国际阿尔茨海默病杂志

PDF
国际阿尔茨海默病杂志/2021/文章

回顾文章|开放获取

体积 2021 |文章的ID 2679398 | https://doi.org/10.1155/2021/2679398

Rajaram Narasimhan, Muthukumaran G., Charles McGlade 用于监测活动模式以检测阿尔茨海默病轻度认知障碍症状的非可穿戴传感器技术的现状”,国际阿尔茨海默病杂志 卷。2021 文章的ID2679398 18 页面 2021 https://doi.org/10.1155/2021/2679398

用于监测活动模式以检测阿尔茨海默病轻度认知障碍症状的非可穿戴传感器技术的现状

学术编辑器:弗朗西斯科·潘
收到了 2020年7月12日
修改后的 2021年1月20日
接受 1月26日2021
发表 2021年2月10日

摘要

轻度认知障碍(MCI)可能是阿尔茨海默病(AD)的一个过渡阶段,并强调了早期发现这一阶段的重要性。在MCI阶段,虽然老年人在日常工作中并不完全依赖他人,但在记忆、注意力等方面有轻微的障碍,对他们的日常活动/惯例有微妙的影响。智能传感技术,如可穿戴式和非可穿戴式传感器,再加上先进的预测建模技术,可实现基于MCI症状早期检测的日常活动/日常生活。非可穿戴式传感器侵入性更小,可以在自然环境中监测活动,而不会干扰个人的日常生活。这篇综述试图回答以下问题:(1)使用非可穿戴传感器技术以不引人注目的方式利用日常活动数据早期检测MCI/AD的证据是什么?(2)在这种早期检测方法中,机器学习方法是如何用于分析活动数据的?系统检索了IEEE Explorer、PubMed、Science Direct和谷歌Scholar等数据库中自创建以来至2019年3月发表的论文。所有符合以下标准的研究都被检查了:检测/预测MCI/AD的研究目标,检测MCI/AD的日常活动数据,用于监测活动模式的非侵入性/非可穿戴式传感器,以及用于创建预测模型的机器学习技术。在检索到的2165篇论文中,有12篇论文符合纳入本综述的条件。本文综述了传感器、活动域/特征、活动识别方法和异常检测方法等方面的多样化选择。 There is no conclusive evidence on superiority of one or more of these aspects over the others, especially on the activity feature that would be the best indicator of cognitive decline. Though all these studies demonstrate technological developments in this field, they all suggest it is far in the future it becomes an effective diagnostic tool in real-life clinical practice.

1.简介

阿尔茨海默病国际(ADI)发表的一项全球研究和报告[1],据估计,痴呆症影响了5000万人,造成全球经济损失超过1万亿美元。世界上每三秒钟就有一个人患上痴呆症。据估计,这一数字几乎每20年就会翻一番,到2030年达到7500万,到2050年达到1.315亿。这对医疗成本、患者的生活质量以及他们的护理人员都有毁灭性的影响。痴呆症是一种神经退行性疾病,患者的记忆、思维、行为和日常活动能力都在恶化。虽然痴呆症主要影响老年人,但它不是衰老的正常组成部分。虽然目前还没有治疗痴呆症的方法,但其原因和预防方法正在进行密集的研究。一些研究和分析表明,在早期阶段治疗这种疾病,在社会和财政结果方面将更加有效[23.].

根据世界卫生组织[4],阿尔茨海默病(AD)是最常见的痴呆症形式,可能导致60-70%的病例。由于这种神经退行性疾病(如AD)的进展可能长达30年,因此尽早发现这种疾病非常重要。研究发现,如果早期应用某些干预/治疗,可以在认知和行为领域延缓和减少AD的症状[5].据了解,AD的发展分为三个阶段。第一个阶段是前驱症状或临床前阶段,某些生理变化开始发生(特别是大脑的微观变化,如神经细胞的破坏/损伤),但个体没有明显的症状,因此很难将这一阶段与正常的认知健康区分开来。第二种状态是轻度认知障碍(MCI),与思考相关的某些症状开始变得明显。在这一阶段,虽然老年人在日常工作中并不完全依赖他人,但在记忆、注意力等方面会出现轻微的障碍,并对他们的日常活动产生微妙的影响。然而,轻度认知障碍并不一定会导致痴呆。第三个阶段,也就是最后一个阶段,是阿尔茨海默氏症,此时认知和行为症状已经很明显,日常功能受到影响。6].第三阶段本身通常分为3个阶段:早期、中期和晚期(尽管不是离散的)。在早期,日常功能不受严重影响;在中期,个人可能会经历记忆力衰退,解决日常任务的问题,进行日常活动的困难,视力问题,沟通困难,包括词汇损失;在晚期,个体变得越来越反应迟钝,甚至在基本的日常活动/个人护理上都依赖他人。

存在一些传统的评估方法(临床,神经心理学),通过自我报告,告密者报告问卷和临床评估来评估心理,认知和行为症状,通常由合格的专业人员管理。这些测试的一些例子包括认知能力-小型精神状态检查(MMSE),数字消去测试,神经心理状态评估的可重复电池(RBANS),前瞻性和回顾性记忆问卷(PRMQ) [7- - - - - -10];用于移动测试- tug,臂曲[1112];以及抑郁症评估- gds [13].通常,当老年人的家庭成员注意到这些症状并带他们去做评估时,AD病情可能已经进展,导致诊断延迟。传统的评估方法有一定的缺点,例如它们消耗大量的时间和人力,提供时间点观察,需要定期评估,没有监测老年人的日常情况,有时包括有偏见的报告,并且可能不能全面了解老年人的功能表现。

MCI是指如果仔细监测,日常活动表现可能会发生明显变化的阶段,可能是向更严重病情发展的过渡阶段。因此,研究工作的重点是在早期发现轻度认知障碍,以便给予适当的干预措施,以维持独立生活。如上所述,在MCI阶段,老年人在日常生活和活动中遇到中度困难。如睡眠障碍、行走困难、无法完成任务等行为变化,可以通过仔细监测日常活动中异常模式的存在来检测。日常活动包括基本的日常生活(ADL)(如洗澡、吃饭和散步),工具性的日常生活(如做饭和使用电话),以及其他活动,如睡觉。多项研究表明,日常活动是早期诊断轻度认知障碍的适当功能指标[14- - - - - -16].

