作为认知能力指标的特征行为
机器学习
2021-10-20 v1
摘要
随着机器学习算法和大数据在健康应用中的使用日益增多，数字生物标志物已成为确保这些应用成功的重要关键特征。在本文中，我们关注一个重要的用例，即对老年人认知能力的长期连续监测。认知能力既是独居人群长期监测的一个因素，也是临床研究的一项结果。在本研究中，我们提出了一种基于从非接触式环境传感器获取的位置特征行为的认知能力新型数字生物标志物。利用来自被动红外传感器的室内位置信息，构建了一个涵盖数周测量的位置矩阵。基于该矩阵的特征向量，计算了使用不同数量特征向量时的重构误差。该重构误差通过线性回归用于预测在基线收集的认知能力评分。此外，使用支持向量机对正常与病理性认知水平进行了分类。对于高水平的认知能力，预测性能很强，但对于低水平的认知能力则较弱。正常与病理性认知能力水平的分类达到了高准确率，AUC = 0.94。由于基于非接触式环境传感器的测量方法不引人注目，这种认知能力的数字生物标志物易于获取。重构误差是用于二元分类的强数字生物标志物，在较小程度上也可用于更详细地预测认知的个体间差异。
引用
@article{arxiv.2110.09525,
title = {Eigenbehaviour as an Indicator of Cognitive Abilities},
author = {Angela Botros and Narayan Schütz and Christina Röcke and Robert Weibel and Mike Martin and René Müri and Tobias Nef},
journal= {arXiv preprint arXiv:2110.09525},
year = {2021}
}