使用眼睛跟踪评估认知障碍:多层次的分离分析和基于注意力的神经网络的多层次的萨卡德范式

科学领域:

• 神经科学和认知科学 神经科学和认知科学
• 医疗技术和诊断 医学技术和诊断
• 医疗保健中的人工智能

背景情况:

• 准确的认知障碍评估对于痴呆症治疗至关重要.
• 眼动分析提供了非侵入性的洞察力,但目前的方法缺乏细节性.
• 现有的单任务眼睛跟踪模式对全面的认知评估有局限性.

研究的目的:

• 通过使用多层次的萨卡德范式,增强基于眼睛跟踪的认知障碍评估.
• 将差分分析和基于注意力的神经网络结合起来,以提高准确性.
• 开发一种更细致,更客观的工具来检测认知衰退.

主要方法:

• 开发了难度分级的萨卡德范式 (prosaccade,antisaccade,随机的亲/反萨卡德).
• 收集了来自四组 (健康的年轻人,健康的老年人,轻度认知障碍,痴呆症) 的90名受试者的眼睛跟踪数据.
• 使用曼-惠特尼U测试,与MoCA得分的相关性分析,XGBoost,以及基于注意力的神经网络来进行特征选择和分类.

主要成果:

• 综合模型的AUC值为0.94,准确度为0.80,MCC值为0.73.
• 来自随机的亲反冲击范式的特征,特别是第一次纠正AOI的时间和冲击延迟,是最有贡献的.
• 该方法在区分不同群体的认知障碍方面表现出有效性.

结论:

• 将分级的萨卡德范式与高级分析集成,可以增强眼睛跟踪的诊断潜力.
• 这种方法提供了一个可扩展的,非侵入性的工具,用于早期检测和监测认知能力下降.
• 这项研究为基于眼睛跟踪的认知评估提供了更细致,更准确的方法.