机器学习评估认知储备使用功能近红外光谱在认知虚弱的老年人的认知储备
Wanrui Wei1,2, Shuaifang Wei1, Wei Han3
1School of Nursing, Chinese Academy of Medical Sciences & Peking Union Medical College, Shijingshan District, No. 33 Ba Da Chu Road, Beijing, 100144, China.
GeroScience
|October 11, 2025
概括
功能近红外光谱学 (fNIRS) 和机器学习现在可以客观地对具有认知脆弱的老年人进行认知储备分类. 这种非侵入性方法有助于早期风险分层和个性化干预.
科学领域:
- 神经科学是一个神经科学.
- 老年学是指老年学的学科.
- 生物医学工程 生物医学工程
背景情况:
- 认知储备对于缓解与年龄相关的认知衰退和虚弱至关重要.
- 目前对认知储备的评估缺乏特定的神经生物学基础.
- 需要客观和非侵入性的方法来评估老年人的认知储备.
研究的目的:
- 开发基于近红外光谱学 (fNIRS) 的非侵入性功能机器学习模型.
- 在经历认知虚弱的老年人中对认知储备水平进行分类.
- 提高认知储备评估的神经生物学特异性.
主要方法:
- 71名居住在社区的老年人参与了休息状态和基于任务的 (Stroop,n-back) fNIRS扫描.
- 从fNIRS数据中提取了图形理论指标和与任务相关的β值.
- 支持矢量机分类器被训练并使用提取的特征进行测试.
主要成果:
- 结合基于任务的fNIRS数据 (Stroop,0-back,1-back) 的机器学习模型实现了高分类性能 (精度=0.727,AUC=0.829).
- 静止状态的fNIRS特征单独显示出较低的预测能力 (AUC=0.714).
- 结合休息状态和基于任务的特征,可以适度提高分类性能 (AUC=0.790).
结论:
- 基于fNIRS的机器学习能够客观地分类认知乏的老年人认知储备.
- 这种非侵入性方法为早期风险分层提供了一个可移植和可扩展的策略.
- 这些发现支持了临床和社区环境中精确干预的潜力.
