萨卡德和向属性可以将中风幸存者与其他病态的个人区分开吗? 一种机器学习方法

科学领域:

• 眼科和神经病学 眼科和神经病学
• 生物医学工程 生物医学工程
• 人工智能在医学中的应用

背景情况:

• 脑卒中经常导致视力缺陷和眼动障碍.
• 机器学习 (ML) 已经显示出通过眼动分析识别各种神经疾病的潜力.
• 雷莫比技术和Pupil Core眼球追踪器提供精确的萨卡德和度测量.

研究的目的:

• 通过使用saccade和vergence眼动数据,研究ML在识别中风患者中的有效性.
• 为了比较不同ML模型在将中风患者与对照组分类中的性能.
• 评估这项技术作为中风患者评估的临床工具的潜力.

主要方法:

• 使用REMOBI技术V3和Pupil Core.收集了眼动数据 (动和动).
• 用AIDEAL V3 (人工智能眼动分析) 软件分析数据,提取像延迟,准确性和速度这样的参数.
• 应用了三种ML模型 (逻辑回归,支持向量机,随机森林) 来对中风患者进行分类.

主要成果:

• 在识别中风患者时,ML分类器获得了高达75.9%的宏观F1得分.
• 年龄匹配分析进一步提高了分类器的性能,特别是在与健康个体进行比较时.
• 该研究表明了基于ML的眼动分析对于检测中风后果的敏感性.

结论:

• 应用于saccade和vergence参数的ML是一种敏感的方法,用于检测与中风相关的后果.
• 结合REMOBI和AIDEAL技术,为中风患者的识别提供了一种可行的方法.
• 这项技术有可能用于评估中风恢复和神经缺陷进展的临床应用.