人工智能的认知模型（基于步态的机器学习模型识别遗忘型轻度认知障碍和阿尔茨海默病）

摘要： 背景 随着老龄化社会的到来，与年龄密切相关的认知障碍 ( 包括痴呆 ) 的患病率明显增加先前的研究表明，具有不同认知能力的人群所表现的步态状态也不一样过去研究者们在研究遗忘型轻度认知障碍（aMCI）和阿尔茨海默病（AD）的步态时，使用了统计分析方法，对机器学习方法的使用较少目的 构建基于步态的机器学习模型识别 aMCI 和 AD，探索 aMCI 和 AD 之间的步态标志物，以便将其用作帮助诊断 aMCI 患者和 AD 患者的可能工具方法 于 2018 年 12 月至 2020 年 12 月，从国家康复辅具研究中心附属康复医院、佛山市第一人民医院、大连大学附属中山医院招募了 102 例受试者，按照筛选标准最终纳入 98 例受试者，其中 55 例为 aMCI 患者，10 例为 AD 患者，33 例为健康对照（HC）者使用可穿戴设备采集参与者在单任务（自由行走）、双任务（倍数 7）和双任务（倒数 100）时的步态参数使用随机森林算法（RF）和梯度提升决策树算法（GBDT）建立模型，10 个步态参数作为预测变量，疾病状态（HC、aMCI、AD）作为响应变量，比较两种机器学习算法对 3 个疾病组的识别效果然后使用机器学习算法结合递归特征消除法（RFE）进行重要特征选择结果 三组年龄、性别、身高、体质量、鞋码比较，差异无统计学意义（P>0.05）；MMSE 评分、MoCA 评分比较，差异有统计学意义（P<0.05）自由行走测试时，aMCI组和 AD 组受试者步幅较 HC 组短，足跟着地角度较 HC 组小；AD 组步速较 HC 组和 aMCI 组受试者慢，足趾离地角度较 HC 组小（P<0.05）双任务倍数 7 测试时，aMCI 组和 AD 组受试者步速较 HC 组慢，足趾离地角度和足跟着地角度较 HC 组小；AD 组支撑时间较 HC 组长，足趾离地角度较 aMCI 组小（P<0.05）双任务倒数 100 测试时，AD 组步速较 HC 组和 aMCI 组受试者慢，足趾离地角度和足跟着地角度较 HC 组和 aMCI 组小，步幅较 HC 组短；aMCI 组足跟着地角度较 HC 组小（P<0.05）GBDT-RFE 方法发现 aMCI 和 AD 之间的重要步态特征是步幅、足趾离地角度和足跟着地角度，并在 RF 模型中实现了识别 aMCI 和 AD 的最佳性能，最高准确率为 87.69%结论 步幅、足趾离地角度和足跟着地角度是识别 aMCI 患者和 AD 患者的重要步态标志物，未来临床医生可依据重要步态标志物诊断和治疗aMCI 患者和 AD 患者，我来为大家科普一下关于人工智能的认知模型?以下内容希望对你有帮助!

人工智能的认知模型

摘要： 背景 随着老龄化社会的到来，与年龄密切相关的认知障碍 ( 包括痴呆 ) 的患病率明显增加。先前的研究表明，具有不同认知能力的人群所表现的步态状态也不一样。过去研究者们在研究遗忘型轻度认知障碍（aMCI）和阿尔茨海默病（AD）的步态时，使用了统计分析方法，对机器学习方法的使用较少。目的 构建基于步态的机器学习模型识别 aMCI 和 AD，探索 aMCI 和 AD 之间的步态标志物，以便将其用作帮助诊断 aMCI 患者和 AD 患者的可能工具。方法 于 2018 年 12 月至 2020 年 12 月，从国家康复辅具研究中心附属康复医院、佛山市第一人民医院、大连大学附属中山医院招募了 102 例受试者，按照筛选标准最终纳入 98 例受试者，其中 55 例为 aMCI 患者，10 例为 AD 患者，33 例为健康对照（HC）者。使用可穿戴设备采集参与者在单任务（自由行走）、双任务（倍数 7）和双任务（倒数 100）时的步态参数。使用随机森林算法（RF）和梯度提升决策树算法（GBDT）建立模型，10 个步态参数作为预测变量，疾病状态（HC、aMCI、AD）作为响应变量，比较两种机器学习算法对 3 个疾病组的识别效果。然后使用机器学习算法结合递归特征消除法（RFE）进行重要特征选择。结果 三组年龄、性别、身高、体质量、鞋码比较，差异无统计学意义（P>0.05）；MMSE 评分、MoCA 评分比较，差异有统计学意义（P<0.05）。自由行走测试时，aMCI组和 AD 组受试者步幅较 HC 组短，足跟着地角度较 HC 组小；AD 组步速较 HC 组和 aMCI 组受试者慢，足趾离地角度较 HC 组小（P<0.05）。双任务倍数 7 测试时，aMCI 组和 AD 组受试者步速较 HC 组慢，足趾离地角度和足跟着地角度较 HC 组小；AD 组支撑时间较 HC 组长，足趾离地角度较 aMCI 组小（P<0.05）。双任务倒数 100 测试时，AD 组步速较 HC 组和 aMCI 组受试者慢，足趾离地角度和足跟着地角度较 HC 组和 aMCI 组小，步幅较 HC 组短；aMCI 组足跟着地角度较 HC 组小（P<0.05）。GBDT-RFE 方法发现 aMCI 和 AD 之间的重要步态特征是步幅、足趾离地角度和足跟着地角度，并在 RF 模型中实现了识别 aMCI 和 AD 的最佳性能，最高准确率为 87.69%。结论 步幅、足趾离地角度和足跟着地角度是识别 aMCI 患者和 AD 患者的重要步态标志物，未来临床医生可依据重要步态标志物诊断和治疗aMCI 患者和 AD 患者。

本文来源：陶帅, 韩星, 孔丽文, 汪祖民, 谢海群. 基于步态的机器学习模型识别遗忘型轻度认知障碍和阿尔茨海默病[J]. 中国全科医学. DOI: 10.12114/j.issn.1007-9572.2022.0437.（点击文题查看原文）