- 多模态信息融合的阿尔茨海默病智能辅助诊断方法研究
- - 作者：刘宁//陈研|责编:孙宇
  - 出版社：清华大学
  - ISBN：9787302634089
  - 出版日期：2023/06/01
  - 页数：143
- 售价：39.6

内容大纲
本研究围绕“治未病”与健康管理的服务理念，在相关文献综述和专家咨询的基础上，采用波士顿诊断性失语症检测的图片描述任务，提取与认知有关的人口学、语音信号和转录文本特征，搭建一套快速、高精准的基于语言学的AD智能辅助诊断模型。通过构建家庭监护系统开发手机APP，通过APP上传医院和养老院老年人的语音和人口学数据，通过对来自真实世界的临床样本数据集进行实证分析，验证前期提出模型的有效性和可靠性。
作者介绍
目录
第1章  绪论
  1.1  研究背景
    1.1.1  流行病学研究
    1.1.2  临床表现
    1.1.3  精神行为和神经系统症状
    1.1.4  实验室及辅助检查
    1.1.5  诊断与鉴别诊断
  1.2  研究意义
  1.3  选题依据
  1.4  研究内容
  1.5  研究思路
  1.6  文章的组织结构
第2章  国内外研究现状
  2.1  阿尔茨海默病临床诊断方法
  2.2  波士顿诊断性失语检测
    2.2.1  语言功能语料库
    2.2.2  语料库文本标注
  2.3  基于语言学的阿尔茨海默患者工智能辅助诊断
    2.3.1  语音信号特征分析
    2.3.2  文本信息特征分析
    2.3.3  基于深度学习的辅助诊断
    2.3.4  结合知识的深度学习辅助诊断
    2.3.5  目前研究存在的问题
  2.4  小结
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
  3.1  基于“治未病”思想的阿尔茨海默病早期诊断
  3.2  基于语言表达的阿尔茨海默病认知功能障碍研究
  3.3  基于智能辅助诊断的阿尔茨海默病健康管理方法
  3.4  中医“治未病”健康管理解决方案
  3.5  小结
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
  4.1  研究背景
  4.2  资料与方法
    4.2.1  研究设计
    4.2.2  观察对象
    4.2.3  实验分组
    4.2.4  数据清洗与预处理
    4.2.5  实验过程
  4.3  特征提取
    4.3.1  语音学特征提取
    4.3.2  文本特征探索
    4.3.3  特征提取
    4.3.4  特征降维
  4.4  模型构建
  4.5  实验结果与讨论
    4.5.1  实验结果
    4.5.2  模型可解释性实验
    4.5.3  结果讨论
  4.6  小结
第5章  阿尔茨海默病智能辅助诊断的小样本迁移学习

  5.1  研究背景
  5.2  迁移学习
  5.3  相关工作
  5.4  迁移学习模型
    5.4.1  数据集
    5.4.2  模型结构
    5.4.3  网格搜索（Grid Search）策略
  5.5  实验结果与讨论
    5.5.1  实验设置
    5.5.2  实验结果
    5.5.3  讨论
  5.6  未来展望
  5.7  小结
第6章  阿尔茨海默病智能辅助诊断的可解释性学习
  6.1  引言
  6.2  可解释的阿尔茨海默病的诊治
  6.3  相关工作
  6.4  模型构建
    6.4.1  建模数据集
    6.4.2  建模分析
    6.4.3  文本相似度计算
  6.5  实验结果与讨论
    6.5.1  模型效能评价
    6.5.2  模型对比评价
  6.6  模型的可解释性
  6.7  小结
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
  7.1  背景
  7.2  数据预处理
  7.3  特征抽取方法
    7.3.1  语音学特征
    7.3.2  人口统计学特征
    7.3.3  语言学特征
  7.4  分类器
  7.5  不同分类特征下的性能
  7.6  结论
第8章  基于特征净化网络的阿尔茨海默病检测的改进
  8.1  相关研究
  8.2  数据采集与预处理
  8.3  特征净化网络模型GP-Net
    8.3.1  词嵌入
    8.3.2  G-Net模块提取共同特征
    8.3.3  利用P-Net模型计算净化特征
    8.3.4  实验参数及结果
  8.4  讨论
  8.5  结论
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
  9.1  背景
  9.2  基于声学及其转录文本的AD智能诊断
  9.3  注意力网络

    9.3.1  基于GRU的网络架构
    9.3.2  Word编码器
    9.3.3  词注意力
    9.3.4  句子编码器
    9.3.5  句子注意力
    9.3.6  文档分类
  9.4  实验
    9.4.1  Pitt语料库
    9.4.2  模型配置和结构
    9.4.3  结果和分析
  9.5  基于注意力网络的消融研究
  9.6  注意特征的可视化
  9.7  结论
第10章  基于“波士顿失语症检测”的临床小样本实证分析
  10.1  实验内容
  10.2  数据采集及预处理
    10.2.1  研究对象
    10.2.2  痴呆严重程度分级
    10.2.3  统计学分析
    10.2.4  特征提取
    10.2.5  分类结果
  10.3  小结
第11章  总结与展望
  11.1  人工智能未来发展趋势分析
  11.2  深度学习原理
  11.3  结论
  11.4  研究的不足之处
  11.5  今后研究的建议
  11.6  工作展望
参考文献
重要名词缩写

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目