阿尔茨海默症是一种神经系统退行性疾病,严重影响老年人群的身心健康,现代医学也无法治疗阿尔茨海默症。但早期的预防可以有效地让潜在患者得到提前治疗,延缓其疾病发生的时间。因此,研究出一种诊断准确度高、操作简单、便携性强的诊断系统具有十分重要的意义。本论文通过调查与分析多种诊断方法的优劣性,总结出该领域的研究重点和相关问题,提出了一种基于音频数据的阿尔茨海默症疾病诊断方案。该方案结合了特征融合、知识蒸馏和模型融合技术,能够实现对检测对象的疾病诊断。主要的研究内容和创新点如下:1、提出了一种基于音频和文本的多特征融合方法。将音频数据分别做MFCC特征的提取以及文本数据的转换。根据特征设计规则,从音频数据和文本数据中人工提取新的音频特征和文本特征。以音频特征与文本特征相融合的方式,实现MFCC特征、人工音频特征、人工文本特征的整体融合,建立阿尔茨海默症诊断模型的特征工程。经实验验证可知,多特征模型诊断准确度高于单特征模型。2、构建了一种基于知识蒸馏技术的改进BERT文本诊断模型。该改进模型在计算机上的运行时间约为20分钟,相较于原始BERT模型减少约30分钟。通过知识蒸馏技术,使得压缩后的模型层数减少50%,解决了原始BERT模型无法在Jetson nano硬件平台上运行的问题,其运行时长约为30分钟。虽然这样使改进模型的诊断准确度变为83.69%,相比于原始BERT模型降低了3.62%。3、构建了一种基于多种机器学习算法融合的阿尔茨海默症诊断模型。通过模型融合思路,实现了逻辑回归、支持向量机和XGboost三种基分类器算法模型的融合。融合后的算法诊断准确度达到84.72%,与SOTA模型结果相近,表明了此模型在阿尔茨海默症诊断领域具有积极的作用。在模型融合的过程中,基分类器的类型在一定程度上会影响融合模型的诊断准确度,逻辑回归、支持向量机和XGboost三种基分类器的融合达到最佳诊断效果。本论文通过音频采集模块和Jetson nano开发板,完成对检测对象音频的采集和处理,结合逻辑回归、支持向量机和XGboost三种算法融合模型,设计与实现一种基于语音输入的便携式阿尔茨海默症诊断系统。