来自实时位置数据的行走路径图像可以预测认知障碍的程度
Tamim Faruk1, Leia C Shum2, Andrea Iaboni3
1Institute of Biomedical Engineering, University of Toronto, Toronto, ON M5S 3G9, Canada; KITE-Toronto Rehabilitation Institute, University Health Network, Toronto, ON M5G 2A2, Canada.
Artificial intelligence in medicine
|October 2, 2023
概括
来自实时定位系统的空间行走模式可以对记忆护理居民的认知障碍 (CI) 严重程度进行分类. 数据分析中的更大的时间窗口提高了分类准确性,提供了一种新的非侵入性评估方法.
科学领域:
- 老年学是一门学科.
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
背景情况:
- 认知障碍 (CI) 在记忆护理单位中构成了重大挑战.
- 准确的CI严重程度的分类对于适当的住院护理和管理至关重要.
- 当前的评估方法可能是侵入性的,或缺乏客观的,持续的监测.
研究的目的:
- 通过空间行走模式来引入一种新的,非侵入性的方法来对认知障碍严重程度进行分类.
- 评估实时定位系统 (RTLS) 数据在区分认知功能的有效性.
- 开发一种在记忆护理环境中对认知障碍分类的客观衡量标准.
主要方法:
- 实时定位系统 (RTLS) 数据捕获居民的空间行走模式.
- 将数据分成各种时间窗口 (5,10,15,30分钟) 和图像转换.
- 训练一个定制的卷积神经网络 (CNN) 用于分类和应用类激活映射 (CAM).
主要成果:
- 最好的CNN模型在30分钟的数据窗口中实现了87.38%的准确性.
- 较大的时间窗口持续时间在分类认知障碍方面表现优越.
- 班级激活地图被合成为认知障碍分类值 (CICV) 评分.
结论:
- 拟议的方法有效地使用空间行走数据对认知障碍的严重程度进行分类 (无-CI,轻度-中度CI,严重CI).
- CNN可以识别不同的认知状态的相关步行模式特征.
- 未来的研究应该集中在不同环境中的临床验证上,并扩展到其他神经精神病症状.
