PDF
评论文章|开放获取
拉贾拉姆纳史木汗,Muthukumaran G。查尔斯大, ”Non-wearable传感器技术的当前状态监测活动模式来检测老年痴呆症症状的轻度认知障碍”,国际老年痴呆症杂志》上, 卷。2021年, 文章的ID2679398, 18 页面, 2021年。 https://doi.org/10.1155/2021/2679398
Non-wearable传感器技术的当前状态监测活动模式来检测老年痴呆症症状的轻度认知障碍
拉贾拉姆纳史木汗
,1
Muthukumaran G。,1
和
查尔斯大2
1传感器和过程控制中心(用香熏),印度理工学院和科学,1,拉吉夫·甘地萨莱(有机磁共振),印度钦奈(Chennai) 603 103
2山脊线管理公司(高级),1914 # 230博士威拉米特河瀑布,西瀑布,或97068,美国
文摘
轻度认知障碍(MCI)可能是一个暂时的阶段,阿尔茨海默病(AD)和强调早期发现这个阶段的重要性。老年人MCI阶段,尽管不是完全依赖他人的日常任务,轻微损伤被认为在内存中,注意,等,巧妙地影响他们的日常活动/例程。智能传感技术,如耐磨和non-wearable传感器,加上先进的预测建模技术实现基于日常活动/日常MCI症状的早期检测。Non-wearable传感器较少的干扰,而且可以监视活动自然环境没有干涉个人的日常工作。本文试图回答下列问题:(1)什么是证据使用non-wearable传感器技术在早期发现MCI /广告利用日常活动数据以一种低调的方式?(2)如何被用于分析活动数据的机器学习方法在这个早期检测方法?系统的搜索是在数据库进行例如IEEE Explorer, PubMed、科学直接和谷歌学者发表的论文从开始到2019年3月。满足以下条件的所有研究研究:研究目标检测/预测MCI /广告,日常活动数据检测MCI /广告,非侵入式/ non-wearable传感器监测活动模式,和机器学习技术来创建预测模型。2165篇论文检索,12篇论文都有资格列入审查。本文发现品种多样等方面的传感器、活动领域/功能,活动识别方法,异常检测方法。 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。介绍
在全球研究和报告发表国际阿尔茨海默氏症(ADI) [1),据估计,痴呆影响5000万人,全球经济损失超过1万亿美元。世界上有人得了痴呆每3秒。据估计,这一数字将几乎每20年翻一番,达到7500万2050年2030年和1.315亿年。这一建议毁灭性的影响对医疗费用的影响,患者的生活质量和他们的照顾者。痴呆是一种神经性疾病的恶化在内存中,思想,行为,和执行日常活动的能力。尽管老年人痴呆的主要影响,并不是衰老的正常组成部分。目前虽然没有治疗治愈痴呆,这正在发生的原因和预防强烈的研究工作。一些研究和分析表明,在治疗这种情况最初阶段将会更加有效的社会和财政的结果(2,3]。
根据世卫组织(4),阿尔茨海默病(AD)是最常见的痴呆症,可能导致60 - 70%的病例。自发展neuro-degeneration如广告可以跨越只要30年,这是重要的尽可能早地发现这种情况。研究发现,某些干预措施/治疗,早期应用时,可以延迟和减少广告在认知和行为领域的症状(5]。据悉,广告的发展发生在三个阶段。第一个是前驱症状或临床前阶段某些生理变化开始演变(特别是显微结构变化等大脑破坏/损伤神经细胞),但个人目前没有明显的症状很难区分这一阶段从正常认知的健康。第二个状态是轻度认知障碍(MCI)某些症状与思维开始变得明显。老年人在这个阶段,虽然不是完全依赖别人的日常任务,轻微的障碍被认为在内存中,注意,等,巧妙地影响他们的日常活动。然而,MCI并不总是导致痴呆。第三,或者最后一个阶段,是阿尔茨海默氏痴呆认知和行为症状已经明显,和日常功能的影响(6]。第三阶段本身通常是分为三个子阶段:早期,中期和晚期(尽管不是离散)。在早期阶段,日常功能不是受到严重影响;在中期阶段,个人可能会经历恶化在内存中,在解决日常工作的问题,困难,每天表演活动,视觉的问题,和交流上的困难,包括词汇损失;在后期阶段,个人越来越反应迟钝甚至依赖他人基本日常活动/个人护理。
