多模式机器学习用于预测使用上坡路驾驶的粉样蛋白阳性

科学领域:

• 神经学 神经学
• 数据科学数据科学数据科学
• 老年学是一门学科.

背景情况:

• 早期发现粉样蛋白阳性对于识别阿尔茨海默病 (AD) 风险至关重要.
• 本研究探讨了用于认知健康监测的非侵入性方法.

研究的目的:

• 使用多模式数据对具有和没有粉样蛋白阳性的老年人进行分类.
• 评估机器学习模型在预测粉样蛋白状况方面的有效性.

主要方法:

• 收集了53名认知正常的老年司机的驾驶和生理数据.
• 使用随机森林和XGBoost分类器,对统计学上显著的特征进行训练 (P ≤0.05).
• 分析了多模式属性,包括车辆,生理和人口统计数据.

主要成果:

• 整合多种数据模式改善了粉样蛋白状况的分类性能.
• 使用所有显著特征,XGBoost模型实现了最高准确度 (85.1%).
• 车辆数据,特别是上坡道驾驶行为,显示出最具预测能力.

结论:

• 在上坡路上进行多模式数据分析,用于早期认知衰退检测的驾驶辅助工具.
• 具有挑战性的交通环境可以用于非侵入性认知健康监测.
• 结果突显了在预测粉样蛋白状况和早期AD检测方面,上坡道驾驶洞察的重要性.