智能传感技术的进步为研究人员探索早期检测老年人认知变化的可能性提供了大量机会。一些研究利用可穿戴式和非可穿戴式传感器来监测老年人的活动并检测行为变化。这些研究[1718]表明,在智能环境中,通过持续监测,可以早期发现功能障碍。可穿戴传感器具有较高的定位精度和跟踪能力;然而,它们在本质上更具侵入性。此外,基于可穿戴传感器的监测要求具有不同程度认知水平的老年人记住佩戴设备,并经常为设备充电。另一方面,非穿戴式传感器侵入性更小,可以监测真实、自然环境中的活动,而不会对个人的日常生活造成任何干扰。一些非穿戴式传感器的例子包括运动传感器、门接触传感器、压力传感器、温度传感器和床垫。1920.]证明了非可穿戴传感技术在不引人注目地监测老年人活动和检测任何认知衰退方面的实用性。由于阿尔茨海默病是一种随时间发展的退化,有人认为,认知能力下降的最佳指标不一定是基于一个人在任何单一时间点的表现,而是通过监测随时间的趋势和持续时间内变化的可变性来检测[21].由于非可穿戴传感技术能够持续监测老年人的活动,并识别随着时间的推移的活动趋势,因此这一研究领域越来越关注在现实生活中,自然环境中利用不引人注目的监测。广泛的非可穿戴传感器和相关技术为研究人员从众多传感器中进行选择,确定最佳传感器拓扑结构,并采用各种技术提取/识别活动模式提供了很大的空间。基于机器学习(人工智能的一个子领域)的模型在最近的研究中被广泛应用,利用基于传感器的活动数据预测行为/认知异常。尽管有这些优势,但目前还没有确定的通用标准来管理传感器选择、活动识别和异常检测。然而,这是一个新兴的新研究领域,一些研究探索了基于非可穿戴设备的智能传感在提高生活质量方面的优势。在这篇综述中,我们对这一研究领域的现状进行了调查,以回答以下问题:(1)使用非可穿戴传感器技术以不引人注目的方式利用日常活动数据早期检测MCI或阿尔茨海默病的证据是什么?(2)在这种早期检测方法中,机器学习方法是如何用于分析活动数据的?

2.文献综述方法

我们使用IEEE Explorer、PubMed、Science Direct和谷歌Scholar等数据库搜索我们感兴趣的相关文章。完成的搜索材料的时间线一直延伸到2019年3月初。首先,通过检索上述数据库进行文章识别。在每个数据库中,我们的搜索策略都包含带有AND或逻辑运算符的关键字组合。我们的搜索策略主要包括“智能家居”、“老年人”、“认知障碍”、“传感器”、“ADL”、“预测”和“机器学习”等术语。这些术语的交集清楚地代表了我们感兴趣的主题。此外,我们的搜索策略仅限于英语文章。下面给出了IEEE资源管理器中的一个示例搜索策略。

(“预测”或“监控”或“机器学习”或“机器学习”或“监督学习”或“无监督学习”或“监督学习”或“无监督学习”或“认知评估”或“检测”或“预测”或“识别”或“人工智能”或“支持向量机”或“人工智能”或“支持向量机”)和(“传感器”或“物联网”或“传感器数据”或“物联网数据”或“不醒目”或“设备”或“可穿戴”或“遥测”)和(“智能“家庭”或“家庭”或“活动意识”或“室内”或“房屋”或“老年护养院”或“老年护养院”或“老年护养院”或“老年人之家”或“公寓”)和(“痴呆症”或“认知障碍”或“轻度认知障碍”或“阿尔茨海默病”或“MCI”或“认知健康”或“与年龄有关的障碍”或“AD”或“衰老”或“认知缺陷”或“功能缺陷”或“痴呆”或“认知缺陷”或“认知衰退”)和(“日常生活活动”或“ADL”或“功能测量”或“行为”或“日常任务”或“活动表现”或“行为特征”或“活动识别”或“功能表现”或“行为模式”或“日常生活活动”或“ADL”)和(“高级”或“老年人”或“居民”或“老年人”或“老年人”或“独立衰老”或“优雅衰老”或“独立生活”

图中显示了搜索方法的图示1

第二步,对这些文章进行筛选。筛选步骤包括(a)通过标题和摘要,(b)根据以下预定的标准包括或排除文章:

为有资格进行进一步审查,研究/研究:(一)研究目标是检测/预测MCI或AD吗(b)利用日常活动数据集作为MCI检测的基础(c)部署非侵入性/非可穿戴传感器/设备,用于监测老年人的活动模式(d)包括机器学习算法/技术来创建预测模型

具有以下一个或多个方面的文章被排除在外,以供进一步审查:(一)目标是监测老年人的健康状况,而不是检测/预测认知障碍(例如,跌倒检测)。(b)仅使用侵入式传感器,如摄像机或可穿戴设备,如加速度计(c)利用非adl方法检测认知障碍或神经退化(例如,使用手机游戏)

最初的搜索结果是2165篇文章。基于标题/摘要筛选,共筛选出142篇文章进行全文筛选。在资格鉴定和定稿的最后一步,对142篇文章进行全文筛选,并筛选出12篇文章进行最终审稿。在合格和定稿阶段的主要排除标准为:文章非研究研究、重复文章、研究方法不够清晰或研究结果和解释不够清晰。

3.结果

通过搜索四个电子数据库,我们能够检索到2165篇英语论文。经过筛选和评审,有12篇论文符合纳入本综述的条件(见表1)1而且2) [22- - - - - -33].这12项研究被设计为纵向或横断面,老年人的活动通过他们家中(普通住宅单元)或智能家居试验台的传感器进行监测。在纵向研究中,使用智能传感器对老年人进行持续监测,在横断面研究中,要求老年人执行脚本任务,以评估他们的功能表现。研究样本量为1至179名参与者,平均年龄为60至85岁。研究(或数据收集)的持续时间范围很广,从1小时到3年。智能家居或智能试验台安装的非穿戴式传感器数量从2个到67个不等。这12项研究的重点是监测不同的活动(基本ADL、工具性ADL)和其他日常生活习惯,如睡眠和休息,这符合本综述的范围。


研究 研究设计;主要目标 参与者;平均年龄;平均数据收集时间 重点活动 机器学习技术 收集/预处理数据的性质 传感器数据采集中的伪影检测/校正 解决可变性、可靠性等问题的方法。 主要结果

