一类分类与混杂控制用于老年人的认知查,使用步态,指纹,认知和双重任务
Vânia Guimarães1, Inês Sousa2, Raquel Cunha3
1Fraunhofer Portugal AICOS, 4200-135, Porto, Portugal; Faculty of Engineering, University of Porto, 4200-465, Porto, Portugal.
Computer methods and programs in biomedicine
|November 26, 2024
概括
机器学习,特别是一个类别的分类,与运动认知任务相结合,显示出早期认知障碍检测的前景. 这种方法可能为识别轻度认知障碍的标准查测试提供一个可行的替代方案.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 老年学是指老年学的学科.
背景情况:
- 早期发现认知障碍对于痴呆症干预至关重要.
- 目前的查工具对于广泛使用的人口来说并不理想.
- 开发可访问的查方法是公共卫生的优先事项.
研究的目的:
- 探索一类分类与运动认知任务的有效性,用于早期发现认知障碍.
- 为了比较一个类别分类与两个类别分类和标准选测试的性能.
- 调查最优的方法来结合来自不同任务的数据.
主要方法:
- 从老年人 (轻度认知障碍和健康对照) 收集关于步态,指纹,认知和双重任务的数据.
- 一类分类模拟了健康的控制行为;偏差标记为异常.
- 混回归集成;个别任务,早期/晚期融合评估.
主要成果:
- 一个类别的分类证明了对轻度认知障碍的更高的预测准确性.
- 步态特征在一类分类中最有效.
- 组合模型的表现优于组合特征;一类多数投票实现了87.5%的灵敏度和75.7%的特异性.
结论:
- 一级分类与混杂控制有效检测异常的运动认知模式,用于早期认知障碍的检测.
- 这种方法显示出作为标准认知查的替代方案的潜力.
- 需要在不同的临床环境中进一步验证.
