基于深度学习模型的眼睛跟踪系统的开发,以评估精神疾病患者的执行功能

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 精神病学是一个精神病学.

背景情况:

• 患有精神疾病的患者通常具有执行功能和视觉空间记忆障碍.
• 像雷-奥斯特里斯复杂图形测试 (RCFT) 这样的传统评估是耗时的.

研究的目的:

• 开发一个深度学习模型,利用RCFT的眼睛跟踪数据.
• 在精神病患者的编码过程中检测受损的执行功能和视觉空间记忆.

主要方法:

• 在患有精神病,患有精神病高风险,强迫症和健康对照患者的3分钟RCFT记忆任务中记录了眼睛的运动.
• 一个长期短期记忆+注意力深度学习模型被训练使用RCFT分数和眼睛跟踪固定点.
• 该模型旨在检测执行功能和视觉空间记忆的缺陷.

主要成果:

• 深度学习模型在检测执行功能受损方面获得了83.5%的F1评分.
• 该模型在识别视觉空间记忆缺陷方面获得了80.7%的F1得分.
• 这些检测能力独立于具体的精神病诊断.

结论:

• 基于眼睛跟踪的深度学习模型可以快速准确地识别执行功能和视觉空间记忆障碍.
• 这项技术在诊断和监测各种精神和神经疾病方面具有广泛应用的潜力.
• 该模型提供了一种非侵入性,高效的方法来评估认知缺陷.