基于多流卷积神经网络的轻度认知障碍预测
Chien-Cheng Lee1, Hong-Han Hank Chau2, Hsiao-Lun Wang2
1Department of Electrical Engineering, Yuan Ze University, Taoyuan, 320, Taiwan. cclee@saturn.yzu.edu.tw.
BMC bioinformatics
|September 12, 2024
概括
这项研究引入了一个多流卷积神经网络 (MCNN) 来从面部视频中检测轻度认知障碍 (MCI). 该MCNN模型在参与者层面识别MCI时实现了100%的准确性,提供了一种非侵入性查方法.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 医学诊断 医学诊断 医学诊断
背景情况:
- 轻度认知障碍 (MCI) 是正常衰老和痴呆之间的过渡阶段.
- 早期MCI诊断对于有效的医疗干预至关重要.
- 目前的诊断方法,包括认知和神经成像测试,往往是昂贵和耗时的.
研究的目的:
- 开发和评估一种新的多流卷积神经网络 (MCNN) 模型,用于使用面部视频预测MCI.
- 探索面部数据作为MCI检测的非侵入性生物标志物的潜力.
- 建立一种自动化,成本效益高,客观的MCI查方法.
主要方法:
- 使用了来自45名参与者的48个面部视频数据集 (35个正常,13个MCI).
- 采用多流卷积神经网络 (MCNN) 来从视频段中提取空间和动态面部特征.
- 评估了27个MCNN模型组合,不同的ResNet架构,优化器和激活功能.
主要成果:
- 在使用ResNet-50,Swish激活和Ranger优化器的细分级别上,MCNN模型实现了89%的F1得分.
- 与Swish和Ranger一起的ResNet-18骨干在参与者层面上实现了完美的100%F1得分.
- ResNet-50在不同的优化器中表现出稳定性,表明对超参数调整的稳定性.
结论:
- 面部视频可以有效地用于预测MCI,作为一个有价值的生物标志物.
- 开发的MCNN方法为传统的MCI查方法提供了一个有希望的,自动化的,非侵入性的和廉价的替代方案.
- 该研究提供了对超参数优化的见解,以提高使用面部数据的MCI预测准确度.
