[论文解读] Enriching Complex Networks with Word Embeddings for Detecting Mild Cognitive Impairment from Speech Transcripts

Leandro Borges dos Santos, Edilson A. Corrêa+4 more|arXiv (Cornell University)|Jan 1, 2017

Topic Modeling参考文献 29被引用 9

一句话总结

本文提出了一种新方法——基于词嵌入的复杂网络（CNE），通过将话语转录文本建模为复杂网络并整合词嵌入以提升语义表征，从而实现从话语转录文本中检测轻度认知障碍（MCI）。在两个数据集（DementiaBank 和 Cinderella）上，CNE 在准确率方面优于传统的词袋模型（BoW）和语言学特征方法，展现出在大规模 MCI 筛查中的高潜力。

ABSTRACT

Mild Cognitive Impairment (MCI) is a mental disorder difficult to diagnose.Linguistic features, mainly from parsers, have been used to detect MCI, but this is not suitable for large-scale assessments.MCI disfluencies produce nongrammatical speech that requires manual or high precision automatic correction of transcripts.In this paper, we modeled transcripts into complex networks and enriched them with word embedding (CNE) to better represent short texts produced in neuropsychological assessments.The network measurements were applied with well-known classifiers to automatically identify MCI in transcripts, in a binary classification task.A comparison was made with the performance of traditional approaches using Bag of Words (BoW) and linguistic features for three datasets: DementiaBank in English, and Cinderella and Arizona-Battery in Portuguese.Overall, CNE provided higher accuracy than using only complex networks, while Support Vector Machine was superior to other classifiers.CNE provided the highest accuracies for Dementia-Bank and Cinderella, but BoW was more efficient for the Arizona-Battery dataset probably owing to its short narratives.The approach using linguistic features yielded higher accuracy if the transcriptions of the Cinderella dataset were manually revised.Taken together, the results indicate that complex networks enriched with embedding is promising for detecting MCI in large-scale assessments.1 talkbank.org/DementiaBank/

研究动机与目标

• 为解决从话语转录文本中实现大规模、自动检测轻度认知障碍（MCI）的挑战。
• 克服传统语言学解析和词袋模型（BoW）在捕捉话语不连贯、非语法化言语中的语义细微差别的局限性。
• 通过将词嵌入整合到复杂网络结构中，改善短时、受损话语转录文本的表征能力。
• 在多个多语言数据集上，评估 CNE 相较于成熟方法（BoW 和语言学特征）的性能表现。

提出的方法

• 通过将词语视为节点、词语共现关系视为边，将转录文本建模为复杂网络。
• 使用词嵌入（如 Word2Vec 或类似方法）为网络节点赋予密集的语义表征。
• 提取网络度量指标（如度中心性、聚类系数、介数）作为特征向量。
• 将这些特征输入标准分类器，其中支持向量机（SVM）表现出最优性能。
• 该方法在三个数据集上进行了评估：DementiaBank（英语）、Cinderella（葡萄牙语）和 Arizona-Battery（葡萄牙语）。
• 性能与 BoW 和语言学特征基线方法进行对比，其中对 Cinderella 数据集的语言学特征分析应用了人工修订。

实验结果

研究问题

• RQ1 与传统方法相比，通过词嵌入增强复杂网络是否能提升对话语转录文本中轻度认知障碍（MCI）的检测能力？
• RQ2 CNE 方法在不同语言和临床数据集上相较于词袋模型和基于语言学特征的模型表现如何？
• RQ3 对转录文本进行人工校正是否能提升基于语言学特征模型在 MCI 检测中的性能？
• RQ4 CNE 方法在具有不同转录长度和语言特征的多样化数据集上是否具备鲁棒性？

主要发现

• 在 DementiaBank（英语）和 Cinderella（葡萄牙语）数据集上，CNE 的准确率均高于 BoW 和语言学特征方法。
• 对于包含更短叙述的 Arizona-Battery 数据集，BoW 表现优于 CNE，表明其有效性具有上下文依赖性。
• 在所有数据集中，支持向量机（SVM）是性能最佳的分类器，优于其他模型。
• 对 Cinderella 数据集的转录文本进行人工修订，显著提升了基于语言学特征模型的准确率。
• 将词嵌入整合到复杂网络中，增强了对 MCI 中常见的不连贯和非语法化言语的语义表征能力。
• 总体而言，CNE 展现出在临床和大规模场景中实现可扩展、自动化的 MCI 检测的强劲潜力。