基于步态和感官参数的机器学习分类,用于检测老年人认知障碍

科学领域:

• 老年学是一门学科.
• 神经学 神经学
• 人工智能的人工智能

背景情况:

• 早期发现轻度认知障碍 (MCI) 对于及时治疗和护理计划至关重要.
• 老年人往往不寻求早期的神经心理评估,阻碍了及时诊断.
• 需要新的方法来检测认知障碍,而不需要传统的测试.

研究的目的:

• 开发和评估用于检测认知障碍的机器学习算法,仅使用步态和感官参数来检测认知障碍.
• 评估这些算法的诊断准确性,以区分认知障碍和健康的老年人.
• 探索早期认知衰退的非侵入性查工具的潜力.

主要方法:

• 机器学习模型,包括支持向量机器和自动机器学习,使用步态和感觉数据进行训练.
• 对94名65岁以上的社区居民进行了认知,感觉和步行功能评估.
• 根据认知评估,参与者被分为非认知障碍 (n=65) 和疑似认知障碍 (n=29) 组.

主要成果:

• 机器学习模型在对疑似认知障碍的个体进行分类时取得了很高的准确性 (86.2%的SVM,82.8%的AutoML).
• 在疑似认知障碍组和认知健康组之间,在步态和听力参数中观察到显著的差异.
• 该研究表明,使用步态和感官数据来检测认知障碍的可行性.

结论:

• 利用步态和感官参数的机器学习算法显示出早期认知障碍查的前景.
• 这种方法为识别老年人认知衰退提供了传统神经心理测试的潜在替代方案.
• 步行和听力参数是可以利用快速,简单的选方法的关键指标.