一项基于手写和步态分析的阿尔茨海默病辅助查研究
Hengnian Qi1, Xiaorong Zhu1, Yinxia Ren2
1Department of Information Engineering, Huzhou University, Huzhou, China.
Journal of Alzheimer's disease : JAD
|August 23, 2024
概括
结合手写和步态分析,可以改善早期发现阿尔茨海默病 (AD). 与单一特征方法相比,这种多式联络方法显著提高了选准确性.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,通常难以早期诊断.
- 手写和步态异常是与阿尔茨海默病相关的认知衰退的公认指标.
研究的目的:
- 开发一种用于AD的辅助查框架,使用手写和步态的多式联络分析.
- 评估是否将这些模式结合起来可以提高分类准确度,而不是单一模式的方法.
主要方法:
- 招募了90名参与者 (38名AD患者,52名对照).
- 通过数字笔收集手写数据和使用电子踪迹收集步行数据.
- 融合多式联网功能和应用机器学习模型 (物流回归,SVM,XGBoost,Adaboost,LightGBM) 用于分类.
主要成果:
- 多模式模型的准确度在71.95%至96.17%之间.
- 轻GBM模型表现出卓越的性能,准确度为96.17%,灵敏度为95.32%,特异性为96.78%.
- 最好的单模式模型 (XGBoost 在步态特征上) 达到93.53%的准确性.
结论:
- 结合手写和步行特征,与单一模式相比,大大提高了AD分类的准确性.
- 拟议的辅助查模型显示了有效和准确的AD检测的希望.
