基于深度学习的被动智能手机感知认知功能障碍检测：基于常规感知数据增强和人口统计学个性化
机器学习
2025-12-15 v1 人工智能
摘要
及早检测认知功能障碍对于及时诊断和干预至关重要，但临床评估不足往往缺乏灵敏度和时间分辨率，难以捕捉老年人中微妙认知衰退的细微变化。被动智能手机感知方法已成为一种具有前景的自然且持续的认知监测方法。建立在此潜力基础上，我们实现了一个基于长短期记忆（LSTM）的模型，用于从每日行为特征序列中检测认知功能障碍，这些特征源自持续进行的一年期老年人研究中收集的多模态感知数据。我们的关键贡献有两种技术旨在增强模型在不同参与者之间的可泛性：（1）常规感知数据增强，通过替换每一天为行为相似的替代方案来生成合成序列；（2）人口统计学个性化，通过重新加权训练样本以强调来自与测试参与者人口统计学相似的个体的样本。我们在36名老年人6个月的数据上进行了评估，这些技术联合改善了模型在感知和人口统计学特征上的精确召回曲线下面积（AUPRC），从0.637提升到0.766，凸显了利用被动感知监测老年人群体中认知功能障碍的可扩展潜力。
引用
@article{arxiv.2509.23158,
title = {Deep Learning-Based Detection of Cognitive Impairment from Passive Smartphone Sensing with Routine-Aware Augmentation and Demographic Personalization},
author = {Yufei Shen and Ji Hwan Park and Minchao Huang and Jared F. Benge and Justin F. Rousseau and Rosemary A. Lester-Smith and Edison Thomaz},
journal= {arXiv preprint arXiv:2509.23158},
year = {2025}
}
备注
Accepted at 2025 IEEE EMBS International Conference on Biomedical and Health Informatics (IEEE BHI 2025)