EM-COGLOAD:使用眼睛跟踪和深度学习对年龄和认知负载检测的调查

科学领域:

• 神经科学是一个神经科学.
• 生物标志物 生物标志物
• 人工智能的人工智能

背景情况:

• 阿尔茨海默病 (AD) 是导致老年人残疾的主要原因.
• 眼动行为是早期AD检测的潜在非侵入性生物标志物.
• 眼睛运动的变化可以在疾病进展的早期被检测出来.

研究的目的:

• 介绍EM-COGLOAD数据集用于眼动和认知负载研究.
• 探索深度学习技术,分析眼动数据.
• 评估眼动作为认知衰退和衰老的生物标志物的潜力.

主要方法:

• 采集了75名健康成年人的眼动数据,使用双重任务模式.
• 在视觉跟踪任务中诱导不同的认知负载.
• 使用深度学习模型应用时间序列分类到眼睛运动痕迹.

主要成果:

• 卷积神经网络实现了87.5%的准确度,区分了低和高的认知负载.
• 卷积神经网络实现了76%的准确性,区分了最老和最年轻的年龄组.
• 使用深度学习对眼动数据进行认知评估的可行性.

结论:

• 在认知负载下眼睛运动模式可以有效地使用深度学习进行分类.
• 眼睛跟踪显示了与衰老和潜在的阿尔茨海默病相关的认知变化早期检测的潜力.
• EM-COGLOAD数据集为该领域的进一步研究提供了宝贵的资源.