基于强化学习驱动的适应性游戏疗法，结合改进的视觉变换器检测模型，用于认知障碍患者的治疗

《BMC Psychology》：Reinforcement learning-driven adaptive game therapy for cognitive impairment patients with improved vision transformer based detection model

　　

摘要

背景

认知功能障碍是一个日益严重的挑战，需要对阿尔茨海默病等神经退行性疾病进行早期诊断和个性化治疗。磁共振成像（MRI）等神经影像技术能够为与认知能力下降相关的脑部变化提供重要的结构和功能信息。然而，现有的基于深度学习的诊断模型存在无法考虑大脑不同切片间的长距离空间依赖关系及上下文信息的问题，从而导致分类精度不佳。

方法

为克服这些限制，本研究提出了一种新框架，该框架结合了改进型视觉变换器（Im-ViT）与基于残差简单循环单元（ResNet-SRU）的多层感知器（MLP），用以捕捉神经影像数据中的空间和时间依赖性。通过多尺度高斯滤波器（MGF）进行预处理，可去除多尺度噪声，提升特征清晰度。此外，该系统还整合了基于视觉工作记忆（VWM）的游戏疗法，其难度级别可通过所提出的基于迭代徒步的强化学习（ItHRL）方法动态调整。

结果

通过对所提模型进行准确性、召回率、精确率、F值、特异性以及均方误差（MSE）等指标的分析，其数值分别为99.62%、99.33%、98.97%、99.56%、99.62%和0.018。

结论

这种结合检测技术与游戏疗法的模型，不仅具有更高的分类精度，还能实现更快的收敛速度，并提升患者的参与度。