深度学习用于早期检测轻度认知障碍,使用智能家居环境传感器数据
Diane J Cook1, Maureen Schmitter-Edgecombe2
1School of Electrical Engineering and Computer Science, Washington State University, Pullman, WA, USA.
The Clinical neuropsychologist
|October 17, 2025
概括
智能家居传感器可以检测到老年人的轻度认知障碍 (MCI). 一个深度学习模型,具有对比预训练的时间卷积网络 (TCN-CL),使用行为数据准确地识别了MCI.
科学领域:
- 老年学是一门学科.
- 人工智能的人工智能
- 生物医学信息学 生物医学信息学
背景情况:
- 早期发现轻度认知障碍 (MCI) 对于及时干预至关重要.
- 传统的机器学习方法在传感器数据中与复杂的时间模式作斗争.
- 智能家居环境传感器为日常行为提供了持续的,不引人注目的监控.
研究的目的:
- 开发和评估一个深度学习模型,使用智能家居传感器数据将老年人分为健康和MCI类别.
- 将时间卷积网络与对比预训 (TCN-CL) 与传统机器学习分类器的性能进行比较.
- 评估TCN-CL在改善各种家庭环境中认知衰退的诊断准确度方面的潜力.
主要方法:
- 137名居住在社区的老年人 (76名健康,61名MCI) 被监测了30天.
- 从环境智能家居传感器中提取了34个数字标记 (睡眠,活动,规律性).
- 训练了一个TCN-CL模型,并与后勤回归和决策树分类器进行比较.
主要成果:
- 在预测认知诊断方面,TCN-CL显著优于基线模型.
- TCN-CL实现了85%的准确性,0.77的灵敏度,0.92的特异性,以及0.71的马修斯相关系数.
- 传统的模型,如物流回归和决策树,表现不佳.
结论:
- 经过预先训练的TCN-CL通过智能家居传感器提供了一种可靠的方法,用于通过智能家居传感器早期检测认知衰退.
- 使用环境传感器的持续行为监测可以增强临床决策.
- 这种方法促进了MCI的准确和及时诊断.
更多相关视频
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.7K
11:21Methodology for Establishing a Community-Wide Life Laboratory for Capturing Unobtrusive and Continuous Remote Activity and Health Data
Published on: July 27, 2018
8.6K