几种传统评估方法(临床神经心理学)存在评估心理、认知、和行为症状通过自我报告,线人报告问卷调查,和临床评估,通常由合格的专业人员。这些测试的一些例子包括认知abilities-Mini精神状态检查(MMSE)、数字取消测试,电池可重复的神经心理学评估的状态(我国),前瞻性和回顾性记忆问卷(PRMQ) [7- - - - - -10];流动性testing-TUG,手臂旋度(11,12];和抑郁assessment-GDS [13]。通常,当家庭成员的老年人注意这些症状,使他们评估,广告条件可能已经进展导致延误诊断。与传统评价方法有一些缺点,如它们消耗大量的时间和手动工作,提供时间点观察,需要定期评估,老年人不监督程序,有时包括偏差报告,不得给老年人功能性能的全貌。
MCI的阶段变化可能是明显的在日常活动如果仔细监控的性能和可能是一个暂时的阶段更先进的条件。因此,研究工作重点检测MCI在早期就可以采取适当的措施来维持独立生活。正如上面所讨论的,在MCI阶段,老年人在日常工作和活动体验温和的困难。行为变化如睡眠障碍、行走困难,无法完成任务,等,可以通过仔细监测检测到异常的存在模式在日常活动。日常活动可以包括基本日常生活活动(ADL)(例如,洗澡,吃饭,走路),仪器ADL(例如,烹饪和使用电话),和其他活动,比如在睡觉。一些研究显示,日常活动功能的措施是适当的指标检测在早期MCI (14- - - - - -16]。
智能传感技术的进步为研究人员提供了很多机会去探索老年人早期检测认知变化的可能性。几项研究利用可穿戴和non-wearable传感器监测活动的老年人和检测行为变化。这些研究[17,18)表明,早期检测功能障碍可能在智能环境中通过连续监测。可穿戴传感器有更高的定位精度和跟踪的优点;然而,他们更侵入。可穿戴传感器监测要求,老年人有不同程度的认知水平,要记住穿设备以及充电设备经常电。另一方面,non-wearable传感器较少的干扰,而且可以监视活动在现实生活中,自然环境不会造成任何干扰个人的日常工作。non-wearable传感器的一些例子包括运动传感器、门磁开关传感器,压力传感器,温度传感器,床垫子。以前的研究工作19,20.]证明了效用non-wearable传感技术监测老年人的活动不显眼,检测任何认知能力下降。因为广告是一个变性的发展随着时间的推移,它认为,认知能力下降的最佳指标不一定是检测到基于性能在任何一个时间点,而是通过监控趋势随着时间的推移和改变时间的可变性21]。自non-wearable传感技术实现连续监测老年人的活动和认识活动的趋势随着时间的推移,有一个增长集中在这个研究领域利用的监测在现实生活中,自然的环境。non-wearable传感器的广泛的光谱和相关的技术进步,为研究者提供大量的范围来选择从大量的传感器,确定最优传感器拓扑,并采用不同的技术来提取/识别活动的模式。基于机器学习(人工智能的一个分支,它)的模型已经广泛应用于最近的研究预测行为/认知异常利用传感器数据的活动。尽管有这些优点,没有建立共同的标准管理传感器选择、活动识别,和异常检测。然而,这是一个新兴的小说研究领域,一些研究探索带来的优势non-wearables基于智能传感在改善生活质量。在本文中,我们检查这一研究领域的现状,回答下列问题:(1)使用的证据是什么non-wearable传感器技术在MCI或阿尔茨海默病的早期检测利用日常活动数据以一种低调的方式?(2)如何被用于分析活动数据的机器学习方法在这个早期检测方法?
