中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
中醫入門必背歌訣
-
>
醫驗集要
-
>
尋回中醫失落的元神2:象之篇
-
>
補遺雷公炮制便覽 (一函2冊)
-
>
人體解剖學常用詞圖解(精裝)
-
>
神醫華佗(奇方妙治)
-
>
(精)河南古代醫家經驗輯
多模態信息融合的阿爾茨海默病智能輔助診斷方法研究 版權信息
- ISBN：9787302634089
- 條形碼：9787302634089 ; 978-7-302-63408-9
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
多模態信息融合的阿爾茨海默病智能輔助診斷方法研究 本書特色
本書構建了語音和文本信息融合的阿爾茲海默病智能輔助診斷模型，為開發家庭監護系統奠定核心技術基礎。從中醫“治未病”思想和健康管理的角度出發，在理論層面上探討基于語音語言學和影像學診斷阿爾茲海默癥的理論基礎及途徑，采用人工智能的方法對醫學波士頓失語癥檢測的語言學描述，進行建模分析，建立AD智能輔助診斷模型，為AD的早評估、早診斷奠定了基礎。
多模態信息融合的阿爾茨海默病智能輔助診斷方法研究 內容簡介
針對阿爾茨海默病患者言語信息的早期診斷問題，本文通過提出問題、制定研究方案、方案實施及調整、評價反饋的方式展開研究。在制定、實施及調整研究方案的過程中，以前期研究為基礎，結合文獻檢索及專家咨詢方案，制定實驗的實施方案。本文基于“治未病”思想和健康管理的理念，采用基于“波士頓失語癥檢測”圖片描述任務中的患者言語信息建立AD智能輔助診斷模型，實驗數據集包括語音信號和轉錄文本兩種模態，本文的4、5、6章實驗都是采用此方法建立的中文或英文公開數據集。基于此，本研究構建了語音和文本信息融合的阿爾茲海默病智能輔助診斷模型，為開發家庭監護系統奠定核心技術基礎。本文主要研究內容如下： **，提出了一種“治未病”理念下AD智能輔助診斷和健康管理方案。第二，構建了一種基于語音和文本特征的AD智能輔助診斷模型。第三，采用遷移學習解決AD智能輔助診斷中的小樣本問題。第四，提出一種AD智能輔助診斷的可解釋性學習方法。第五，通過磁共振成像診斷AD。第六，基于“認知者健康云”家庭監護系統設計的臨床小樣本實證分析。
多模態信息融合的阿爾茨海默病智能輔助診斷方法研究 目錄
第1章 緒 論 001
1.1 研究背景 001
1.1.1 流行病學研究 002
1.1.2 臨床表現 002
1.1.3 精神行為和神經系統癥狀 004
1.1.4 實驗室及輔助檢查 005
1.1.5 診斷與鑒別診斷 007
1.2 研究意義 008
1.3 選題依據 009
1.4 研究內容 010
1.5 研究思路 011
1.6 文章的組織結構 013
第2章 國內外研究現狀 015
2.1 阿爾茨海默病臨床診斷方法 015
2.2 波士頓診斷性失語檢測 016
2.2.1 語言功能語料庫 017
2.2.2 語料庫文本標注 018
2.3 基于語言學的阿爾茨海默患者工智能輔助診斷 018
2.3.1 語音信號特征分析 020
2.3.2 文本信息特征分析 022
2.3.3 基于深度學習的輔助診斷 026
2.3.4 結合知識的深度學習輔助診斷 028
2.3.5 目前研究存在的問題 028
2.4 小結 029
第3章 基于“治未病”思想的阿爾茨海默病輔助診斷與健康管理 030
3.1 基于“治未病”思想的阿爾茨海默病早期診斷 030
3.2 基于語言表達的阿爾茨海默病認知功能障礙研究 032
3.3 基于智能輔助診斷的阿爾茨海默病健康管理方法 033
3.4 中醫“治未病”健康管理解決方案 035
3.5 小結 036
第4章 基于語音和文本特征的阿爾茨海默病智能輔助診斷模型 037
4.1 研究背景 037
4.2 資料與方法 039
4.2.1 研究設計 039
4.2.2 觀察對象 039
4.2.3 實驗分組 039
4.2.4 數據清洗與預處理 039
4.2.5 實驗過程 040
4.3 特征提取 040
4.3.1 語音學特征提取 041
4.3.2 文本特征探索 043
4.3.3 特征提取 047
4.3.4 特征降維 047
4.4 模型構建 048
4.5 實驗結果與討論 051
4.5.1 實驗結果 051
4.5.2 模型可解釋性實驗 053
4.5.3 結果討論 054
4.6 小結 055
第5章 阿爾茨海默病智能輔助診斷的小樣本遷移學習 057
