用于非侵入性认知障碍检测的深度学习方法综述
机器学习
2025-04-16 v1 人工智能
摘要
本综述论文探讨了用于非侵入性认知障碍检测的深度学习方法的最新进展。我们考察了认知衰退的各种非侵入性指标，包括言语和语言、面部以及运动灵活性。本文概述了应用于该领域的相关数据集、特征提取技术和深度学习架构。我们分析了不同方法在不同模态上的性能，并观察到基于言语和语言的方法通常能达到最高的检测性能。结合声学和语言学特征的研究往往优于使用单一模态的研究。面部分析方法在视觉模态方面显示出潜力，但研究较少。大多数论文侧重于二元分类（受损 vs. 未受损），较少涉及多类或回归任务。迁移学习和预训练语言模型已成为流行且有效的技术，尤其是在语言分析方面。尽管取得了显著进展，但仍存在若干挑战，包括数据标准化和可访问性、模型可解释性、纵向分析局限性以及临床适应性。最后，我们提出了未来的研究方向，例如研究语言无关的语音分析方法、开发多模态诊断系统，以及解决人工智能辅助医疗中的伦理问题。通过综合当前趋势并识别关键障碍，本综述旨在指导基于深度学习的认知障碍检测系统的进一步发展，以改善早期诊断并最终改善患者预后。
引用
@article{arxiv.2410.19898,
title = {A Review of Deep Learning Approaches for Non-Invasive Cognitive Impairment Detection},
author = {Muath Alsuhaibani and Ali Pourramezan Fard and Jian Sun and Farida Far Poor and Peter S. Pressman and Mohammad H. Mahoor},
journal= {arXiv preprint arXiv:2410.19898},
year = {2025}
}