基于语音和图像的阿尔茨海默症自检系统设计.pdfVIP

摘要

阿尔茨海默症是一种常见的神经退行性疾病，具有难以意识到病情、无法及

时报告症状变化等特点，另外，患者可能会对症状进行否认或掩饰。阿尔茨海默

症上述特点会致使阿尔茨海默症诊断和治疗延迟，因此及时诊断阿尔茨海默症成

为十分重要的课题，尤其是实现患者自检。但是目前有关阿尔茨海默症的诊断系

统主要针对医生的诊断做出辅助决策，患者无法进行自我检测。因此，本文利用

蒙特利尔认知表（MoCA）与核磁共振图像（MRI）图像设计了基于语音和图像

的阿尔茨海默症自检系统，旨在提供准确的自检系统。本文的主要工作如下：

（1）设计了联合迁移学习的改进残差网络（ResNet）图像分类模型，实现

MRI和MoCA的图像分类。由于本文涉及的图像具有高分辨率和丰富的细节信息

的特点，通过引入空洞卷积达到增大感受野、减少参数数量和提高分类精度的目

的。由于空洞卷积引起的空间分辨率下降和细节信息损失的问题，本文使用

CBAM模块学习注意力权重来调整特征图的重要性和相关性，以弥补空洞卷积的

不足。实验结果表明，改进后的ResNet模型在准确率上超过了其他模型，在图

像分类上显示出更高的性能。

（2）设计了基于遮蔽多头注意力的CTC-Conformer中文语音识别模型，实

现了将蒙特利尔认知（MoCA）表中用户输入的语音转化为文本的功能。本文采

用连接时序分类（CTC）进行辅助训练，不仅可以提高基于Macaron-Net结构的

Conformer模型鲁棒性，还可以解决音频和文本不对齐问题。在解码器部分，应

用遮蔽多头自注意力机制以确保在t时刻模型无法查看未来时间步的输入信息，

从而保证模型仅利用已生成的标记进行预测。实验结果表明，联合CTC的Mask-

Conformer模型相对于Conformer模型的字错率与损失率均有所下降。

（3）基于上述两种模型联合构建阿尔茨海默症自检系统。使用联合迁移学

习的改进ResNet图像分类模型与联合CTC的Mask-Conformer中文语音识别模

型，实现MoCA表检测阿尔茨海默症功能。利用联合迁移学习的改进ResNet图

像分类模型利用MRI图形实现阿尔茨海默症诊断。基于MRI诊断与MoCA表诊

断，利用决策融合机制构建阿尔茨海默症自检系统诊断，并进行系统测试。

本系统的研究与应用可以使患者掌握自身的健康情况，从而可以及时采用有

效的措施减缓阿尔兹海默症的发展，通过系统进行测试印证了本系统对阿尔茨海

默症的诊断准确率高，且具有实用性。

关键词：阿尔茨海默症；MRI；ResNet；Conformer；自检

Abstract

Alzheimersdiseaseisacommonneurodegenerativedisease,characterizedby

difficultyinrealizingonescondition,inabilitytotimelyreportchangesinsymptoms,

anddenialorconcealmentofsymptoms.ThediagnosisandtreatmentofAlzheimers

disease,whichleadstodelayeddiagnosisandtreatment,hasbecomeaveryimportant

topic,especiallyinachievingpatientself-checking.However,thecurrentdiagnostic

systemforAlzheimersdiseasemainlyfocusesonassistingdoctorsinmakingdecisions,

and