5.1 研究背景 057
5.2 遷移學習 058
5.3 相關工作 059
5.4 遷移學習模型 061
5.4.1 數據集 061
5.4.2 模型結構 062
5.4.3 網格搜索（Grid Search）策略 063
5.5 實驗結果與討論 063
5.5.1 實驗設置 063
5.5.2 實驗結果 064
5.5.3 討論 065
5.6 未來展望 066
5.7 小結 067
第6章 阿爾茨海默病智能輔助診斷的可解釋性學習 068
6.1 引言 068
6.2 可解釋的阿爾茨海默病的診治 069
6.3 相關工作 070
6.4 模型構建 070
6.4.1 建模數據集 070
6.4.2 建模分析 071
6.4.3 文本相似度計算 072
6.5 實驗結果與討論 073
6.5.1 模型效能評價 073
6.5.2 模型對比評價 074
6.6 模型的可解釋性 074
6.7 小結 077
第7章 使用多模態特征診斷輕度認知障礙和阿爾茨海默病 078
7.1 背景 078
7.2 數據預處理 079
7.3 特征抽取方法 080
7.3.1 語音學特征 081
7.3.2 人口統計學特征 081
7.3.3 語言學特征 082
7.4 分類器 083
7.5 不同分類特征下的性能 083
7.6 結論 086
第8章 基于特征凈化網絡的阿爾茨海默病檢測的改進 087
8.1 相關研究 088
8.2 數據采集與預處理 090
8.3 特征凈化網絡模型GP-Net 090
8.3.1 詞嵌入 091
8.3.2 G-Net模塊提取共同特征 092
8.3.3 利用P-Net模型計算凈化特征 092
8.3.4 實驗參數及結果 093
8.4 討論 095
8.5 結論 096
第9章 基于上下文注意力特征的阿爾茨海默病隱式情感分析 097
9.1 背景 097
9.2 基于聲學及其轉錄文本的AD智能診斷 100
9.3 注意力網絡 102
9.3.1 基于GRU的網絡架構 102
9.3.2 Word編碼器 103
9.3.3 詞注意力 103
9.3.4 句子編碼器 103
9.3.5 句子注意力 104
9.3.6 文檔分類 104
9.4 實驗 104
9.4.1 Pitt語料庫 104
9.4.2 模型配置和結構 105
9.4.3 結果和分析 105
9.5 基于注意力網絡的消融研究 107
9.6 注意特征的可視化 107
9.7 結論 108
第10章 基于“波士頓失語癥檢測”的臨床小樣本實證分析 110
10.1 實驗內容 110
10.2 數據采集及預處理 110
10.2.1 研究對象 111
10.2.2 癡呆嚴重程度分級 111
10.2.3 統計學分析 112
10.2.4 特征提取 112
10.2.5 分類結果 112
10.3 小結 114
第11章 總結與展望 116
11.1 人工智能未來發展趨勢分析 116
11.2 深度學習原理 120
11.3 結論 121
11.4 研究的不足之處 122
11.5 今后研究的建議 123
11.6 工作展望 123
參考文獻 125
重要名詞縮寫 143
1.1 研究背景 001
1.1.1 流行病學研究 002
1.1.2 臨床表現 002
1.1.3 精神行為和神經系統癥狀 004
1.1.4 實驗室及輔助檢查 005
1.1.5 診斷與鑒別診斷 007
1.2 研究意義 008
1.3 選題依據 009
1.4 研究內容 010
1.5 研究思路 011
1.6 文章的組織結構 013
第2章 國內外研究現狀 015
2.1 阿爾茨海默病臨床診斷方法 015
2.2 波士頓診斷性失語檢測 016
2.2.1 語言功能語料庫 017
2.2.2 語料庫文本標注 018
2.3 基于語言學的阿爾茨海默患者工智能輔助診斷 018
2.3.1 語音信號特征分析 020
2.3.2 文本信息特征分析 022
2.3.3 基于深度學習的輔助診斷 026
2.3.4 結合知識的深度學習輔助診斷 028
2.3.5 目前研究存在的問題 028
2.4 小結 029
第3章 基于“治未病”思想的阿爾茨海默病輔助診斷與健康管理 030
3.1 基于“治未病”思想的阿爾茨海默病早期診斷 030
3.2 基于語言表達的阿爾茨海默病認知功能障礙研究 032
3.3 基于智能輔助診斷的阿爾茨海默病健康管理方法 033
3.4 中醫“治未病”健康管理解決方案 035
3.5 小結 036
第4章 基于語音和文本特征的阿爾茨海默病智能輔助診斷模型 037
