机器学习分析老年痴呆症成年人玩手机游戏的参与行为:探索性研究
Melika Torabgar1, Mathieu Figeys1, Shaniff Esmail1
1Department of Occupational Therapy, University of Alberta, Edmonton, AB, Canada.
JMIR serious games
|March 3, 2025
概括
严的游戏揭示了老年痴呆症患者的独特参与行为,使得准确的早期检测. 使用这些行为的机器学习模型显示出痴呆症分类的高准确性.
科学领域:
- 老年学和认知神经科学
- 人与计算机的交互
- 医疗保健中的人工智能
背景情况:
- 痴呆症患病率不断上升,需要可访问的早期检测方法.
- 严的游戏为认知评估和监测提供了有吸引力的平台.
- 游戏期间的参与程度可以表明认知健康状况.
研究的目的:
- 在严的游戏过程中调查老年人与没有痴呆症之间的参与行为差异.
- 根据参与行为确定增强机器学习模型有效性的关键因素,以对痴呆症进行分类.
主要方法:
- 20名老年人 (5名患有痴呆症) 进行了为期8周的探索性概念验证研究.
- 参与者玩了"活跃的思想"的严游戏;会议被录制为参与行为分析.
- 两个独立的评级者分析了参与行为,比较使用千平方测试和随机森林分类器的群体.
主要成果:
- 在64%的参与行为 (体运动,声音,面部表情,集中) 中,在两组之间观察到显著的差异.
- 一个结合参与行为,环境因素,技术问题和个人特征的机器学习模型实现了F1得分为0.91和AUC为0.99.
结论:
- 严重游戏期间的参与相关行为是区分痴呆症的关键指标.
- 整合这些行为标记的机器学习模型为早期痴呆症查提供了一个有希望的,非侵入性的方法.
- 年龄,特定的行为 (干,声音,面部,集中力) 和上下文因素对于准确的分类至关重要.
