迁移语音通用与抑郁特异性知识用于阿尔茨海默病检测
计算与语言
2024-04-02 v1 声音
音频与语音处理
摘要
从自发语音中检测阿尔茨海默病（AD）已引起越来越多的关注，而训练数据的稀疏性仍是一个重要问题。本文通过知识迁移处理该问题，具体来自语音通用知识与抑郁特异性知识两方面。本文首先研究了基于大量语音与文本数据预训练的通用基础模型的序列知识迁移。基于从不同基础模型的不同中间块提取的表示，对 AD 诊断进行了分块分析。除来自语音通用表示的知识外，本文还提出基于抑郁与 AD 的高共病率，同时从语音抑郁检测任务迁移知识。研究了一种并行知识迁移框架，联合学习这两个任务间共享的信息。实验结果表明，所提方法改善了 AD 与抑郁检测，并在常用 ADReSSo 数据集上取得了 0.928 的 AD 诊断 SOTA F1 分数。
引用
@article{arxiv.2310.04358,
title = {Transferring speech-generic and depression-specific knowledge for Alzheimer's disease detection},
author = {Ziyun Cui and Wen Wu and Wei-Qiang Zhang and Ji Wu and Chao Zhang},
journal= {arXiv preprint arXiv:2310.04358},
year = {2024}
}
备注
8 pages, 4 figures. Accepted by ASRU 2023