Stable and Interpretable Cognitive Status Screening Using Longitudinal Wearable Data
本研究提出了一种可解释的分层框架，该框架利用纵向可穿戴数据来区分认知正常、轻度认知障碍和痴呆状态，并取得了良好的准确率，同时能够识别与每种状态相关的特定生理模式，以支持风险筛查和假设生成。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
人类的心智随时间缓慢变化，其方式往往过于微妙，以至于在医生诊室短暂的就诊过程中难以察觉。几十年来，检查认知功能下降的标准方法是向患者询问一系列关于记忆和定向能力的问题，这种方法捕捉的是一个人生命中的一个瞬间。然而，大脑并不会在测试结束时停止工作；它会持续塑造一个人每天移动、睡眠以及对环境做出反应的方式。近期的科学研究开始探索，通过可穿戴设备（如追踪步数、心率和睡眠模式的智能手表）所收集的这种安静且连续的数据，是否能在正式诊断成为可能之前，揭示出这些渐进的变化。挑战在于，如何将人体健康的真实变化与日常生活的“噪音”（例如由于压力导致的睡眠质量不佳或临时疾病）区分开来，并且在不依赖于该系统旨在筛选的那些认知测试本身的情况下完成这一任务。
韩国嘉前进大学（Gachon University）的一个研究团队开发了一种新方法，利用这些日常数据来筛查认知健康的三个不同阶段：正常功能、被称为轻度认知障碍的轻度中间阶段，以及痴呆症。研究人员并没有试图从单一的快照中猜测一个人的状态，而是构建了一个观察七天数据窗口的系统，捕捉一个人在一段时间内生活的节奏、多样性和稳定性。他们分析了174名55岁及以上成年人的数据，仅使用来自可穿戴传感器的原始信号（如活动计数、睡眠阶段和心率），并刻意排除了任何标准记忆测试的分数。其目标是观察仅凭日常生活模式是否能可靠地将人们分为这三组。
研究人员发现，单一且简单的模型很难区分这三组，经常会完全漏掉中间那一组。为了解决这个问题，他们设计了一个模仿细致分诊系统的两步流程。首先，系统扫描数据以查看一个人是否显示出痴呆症的迹象。如果证据充分，该人员将被标记为需要进一步关注。如果没有，系统则进入第二步，以判断该人是认知正常还是处于那个棘手的轻度障碍阶段。这种方法被证明更为有效。当在另一组并未参与训练阶段的38名参与者身上进行测试时，该系统正确识别了83%的痴呆症患者和70%的轻度障碍患者。它以71%的准确率正确分类了整体人群，这比尝试一步到位的方法有了显著提升。
这项工作的特别之处不仅在于数字，还在于该系统在做出决策时究竟“看到了”什么。研究人员使用了一种方法来剥开计算机模型的层级，以理解哪些具体的行为最为重要。对于痴呆症组，系统指出了四种清晰的模式：日常活动的复杂性丧失、运动组织性的趋于僵化、休息时间的增加，以及浅睡结构的一种特定变化。对于轻度障碍组，信号更多地体现为不稳定性。系统注意到，这些人难以长时间维持活动，经历着睡眠-觉醒时机的反复波动，并在夜间心率和体温方面表现出波动模式。
该研究谨慎地将这些发现界定为一种用于筛查和假设生成的工具，而非确定性的诊断测试。研究人员强调，该系统的设计目的是标记出那些可能需要医疗专业人员进行深入检查的人，而不是取代医生。所识别出的模式（例如睡眠结构的特定变化或活动碎片化）被描述为与已知的大脑和身体相互作用方式相一致的初步线索，但尚未被证实为独立的医学指标。团队承认，他们的数据库规模较小，特别是针对痴呆症组的数据，且不同的可穿戴设备在测量睡眠阶段等方面的准确度也存在差异。
最终，这项工作表明，认知健康的故事书写在日常生活的长篇连续叙事中，而不仅仅是临床检查的短篇章节里。通过倾听数周而非数分钟内的运动与休息的微妙节奏，有可能发现那些单次就诊可能会错过的早期衰退迹象。研究人员建议，这种纵向监测可以成为社区健康的重要组成部分，帮助识别那些在危机发生前就需要支持的人。然而，他们总结道，在该系统应用于医院或诊所之前，必须在更大规模的人群中、跨越不同地点并使用不同类型的设备进行测试，以确保这些模式对每个人都同样适用。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。