模拟双任务性能:使用人工神经网络识别关键预测因素

科学领域:

• 神经科学是一个神经科学.
• 老年学是一门学科.
• 人工智能的人工智能

背景情况:

• 双重任务范式整合了认知和运动功能,为微妙的与年龄有关的障碍提供了洞察力.
• 早期发现老年人的认知和身体衰退对于及时干预至关重要.

研究的目的:

• 采用人工神经网络 (ANN) 建模来预测临床,认知和心理社会结果.
• 从综合的双重任务数据中识别认知和心理社会状态的关键预测因素.

主要方法:

• 在单任务和双任务条件下收集了步态,语音语言,人口统计,生理和心理数据.
• 使用超参数调整和k-fold交叉验证来优化ANN模型.
• 预测结果包括蒙特利尔认知评估 (MOCA),Trail Making测试 (TMT A和B) 和活动特定平衡信心 (ABC) 尺度.

主要成果:

• 在预测MOCA (100%),ABC尺度 (80%),记忆功能 (80%) 和社会支持满意度 (75%) 方面,ANN模型取得了高准确性.
• 语音语言标记和感官障碍被确定为重要的预测因素.
• 特定的语言特征,如代词使用,强烈预测认知措施.

结论:

• ANN模型显示了早期检测认知和心理社会变化的巨大潜力.
• 集成的双重任务数据为老龄化研究中的预测建模提供了丰富的来源.