4.1 研究背景 037
4.2 資料與方法 039
4.2.1 研究設計 039
4.2.2 觀察對象 039
4.2.3 實驗分組 039
4.2.4 數據清洗與預處理 039
4.2.5 實驗過程 040
4.3 特征提取 040
4.3.1 語音學特征提取 041
4.3.2 文本特征探索 043
4.3.3 特征提取 047
4.3.4 特征降維 047
4.4 模型構建 048
4.5 實驗結果與討論 051
4.5.1 實驗結果 051
4.5.2 模型可解釋性實驗 053
4.5.3 結果討論 054
4.6 小結 055
第5章 阿爾茨海默病智能輔助診斷的小樣本遷移學習 057
5.1 研究背景 057
5.2 遷移學習 058
5.3 相關工作 059
5.4 遷移學習模型 061
5.4.1 數據集 061
5.4.2 模型結構 062
5.4.3 網格搜索（Grid Search）策略 063
5.5 實驗結果與討論 063
5.5.1 實驗設置 063
5.5.2 實驗結果 064
5.5.3 討論 065
5.6 未來展望 066
5.7 小結 067
第6章 阿爾茨海默病智能輔助診斷的可解釋性學習 068
6.1 引言 068
6.2 可解釋的阿爾茨海默病的診治 069
6.3 相關工作 070
6.4 模型構建 070
6.4.1 建模數據集 070
6.4.2 建模分析 071
6.4.3 文本相似度計算 072
6.5 實驗結果與討論 073
6.5.1 模型效能評價 073
6.5.2 模型對比評價 074
6.6 模型的可解釋性 074
6.7 小結 077
第7章 使用多模態特征診斷輕度認知障礙和阿爾茨海默病 078
7.1 背景 078
7.2 數據預處理 079
7.3 特征抽取方法 080
7.3.1 語音學特征 081
7.3.2 人口統計學特征 081
7.3.3 語言學特征 082
7.4 分類器 083
7.5 不同分類特征下的性能 083
7.6 結論 086
第8章 基于特征凈化網絡的阿爾茨海默病檢測的改進 087
8.1 相關研究 088
8.2 數據采集與預處理 090
8.3 特征凈化網絡模型GP-Net 090
8.3.1 詞嵌入 091
8.3.2 G-Net模塊提取共同特征 092
8.3.3 利用P-Net模型計算凈化特征 092
8.3.4 實驗參數及結果 093
8.4 討論 095
8.5 結論 096
第9章 基于上下文注意力特征的阿爾茨海默病隱式情感分析 097
9.1 背景 097
9.2 基于聲學及其轉錄文本的AD智能診斷 100
9.3 注意力網絡 102
9.3.1 基于GRU的網絡架構 102
9.3.2 Word編碼器 103
9.3.3 詞注意力 103
9.3.4 句子編碼器 103
9.3.5 句子注意力 104
9.3.6 文檔分類 104
9.4 實驗 104
9.4.1 Pitt語料庫 104
9.4.2 模型配置和結構 105
9.4.3 結果和分析 105
9.5 基于注意力網絡的消融研究 107
9.6 注意特征的可視化 107
9.7 結論 108
第10章 基于“波士頓失語癥檢測”的臨床小樣本實證分析 110
10.1 實驗內容 110
10.2 數據采集及預處理 110
10.2.1 研究對象 111
10.2.2 癡呆嚴重程度分級 111
10.2.3 統計學分析 112
10.2.4 特征提取 112
10.2.5 分類結果 112
10.3 小結 114
第11章 總結與展望 116
11.1 人工智能未來發展趨勢分析 116
11.2 深度學習原理 120
11.3 結論 121
11.4 研究的不足之處 122
11.5 今后研究的建議 123
11.6 工作展望 123
參考文獻 125
重要名詞縮寫 143
展開全部
多模態信息融合的阿爾茨海默病智能輔助診斷方法研究 作者簡介
劉寧，1980-，杭州師范大學治未病與健康管理專業博士畢業，主要研究內容包括基于語音、文本和腦影像的阿爾茲海默病的診斷，博士期間發表多篇與本文研究有關的SCI論文，申請多項研究課題。
書友推薦
- >
上帝之肋:男人的真實旅程
- >
莉莉和章魚
- >
龍榆生：詞曲概論/大家小書
- >
經典常談
- >
山海經
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
姑媽的寶刀
- >
月亮虎
本類暢銷
