基于膨胀卷积Wav2vec与天琴优化GRU的阿尔茨海默病音频检测方法

《Scientific Reports》：An effective and deep learning model to predict Alzheimer’s disease at an early stage from audio data

　　阿尔茨海默病（AD）是导致痴呆症的主要原因，它对患者及其家属构成了多方面的挑战。因此，利用症状早期识别AD对于提供有效的治疗和药物治疗至关重要。传统方法，包括量表测试、脑电图、磁共振成像和音频分析，为自动检测AD提供了一种可扩展的方法，并在研究人员中日益流行。基于深度学习的方法主要应用于AD的音频分析，并取得了更好的效果。本研究提出了一种优化的深度学习模型，通过采用有效的嵌入机制从音频数据中预测AD。首先，对从DementiaBank Pitt语料库数据集中收集的音频数据进行预处理，以提高数据集的质量，包括使用维纳滤波器进行噪声过滤，然后进行数据增强以增强数据集的多样性。随后，膨胀卷积Wav2vec（DCWav2vec）提取有用的预处理数据特征。最后，使用天琴优化门控循环单元（LOGRU）方法进行AD分类，其中超参数是通过采用拉丁超立方抽样与非收敛因子中心化的天琴优化（LNLBO）算法最优选择的。实验结果表明，我们的模型以97.59%的平均准确率和97.57%的专属性检测AD，高于现有模型。最后，本研究表明，基于音频的方法有潜力成为早期检测痴呆症的有力工具。