士顿诊断性失语检测 016
2.2.1 语言功能语料库 017
2.2.2 语料库文本标注 018
2.3 基于语言学的阿尔茨海默患者工智能辅助诊断 018
2.3.1 语音信号特征分析 020
2.3.2 文本信息特征分析 022
2.3.3 基于深度学习的辅助诊断 026
2.3.4 结合知识的深度学习辅助诊断 028
2.3.5 目前研究存在的问题 028
2.4 小结 029
第3章　基于“治未病”思想的阿尔茨海默病辅助诊断与健康管理 030
3.1 基于“治未病”思想的阿尔茨海默病早期诊断 030
3.2 基于语言表达的阿尔茨海默病认知功能障碍研究 032
3.3 基于智能辅助诊断的阿尔茨海默病健康管理方法 033
3.4 中医“治未病”健康管理解决方案 035
3.5 小结 036
第4章　基于语音和文本特征的阿尔茨海默病智能辅助诊断模型 037
4.1 研究背景 037
4.2 资料与方法 039
4.2.1 研究设计 039
4.2.2 观察对象 039
4.2.3 实验分组 039
4.2.4 数据清洗与预处理 039
4.2.5 实验过程 040
4.3 特征提取 040
4.3.1 语音学特征提取 041
4.3.2 文本特征探索 043
4.3.3 特征提取 047
4.3.4 特征降维 047
4.4 模型构建 048
4.5 实验结果与讨论 051
4.5.1 实验结果 051
4.5.2 模型可解释性实验 053
4.5.3 结果讨论 054
4.6 小结 055
第5章　阿尔茨海默病智能辅助诊断的小样本迁移学习 057
5.1 研究背景 057
5.2 迁移学习 058
5.3 相关工作 059
5.4 迁移学习模型 061
5.4.1 数据集 061
5.4.2 模型结构 062
5.4.3 网格搜索（Grid Search）策略 063
5.5 实验结果与讨论 063
5.5.1 实验设置 063
5.5.2 实验结果 064
5.5.3 讨论 065
5.6 未来展望 066
5.7 小结 067
第6章　阿尔茨海默病智能辅助诊断的可解释性学习 068
6.1 引言 068
6.2 可解释的阿尔茨海默病的诊治 069
6.3 相关工作 070
6.4 模型构建 070
6.4.1 建模数据集 070
6.4.2 建模分析 071
6.4.3 文本相似度计算 072
6.5 实验结果与讨论 073
6.5.1 模型效能评价 073
6.5.2 模型对比评价 074
6.6 模型的可解释性 074
6.7 小结 077
第7章　使用多模态特征诊断轻度认知障碍和阿尔茨海默病 078
7.1 背景 078
7.2 数据预处理 079
7.3 特征抽取方法 080
7.3.1　语音学特征 081
7.3.2　人口统计学特征 081
7.3.3　语言学特征 082
7.4　分类器 083
7.5　不同分类特征下的性能 083
7.6　结论 086
第8章　基于特征净化网络的阿尔茨海默病检测的改进 087
8.1 相关研究 088
8.2 数据采集与预处理 090
8.3 特征净化网络模型GP-Net 090
8.3.1 词嵌入 091
8.3.2 G-Net模块提取共同特征 092
8.3.3 利用P-Net模型计算净化特征 092
8.3.4 实验参数及结果 093
8.4 讨论 095
8.5 结论 096
第9章　基于上下文注意力特征的阿尔茨海默病隐式情感分析 097
9.1　背景 097
9.2　基于声学及其转录文本的AD智能诊断 100
9.3　注意力网络 102
9.3.1　基于GRU的网络架构 102
9.3.2　Word编码器 103
9.3.3　词注意力 103
9.3.4　句子编码器 103
9.3.5　句子注意力 104
9.3.6　文档分类 104
9.4　实验 104
9.4.1　Pitt语料库 104
9.4.2　模型配置和结构 105
9.4.3　结果和分析 105
9.5　基于注意力网络的消融研究 107
9.6　注意特征的可视化 107
9.7　结论 108
第10章　基于“波士顿失语症检测”的临床小样本实证分析 110
10.1　实验内容 110
10.2　数据采集及预处理 110
10.2.1　研究对象 111
10.2.2　痴呆严重程度分级 111
10.2.3　统计学分析 112
10.2.4　特征提取 112
10.2.5　分类结果 112
10.3　小结 114
第11章　总结与展望 116
11.1 人工智能未来发展趋势分析 116
11.2 深度学习原理 120
11.3 结论 121
11.4 研究的不足之处 122
11.5 今后研究的建议 123
11.6 工作展望 123
参考文献 125
重要名词缩写 143