論文の概要: Morphological Simplification in Alzheimer's Disease: Computational Analysis and Identification From Connected Speech
- arxiv url: http://arxiv.org/abs/2611.16968v1
- Date: Thu, 12 Nov 2026 15:36:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.506928
- Title: Morphological Simplification in Alzheimer's Disease: Computational Analysis and Identification From Connected Speech
- Title(参考訳): アルツハイマー病の形態学的単純化 : 接続音声からの計算解析と同定
- Abstract要約: アルツハイマー病(AD)における形態学は比較的予備的であると考えられることが多い
健常者とADを区別する形態的特徴について検討した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: Morphology is often regarded as relatively spared in Alzheimer's disease (AD) and is rarely modeled in connected speech. This study asked which morphological features distinguish speakers with AD from healthy controls, how well morphology classifies AD compared with other linguistic levels and BERT-based models, and whether the signal exceeds transcript length and vocabulary. Method: Fifty-five automatic measures in eight families, seven of them new and theory-motivated, were computed from participant speech in the ADReSS Cookie Theft descriptions (78 AD, 78 controls) and analyzed with group comparisons, equivalence tests, SHAP, family ablation, likelihood-ratio tests, feature-selection classifiers, and BERT-based models. The automatic measures were validated manually, and models were transferred to two other corpora. Results: Nineteen of 38 measures differed between groups: speakers with AD produced fewer suffixed and inflected words, shorter verbs and nouns, and fewer present-progressive but more past-tense forms (largest effect r = -0.42), whereas errors were rare and statistically equivalent between groups. Eight measures survived adjustment for length and lexical frequency. With test-set feature selection, morphology reached a macro-F1 of 0.85, on par with syntax and above fine-tuned BERT (0.80 over five seeds); fully cross-validated selection gave 0.62. Adding morphology to BERT improved AUC (0.91 vs. 0.89) but not macro-F1. Transfer was limited, although two thirds of the effects kept their direction in mild cognitive impairment. Conclusions: AD connected speech shows morphological simplification and temporal reanchoring rather than breakdown. Morphology is more informative than its reputation suggests. Keywords: Alzheimer's disease; morphology; connected speech; ADReSS; inflection; tense and aspect; SHAP; machine learning; BERT
- Abstract(参考訳): 目的: 形態学はアルツハイマー病 (AD) において比較的予備的とみなされることが多く, 接続音声でモデル化されることは稀である。
本研究は,AD話者を健常者と区別する形態的特徴,ADが他の言語レベルやBERTベースモデルと比較した場合の形態的分類,信号が転写長や語彙を超えるか否かを問うものである。
方法:ADReSS Cookie Theft descriptions (78 AD, 78 Controls) の参加者音声から8家系の5つの自動尺度を計算し, グループ比較, 同値試験, SHAP, 家族アブレーション, 可能性比検定, 特徴選択分類器, BERTモデルを用いて分析した。
自動的な措置は手動で検証され、モデルは他の2つのコーパスに移された。
結果: AD 話者は接尾辞・接尾辞を減らし,動詞・名詞を短縮し,現在進行しているが過去形(最大効果 r = -0.42 )を減らした。
8つの措置は長さと語彙周波数の調整を継続した。
テストセットの特徴選択により、形態学は構文に匹敵する0.85のマクロF1に達し、細調整されたBERT (0.80 over 5 seed) は0.62となった。
BERTにモルフォロジーを加えるとAUC(0.91 vs. 0.89)が改善したが、マクロF1は改善されなかった。
伝達は制限されたが、効果の3分の2は軽度認知障害の方向性を維持していた。
結論:AD接続音声では,分解よりも形態的単純化と時間的再編成が見られた。
形態学は、その評判が示すよりも有益である。
キーワード:アルツハイマー病、形態学、コネクテッドスピーチ、ADReSS、インフレクション、緊張とアスペクト、SHAP、機械学習、BERT
関連論文リスト