2。方法文献综述
我们使用数据库例如IEEE Explorer, PubMed、科学指引,谷歌学术搜索搜索相关文章的兴趣。完成搜索材料包含一个时间延长到2019年3月初。作为第一步,识别的文章是由上述搜索数据库。我们的搜索策略,在每个数据库,包括关键词的组合,或逻辑运算符。为主,我们的搜索策略包括条款如“智能家居”,“长老”,“认知障碍”,“传感器”,“诽谤联盟”,“预测”和“机器学习。“交叉项显然代表了我们感兴趣的主题。同时,我们的搜索策略是局限于英语的文章。下面给出了一个示例搜索策略在IEEE explorer。
(“预测”或“监控”或“机器学习”或“机器学习”或“监督式学习”或“无监督学习”或“监督式学习”或“无监督学习”或“认知能力评估”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“低调的”或“设备”或“可穿戴”或“遥测”)和(“智能家居”或“家”或“活动意识”或“室内”或“房子”或“照顾老人家庭”或“照顾老人家庭”或“回家年龄”或“公寓”)和(“痴呆”或“认知”或“认知障碍”或“轻度认知障碍”或“老年痴呆症”或“MCI”或“认知健康”或“衰老相关疾病”或“广告”或“老化”或“认知赤字”或“功能缺陷”或“精神错乱”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“每日任务”或“活动性能”或“行为特性”或“活动识别”或“功能性能”或“行为模式”或“日常生活活动”或“诽谤联盟”)和(“高级”或“老”或“长老”或“居民”或“老”或“老年人”或“老年人”或“独立老化”或“优雅的老化”或“独立生活”))老年痴呆症或痴呆
图示的搜索方法如图1。
第二步,筛选这些文章。筛选步骤包括(a)通过标题和抽象和(b)包括或排除文章基于以下预定的标准:
为进一步审查,合格的研究/学习:(一)的研究目标检测/预测MCI或广告吗(b)利用日常活动数据集作为检测MCI的基础(c)部署无创性non-wearable传感器/设备监测老年人的活动模式(d)包括机器学习算法/技术建立预测模型
下面的文章与一个或多个方面进一步审查被排除在外:(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,秋天检测)(b)只使用侵入性传感器加速度计等摄像机或衣物等(c)利用non-ADL-based方法检测认知障碍或neuro-degeneration(例如,使用手机游戏)
最初的搜索结果2165篇文章。基于标题/抽象筛选,142篇文章被选为全文筛选。在最后一步的资格和终结,全文142篇文章进行筛选,和12文章被选中进行终审。主要排除标准在资格和终结步骤如下:文章不是一个研究研究中,重复的文章,研究方法不够清晰,或者在发现和解释不够清晰。
3所示。结果
在搜索四个电子数据库,我们可以检索2165篇英语论文。筛选和审查后,12篇论文都有资格列入本文(见表1和2)[22- - - - - -33]。这12个纵向或横向研究设计,和活动的老年人通过传感器监测在本国(普通住宅单元)或智能家居试验台。,在纵向研究中,老年人使用智能传感器连续监测,在横断面研究中,老年人被要求执行脚本任务来评估他们的功能性性能。研究样本容量范围从1到179参与者,和平均年龄从60到85不等。有一个广泛的研究(或数据收集)持续时间,从1小时到3年。non-wearable数量传感器安装在智能家居、智能测试床范围从2到67。这12个研究重点监控不同的活动(基本ADL,仪器ADL)和其他日常工作,如睡眠和休息,这是一致的与本文的范围。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
ADL:日常生活的活动;a-MCI:遗忘MCI;bADL:基本诽谤联盟;CH:认知健康;嗯:隐马尔可夫模型;MCI:轻度认知障碍;na-MCI: nonamnestic MCI;NS:未指定;射频:随机森林;RNN:复发性神经网络; SVM: Support Vector Machine. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
