一种多模式的方法,用于早期识别轻度认知障碍和阿尔茨海默病的融合网络,使用眼睛运动和语音

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 早期发现阿尔茨海默氏病 (AD) 和轻度认知障碍 (MCI) 是具有挑战性的,因为症状与正常衰老重叠.
• 目前对阿尔茨海默氏症的治疗方法只能减缓进展,因此早期识别有风险的个体对于干预至关重要.
• 需要非侵入性诊断方法来区分健康衰老,MCI和早期AD.

研究的目的:

• 调查结合眼睛跟踪和语音分析用于诊断MCI和AD的疗效.
• 开发和评估一个深度学习模型来分类患有MCI/AD的个体与健康对照.
• 识别关键的目光和语音特征,表明早期神经退行变化.

主要方法:

• 在认知任务期间从78名参与者 (37个对照组,20个MCI,21个AD) 收集了多式联络数据 (眼睛跟踪和语音).
• 开发了一个融合神经网络模型,整合了目光特征 (瞳孔大小,固定时间,跳动) 和语音特征 (语音延迟).
• 用开发的深度学习模型将参与者分为MCI/AD或健康的对照组.

主要成果:

• 融合神经网络实现了MCI诊断的平均分类准确率为79.2%,AD诊断的平均分类准确率为82%.
• 与瞳孔大小和眼语时间动态相关的特征被确定为疾病检测的强有力的指标.
• 多模式数据 (目光+语音) 显著提高了分类准确性,而单模式数据仅仅来自语音或目光.

结论:

• 将眼睛跟踪和语音分析与深度学习相结合,为早期MCI和AD检测提供了一个有希望的非侵入性方法.
• 视线和语音动态提供了有价值的生物标志物,用于区分患有MCI/AD的个体与健康对照.
• 多模式数据集成提高了诊断性能,突出了不同数据流在神经退行性疾病评估中的协同价值.