使用可穿戴设备数据和机器学习预测老年人认知测试的表现不佳:一项可行性研究.

科学领域:

• 老年学是指老年学的学科.
• 计算神经科学是一种神经科学.
• 生物医学工程 生物医学工程

背景情况:

• 老年人的认知能力下降需要准确的监测,以便及时进行干预.
• 可穿戴设备为收集与认知功能相关的数据 (例如活动,睡眠) 提供了潜力.
• 机器学习可以利用传感器数据来开发认知监控系统.

研究的目的:

• 开发和验证机器学习模型,以使用可穿戴设备衍生数据在老年人中区分正常与不良认知.
• 为了确定特定的认知领域和相关的基于传感器的指标,最能预测认知障碍.
• 确定可穿戴式系统的可行性,用于认知健康监测.

主要方法:

• 利用了国家健康和营养检查调查 (NHANES) 中超过2400名老年人的数据.
• 经过训练和交叉验证的机器学习模型 (CatBoost,XGBoost,随机森林) 以基于认知测试结果来预测认知状态.
• 分析了活动,睡眠参数和不同认知子域之间的关联.

主要成果:

• 机器学习模型在预测认知能力差,特别是处理速度,工作记忆和注意力方面取得了很高的准确性 (中位数AUC≥0.82).
• 活动和睡眠参数与处理速度,工作记忆和注意力缺陷的关联较强.
• 证明了年龄,教育,睡眠,活动和光照等数据可以通过可穿戴设备进行整理,以区分认知状态.

结论:

• 包括活动和睡眠模式在内的可穿戴设备数据可以有效地区分老年人的正常和不良认知功能.
• 处理速度,工作记忆和注意力是可以通过可穿戴传感器监控的关键认知领域.
• 这项研究为基于可穿戴的认知监测系统提供了概念证明,并确定了未来对睡眠,活动和认知的因果研究的指标.