ADL:日常生活的活动;a-MCI:遗忘MCI;bADL:基本诽谤联盟;CH:认知健康;有线电视新闻网:卷积神经网络;DT:决策树;GB:梯度增加;嗯:隐马尔可夫模型;iADL:工具性诽谤联盟;资讯:K最近的邻居; 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的研究(22,25- - - - - -27,29日- - - - - -33)利用公共数据集的分析和建模,和其余三个研究[23,24,28]部署自己的传感器获取活动数据。在公共数据集使用,卡萨斯智能家居数据(自适应System-Washington州立大学高级研究中心)被七个研究[22,27,29日- - - - - -33],俄勒冈大学智能家居数据(俄勒冈州老化和技术中心俄勒冈健康与科学大学)被两个研究[25,26]。
正如前面提到的,广告是一个变性的发展随着时间的推移,,重要的是要理解时间或顺序这一疾病的性质。因此,我们总结和分类这12个研究分成两组取决于他们认为进步这种疾病的性质和相应的传感器数据进行分析和预测。这两个组,即(1)研究认为进步的本质变性和(2)的研究没有考虑逐步退化的性质。表1提供了研究的一般特征在组122- - - - - -27),和表2提供了研究的一般特征组2 (28- - - - - -33]。
在第一组中,所有这些研究纵向设计和采用不同的方法来理解时间发展的本质。采用一种方法是计算时间序列统计特征从传感器捕获活动数据使用滑动时间窗方法和识别行为变化时间22]。施工活动的趋势/配置文件数据从传感器活动主题也是另一种方法采用(23),而这一趋势/概要表示行为会随着时间而改变。在另一个方法中,传感器数据的所有活动认识每一天主题对同一主题的前一天的数据检测,从而认识到变化,随时间演化24]。在另一个方法中,基于活动数据,行为模型创建使用滑动时间窗方法包括参数计算和代表着进化随时间的变化25- - - - - -27]。
在第二组,混合的纵向(29日- - - - - -31日)和横向(28,32,33]研究可以看到。尽管这组纵向研究收集活动数据在一个连续的时期,活动/行为变化发生时间(时间自然)没有考虑建模和分析。在横断面研究中,参与者被要求执行的任务,并获得了相应的活动特性进行建模和分析。
4所示。讨论
通过文献检索,综述我们完成12论文,这些论文发表在2013年之前。不仅显示了本文的主题的新颖但也解释了这一领域的研究仍处于新兴阶段。这些研究说明non-wearable传感器网络是否适合临床实践,这些传感器有效地检测异常活动模式,因此检测认知能力下降。
第一本综述的目的是提供一个概述non-wearable传感器的使用在早期发现MCI /广告利用日常活动数据以一种低调的方式。我们的12项研究进行了分析,包括各种non-wearable传感器计数范围从2到67和各种日常活动/日常监控这些传感器(表3)。从单一的活动组合多个活动是使用这些传感器监测。运动的活动领域主要是包含在所有这些研究发现认知/功能下降。老年人运动领域包括移动内部/外部居留或运动模式/老年人执行特定活动的轨迹。家庭生活地区第二大领域包括在运动领域的研究进行了综述。家庭生活领域主要包括烹饪活动除了一般的家务。因此,这些指标(运动和家庭生活的区域)的认知/功能下降从技术和临床角度是合适的选择。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
PIR:被动红外;我国:电池可重复的神经心理状态的评估;GDS:老年抑郁量表;NS:未指定;PRMQ:前瞻性和回顾性记忆问卷;拖船:定时起来走了。 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
一些研究[23,25,27,31日)只考虑一个活动域监测,设计了相应的模型来预测认知能力下降,和获得更好的模型性能/结果。另一方面,一些研究[27,31日,32)能够证明使用单个传感器类型就足够了在预测认知/功能下降而不是多个传感器类型,进一步显示了更好的预测结果(除了一项研究[27结果未指定)。选择传感器和位置/布局这些传感器监测系统的关键,它们很容易在任何家庭可概括的和可再生的设置。十的研究综述,Schinle et al。23)只使用两个传感器(1运动传感器和1门触点传感器)在他们的实验中,能够检测异常的准确性高达92.3%。因此本研究提出了一个便宜的设置监测和似乎是高度可概括的任何家庭布局。李等人。32)和Gochoo et al。31日)派生的旅游模式或轨迹运动传感器数据和异常检测参与者的运动模式。尽管这些研究利用多个传感器,随后的方法来检测异常似乎可归纳的一套智能家居了。其他的研究(22,29日,30.]几个传感器(高达38)用于监测活动,导致成本效益问题和翻译复杂的传感器安排现实生活情况。
除了传感器捕获的活动数据,一些研究[22,28,32,33)包括nonsensor数据如神经心理学评估分数和活动性能得分的建模和分析。这些研究发现这两个类之间的显著相关性的数据和定义的方法来检测认知能力下降。虽然nonsensor数据提供了更多的上下文特征预测模型,预测结果的这些研究没有显著区分研究仅利用传感器获取的数据。这就提出了一个适用性的问题以及可行性的活动性能得分在一个真实的家庭监控场景。