- Gated Multi-Graph Fusion via Graph Attention Networks for Alzheimer's Disease Detection [52.36198268369384]
自然発声はアルツハイマー病(AD)にとって重要な非侵襲的バイオマーカーである
本稿では,音声を自動音声認識(ASR)で書き起こし,セマンティック,依存性,共起グラフを構築するマルチビューGated Graph Attention Networkを提案する。
論文 参考訳(メタデータ) (2026-06-30T06:15:59Z) - Linguistic and Audio Embedding-Based Machine Learning for Alzheimer's Dementia and Mild Cognitive Impairment Detection: Insights from the PROCESS Challenge [0.0]
音声は、音響的次元と言語的次元の両方を包含し、認知の低下に対して有望な非侵襲的バイオマーカーを提供する。
本稿では,自然発声音声からの音声埋め込みと言語的特徴を両立させるプロシージャチャレンジのための機械学習フレームワークを提案する。
論文 参考訳(メタデータ) (2025-10-02T06:54:55Z) - Benchmarking Foundation Speech and Language Models for Alzheimer's Disease and Related Dementia Detection from Spontaneous Speech [14.936023751079654]
アルツハイマー病と認知症は進行性神経変性疾患である。
自発音声には、非侵襲的なバイオマーカーとして機能する豊富な音響マーカーと言語マーカーが含まれている。
大規模オーディオまたはテキストデータに基づいて事前訓練された基礎モデルは、文脈的および音響的特徴を符号化した高次元埋め込みを生成する。
論文 参考訳(メタデータ) (2025-06-09T17:52:31Z) - Dementia Classification Using Acoustic Speech and Feature Selection [0.3749861135832073]
この研究は、モデル出力に基づいて特徴重要度スコアを計算するために、リッジ線形回帰、極小学習機械、線形支援ベクトル機械学習モデルを用いている。
本研究の結果は, 認知症診断において, 同じデータセットと音響的特徴抽出を用いた他の研究と比較して上位にランクされた。
論文 参考訳(メタデータ) (2025-02-04T14:50:19Z) - Devising a Set of Compact and Explainable Spoken Language Feature for Screening Alzheimer's Disease [52.46922921214341]
アルツハイマー病(AD)は高齢化社会において最も重要な健康問題の一つとなっている。
我々は,大言語モデル(LLM)とTF-IDFモデルの視覚的機能を活用する,説明可能な効果的な機能セットを考案した。
当社の新機能は、自動ADスクリーニングの解釈可能性を高めるステップバイステップで説明し、解釈することができる。
論文 参考訳(メタデータ) (2024-11-28T05:23:22Z) - On the Within-class Variation Issue in Alzheimer's Disease Detection [66.70233526150723]
Alzheimer's Disease (AD) 検出では、ADと非ADの個人を区別するために、機械学習の分類モデルを使用している。
そこで本研究では,サンプルスコア推定器を用いて,認知的スコアと整合した標本特異的なソフトスコアを生成できることを確認した。
ソフトターゲット蒸留(SoTD)とインスタンスレベルの再分散(InRe)の2つの簡易かつ効果的な方法を提案する。
論文 参考訳(メタデータ) (2024-09-22T02:06:05Z) - Automatically measuring speech fluency in people with aphasia: first
achievements using read-speech data [55.84746218227712]
本研究の目的は,言語習得の分野で開発された信号処理algorithmの関連性を評価することである。
論文 参考訳(メタデータ) (2023-08-09T07:51:40Z) - Leveraging Pretrained Representations with Task-related Keywords for
Alzheimer's Disease Detection [69.53626024091076]
アルツハイマー病(AD)は高齢者に特に顕著である。
事前学習モデルの最近の進歩は、AD検出モデリングを低レベル特徴から高レベル表現にシフトさせる動機付けとなっている。
本稿では,高レベルの音響・言語的特徴から,より優れたAD関連手がかりを抽出する,いくつかの効率的な手法を提案する。
論文 参考訳(メタデータ) (2023-03-14T16:03:28Z) - Exploiting prompt learning with pre-trained language models for
Alzheimer's Disease detection [70.86672569101536]
アルツハイマー病(AD)の早期診断は予防ケアの促進とさらなる進行の遅らせに不可欠である。
本稿では,AD分類誤差をトレーニング対象関数として一貫して用いたPLMの高速微調整法について検討する。
論文 参考訳(メタデータ) (2022-10-29T09:18:41Z) - ML-Based Analysis to Identify Speech Features Relevant in Predicting
Alzheimer's Disease [0.0]
アルツハイマー病(AD)は世界中で約5000万人に影響を及ぼし、世界的な死因の1つとなっている。
MLモデルとニューラルネットワークの両方をトレーニングして、参加者の音声パターンに基づいて予測と分類を行いました。
論文 参考訳(メタデータ) (2021-10-25T15:00:50Z) - Explainable Identification of Dementia from Transcripts using
Transformer Networks [0.0]
アルツハイマー病(英語: Alzheimer's disease, AD)は、認知症の主要な原因であり、記憶喪失を伴い、時間通りに診断されない場合の日常生活に深刻な結果をもたらす可能性がある。
本稿では,2つのマルチタスク学習モデルを紹介し,主課題は認知症(バイナリ分類)の同定であり,補助課題は認知症の重症度(マルチクラス分類)の同定に対応する。
マルチタスク学習環境におけるAD患者検出の精度は84.99%である。
論文 参考訳(メタデータ) (2021-09-14T21:49:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。