阿尔伯迪等人。[22 纵向研究
(ii)分析活动特征与认知/行为健康评估分数之间的相关性
(iii)检测可能作为AD指标的认知/行为症状
参与者:CH: 13人;危险:10;MCI: 6;平均年龄:84.35;病程:19.95个月 bADL, iADL,睡眠,其他日常事务 回归:SVR, LR, KNN;分类:SVM, AdaBoost, MLP, RF 从传感器事件数据流中识别活动,然后计算日级别的活动/行为特征,形成“时间序列”数据。从这些“时间序列”数据中,使用滑动窗口方法计算汇总统计特征,以便进一步分析。 高斯去屑——去除时间序列中非平稳分量(如周期分量)的影响 计算可靠变化指数(RCI)(标准化方法),以解决健康评估得分的学科间可变性。本研究中测试分数的RCI计算利用了测试在其开发队列和/或以前工作中显示的测试重测信度和标准偏差值。 基于传感器的活动观察,如睡眠和夜间模式以及日常生活特征,对各种认知评估分数的预测有显著贡献。
Schinle等人。[23 纵向研究
(ii)以个体的昼夜节律和夜间活动作为相关参数,检测痴呆发病的可能指标
参与者:10;平均年龄:NS;持续时间:13个月 运动模式来推断睡眠模式 局部离群因素(聚类) 从原始传感器事件数据流中,导出了两种类型的事件,即运动事件和室外事件。基于这些事件的密度,确定了三种测量方法,如起床时间、睡觉时间和夜间活动次数。每一项测量都形成了学习行为特征和趋势的时间序列数据。 在伪影检测和校正方面没有具体的讨论。然而,作者指出,单个运动传感器无法检测到传感器视觉之外的许多活动(例如,潜在运动),这将导致“没有运动”的理解影响预测的准确性。 NS 根据定义的异常检测规则,从活动趋势数据中识别起床时间/睡觉时间,将其分为无异常、轻微异常和严重异常。这些规则是在研究了几个家庭的起床和睡觉时间的分布后,启发式地定义的。
沙玛等人。[24 纵向研究
(二)利用传感器的ADL数据发现轻度认知损伤的早期症状
(iii)填补传感器故障造成的数据空白的地址
参与者:50;平均年龄:NS;持续时间:6个月 日常生活模式 RNN 基于传感器原始数据流的时间序列推理来表达人类例行程序。 使用RNN等时间序列预测技术填补由于故障传感器/失效传感器造成的数据缺口(传感器值缺失)。缺少传感器值表示传入传感器数据流中存在某种噪声。 NS 通过某一天的传感器数据识别出的参与者的所有活动,与前一天同一参与者的数据进行比较,计算偏差;如果这种偏差持续超过一个月,就会发现异常,并进行进一步的临床评估。
Akl等人[25 纵向研究
(二)基于家庭的MCI症状自动检测,通过个人的房间活动分布
参与者:CH-59;a-MCI: 11;na-MCI: 15;平均年龄:不清楚;持续时间:平均3年 一般家庭活动模式 亲和传播(聚类) 利用原始传感器数据流中的活动数据计算房间活动概率分布。这些概率分布被认为是固定时间间隔上的离散值,而不是作为时间序列数据处理。 当看到不寻常的活动模式(零,太多等)时,丢弃了某些天的传感器读数,这可能是由于各种原因,如研究参与者有访客或某些传感器故障等。 NS 个体的活动分布,结合所有四个房间,即卧室、浴室、客厅和厨房,被发现是预测个体“认知完整”或“MCI”的重要因素。在MCI类中,过渡到“a-MCI”亚型的个体在卧室活动分布上表现出显著变化,主要归因于睡眠模式紊乱。
Akl等人[26 纵向研究
(二)基于行走速度和通过不突发性传感技术识别的一般活动,自主检测轻度认知障碍症状
参与者:CH: 79;MCI: 18;平均年龄:不清楚(70岁及以上);持续时间:171.9周 bADL,其他日常事务 支持向量机、射频 从原始传感器事件数据流中,计算出与步行相关的预定义度量值,并采用基于滑动窗口的信号处理方法将这些度量值转换为特征值。这些特征作为机器学习建模和预测的数据点。 当看到不寻常的活动模式(零,太多等)时,丢弃了某些天的传感器读数,这可能是由于各种原因,如研究参与者有访客或某些传感器故障等。 NS 每周行走速度相关的测量轨迹以及参与者的年龄和性别是检测老年人MCI的最重要因素。这个特征,“度量的轨迹”,指的是在每个窗口(“l”周)中出现的相应度量的连接。
Albeiruti等人。[27 纵向研究
(ii)基于简单运动传感器识别的运动模式,检测老年人行为的突然和逐渐异常
参与者:CH: 1人;平均年龄:NS;时长:219天 运动模式 传感器发射状态(来自原始传感器数据)在学习表征受试者行为的隐马尔可夫模型参数时被视为观察状态。由观测数据(训练数据)推导出一个传感器在另一个传感器发射后的概率分布。 在观察到“ON”状态而没有相应的“OFF”状态时,进行手动清理以丢弃传感器读数。 NS 行为模型(基于运动模式)能够在监测期内的特定日子检测到异常情况。异常天数可能是认知能力下降的指标。

ADL:日常生活活动;a-MCI:失忆性MCI;bADL:基本ADL;CH:认知健康;HMM:隐马尔可夫模型;MCI:轻度认知障碍;na-MCI:非遗忘性MCI;NS:未指定;RF:随机森林;RNN:循环神经网络; SVM: Support Vector Machine.

研究 研究设计;主要目标 参与者;平均年龄;平均数据收集时间 重点活动 机器学习技术 收集/预处理数据的性质 传感器数据采集中的伪影检测/校正 解决可变性、可靠性等问题的方法。 主要结果

卢西尔等人。[28 横断面研究
(ii)检查基于传感器的活动数据与MCI临床诊断、认知表现和基于绩效的测量之间的相关性
参与者:CH: 26人;MCI: 22;平均年龄:NS;持续时间:NS bADL, iADL 回归分析 传感器读数被用来计算参与者执行脚本任务的持续时间。报告了在两个不同地点进行的单一试验,并且从传感器数据中得出的措施的时间序列处理没有相关性。 NS 通过方差分析检查传感器数据的跨站点验证:两个站点在每个生活区域花费的时间以及家用电器和存储的使用方面具有可比性。 基于传感器的活动数据与记忆和执行表现相关,并显著有助于MCI的预测。
Arifoglu等人。[29 纵向和横断面研究
(ii)从基于传感器的活动数据中识别活动模式,并检测与痴呆症相关的异常行为
纵向研究参与者:CH: 1;横断面研究参与者:CH: 20;平均年龄:NS;时长:不清楚 bADL, iADL,睡觉 CNN, LSTM 传感器数据通过滑动窗口方法离散化,时间切片长度为60秒,形成tXf矩阵的时间序列块,其中行为时间切片,列为传感器读数。将预处理后的数据作为CNN的输入进行分类。 NS 为了显示所提出的CNN-2D分类器的鲁棒性,计算了Cohen的Kappa统计量。值为0.64431表示基本一致。 当同时考虑时间和特征维度时,活动识别和异常模式检测的结果被发现是有希望的,特别是在重复相关活动和混淆相关活动的情况下。
保罗等人[30. 纵向研究
(ii)从基于传感器的活动数据中,推导出行为/活动特征,并确定任何可能预测痴呆症发作的异常活动模式
参与者:CH: 5人;MCI: 5;年龄:80-91岁;时长:不清楚 bADL, iADL,睡觉 逻辑回归,LDA, DT, SVM, KNN, RF, Ada Boosting,一类SVM 从原始传感器数据流中,导出与每个活动相关的特征,并将其作为建模的数据点。在训练和测试模型时,这些数据点被视为离散数据点,而不是任何时间序列。 NS NS 无论任何特定的活动领域,所有活动的特征都有助于将受试者分为健康组或MCI组。
Gochoo等人。31 纵向研究
(ii)从基于传感器的活动数据中,推导出可作为个体认知状态指标的Martino-Saltzman (MS)出行模式
参与者:CH: 1人;平均年龄:NS;时长:625天 运动模式 深度CNN, NB, GB, RF 原始数据集表示一个长列表的连续运动(运动传感器数据)被分割成组的旅行插曲。在前一集结束后,原始传感器数据中出现任何运动时,则开始发作,如果超过10秒没有运动,则发作停止。每一集都被转换成 二值图像输入到DCNN模型。 当看到不寻常的活动模式(零,太多等)时,丢弃了某些天的传感器读数,这可能是由于各种原因,如研究参与者有访客或某些传感器故障等。 NS 每一集都被分为一种模式——直接、节奏、轻拍和随机。这些结果可作为进一步临床评价和诊断的前导。
李等人。[32 横断面研究
(ii)对老年人进行快速筛查,并利用来自iADL数据的基于运动轨迹的特征将其分为痴呆组或非痴呆组
参与者:CH: 72人;MCI: 43;痴呆:7;年龄:60-74岁;持续时间:NS bADL, iADL 贝叶斯网络,支持向量机,RF, NB 当参与者进行活动时,每个活动触发的运动传感器的id被组合在一起,形成该活动的运动“轨迹”。从这些轨迹中提取适当的特征,并将其输入到学习算法中。 NS NS 徘徊模式,如踱步和拍打(作为表示的轨迹特征),在患有痴呆症和没有痴呆症的受试者之间有显著不同。被归为痴呆组的受试者无法区分MCI和CH,这可能是由于在很短的时间内进行的活动的性质。
达瓦迪等人[33 横断面研究
(ii)根据传感器捕获的活动数据自动计算活动性能评分;将此评分与专家分配的评分相关联,并根据此自动评分预测认知健康状况
参与者:CH: 145人;MCI: 32;民主党:2;平均年龄:不清楚;〇多年龄段 哟; 45-59哟; 60 - 74哟; 哟;时长:1小时 bADL, iADL SVM (bagged), NN, NB 从传感器事件数据流中识别活动(脚本任务),然后计算活动特征,以指示任务完成质量和并行度。报告了在单个地点进行的单一试验,并且从传感器数据中得出的措施的时间序列处理没有相关性。 NS 两位训练有素的神经心理学家观察了参与者执行任务的情况,并记录了两个分数,即任务准确性和顺序得分。传感器衍生的任务特征被检查与这些观察者的评分相关。评分者之间的可靠性一致性分别为97.88%和99.57%。 相关性( 智能家居传感器衍生的特征和任务准确性得分之间被发现具有统计学意义(而不是任务排序得分)。在预测认知健康的同时,研究能够在CH和痴呆之间进行分类,其准确性高于CH和MCI之间的分类。

