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

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.