采用多种方法从原始传感器数据计算活动的特性,利用预测分析。特定活动的异质性特征分析研究中,我们定义两个类的分析比较结果,即粗粒度特性分析和细粒度特性分析。在粗粒度特性分析方法,没有更多的细节的活动特性或特点是计算从原始传感器数据(例如,运动轨迹和基于运动的唤醒时间序列数据)。在细粒度特性分析方法中,细节的活动特性或特点是计算从原始传感器数据(例如,步行速度,距离从运动数据,时间花在烹饪,和睡眠时间)。注意到,这两个类的分析产生了类似的结果与早期检测过程。
大多数研究,特别是家庭监控,没有报告任何可接受性问题的研究参与者。这可能是由于unobtrusiveness传感器部署在这些研究的性质。
从多点实验/试验的角度,研究[722- - - - - -26][28,30.),在多个站点进行实验报告(智能家居住宅的实际监测或智能家居测试实验室的一次性任务执行脚本)。在这些研究中,只有在研究[28),intersite传感器数据的验证,通过统计检验方法(方差分析),和其他的研究没有报告任何这样的多点环境中收集的数据的验证。Interdataset变化可以从多点实验可能存在由于传感器选择映射到某些活动的监控和家庭或实验室的布局设置主题的例程将被监控,等。为了克服这种可变性,许多关键应遵循设计考虑多点研究涉及传感器。因此,重要的是要规范intersite研究协议将包括传感器的选择和布置,适当的序列数据收集,对数据集成和规划。这种标准化将使一个有效的综合分析多点传感器数据将被合并,预处理,建模为更好的结果。
为了保证研究可以产生一致的结果/结果,实验需要考虑两次试验法的可靠性设计。没有报道任何这样的两次试验法的评估的研究设计。两次试验法的可靠性设计可以帮助研究涉及传感器活动监视等许多方面(一)选择相关的功能/措施,证明可靠性以及普遍性测量老年人的活动,(b)确定可靠的主题进一步纵向监测、和(c)确定可靠的监测时间。
本文的第二个目的是展示当前最先进的机器学习方法在预测认知衰退/ MCI使用non-wearable传感器数据。从研究综述,很明显,各种各样的机器学习技术用于预测(表1和2)。在所有使用的机器学习技术在这些研究中,支持向量机(SVM)和随机森林(RF)是最常使用的技术研究(5)。这些技术,使用最广泛的是朴素贝叶斯(NB)(3)研究。后合成基于机器学习从所有这些研究分析的方法,主要研究结果总结如下:(1)并不是所有指定他们的研究结果对分类精度的研究参与者为目标群体或预测MCI诊断变量,因此很难理解他们的方法和结果的有效性;(2)过度依赖一些公共数据集(卡萨斯和俄勒冈),(3)类不平衡问题在大多数这些研究由于参与者样本不代表正确的认知健康和MCI之间的人口比例,和(4)异构数据预处理方法,使用活动特性,和谷物的活动分析。
多数的研究预测作为分类问题来解决。在两项研究[22,33),回归和分类问题都包括在内。一项研究[28仅包括回归分析。在分类分析,这些研究目标类并不一致,和他们不同的参与者基于认知条件(例如,认知健康与MCI和认知健康与痴呆)或活动模式(例如,正常和异常行为)。在回归分析中,一些神经心理学测试成绩或活动表现分数预测基于传感器捕获活动数据。不是所有研究指定他们的研究结果的准确性对上述分类或回归分析,从而限制我们的能力来理解有效性的方法和结果。表4提出了性能指标对应的总结最好的执行机器学习技术在每一个研究报告。在这些研究模型度量报告之间的分类认知健康的人口和MCI /痴呆(表4),我们发现合理水平的AUROC度量(面积接收机操作弯曲程度或分离性测量)。然而,从表现最好的结果分类模型(表4),没有证据发现MCI和痴呆之间的分类。虽然分类性能(认知健康与MCI /痴呆)报道,在合理可接受的水平,可以看到这些值的变化。这个观察表明,使用毫升方法在这一领域的研究仍然是成熟之前,这些方法可以集成在常规临床使用。如前所述,9的12研究回顾了利用公共数据集(卡萨斯和俄勒冈)。过度依赖于特定数据集可能会限制建模能力的老年人的行为/活动多元化,进一步可能带来普遍性问题对非美国地区设置。在许多研究中,参与者的样本不包含正确的比例从认知健康,MCI和广告数量,从而导致类不平衡问题的机器学习模型。一些研究解决不平衡数据集的问题通过少数多数类的类或欠采样的采样过密或合奏方法为了避免偏见的风险预测结果。鉴于异构数据预处理方法、活动功能使用,和谷物的活动分析,解读报告结果时应该小心。
