基于可穿戴传感器的轻度认知障碍识别：一种结合多领域步态分析与关联规则挖掘的方法

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Wearable sensor-based Mild Cognitive Impairment Identification: A Multi-Domain Gait Analysis Approach with Association Rule Mining

　　

摘要：

轻度认知障碍（MCI）指的是认知功能下降超出了同龄人的正常水平，但日常功能并未受到影响。重要的是，它通常会先于痴呆症出现，因此早期识别对于及时干预至关重要。不过，用传统临床方法来识别MCI仍然具有挑战性。现有研究显示，运动行为与认知表现之间存在显著关联，这为利用惯性测量单元（IMU）进行基于运动的便携式MCI筛查带来了希望。尽管有一些关于MCI识别的研究探讨了基于IMU数据的特征提取，但这些研究大多只关注时域和频域特征，并未系统分析多个领域的特征，这可能限制了对用于筛查的与MCI相关的运动模式的全面理解。此外，这些研究往往依赖特征重要性排序，而这种排序缺乏直接用于临床决策所需的可解释性，从而限制了其临床应用价值。本研究提出了一个整合多领域步态分析与可解释机器学习的框架。在针对老年人的标准化短版身体功能测试（SPPB）中，使用腰部安装的IMU来收集数据。从时间、频率、非线性以及时频四个领域提取了全面的特征。随后采用了一种混合特征选择策略，在降低维度的同时保留与MCI相关的线性和非线性指标。此外，通过关联规则挖掘进一步确定了与MCI密切相关的关键诊断特征组合。我们进行了实地研究并收集了真实世界数据以评估性能。所提出的方法使用支持向量机分类器时，其ROC曲线下面积的平均值为0.897，平均测试准确率为0.828。该方法在实现低成本、高效能的MCI筛查方面展现出巨大潜力...

显示更多