用针对性特征增强神经模型以进行痴呆检测
计算与语言
2019-06-14 v1 机器学习
摘要
阿尔茨海默病（AD）是一种不可逆的脑部疾病，会显著降低生活质量，最常见于老年人，并最终导致需要全天候护理。早期检测对延缓其进展至关重要；然而，诊断可能昂贵、耗时且具有侵入性。在这项工作中，我们开发了一种基于 CNN-LSTM 架构的神经模型，该模型利用来自对话转录文本的针对性特征与隐式学习特征，学习检测 AD 及相关痴呆症。我们的方法在 DementiaBank 数据集上确立了新的最先进水平（SOTA），在将参与者分类为 AD 与对照组时达到了 0.929 的 F1 分数。
引用
@article{arxiv.1906.05483,
title = {Enriching Neural Models with Targeted Features for Dementia Detection},
author = {Flavio Di Palo and Natalie Parde},
journal= {arXiv preprint arXiv:1906.05483},
year = {2019}
}
备注
Accepted to the ACL 2019 Student Research Workshop (ACL SRW)