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
AUC:曲线下的面积;CH:认知健康;CIN:认知完好无损;有线电视新闻网:卷积神经网络;简历:交叉验证;嗯:隐马尔可夫模型;iADL:工具性日常生活活动;LSTM:长期短期记忆;梅: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. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
机器学习模型的评估在所有这些研究进行内部生成的数据在各自的研究中,和大多数的研究报道 - - - - - -折交叉验证验证或离开一个主题。没有一个研究报告的使用任何外部数据集评估训练的机器学习模型内部生成的数据集。这将是值得采用两阶段研究在评估模型和改进的结果。首先,开发和培养在一个环境/群组分析模型,其次,在另一个环境/队列应用这些模型。(除了交叉验证)。将是一个例子,开发模型在一个特定的地理位置设置和部署在另一个地理位置设置和验证。
基于机器学习的预测使用日常生活活动,认知能力下降的问题的关键成功因素是合适的和准确的活动识别和特征提取。在这种背景下,传统的机器学习方法显示了一个沉重的依赖专家知识导致的手工制作的功能。有现代的人工神经网络方法,如卷积神经网络(cnn),能自动学习功能(即。特征选择与提取)输入信号,不需要手工制作的特性。这些深(多层)学习模型确定最贡献的特性,利用它们成功的预测。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(29日,31日)的12个研究综述包括深度学习模型分类的输入,这表明研究仍然是新兴的使用深度学习模型non-wearable传感器认知衰退的早期检测。在这两个研究中,结果表明,深度学习模型优于传统ML竞争模型的精度,精度和召回。
5。限制
的研究成果,发现有一些限制,和几个人在上面指出的部分。回顾一下,很少有研究提供有限的信息或不明确的参与者平均年龄/活动监视的持续时间。除了这方面,一些研究没有说明清楚参与者招聘策略,特别是考虑任何既存/并存状况可能对参与者的功能性能有直接影响。虽然一些研究解释清楚的步骤和算法用于处理传感器数据和检测异常模式,其他的没有提供足够的信息关于传感器数据预处理等填写错过传感器值,活动识别,特征提取,从而阻碍再现性。有时,传感器等细节类型的传感器部署,布局,或用于智能家居并没有完全拓扑描述,从而限制解释。在这些研究几个方面并没有解释,包括传感器选择标准(如测量精度、能源效率、成本、和可维护性),机器学习算法的计算效率(例如,培训时间和使用计算资源),和等等。
6。结论和未来的研究方向
综述了12个研究基于机器学习的目的早期检测的轻度认知障碍的老年人使用智能传感器捕获活动数据。综述的范围,计算12的研究表明这个地区仍然是新兴的研究。我们发现一个多样化的选择方面,如传感器、活动领域,活动特性,识别活动模式的方法,和检测异常导致的预测可能的认知能力下降。然而,没有确凿证据的优越性在其他一个或多个方面,特别是在活动特性(例如,运动轨迹,睡眠模式,和步行速度)认知能力下降的最佳指标。然而,不断发布的文章显示了日益增长的兴趣探索non-wearable传感器MCI / AD的早期检测。技术社区在这个研究领域的目标主要是为算法新颖,主要由计算机视觉和机器学习的启发,但世界需要可靠,临床验证早期诊断方法,优于传统方法。所有的研究成果展示在这一领域的技术发展和临床实践作为筛查方法的适用性;然而,他们都认为这是在遥远的未来,它成为一种有效的诊断工具在实际临床实践。
正如前面提到的,广告是一个变性的发展随着时间的推移,和重要的是,研究人员获得持续监控个人的行为趋势数据。这个纵向观测数据有助于检测个体内的行为变化发生在时间和是至关重要的研究人员使用纵向开发算法和模型分析方法包括机器学习和深度学习技巧。根据本文,我们发现只有极少数公开可用的数据集提供这种长期行为的趋势随着事件的认知能力下降。这是一个持续的挑战在这个研究领域。因此,我们强调公开可用的需要更大的数据集,其中包含长期sensor-monitored活动数据和临床评估的认知状态。这将激励研究人员导致许多在这个领域发展。
在考虑本文的结果,下面的建议可以为未来的研究:(我)平衡的混合的参与者(CH、MCI、广告)代表研究者希望推广的目标人群研究结果偏差的风险和担忧关于适用性临床实践是可以避免的(2)监测时间足够长的时间观察认知能力下降的自然进化和利用时间的退化(3)考虑深度学习模型,因为它们执行等新兴技术优于传统ML模型和消除复杂的和手动特征提取过程的需要。由于深度学习模型遭受计算复杂性,研究应确定优化设计,展示现实生活更高的效率在资源受限的情况下(iv)最后,传感器的选择和布局在智能家居应该简单,成本效益,可概括的和可再生的
