游戏化人工智能方法用于痴呆症的早期检测

本文旨在开发一种新的基于深度学习的游戏化方法，用于痴呆症的早期检测。本研究整合了一个基于卷积神经网络（CNN）的稳健模型，通过基于认知评估的游戏应用，使用健康指标数据以及面部图像数据进行早期痴呆检测。我们从加尔各答阿波罗诊断中心收集了1000个健康指标数据集样本，标记为痴呆或非痴呆，用于训练游戏第1级的MOD-1D-CNN；另一个包含1800个面部数据的面部图像数据集，由我们的研究团队收集，标记为痴呆或非痴呆，用于训练游戏第2级的MOD-2D-CNN模型。在我们的工作中，所提出的MOD-1D-CNN模型的损失为0.2692，使用真实健康指标数据识别痴呆特征的最高准确率为70.50%。类似地，所提出的MOD-2D-CNN模型的损失为0.1755，使用真实面部图像数据识别痴呆状态的最高准确率为95.72%。因此，采用基于规则的加权方法结合所提出的两种方法以达成最终决策。MOD-1D-CNN和MOD-2D-CNN模型与其他最先进模型相比，参数数量显著减少，是更轻量级和计算效率更高的替代方案。我们将其准确性和参数与其他最先进的深度学习模型进行了比较。