ADL:日常生活活动;a-MCI:失忆性MCI;bADL:基本ADL;CH:认知健康;CNN:卷积神经网络;DT:决策树;GB:梯度增强;HMM:隐马尔可夫模型;iADL:工具性ADL;KNN: K个最近邻; LDA: linear discriminant analysis; LSTM: long short-term memory; MCI: mild cognitive impairment; na-MCI: nonamnestic MCI; NB: Naïve Bayes; NN: neural network; NS: not specified; RF: Random Forest; RNN: recurrent neural network; SVM: Support Vector Machine.

12项研究中的9项[2225- - - - - -2729- - - - - -33]利用公共数据集进行分析和建模,其余三项研究[232428]部署了自己的传感器来获取活动数据。在使用的公共数据集中,CASAS智能家居数据(华盛顿州立大学自适应系统高级研究中心)被七项研究使用[222729- - - - - -33], ORCATECH智能家居数据(俄勒冈健康与科学大学俄勒冈老龄化与技术中心)用于两项研究[2526].

如前所述,AD是一种随时间发展的变性,了解这种疾病的时间或顺序性质是很重要的。因此,我们总结并将这12项研究分为两组,这取决于他们是否考虑了这种疾病的进行性,并相应地进行了传感器数据分析和预测。这两组分别是(1)考虑退行性变进行性质的研究和(2)不考虑退行性变进行性质的研究。表格1提供第1组研究的一般特征[22- - - - - -27]和Table2提供第2组研究的一般特征[28- - - - - -33].

在第一组中,所有这些研究都遵循纵向设计,并采用不同的方法来了解进展的时间性质。采用的一种方法是使用滑动时间窗方法从传感器捕获的活动数据中计算时间序列统计特征,并识别随时间的行为变化[22].另一种采用的方法是根据传感器活动数据构建受试者的活动趋势/概况[23],这一趋势/剖面显示了行为随时间的变化。在另一种方法中,根据每个受试者每天的传感器数据识别出的所有活动,与前一天同一受试者的数据进行对比,以检测变化,从而识别随时间演变的变化[24].在另一种方法中,基于活动数据,创建行为模型,其中包括使用滑动时间窗方法计算的参数,并表示随时间演变的变化[25- - - - - -27].

在第二组中,纵向[29- - - - - -31]及横截面[283233]的研究可以看出。尽管本组的纵向研究收集了连续一段时间内的活动数据,但在建模和分析中没有考虑到活动/行为随时间发生的变化(时间性质)。在横断面研究中,参与者被要求执行一次脚本任务,并导出相应的活动特征用于建模和分析。

4.讨论

通过文献检索,我们最终确定了12篇论文,这些论文都没有在2013年之前发表。这不仅说明了本文研究课题的新颖性,也说明了该领域的研究仍处于新兴阶段。这些研究说明了非可穿戴传感器网络在临床实践中的适用性,这些传感器可以有效地检测异常活动模式,从而检测认知能力下降。

本综述的第一个目的是以一种不引人注目的方式利用日常活动数据,概述非可穿戴传感器在MCI/AD早期检测中的使用。我们回顾了12项研究,其中包括各种非可穿戴传感器,计数范围从2到67,以及由这些传感器监测的各种日常活动/惯例(表2)3.).从单个活动到多个活动的组合都使用这些传感器进行监测。在所有这些研究中,运动活动领域是检测认知/功能衰退的主要领域。运动领域包括老年人在住所内外的流动性或老年人进行某些活动的运动模式/轨迹。在回顾的研究中,家庭生活领域是仅次于运动领域的第二大领域。家庭生活除了一般的家务外,主要包括烹饪活动。因此,从技术和临床角度来看,认知/功能衰退的这些指标(运动和家庭生活领域)是合适的选择。


研究 非穿戴式传感器和计数 活动域(传感器监控) 活动/例行(传感器监测) 用于分析的其他测量数据(非传感器数据) 活动认识吗? 异常检测吗? 适应现实环境 颗粒活性特征分析