数据可用性
一个也没有。
的利益冲突
作者宣称没有利益冲突。
引用
- 国际阿尔茨海默病痴呆统计,“https://www.alz.co.uk/research/statistics。视图:谷歌学术搜索
- d .魏玛和m .萨格尔,”阿尔茨海默病的早期识别和治疗:社会和财政状况,“阿尔茨海默氏症和老年痴呆症,5卷,不。3、215 - 226年,2009页。视图:出版商的网站|谷歌学术搜索
- y安、m .托雅和m .井上“早期传感检测系统考虑类型的痴呆行为,”2013年IEEE 2日全球消费电子会议(GCCE)东京,页348 - 349年,2013年。视图:出版商的网站|谷歌学术搜索
- “世界卫生组织。痴呆,实况报道。”https://www.who.int/news-room/fact-sheets/detail/dementia。视图:谷歌学术搜索
- k . Yiannopoulou和美国Papageorgiou”,当前和未来的治疗阿尔茨海默氏症,”治疗神经系统疾病的发展》第六卷,没有。1,19-33,2013页。视图:出版商的网站|谷歌学术搜索
- a .吸纳a Aztiria, a . Basarab”在阿尔茨海默病的早期诊断多通道信号:一项调查,“人工智能在医学上卷,71年1至29,2016页。视图:出版商的网站|谷歌学术搜索
- m . Folstein s e . Folstein, p·r·麦克休”“心理状态”:一种实用方法,分级临床病人的认知状态,”精神病学杂志》上的研究,12卷,不。3、189 - 198年,1975页。视图:出版商的网站|谷歌学术搜索
- t .净化,k吉崎康宏认为,y Ito m .激射微波h . Kabasawa,“信度和效度的数字取消测试,一个简短的屏幕的关注,“Psychologia,55卷,不。4、246 - 256年,2012页。视图:出版商的网站|谷歌学术搜索
- c·伦道夫·m·蒂尔尼e·莫尔,t .追逐,“神经心理评估的可重复的电池状态(我国):初步临床有效性,”临床和实验神经心理学杂志》上,20卷,不。3、310 - 319年,1998页。视图:出版商的网站|谷歌学术搜索
- j·克劳福德·g·史密斯,e . Maylor s .德拉萨拉和r .假珠宝饰物,“前瞻性和回顾性记忆问卷(PRMQ):规范数据和潜在的结构在大型临床样本,”内存,11卷,不。3、261 - 275年,2003页。视图:出版商的网站|谷歌学术搜索
- d . Podsiadlo和s·理查森,“定时”&去”:一个测试基本功能移动体弱的老年人,“美国老年病学学会杂志》上,39卷,不。2、142 - 148年,1991页。视图:出版商的网站|谷歌学术搜索
- r . Rikli和c·琼斯,“发展的功能性测试和验证community-residing老年人,“杂志的老化和体育活动,7卷,不。2、129 - 161年,1999页。视图:出版商的网站|谷歌学术搜索
- j . Yesavage和j·谢赫“老年抑郁量表(GDS)最近的证据和发展较短的版本,“临床医学家,5卷,不。1 - 2、165 - 173年,1986页。视图:出版商的网站|谷歌学术搜索
- d . GALASKO f·施密特,r·托马斯·s·金,d·班尼特和美国摩天,“详细评估活动的日常生活在中度到重度阿尔茨海默氏症,”国际神经心理学协会杂志》上,11卷,不。4、446 - 453年,2005页。视图:出版商的网站|谷歌学术搜索
- p . De Vriendt e . goru e . Cornelis Bautmans, m·佩特和t .大都会,“日常生活的高级活动:一个工具允许微妙的评价功能下降的轻度认知障碍,”《营养、健康和衰老,17卷,不。1,第71 - 64页,2013。视图:出版商的网站|谷歌学术搜索
- e . Cornelis e . goru拜尔,Bautmans, p . De Vriendt,“轻度认知障碍和轻度痴呆的早期诊断基本和工具性日常生活活动:一个新的评估工具的发展,“《公共科学图书馆·医学》杂志上,14卷,不。第三条e1002250, 2017年。视图:出版商的网站|谷歌学术搜索
- t . Buracchio和j·凯耶,”阿尔茨海默病的早期诊断和轻度认知障碍:成像、生物标志物,和技术,”一代又一代,33卷,不。1、18 - 23,2009页。视图:谷歌学术搜索
