阿尔茨海默病（Alzheimer’s Disease，AD）是全球范围内最常见的神经退行性疾病之一。随着人口老龄化加剧，AD患者的数量也逐年增加，给社会医疗体系带来了巨大的压力。早期诊断对于减缓疾病进展至关重要，然而传统的诊断方法往往依赖于临床表现和昂贵的医学检查，难以实现大规模筛查。近期，清华大学语音与音频技术实验室（SATLab）研究团队提出了一种创新的检测方法——dVAE-BERT模型，通过分析患者的语言能力来辅助阿尔茨海默症的早期识别。

陈旭初 , 蒲钰 , 张卫强. 基于dVAE-BERT模型的阿尔茨海默症检测方法. 电子学报, 2024

https://doi.org/10.12263/DZXB.20230050


工作原理

dVAE-BERT模型结合了离散变分自编码器（dVAE）和双向编码器表示（BERT）两种技术。首先，dVAE将语音信号转化为伪音素序列，这种转化有助于捕捉语音中的细微变化和非言语信息。然后，BERT模型对这些伪音素序列进行处理，利用其强大的上下文理解能力来挖掘语音中的语义信息。这种方法不仅能够有效提取语音中的语言维度特征，还能克服传统声学特征检测方法难以获得语义信息的问题。


dVAE-BERT系统结构图


实验结果

在ADReSSo数据集上的实验结果显示，dVAE-BERT模型的准确率达到70.42%，相较于基线系统提高了5.63%。更进一步地，当该模型与Wav2vec2.0、Hubert模型融合使用时，检测准确率分别达到了76.06%和71.83%。这一成果表明，结合多种技术手段可以显著提升阿尔茨海默症的检测精度。

dVAE-BERT模型实验结果


技术优势

dVAE-BERT模型的一个重要优势在于它能够直接从语音中提取特征，避免了传统方法中耗时的手动转录过程。这对于老年人或患有语言障碍的人来说尤其有用，因为他们的口音和发音可能会影响转录的质量。


输入梅尔谱与dVAE模型生成的序列之间的对应关系


结束语

dVAE-BERT模型为阿尔茨海默症的早期检测提供了一种新的思路和技术支持，尤其是在无创、低成本的大规模筛查方面展现了巨大潜力。未来，随着技术的不断进步和完善，相信这一领域的研究将会为更多患者带来希望。