阿尔伯迪等人。[22 PIR运动传感器:16
门磁:2
温度传感器:4
光传感器:16
运动 走出家门 行为/健康评估:手臂弯曲和TUG移动测试,数字消除测试,RBANS和PRMQ, GDS 是的 是的 在部署成熟的早期 细粒度特征分析
自我保健 饮食,个人卫生,如厕,大小便失禁
家庭生活区 烹饪
被动活动 睡觉,休息
日常生活 日常生活
Schinle等人。[23 PIR运动传感器
门接触传感器
运动 运动,走出家门 NA 是的 是的 在部署成熟的早期 粗粒度特征分析
沙玛等人。[24 PIR运动传感器、温度传感器、振动传感器计数:NS 日常工作 日常工作 NA 没有 是的 仅供初步/快速筛选 粗粒度特征分析
Akl等人[25 PIR运动传感器:7
门接触传感器:3
日常工作 家庭活动 NA 没有 没有 在部署成熟的早期 粗粒度特征分析
Akl等人[26 PIR运动传感器:13
运动传感器:4个
门接触传感器:3
运动 走出家门 年龄,性别 没有 没有 在部署成熟的早期 粗粒度特征分析
日常工作 日常工作
Albeiruti等人。[27 PIR运动传感器:31 运动 运动 NA 没有 是的 在部署成熟的早期 粗粒度特征分析
卢西尔等人。[28 -波式红外运动探测器:6
电传感器:2个
门接触传感器:4
家庭生活区 做家务,做饭 执行功能和记忆评估得分
活动表现专家评分
没有 没有 早熟的:早熟的;有利于初步筛查,以便进一步随访 细粒度特征分析
学习,应用知识 读书,接电话
Arifoglu等人。[29 运动传感器:31
门接触传感器:3
运动 出门在外 NA 是的 是的 在部署成熟的早期 粗粒度特征分析
自我保健 饮食,个人卫生,如厕
家庭生活区 烹饪
被动活动 睡觉,休息
保罗等人[30. PIR运动传感器:23
门磁:6
温度传感器:5
光传感器:23
运动 出门在外 NA 是的 没有 在部署成熟的早期 细粒度特征分析
自我保健 饮食,个人卫生,如厕
家庭生活区 烹饪
被动活动 睡觉,休息
Gochoo等人。31 运动传感器:31 运动 运动 NA 没有 没有 适用于初步筛查,以便进一步随访/诊断;在实时应用中检测游离运动的可能性 粗粒度特征分析
李等人。[32 运动传感器:52 家庭生活区 做家务,做饭 活动表现专家评分 没有 没有 早熟的:早熟的;有利于初步筛查,以便进一步随访 粗粒度特征分析
自我保健 吃药
学习,应用知识 准备信件,搜索特定的视频,搜索特定的服装
沟通 接听电话
达瓦迪等人[33 运动传感器:27个
门传感器:10个
物品传感器(厨房):5
温度传感器:2个
光传感器:4个
监测水和燃烧器使用的传感器:3
家庭生活区 做家务,做饭 活动表现专家评分
基于神经心理测试的认知诊断
没有 没有 在部署成熟的早期 细粒度特征分析

PIR:被动红外;RBANS:神经心理状态评估的可重复电池GDS:老年抑郁症量表;NS:未指定;前瞻与回顾记忆问卷;托格:计时开始。

很少有研究[23252731]只考虑一个活动域进行监测,相应地设计模型来预测认知能力的下降,并获得了更好的模型性能/结果。另一方面,很少有研究[273132]能够证明,相对于多种传感器类型,使用单一传感器类型足以预测认知/功能衰退,并进一步显示了更好的预测结果(除了一项研究[27],其中没有指定结果)。传感器的选择和这些传感器的位置/布局在监测系统中至关重要,它们很容易在任何家庭设置中推广和重现。在回顾的十项研究中,Schinle等人[23]在实验中仅使用了两个传感器(1个运动传感器和1个门接触传感器),能够检测异常,准确度高达92.3%。因此,这项研究提出了一种廉价的监测装置,似乎对任何家庭布局都具有高度的普遍性。李等人。[32]和Gochoo等人。[31]从运动传感器数据中推导出旅行模式或轨迹,并检测出参与者运动模式中的异常。虽然这些研究使用了几个传感器,但用于检测异常的方法似乎可以推广到任何智能家居设置。其他研究[222930.]使用了多个传感器(高达38个)来监测活动,这导致了成本效益问题,并将复杂的传感器布置转化为现实生活中的情况。

除了传感器捕获的活动数据外,很少有研究[22283233]在建模和分析中包括了非传感器数据,如神经心理评估得分和活动表现得分。这些研究发现,这两类数据之间存在统计上显著的相关性,并定义了检测认知能力下降的方法。虽然非传感器数据点为预测模型提供了更多的上下文特征,但这些研究的预测结果与仅使用传感器捕获数据的研究没有显著差异。这就提出了在现实生活中的家庭监控场景中活动表现评分的适用性和可行性的问题。

采用多种方法从原始传感器数据中计算活动特征,并将其用于预测分析。考虑到回顾的研究中活动特征分析的异质性,我们定义了两类分析来比较结果,即粗粒度特征分析和细粒度特征分析。在粗粒度特征分析方法中,没有从原始传感器数据(例如基于运动数据的运动轨迹和唤醒时间序列)中计算出更详细的活动特征或特征。在细粒度特征分析方法中,从原始传感器数据(例如,步行速度、运动数据覆盖的距离、烹饪时间和睡眠持续时间)中计算出活动特征或特征的更详细信息。可以观察到,这两类分析在早期检测过程中产生了类似的结果。

大多数研究,特别是基于家庭的监测,没有报告研究参与者的任何可接受性问题。这可能是由于这些研究中部署的传感器的不突兀性。

从多点实验/试验的角度来看,7项研究[22- - - - - -26] [2830.],报告了在多个站点进行实验(智能家居住宅用于现实生活中的监控,智能家居测试实验室用于一次性脚本任务执行)。在这些研究中,只有研究[28],通过统计方法(ANOVA)检验了传感器数据的站间验证,而其他研究没有报道在多点环境中收集的数据的任何此类验证。多站点实验可能存在数据集间的可变性,这可能是由于传感器的选择映射到某些活动的监测,以及将监测受试者日常活动的家庭或实验室设置的布局等。为了克服这种可变性,在涉及传感器的多点研究中应遵循一些关键的设计考虑因素。因此,标准化跨站点研究方案非常重要,其中包括传感器的选择和放置、数据收集的适当顺序以及数据集成的规划。这种标准化将使有效的综合分析成为可能,其中多点传感器数据将被组合、预处理和建模,以获得更好的结果。

为了保证研究能够在一段时间内产生一致的结果/结果,实验需要考虑测试-重测的可靠性设计。没有一项被回顾的研究报告了任何这样的试验-再试验设计。测试-再测试信度设计可以在许多方面帮助涉及基于传感器的活动监测的研究,例如(a)选择相关特征/测量,证明测量老年人活动的可靠性和普遍性,(b)确定用于进一步纵向监测的可靠受试者队列,以及(c)确定监测的可靠持续时间。

本文的第二个目的是介绍目前机器学习方法在使用非可穿戴传感器数据预测认知衰退/MCI方面的最先进技术。从回顾的研究中,很明显,各种各样的机器学习技术被用于预测(表1而且2).在这些研究中使用的所有机器学习技术中,支持向量机(SVM)和随机森林(RF)是最常用的技术(5项研究)。除了这些技术,使用最广泛的是Naïve贝叶斯(NB)(3项研究)。在综合所有这些研究中基于机器学习的分析方法后,主要发现如下:(1)并非所有研究都规定了将参与者分类为目标群体或预测MCI诊断变量的结果的准确性,因此很难理解其方法和结果的有效性;(2)对少数公共数据集(CASAS和ORCATECH)的过度依赖;(3)由于参与者样本不能代表认知健康人群和MCI人群之间的正确比例,大多数研究存在类别不平衡问题;(4)数据预处理方法、使用的活动特征和活动分析粒度的异质性。

