基于视觉的疲劳和参与认知训练课程的估计

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 老年学是一门学科.

背景情况:

• 计算机化认知训练 (CCT) 显示出减缓老年人认知衰退的潜力.
• 有效参与CCT至关重要,但经常受到精神疲劳的阻碍,特别是在那些有痴呆风险的人群中.
• 需要可扩展的,自动化的方法来监测在CCT期间的精神疲劳.

研究的目的:

• 开发和验证一种新的循环视频转换器 (RVT) 方法,用于实时监测精神疲劳.
• 评估RVT模型在检测在CCT期间轻度认知障碍的老年人中精神疲劳的有效性.
• 通过预防疲劳,为加强CCT参与奠定基础.

主要方法:

• 开发和验证一次性视频转换器 (RVT) 模型.
• 在CCT期间,利用视频录制的老年人轻度认知障碍的面部手势.
• 将RVT模型的性能与先前的精神疲劳分类模型进行比较.

主要成果:

• 在精神疲劳分类中,RVT模型实现了最高的平衡精度 (79.58%) 和精度 (0.82).
• 模型验证显示,在CCT任务中检测到的疲劳和反应时间之间存在显著的关系 (Waldχ2=5.16,p=0.023).
• RVT模型有效地利用动态时间信息来检测疲劳.

结论:

• 开发的RVT模型使用面部手势准确地测量了CCT期间老年人的实时精神疲劳.
• 这项技术有可能显著增强参与CCT干预的潜力.
• 及时预防精神疲劳可以提高CCT对认知健康的有效性.