Recognizing Dementia from Neuropsychological Tests with State Space Models
作者: Liming Wang, Saurabhchand Bhati, Cody Karjadi, Rhoda Au, James Glass
分类: cs.LG, cs.AI
发布日期: 2025-07-14
💡 一句话要点
提出基于状态空间模型的Demenba框架，用于神经心理学测试的痴呆症自动识别。
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 痴呆症识别 神经心理学测试 状态空间模型 自动分类 语音识别
📋 核心要点
- 传统神经心理学测试依赖手动评分，效率低且主观性强，自动痴呆症分类系统旨在解决这一问题。
- Demenba框架基于状态空间模型，具有线性扩展性，能够处理长序列的认知评估数据。
- 实验表明，Demenba在细粒度痴呆症分类上优于现有方法21%，并能与大型语言模型融合进一步提升性能。
📝 摘要（中文）
早期检测痴呆症对于及时的医疗干预和改善患者预后至关重要。神经心理学测试被广泛用于认知评估，但传统上依赖于手动评分。自动痴呆症分类（ADC）系统旨在直接从这些测试的语音记录中推断认知衰退。我们提出Demenba，一种基于状态空间模型的新型ADC框架，其内存和计算量随序列长度线性扩展。该模型在超过1000小时的认知评估数据上进行训练，这些数据来自弗雷明汉心脏研究的参与者，其中一些人通过裁决审查被诊断出患有痴呆症。我们的方法在细粒度痴呆症分类中优于先前的方法21％，同时使用的参数更少。我们进一步分析了其缩放行为，并证明我们的模型在与大型语言模型融合时获得了额外的改进，为更透明和可扩展的痴呆症评估工具铺平了道路。
🔬 方法详解
问题定义：论文旨在解决从神经心理学测试的语音记录中自动识别痴呆症的问题。现有方法，如基于循环神经网络（RNN）的方法，在处理长序列时面临计算和内存瓶颈，难以有效捕捉认知衰退的长期依赖关系。此外，现有模型在细粒度痴呆症分类上的性能仍有提升空间。
核心思路：论文的核心思路是利用状态空间模型（SSM）的线性扩展性来处理长序列的神经心理学测试数据。SSM能够以较低的计算成本捕捉序列中的长期依赖关系，从而更有效地识别痴呆症。此外，论文还探索了将SSM与大型语言模型（LLM）融合的可能性，以进一步提升分类性能。
技术框架：Demenba框架主要包含以下几个阶段：1) 数据预处理：对神经心理学测试的语音记录进行清洗和特征提取。2) 状态空间模型训练：使用提取的特征训练状态空间模型，学习认知衰退的模式。3) 痴呆症分类：利用训练好的状态空间模型对新的语音记录进行分类，判断是否存在痴呆症。4) 模型融合（可选）：将状态空间模型与大型语言模型融合，进一步提升分类性能。
关键创新：论文的关键创新在于将状态空间模型应用于自动痴呆症分类任务。与传统的RNN相比，SSM具有线性扩展性，能够更有效地处理长序列数据。此外，论文还探索了将SSM与LLM融合的可能性，为未来的研究方向提供了新的思路。
关键设计：论文中状态空间模型的具体结构和参数设置未知。损失函数和训练策略也未详细描述。模型融合的具体方法（如late fusion或attention机制）也未知。代码开源，可以进一步研究具体实现细节。
🖼️ 关键图片
📊 实验亮点
Demenba在细粒度痴呆症分类中，相较于现有方法取得了21%的性能提升，同时使用的参数量更少。此外，实验还表明，将Demenba与大型语言模型融合后，可以进一步提升分类性能，验证了该方法的有效性和潜力。
🎯 应用场景
该研究成果可应用于痴呆症的早期筛查和诊断，帮助医生更早地发现潜在患者，并进行及时的干预治疗。此外，该技术还可以用于远程医疗和智能养老等领域，为老年人提供更便捷的认知评估服务。未来，该技术有望发展成为一种普及化的痴呆症筛查工具，提高公众对痴呆症的认知和预防意识。
📄 摘要（原文）
Early detection of dementia is critical for timely medical intervention and improved patient outcomes. Neuropsychological tests are widely used for cognitive assessment but have traditionally relied on manual scoring. Automatic dementia classification (ADC) systems aim to infer cognitive decline directly from speech recordings of such tests. We propose Demenba, a novel ADC framework based on state space models, which scale linearly in memory and computation with sequence length. Trained on over 1,000 hours of cognitive assessments administered to Framingham Heart Study participants, some of whom were diagnosed with dementia through adjudicated review, our method outperforms prior approaches in fine-grained dementia classification by 21\%, while using fewer parameters. We further analyze its scaling behavior and demonstrate that our model gains additional improvement when fused with large language models, paving the way for more transparent and scalable dementia assessment tools. Code: https://anonymous.4open.science/r/Demenba-0861