大多数研究将预测作为分类问题来处理。两项研究[2233],包括回归和分类问题。一项研究[28]仅包括回归分析。在分类分析中,这些研究的目标类别并不一致,他们根据认知状况(例如,认知健康与MCI和认知健康与痴呆)或活动模式(例如,正常与异常行为)来区分参与者。在回归分析中,基于传感器捕获的活动数据预测了一些神经心理测试分数或活动表现分数。并非所有研究都明确了上述分类或回归分析结果的准确性,从而限制了我们理解其方法和结果有效性的能力。表格4介绍了与每项研究中报告的最佳机器学习技术相对应的性能指标的摘要。在这些研究中,模型指标报告了认知健康和MCI/痴呆人群之间的分类(表4),我们发现AUROC指标(接受者工作曲线下面积度或可分离性测量)的合理水平。然而,从最佳表现分类模型的结果(表4),并没有发现轻度认知障碍与痴呆人群之间的分类证据。虽然报告的分类表现(认知健康vs. MCI/痴呆)处于合理可接受的水平,但可以看到这些值的变化。这一观察结果表明,在该领域使用ML方法的研究仍处于成熟阶段,才能将这些方法整合到常规临床使用中。如前所述,12项研究中有9项利用了公共数据集(CASAS和ORCATECH)。对特定数据集的过度依赖可能会限制对不同老年人的行为/活动建模的能力,进一步可能会在非美国地理环境中产生泛化问题。在许多研究中,参与者样本在认知健康、MCI和AD人群中所占比例不正确,从而导致机器学习模型的类不平衡问题。一些研究通过少数类的过采样或多数类的过采样或集成方法来解决数据集不平衡问题,以避免预测结果的偏差风险。考虑到数据预处理方法、使用的活动特征和活动粒度分析的异质性,在解释报告结果时应谨慎。


研究 目标 机器学习技术 模型评价包括交叉验证方法 分类指标 回归指标 关键的观察 用于分析的软件

阿尔伯迪等人。[22 使用传感器衍生的特征(回归)预测绝对测试分数 SVR (RBF) 回归和分类分析均采用10倍CV,并使用收集的内部数据集对模型进行检验;没有提到在任何外部数据集上评估模型。 NA 相关系数( ):0.55
梅:5
对于移动性测试,TUG与传感器衍生的行为特征表现出中度到强相关性。 (i)用于计算时间序列统计数据的R studio
(2) Weka预测建模(相关分类分析)
发现健康评估分数的可靠变化;不下降(+ve类)vs.下降(-ve类) RF(基于PCA简化数据集) 回忆:28%
-得分:0.33
AUC-ROC: 0.65
AUC-PRC: 0.54
NA 从传感器衍生的特征中检测到的人的活动域的改善/下降表明轻度认知损伤的早期症状。
Schinle等人。[23 正常、轻微异常、严重异常(活动) 局部离群因子 NS 准确度:起床时间90.9%,睡觉时间93.2% NA 任何已知的唤醒时间/就寝时间/夜间活动配置文件(离群值)的偏差表示异常。 NS
沙玛等人。[24 正常vs.异常(常规) RNN 没有CV被报道用于评估预测器的性能。RNN模型的训练过程中加入CV,填充缺失值。 NS NA 采用由传感器值组成的日常矢量进行异常检测。分类器的性能没有解释。 NS
Akl等人[25 CIN vs. MCI 亲和力传播 作为第一步,用80:20分割对模型进行训练和测试;第二步,为了发现模型的有效性,只对研究期间转入MCI的22名受试者进行了一个受试者剔除CV。没有提到任何用于评估的外部数据集。 0.5得分:0.789 NA 研究发现,20周的时间框架是产生房间活动分布的持续时间,最有利于检测老年人的MCI。 NS
Akl等人[26 MCI vs. CH 支持向量机(RBF) 整个数据集被分为三组进行3倍CV,这样每组都有大约相同的数据点总数(特征向量)属于每个类(认知完整和MCI)。没有提到任何用于评估的外部数据集。 AUC-ROC: 0.97
AUC-PRC: 0.93
NA 行走速度相关特征比其他特征更有效地预测MCI状况。分析24周时间窗口的活动特征得到了最佳性能。 MATLAB
Albeiruti等人。[27 正常vs异常(行为趋势) 使用整个数据集创建初始行为模型。后来,得到的模型被用作标准模型,与相同的数据集逐日进行比较。目前还不清楚评估这种方法的结果的基本事实是什么。 NS NA 人从一个位置到另一个位置的运动转换被用于行为建模。分类器的性能没有解释。 MATLAB
卢西尔等人。[28 使用基于传感器的iADL测量和专家评定的性能评分(回归)预测MCI诊断变量 回归分析 NS NA 2: 0.47
22.01 (
基于传感器的iADL测量代表在与移动、卫生和烹饪相关的活动上花费的时间 IBM SPSS
Arifoglu等人。[29 异常与正常行为 LSTM 将整个数据集分为3个分区,每个分区进行训练、验证和测试,按照固定的天数,即在224天的监测中,139天:15天:70天。没有提到任何用于评估的外部数据集。 灵敏度:98.67%
特异性:75.48%
NA 研究结果表明,LSTM可以将当前输入与即将输入联系起来,更适合检测与重复和顺序相关的异常活动。 Keras深度学习库和Theano的cnn和LSTM的实现
保罗等人[30. CH vs. MCI 射频 使用收集的内部数据集进行10倍CV;没有提到任何用于模型评估的外部数据集。 精度:73%
精度:73%
灵敏度:73%
特异性:73%
-得分:0.73
AUC-ROC: 0.72
NA - - - - - - 使用科学工具箱学习Python
Gochoo等人。31 直接vs节奏vs绕行vs随机(旅行模式) CNN深处 使用收集的内部数据集进行10倍CV;没有提到任何其他用于模型测试/评估的外部数据集。 精度:97.84%
精度:97.9%
灵敏度:97.8%
特异性:99.3%
-得分:0.978
NA - - - - - - NS
李等人。[32 痴呆vs.非痴呆(非痴呆包括CH和MCI) 贝叶斯网络 利用收集的内部数据集进行留一CV;没有提到任何其他用于模型测试/评估的外部数据集。 精度:98.3%
灵敏度:98.3%
AUC-ROC: 0.851
NA 这项研究的基础是,老年痴呆症患者的运动轨迹与没有痴呆症的老年人不同。 NS
达瓦迪等人[33 将传感器衍生的活动特征映射到直接观察得分(回归) 支持向量机回归(带套袋) NS NA 相关系数( ):0.58 相关性( 智能家居传感器衍生的特征和任务准确性得分之间被发现具有统计学意义。
MCI vs. CH 支持向量机(代价敏感学习) 留一份简历,收集内部数据集;没有提到任何用于评估的外部数据集。 -得分(A类):0.37
-得分(B类):0.78
NA 分类表现不强,因为这两组中的个体在功能表现(活动)上确实有相当多的重叠。
痴呆vs. CH 支持向量机 留一份简历,收集内部数据集;没有提到任何用于评估的外部数据集。 -得分(A类):0.93
-得分(B类):0.99分
NA 分类表现是最好的,因为这两组中的个体在执行脚本任务/活动方面表现出巨大的差异。

AUC:曲线下面积;CH:认知健康;CIN:认知完好;CNN:卷积神经网络;简历:交叉验证;HMM:隐马尔可夫模型;日常生活工具性活动;LSTM:长短期记忆;MAE:平均绝对误差;MCI:轻度认知障碍; NA: not applicable; NS: not specified; PCA: principal component analysis; PRC: precision-recall curve; RBF: radial basis function; RF: Random Forest; ROC: receiver operating characteristic curve; SVM: Support Vector Machine; SVR: Support Vector Regression; TUG: Timed Up and Go.