- j·凯耶”,以家庭为基础的技术:一个新的范例进行痴呆预防试验,”阿尔茨海默氏症和老年痴呆症补充1卷。4日,S60-S66, 2008页。视图:出版商的网站|谷歌学术搜索
- l . p . Rashidi d·库克持有人,m . Schmitter-Edgecombe”发现活动识别和跟踪在智能环境中,“IEEE工程知识和数据,23卷,不。4、527 - 539年,2011页。视图:出版商的网站|谷歌学术搜索
- p . n . Dawadi d·j·库克,m . Schmitter-Edgecombe”自动化智能家庭行为的认知健康评估数据,”IEEE生物医学和卫生信息学杂志》上,20卷,不。4、1188 - 1194年,2016页。视图:出版商的网站|谷歌学术搜索
- j·a·凯s a麦克斯韦:Mattek et al .,“智能评估系统老化变化:家庭,不引人注目的,和持续的评估老化,“老年学杂志卷,66 b,补充1,pp. i180-i190, 2011。视图:出版商的网站|谷歌学术搜索
- 答:吸纳a . Weakley m . Schmitter-Edgecombe et al .,“智能家庭预测阿尔茨海默病相关的多畴的症状,”IEEE生物医学和卫生信息学杂志》上,22卷,不。6,1720 - 1731年,2018页。视图:出版商的网站|谷歌学术搜索
- m . Schinle i Papantonis w .鹳,“个性化的监控系统参数支持门诊老年痴呆症的病人,”2018年IEEE传感器应用研讨会(SAS)2018年,页1 - 6,首尔。视图:出版商的网站|谷歌学术搜索
- 沙玛和a . Ghose用“低调的和普遍的监测老年受试者的轻度认知障碍的早期筛查,”2018年IEEE国际会议上普适计算和通信车间(PerCom研讨会)雅典,页179 - 184年,2018年。视图:出版商的网站|谷歌学术搜索
- 答:阿克勒说道,b . Chikhaoui n . Mattek j .凯·d·奥斯汀和a . Mihailidis”集群家庭活动分布自动检测老年adults1轻度认知障碍的”环境智能和智能环境杂志》上,8卷,不。4、437 - 451年,2016页。视图:出版商的网站|谷歌学术搜索
- 答:阿克勒说道,b . Taati, a . Mihailidis“自治不引人注目的发现轻度认知障碍的老年人,“IEEE生物医学工程,卷62,不。5,1383 - 1394年,2015页。视图:出版商的网站|谷歌学术搜索
- n AlBeiruti和k . Al-Begain”使用隐马尔科夫模型构建行为模型来检测痴呆的发病”2014年第六次国际会议上计算智能,通信系统和网络2014年,Tetova 18-26页。。视图:出版商的网站|谷歌学术搜索
- m·西尔s .亚当,b . Chikhaoui et al ., "智能家居技术:新方法的性能度量活动的日常生活和预测轻度认知障碍的老年人,“阿尔茨海默氏症期刊》上,卷68,不。1,第96 - 85页,2019。视图:出版商的网站|谷歌学术搜索
- d . Arifoglu和a . Bouchachia”的异常行为检测痴呆患者使用卷积神经网络,”人工智能在医学上卷,94年,第95 - 88页,2019年。视图:出版商的网站|谷歌学术搜索
- w·r·Paudel k•邓恩Eberle, d . Chaung”认知健康预测老年人在智能家居中使用传感器数据,”佛罗里达州2018年31日国际人工智能研究学会会议上(FLAIRS-31),美国佛罗里达州,页317 - 322,2018。视图:谷歌学术搜索
- m . Gochoo工程学系。刘,d . Bayanduuren郭宏源。棕褐色,诉Velusamy T.-Y。刘,“深卷积神经网络分类器对旅游模式使用二进制传感器,”2017年第八届国际会议上认识科技(iCAST)台中,137,页132 - 2017。视图:谷歌学术搜索
- T.-Y。李,C.-L。吴,Y.-W。简et al .,“支持系统快速痴呆筛选使用PIR运动传感器在智能家居,”2017年国际会议系统,人,控制论(SMC)班夫,页1369 - 1374年,AB, 2017年。视图:出版商的网站|谷歌学术搜索
- p . Dawadi、d·库克和m . Schmitter-Edgecombe”自动认知健康评估使用智能家居监控的复杂任务,”IEEE系统,人,和控制论:系统,43卷,不。6,1302 - 1313年,2013页。视图:出版商的网站|谷歌学术搜索
版权
版权©2021拉贾拉姆纳史木汗等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。
