使用机器学习的新型多模式运动功能评估平台的可行性,以识别轻度认知障碍的个人

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 早期识别阿尔茨海默病和相关痴呆症 (ADRD) 对于有效的干预至关重要.
• 与ADRD相关的微妙运动下降可以通过仪器评估来检测.
• 本研究探讨了使用运动功能数据用于早期MCI检测的可行性.

研究的目的:

• 确定机器学习模型用于识别轻度认知障碍 (MCI) 的可行性.
• 为了利用MCI分类的便宜,便携式设备的运动功能数据.
• 评估多模式运动功能评估对早期ADRD检测的潜力.

主要方法:

• 开发了一种新的多模式运动功能评估平台,集成深度摄像头,强力板和接口板.
• 健康的老年人 (n=28) 和患有MCI的老年人 (n=19) 在单一和双重任务条件下执行静态平衡,步行和坐立任务.
• 三种机器学习模型 (支持向量机器,决策树,后勤回归) 被训练并测试为MCI分类.

主要成果:

• 决策树模型实现了最高的性能,准确度为83%,灵敏度为0.83,特异性为1.00,F1得分为0.83.
• 有助于MCI分类的关键运动功能特征被确定并按重要性排名.
• 该研究证明了特定运动任务和机器学习在区分MCI与健康对照中的潜力.

结论:

• 构建机器学习模型以使用便携式设备的运动功能数据识别患有MCI的个体是可行的.
• 这些发现支持在临床环境中使用廉价的便携式多式联络设备进行客观的运动评估.
• 这种方法对早期检测和监测与ADRD相关的认知衰退充满希望.