在所有这些研究中,机器学习模型的评估都是在各自研究中内部生成的数据上进行的,大多数研究报告了一种 -折叠交叉验证或省略一个受试者验证。没有一项研究报告使用任何外部数据集来评估使用内部生成的数据集训练的机器学习模型。在评估模型和改善结果方面,采用两阶段研究是值得的。首先,在一个环境/队列中开发和训练分析模型,然后在另一个环境/队列中应用这些模型。(除了交叉验证)。例如,在一个特定的地理环境中开发模型,并在另一个地理环境中部署和验证模型。

对于基于机器学习的基于日常生活活动的认知衰退预测问题,成功的关键因素是适当准确的活动识别和特征提取。在这种情况下,传统的机器学习方法显示出对专家知识的严重依赖,从而导致手工制作的特征。有现代基于人工神经网络的方法,如卷积神经网络(cnn),可以自动从输入信号中学习特征(即特征选择/提取),而不需要手工制作特征。这些深度(多层)学习模型确定了大多数有用的特征,并利用它们进行成功的预测。但这些深度学习模型的一个缺点是,它们需要大量的数据来训练模型。只有两个[2931在回顾的12项研究中,有一项包含了深度学习模型来对输入进行分类,这表明在非可穿戴传感器的认知衰退早期检测中使用深度学习模型的研究仍在兴起。在这两项研究中,结果表明,深度学习模型在准确性、精密度和召回率方面优于与之竞争的传统ML模型。

5.限制

从回顾的研究中,观察到一些局限性,上面的章节中很少提到这些局限性。总结一下,很少有研究提供了有限的信息或不清楚参与者的平均年龄/活动监测的持续时间。除此之外,很少有研究没有明确规定参与者的招募策略,特别是考虑任何可能直接影响参与者功能表现的既有的/共病疾病。必威2490虽然一些研究清楚地解释了用于处理传感器数据和检测异常模式的步骤和算法,但其他研究必威2490没有提供足够的关于传感器数据如何预处理的信息,例如填充遗漏的传感器值、活动识别和特征提取,从而妨碍了可重复性。有时,传感器的细节,如部署的传感器类型、布局或在智能家居中使用的拓扑结构,没有被完全描述,从而限制了解释。这些研究中没有解释几个方面,包括传感器选择标准(例如,测量的准确性,能源效率,成本和可维护性),机器学习算法的计算效率(例如,训练时间和计算资源的使用),以及其他。

6.结论与未来研究方向

这篇综述涵盖了12项研究,这些研究的目标是使用智能传感器捕获的老年人活动数据,基于机器学习的轻度认知障碍早期检测。就本综述的范围而言,12项研究表明这一领域的研究仍在兴起。我们发现了不同方面的选择,如传感器,活动域,活动特征,识别活动模式的方法,并检测异常,从而预测可能的认知衰退。然而,没有确凿的证据表明这些方面中的一个或多个优于其他方面,特别是在活动特征(例如,运动轨迹,睡眠模式和步行速度)方面,这将是认知能力下降的最佳指标。然而,不断发表的文章表明,人们对探索非可穿戴传感器在MCI/AD早期检测中的兴趣日益浓厚。该研究领域的技术社区主要致力于算法的新颖性,主要受到计算机视觉和机器学习的启发,但临床世界需要可靠的、经过验证的早期诊断方法,这比传统方法更好。所有回顾的研究都证明了该领域的技术发展和作为筛查方法的临床实践的适用性;然而,他们都表明,在现实生活的临床实践中,它成为一种有效的诊断工具是遥远的未来。

如前所述,AD是一种随时间发展的退化,对研究人员来说,获得持续监测的个人行为趋势数据非常重要。这种纵向观察数据有助于检测随着时间的推移发生的个体内部行为变化,对于研究人员使用包括机器学习和深度学习技术在内的纵向分析方法开发算法和模型至关重要。基于这一综述,我们发现只有极少数公开可用的数据集提供了这种长期的行为趋势以及认知能力下降的事件。这是该研究领域的一个持续挑战。因此,我们强调需要公开可用的更大的数据集,其中包含长期传感器监测的活动数据以及临床评估的认知状态。这将激励研究人员在该领域取得许多进展。

考虑到本次综述的结果,可以对未来的研究提出以下建议:(我)研究人员希望概括研究结果的目标人群的均衡参与者组合(CH, MCI, AD),以避免偏倚的风险和对临床实践适用性的担忧(2)监测的持续时间足够长,以观察认知衰退的自然演变,并利用这种退化的时间性质(3)考虑新兴的技术,如深度学习模型,因为它们比传统的ML模型表现更好,并且消除了复杂的人工特征提取过程的需要。由于深度学习模型受到计算复杂性的影响,研究应该确定这种优化设计,在资源受限的现实生活中显示更高的效率(iv)最后,智能家居中传感器和布局的选择应该简单、经济、可推广和可重复

