从面部视频采访中检测轻度认知障碍,通过应用空间到时间注意力模块来检测

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 老年学是指老年学的学科.

背景情况:

• 早期发现轻度认知障碍 (MCI) 对于及时干预以预防痴呆症进展至关重要.
• 深度学习 (DL) 提供了非侵入性,低成本的MCI检测的潜力,使用可访问的数据,如视频录像.
• 视频中的面部和交互特征可以作为认知状态的生物标志物.

研究的目的:

• 开发和评估一个DL框架,用于检测老年人的MCI,仅使用家庭视频录制的面部特征.
• 评估将空间和时间面部信息与MCI检测的相互作用特征相结合的有效性.
• 为了确定MCI识别的时空面部特征的辨别力.

主要方法:

• 使用了来自I-CONECT研究 (NCT02871921) 的视频录制对话,涉及社会孤立的老年人.
• 开发了一个DL框架,用于空间面部特征的卷积自动编码器和时间信息的变压器.
• 引入了空间与时间注意力模块 (STAM),以整合面部和交互特征来检测认知状况 (MCI与正常认知).

主要成果:

• 结合了面部和交互特征的DL模型,MCI的检测准确率达到88%.
• 排除主题视频段中面部特征的细分和序列信息,将精度降低到84%.
• 时空面部特征显示出在老年人中检测MCI的显著区分能力.

结论:

• 从视频中分析时空面部和交互特征的DL模型对非侵入性MCI检测有效.
• 拟议的STAM框架对早期识别MCI充满希望,促进及时干预.
• 这种方法为老年人群的认知健康监测提供了一种低成本,易于使用的方法.