人工智能的認知模型?摘要： 背景 随着老齡化社會的到來，與年齡密切相關的認知障礙 ( 包括癡呆 ) 的患病率明顯增加先前的研究表明，具有不同認知能力的人群所表現的步态狀态也不一樣過去研究者們在研究遺忘型輕度認知障礙（aMCI）和阿爾茨海默病（AD）的步态時，使用了統計分析方法，對機器學習方法的使用較少目的 構建基于步态的機器學習模型識别 aMCI 和 AD，探索 aMCI 和 AD 之間的步态标志物，以便将其用作幫助診斷 aMCI 患者和 AD 患者的可能工具方法 于 2018 年 12 月至 2020 年 12 月，從國家康複輔具研究中心附屬康複醫院、佛山市第一人民醫院、大連大學附屬中山醫院招募了 102 例受試者，按照篩選标準最終納入 98 例受試者，其中 55 例為 aMCI 患者，10 例為 AD 患者，33 例為健康對照（HC）者使用可穿戴設備采集參與者在單任務（自由行走）、雙任務（倍數 7）和雙任務（倒數 100）時的步态參數使用随機森林算法（RF）和梯度提升決策樹算法（GBDT）建立模型，10 個步态參數作為預測變量，疾病狀态（HC、aMCI、AD）作為響應變量，比較兩種機器學習算法對 3 個疾病組的識别效果然後使用機器學習算法結合遞歸特征消除法（RFE）進行重要特征選擇結果 三組年齡、性别、身高、體質量、鞋碼比較，差異無統計學意義（P>0.05）；MMSE 評分、MoCA 評分比較，差異有統計學意義（P<0.05）自由行走測試時，aMCI組和 AD 組受試者步幅較 HC 組短，足跟着地角度較 HC 組小；AD 組步速較 HC 組和 aMCI 組受試者慢，足趾離地角度較 HC 組小（P<0.05）雙任務倍數 7 測試時，aMCI 組和 AD 組受試者步速較 HC 組慢，足趾離地角度和足跟着地角度較 HC 組小；AD 組支撐時間較 HC 組長，足趾離地角度較 aMCI 組小（P<0.05）雙任務倒數 100 測試時，AD 組步速較 HC 組和 aMCI 組受試者慢，足趾離地角度和足跟着地角度較 HC 組和 aMCI 組小，步幅較 HC 組短；aMCI 組足跟着地角度較 HC 組小（P<0.05）GBDT-RFE 方法發現 aMCI 和 AD 之間的重要步态特征是步幅、足趾離地角度和足跟着地角度，并在 RF 模型中實現了識别 aMCI 和 AD 的最佳性能，最高準确率為 87.69%結論 步幅、足趾離地角度和足跟着地角度是識别 aMCI 患者和 AD 患者的重要步态标志物，未來臨床醫生可依據重要步态标志物診斷和治療aMCI 患者和 AD 患者，我來為大家科普一下關于人工智能的認知模型?以下内容希望對你有幫助!

人工智能的認知模型

摘要： 背景 随着老齡化社會的到來，與年齡密切相關的認知障礙 ( 包括癡呆 ) 的患病率明顯增加。先前的研究表明，具有不同認知能力的人群所表現的步态狀态也不一樣。過去研究者們在研究遺忘型輕度認知障礙（aMCI）和阿爾茨海默病（AD）的步态時，使用了統計分析方法，對機器學習方法的使用較少。目的 構建基于步态的機器學習模型識别 aMCI 和 AD，探索 aMCI 和 AD 之間的步态标志物，以便将其用作幫助診斷 aMCI 患者和 AD 患者的可能工具。方法 于 2018 年 12 月至 2020 年 12 月，從國家康複輔具研究中心附屬康複醫院、佛山市第一人民醫院、大連大學附屬中山醫院招募了 102 例受試者，按照篩選标準最終納入 98 例受試者，其中 55 例為 aMCI 患者，10 例為 AD 患者，33 例為健康對照（HC）者。使用可穿戴設備采集參與者在單任務（自由行走）、雙任務（倍數 7）和雙任務（倒數 100）時的步态參數。使用随機森林算法（RF）和梯度提升決策樹算法（GBDT）建立模型，10 個步态參數作為預測變量，疾病狀态（HC、aMCI、AD）作為響應變量，比較兩種機器學習算法對 3 個疾病組的識别效果。然後使用機器學習算法結合遞歸特征消除法（RFE）進行重要特征選擇。結果 三組年齡、性别、身高、體質量、鞋碼比較，差異無統計學意義（P>0.05）；MMSE 評分、MoCA 評分比較，差異有統計學意義（P<0.05）。自由行走測試時，aMCI組和 AD 組受試者步幅較 HC 組短，足跟着地角度較 HC 組小；AD 組步速較 HC 組和 aMCI 組受試者慢，足趾離地角度較 HC 組小（P<0.05）。雙任務倍數 7 測試時，aMCI 組和 AD 組受試者步速較 HC 組慢，足趾離地角度和足跟着地角度較 HC 組小；AD 組支撐時間較 HC 組長，足趾離地角度較 aMCI 組小（P<0.05）。雙任務倒數 100 測試時，AD 組步速較 HC 組和 aMCI 組受試者慢，足趾離地角度和足跟着地角度較 HC 組和 aMCI 組小，步幅較 HC 組短；aMCI 組足跟着地角度較 HC 組小（P<0.05）。GBDT-RFE 方法發現 aMCI 和 AD 之間的重要步态特征是步幅、足趾離地角度和足跟着地角度，并在 RF 模型中實現了識别 aMCI 和 AD 的最佳性能，最高準确率為 87.69%。結論 步幅、足趾離地角度和足跟着地角度是識别 aMCI 患者和 AD 患者的重要步态标志物，未來臨床醫生可依據重要步态标志物診斷和治療aMCI 患者和 AD 患者。

本文來源：陶帥, 韓星, 孔麗文, 汪祖民, 謝海群. 基于步态的機器學習模型識别遺忘型輕度認知障礙和阿爾茨海默病[J]. 中國全科醫學. DOI: 10.12114/j.issn.1007-9572.2022.0437.（點擊文題查看原文）

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!