数据可用性

一个也没有。

利益冲突

作者宣称他们没有利益冲突。

参考文献

  1. 国际阿尔茨海默病协会,“痴呆症统计”,https://www.alz.co.uk/research/statistics视图:谷歌学者
  2. D. Weimer和M. Sager,“阿尔茨海默病的早期识别和治疗:社会和财政结果”,阿尔茨海默氏症,第5卷,no。3,页215-226,2009。视图:出版商的网站|谷歌学者
  3. Y. Abe, M. Toya和M. Inoue,“通过行为感知考虑痴呆症类型的早期检测系统”,在2013 IEEE第二届全球消费电子大会,第348-349页,东京,2013年。视图:出版商的网站|谷歌学者
  4. 世界卫生组织。痴呆症,情况介绍,”https://www.who.int/news-room/fact-sheets/detail/dementia视图:谷歌学者
  5. K. Yiannopoulou和S. Papageorgiou,“阿尔茨海默病当前和未来的治疗方法”,神经系统疾病的治疗进展,第6卷,no。1, pp. 19 - 33,2013。视图:出版商的网站|谷歌学者
  6. a . Alberdi, a . Aztiria和a . Basarab,“从多模态信号早期诊断阿尔茨海默病:一项调查”医学领域的人工智能, vol. 71, pp. 1-29, 2016。视图:出版商的网站|谷歌学者
  7. M. Folstein, S. E. Folstein,和P. R. McHugh,“微型精神状态:临床医生对患者认知状态进行分级的实用方法”精神病学研究杂志,第12卷,no。3,第189-198页,1975。视图:出版商的网站|谷歌学者
  8. T. Hatta, K. Yoshizaki, Y. Ito, M. Mase和H. Kabasawa,“数字抵消测试的信度和有效性,一个简短的注意屏幕”Psychologia,第55卷,no。4,页246-256,2012。视图:出版商的网站|谷歌学者
  9. C. Randolph, M. Tierney, E. Mohr和T. Chase,“神经心理状态评估(RBANS)的可重复电池:初步临床有效性”临床与实验神经心理学杂志,第20卷,no。3,页310-319,1998。视图:出版商的网站|谷歌学者
  10. J. Crawford, G. Smith, E. Maylor, S. Della Sala和R. Logie,“前瞻性和回顾性记忆问卷(PRMQ):大型非临床样本的规范数据和潜在结构。”内存,第11卷,no。3,页261-275,2003。视图:出版商的网站|谷歌学者
  11. D. Podsiadlo和S. Richardson,“定时的“Up & Go”:虚弱老年人的基本功能移动测试”美国老年病学学会杂志,第39卷,no。2,第142-148页,1991。视图:出版商的网站|谷歌学者
  12. R. Rikli和C. Jones,“社区老年人功能健康测试的开发和验证”,衰老与体力活动杂志,第7卷,no。2, pp. 129-161, 1999。视图:出版商的网站|谷歌学者
  13. J. Yesavage和J. Sheikh,“老年抑郁量表(GDS)的最新证据和更短版本的发展,”临床医学家,第5卷,no。1-2页,165-173,1986。视图:出版商的网站|谷歌学者
  14. D. GALASKO, F. SCHMITT, R. THOMAS, S. JIN, D. BENNETT和S. FERRIS,“中重度阿尔茨海默病患者日常生活活动的详细评估”国际神经心理学会杂志,第11卷,no。4, pp. 446-453, 2005。视图:出版商的网站|谷歌学者
  15. P. De Vriendt, E. Gorus, E. Cornelis, I. Bautmans, M. Petrovic和T. Mets,“日常生活的高级活动:评估轻度认知障碍的微妙功能衰退的工具。”营养、健康与衰老杂志,第17卷,no。1, pp. 64-71, 2013。视图:出版商的网站|谷歌学者
  16. E. Cornelis, E. Gorus, I. Beyer, I. Bautmans和P. De Vriendt,“通过日常生活的基本和工具性活动对轻度认知障碍和轻度痴呆进行早期诊断:一种新的评估工具的开发”。《公共科学图书馆·医学》杂志上,第14卷,no。3、第e1002250条,2017。视图:出版商的网站|谷歌学者
  17. T. Buracchio和J. Kaye,“阿尔茨海默病和轻度认知障碍的早期诊断:成像、生物标志物和技术”一代又一代,第33卷,no。1, pp. 18-23, 2009。视图:谷歌学者
  18. J. Kaye,“基于家庭的技术:进行痴呆症预防试验的新范式,”阿尔茨海默氏症,第4卷,补编1,第S60-S66页,2008年。视图:出版商的网站|谷歌学者
  19. P. Rashidi, D. Cook, L. Holder和M. Schmitter-Edgecombe,“发现智能环境中识别和跟踪的活动”,IEEE知识与数据工程汇刊,第23卷,no。4, pp. 527-539, 2011。视图:出版商的网站|谷歌学者
  20. P. N. Dawadi, D. J. Cook和M. Schmitter-Edgecombe,“基于智能家庭行为数据的自动认知健康评估”,IEEE生物医学和健康信息学杂志,第20卷,no。4, pp. 1188-1194, 2016。视图:出版商的网站|谷歌学者
  21. J. A. Kaye, S. A. Maxwell, N. Mattek等人,“评估衰老变化的智能系统:基于家庭的,不引人注目的,持续的衰老评估。”老年学杂志《中国科学》,2011年第1期,第1 - 4页。视图:出版商的网站|谷歌学者
  22. A. Alberdi, A. Weakley, M. Schmitter-Edgecombe等人,“基于智能家庭的与阿尔茨海默病相关的多领域症状预测”,IEEE生物医学和健康信息学杂志,第22卷,no。6,页1720-1731,2018。视图:出版商的网站|谷歌学者
  23. M. Schinle, I. Papantonis和W. Stork,“监测系统参数的个性化以支持痴呆症患者的门诊护理”,在2018 IEEE传感器应用研讨会(SAS),第1-6页,首尔,2018年。视图:出版商的网站|谷歌学者
  24. S. Sharma和A. Ghose,“对老年受试者进行不显眼和普遍的监测,以早期筛查轻度认知障碍”,在2018 IEEE普适计算与通信研讨会(PerCom研讨会),第179-184页,雅典,2018年。视图:出版商的网站|谷歌学者
  25. A. Akl, B. Chikhaoui, N. Mattek, J. Kaye, D. Austin和A. Mihailidis,“老年人轻度认知障碍自动检测的聚类家庭活动分布1”,环境智能与智能环境杂志,第8卷,no。4, pp. 437-451, 2016。视图:出版商的网站|谷歌学者
  26. A. Akl, B. Taati和A. Mihailidis,“老年人轻度认知障碍的自主非突发性检测”,IEEE生物医学工程汇刊,第62卷,no。5, pp. 1383-1394, 2015。视图:出版商的网站|谷歌学者
  27. N. AlBeiruti和K. Al-Begain,“使用隐马尔可夫模型建立行为模型来检测痴呆症的发作”,在2014年第六届计算智能、通信系统和网络国际会议,第18-26页,Tetova, 2014。视图:出版商的网站|谷歌学者
  28. M. Lussier, S. Adam, B. Chikhaoui等人,“智能家居技术:日常生活活动性能测量和预测老年人轻度认知障碍的新方法,”阿尔茨海默病杂志,第68卷,no。1,页85-96,2019。视图:出版商的网站|谷歌学者
  29. D. Arifoglu和A. Bouchachia,“使用卷积神经网络检测痴呆症患者的异常行为”,医学领域的人工智能2019年,中国科学院学报,vol. 94, pp. 88-95。视图:出版商的网站|谷歌学者
  30. R. Paudel, K. Dunn, W. Eberle和D. Chaung,“在智能家居中使用传感器数据对老年人的认知健康预测”,在2018年第31届佛罗里达人工智能研究学会国际会议(FLAIRS-31),,页317-322,佛罗里达州,美国,2018。视图:谷歌学者
  31. M. Gochoo, S.-H。刘,D.巴彦都仁,t.h。Tan V. Velusamy和T.-Y。Liu,“使用二进制传感器的旅行模式的深度卷积神经网络分类器”,在2017第八届国际意识科学与技术会议(iCAST),页132-137,台中,2017。视图:谷歌学者
  32. T.-Y。李,C.-L。吴,Y.-W。Chien等人,“在智能家居中使用PIR运动传感器快速筛查痴呆症的支持系统”,在2017年系统、人与控制论国际会议,第1369-1374页,班夫,AB, 2017。视图:出版商的网站|谷歌学者
  33. P. Dawadi, D. Cook和M. Schmitter-Edgecombe,“使用智能家居监测复杂任务的自动化认知健康评估,”IEEE系统、人与控制论汇刊:系统,第43卷,no。6, pp. 1302-1313, 2013。视图:出版商的网站|谷歌学者

betway赞助版权所有©2021 Rajaram Narasimhan等。这是一篇开放获取的文章,在创作共用署名许可协议它允许在任何媒介上不受限制地使用、传播和复制,前提是正确地引用原始作品。


更多相关文章

PDF 下载引用 引用
下载其他格式更多的
订购印刷本订单
的观点660
下载382
引用

相关文章

年度文章奖:由我们的主编选出的2020年杰出研究贡献。阅读获奖文章