Identifying cognitive impairment in older adults using machine learning on combined fNIRS and motion data during an upper extremity dual task function
Diese Studie zeigt, dass ein Support-Vector-Machine-Modell, das kombinierte fNIRS- und Bewegungsdaten einer Dual-Task-Funktion der oberen Extremität nutzt, ältere Erwachsene mit kognitiven Beeinträchtigungen im Frühstadium effektiv klassifizieren kann, wobei eine Genauigkeit von 76 % und ein ROC-AUC von 0,86 erreicht wurden.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Ihr Gehirn wäre eine geschäftige Stadt, und jedes Mal, wenn Sie denken oder sich bewegen, blinken kleine Ampeln in verschiedenen Stadtvierteln an und aus. Normalerweise koordinieren sich diese Lichter in einer gesunden Stadt reibungslos. Aber wenn die Stadt beginnt, etwas neblig zu werden – wie bei den frühen Anzeichen einer Demenz –, werden die Verkehrsmuster seltsam, noch bevor die eigentlichen Gebäude (Ihr Gedächtnis oder Ihre Persönlichkeit) zu zerbröckeln beginnen.
Ein Forscherteam der Rutgers University beschloss, „Verkehrsdetektive“ zu werden, um zu sehen, ob sie diese seltsamen Muster frühzeitig erkennen können. Sie verwendeten keine riesigen, lärmenden MRT-Geräte, bei denen man sich fühlt, als stecke man in einem Metallrohr. Stattdessen nutzten sie ein tragbares, hutähnliches Gerät, das sicheres, nahes Infrarotlicht durch die Kopfhaut leitet (wie ein hochmodernes Nachtlicht), um den Blutfluss im Gehirn zu beobachten, und sie befestigten winzige, super-sensible Bewegungssensoren an den Armen der Probanden.
Das große Experiment: Der „Arm-Zähl“-Tanz
Sie versammelten 75 ältere Erwachsene, aufgeteilt in zwei Gruppen: 43, die geistig fit waren (nennen wir sie die „Super-Scharfen Truppe“), und 32, die Anzeichen kognitiver Beeinträchtigungen zeigten (die „Neblige Crew“). Das Durchschnittsalter beider Gruppen lag bei etwa 75 Jahren.
Hier war der Trick, den sie anwandten: Sie baten alle, sich 3 Minuten lang ruhig hinzusetzen (einfach nur entspannen), und dann für die nächsten 3 Minuten zwei Dinge gleichzeitig zu tun. Es war eine „Dual-Task“, die sich wie ein seltsamer Tanz anfühlte:
- Die Armbewegung: Den rechten Ellbogen im eigenen Tempo auf und ab beugen.
- Die Gehirnbewegung: Laut rückwärts in Dreierschritten zählen (wie 100, 97, 94...) ausgehend von einer zufälligen großen Zahl.
Denken Sie an den Versuch, mit dem Fuß zu einem Takt zu tippen, während Sie gleichzeitig das Alphabet rückwärts rezitieren. Es ist einfach, aber es zwingt Ihr Gehirn dazu, zwei Aufgaben gleichzeitig zu jonglieren.
Die Hinweise, die sie fanden
Die Forscher hörten nicht nur beim Zählen zu; sie betrachteten die Daten wie ein Detektiv, der nach Fingerabdrücken sucht. Sie fanden zwei Hauptarten von Hinweisen, die halfen, die „Super-Scharfe Truppe“ von der „Nebligen Crew“ zu unterscheiden:
- Der „Wackelarm“-Hinweis: Die Bewegungssensoren maßen, wie stetig die Armbewegungen waren. Die Forscher fanden heraus, dass die „Neblige Crew“ mehr „Rauschen“ oder Zufälligkeit in ihren Armbewegungen aufwies. Es ist wie der Vergleich zwischen einer sanften Achterbahnfahrt und einer holprigen Fahrt. Je unvorhersehbarer der Arm wackelte (gemessen durch etwas namens „Sample Entropy“), desto wahrscheinlicher war es, dass die Person eine kognitive Beeinträchtigung hatte.
- Der „Gehirn-Verkehr“-Hinweis: Der fNIRS-Hut betrachtete den vorderen Teil des Gehirns (den anterioren präfrontalen Kortex), welcher wie der „CEO“ des Gehirns für Planung und Multitasking fungiert.
