LoRA-Tuned 大语言模型 通过多视图语音衍生功能进行痴呆症检测

早期发现痴呆症可以及时干预，反映认知障碍的自发言语提供了一种非侵入性筛查方式。传统方法通常关注单一表征维度，例如声学描述符、停顿建模、自动语音识别 (ASR) 转录或多模态融合，从而限制了跨异质认知症状的综合推理。我们提出了一种低秩适应（LoRA）调整的 大语言模型 （LLM），它对四个互补的语音衍生信号执行结构化多视图推理：带有停顿标记的 ASR 转录本、话语级主题线索、时间流畅性统计和语音序列。这些提示在统一提示中进行编码，使单个 LLM 能够学习连贯的决策函数，而无需特定于模态的编码器或后期融合。在 ADReSSo 上，我们的最佳模型达到了 90.14% 的 F1 分数，并且消融证实了每个视图的互补贡献。