通过统一语言特征解释以检测认知障碍

语言特征在检测各种认知障碍方面已展现出有前景的应用。为提高检测准确率，增加数据量或语言特征数量一直是两种可行的方法。然而，获取额外的临床数据可能代价高昂，且手工设计特征十分繁琐。在本文中，我们采取第三种方法，提出共识网络（Consensus Networks, CNs），一种在模态间达成一致后再进行分类的框架。我们依据模态将语言特征划分为互不重叠的子集，并让神经网络学习彼此一致的低维表示。这些表示被传入一个分类器网络。所有神经网络均迭代优化。在本文中，我们还提出两种提升 CNs 性能的方法。随后我们给出消融实验以说明模态划分的有效性。为进一步理解 CNs 内部发生的过程，我们可视化了训练期间的表示。总体而言，在使用全部 413 个语言特征时，我们的模型显著优于最先进论文中所使用的传统分类器。