- Ruhezustand: Selbst als die Leute einfach nur still saßen, wies die „Neblige Crew“ ein seltsames Verkehrsmuster auf. Ihre Gehirnverbindungen waren weniger effizient (weniger direkte Straßen zwischen den Stadtvierteln), hatten aber einige seltsam belebte „Hubs“ (Knotenpunkte), die versuchten, alles mit aller Kraft zu verbinden.
- Die Aufgabe: Als sie mit dem Arm-Zähl-Tanz begannen, unterlief der „Nebligen Crew“ auch häufiger Rechenfehler.
Der Computer-Detektiv
Die Forscher speisten all diese Hinweise in drei verschiedene Arten von Computer-„Detektiven“ (Machine-Learning-Modelle) ein, um zu sehen, welcher am besten erraten konnte, wer zu welcher Gruppe gehörte.
- Detektiv 1 (Logistische Regression): Ein klassischer, geradliniger Detektiv.
- Detektiv 2 (Support Vector Machine oder SVM): Ein hochtechnologischer Detektiv, der sehr gut darin ist, komplexe Muster in unordentlichen Daten zu finden.
- Detektiv 3 (Bagged Decision Trees): Ein Detektiv, der eine Reihe von Ja-Nein-Fragen stellt, um eine Entscheidung zu treffen.
Das Urteil
Die Ergebnisse waren vielversprechend, aber kein magisches Allheilmittel. Der SVM-Detektiv war am besten in seinem Job. Als er immer wieder getestet wurde (mit einer Methode namens „10-fold cross-validation“, die 300 Mal wiederholt wurde, um sicherzugehen), lag er in etwa 75,50 % der Fälle richtig. Er hatte einen Wert (einen sogenannten F1-Score) von 68,91 und eine starke Fähigkeit, die Gruppen zu unterscheiden (ein AUC von 85,57).
Die anderen Detektive waren okay, aber nicht so gut. Der Decision-Tree-Detektiv war der schwächste und lag nur in etwa 69,59 % der Fälle richtig.
Was dies bedeutet (und was es nicht bedeutet)
Die vorliegende Arbeit legt nahe, dass die Kombination aus einer einfachen Armbewegungsaufgabe mit einem Gehirn-Scan-Hut und einem intelligenten Computer ein neuer, objektiver Weg sein könnte, um Demenz frühzeitig zu erkennen. Es ist wie eine „Check-Engine“-Leuchte für das Gehirn, die angeht, bevor das Auto tatsächlich liegen bleibt.
Die Autoren sind jedoch vorsichtig damit, dies als fertiges Produkt darzustellen. Sie weisen auf einige Punkte hin:
- Es ist ein Vorschlag, kein Gesetz: Die Studie legt nahe, dass diese Methode funktioniert, aber sie ist noch keine garantierte Diagnose.
- Die Stichprobengröße: Sie haben nur 75 Personen untersucht. Obwohl das ein guter Anfang ist, geben die Autoren zu, dass eine größere Gruppe die Ergebnisse zuverlässiger machen würde.
- Nicht alle Demenzen sind gleich: Die Studie hat nicht zwischen verschiedenen Arten von Demenz (wie Alzheimer vs. vaskulärer Demenz) unterschieden. Sie haben alle einfach als „beeinträchtigt“ gruppiert. Zukünftige Arbeiten müssten klären, ob diese Methode die spezifischen Typen unterscheiden kann.
- Kein Sturzrisiko: Im Gegensatz zu anderen Tests, die Menschen zum Gehen bringen (was für ältere Erwachsene riskant sein kann), wird dieser Test im Sitzen durchgeführt, was ihn sicherer und einfacher für Kliniken macht.
Kurz gesagt: Die Forscher haben einen spielerischen, sicheren und überraschend genauen Weg gefunden, um in das Verkehrssystem des Gehirns hineinzuschauen – mith-els eines einfachen Arm-Tanzes und eines Computers. Dies ist ein hoffnungsvoller Schritt, um Demenz frühzeitig zu erfassen, aber der Weg, diesen Prozess zu einem Standardwerkzeug für Ärzte zu machen, ist noch in vollem Gange.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.