[论文解读] Cognitive Assessment Estimation from Behavioral Responses in Emotional Faces Evaluation Task -- AI Regression Approach for Dementia Onset Prediction in Aging Societies

Tomasz M. Rutkowski, Masato Abe+2 more|arXiv (Cornell University)|Nov 25, 2019

Dementia and Cognitive Impairment Research参考文献 11被引用 6

一句话总结

本研究提出一种人工智能回归模型，通过行为反应（反应时间、情绪效价/唤醒判断、年龄和教育水平）来估计蒙特利尔认知评估（MoCA）分数，实验基于情绪面孔视频的时空隐性工作记忆任务。在20名老年人中采用留一被试者交叉验证，模型实现了极低的中位数回归误差（最低达0.86），表明该方法在老龄化人群中具有客观、非侵入性预测痴呆早期发病的强劲潜力。

ABSTRACT

We present a practical health-theme machine learning (ML) application concerning `AI for social good' domain for `Producing Good Outcomes' track. In particular, the solution is concerning the problem of a potential elderly adult dementia onset prediction in aging societies. The paper discusses our attempt and encouraging preliminary study results of behavioral responses analysis in a working memory-based emotional evaluation experiment. We focus on the development of digital biomarkers for dementia progress detection and monitoring. We present a behavioral data collection concept for a subsequent AI-based application together with a range of regression encouraging results of Montreal Cognitive Assessment (MoCA) scores in the leave-one-subject-out cross-validation setup. The regressor input variables include experimental subject's emotional valence and arousal recognition responses, as well as reaction times, together with self-reported education levels and ages, obtained from a group of twenty older adults taking part in the reported data collection project. The presented results showcase the potential social benefits of artificial intelligence application for elderly and establish a step forward to develop ML approaches, for the subsequent application of simple behavioral objective testing for dementia onset diagnostics replacing subjective MoCA.

研究动机与目标

• 开发一种基于行为反应而非主观纸笔测试的客观、非侵入性方法，用于早期预测痴呆发病。
• 探索在情绪面孔任务中使用隐性与空间工作记忆任务作为认知衰退数字生物标志物的可行性。
• 以人工智能驱动的行为分析替代或补充传统MoCA评估，提升老龄化人群认知评估的可及性与客观性。
• 评估多种机器学习回归器在基于行为与人口统计特征预测MoCA分数方面的性能。
• 为未来整合神经生理信号（如EEG、fNIRS）以提升诊断准确性奠定基础。

提出的方法

• 在20名老年人中开展行为实验，使用触控板基于情绪面孔评估任务，在二维表情符号网格上表示效价与唤醒度。
• 收集包括反应时间、效价/唤醒判断、年龄和教育水平在内的行为数据，作为机器学习模型的输入特征。
• 采用留一被试者交叉验证策略，以评估模型泛化能力并避免过拟合。
• 训练并比较多种scikit-learn回归模型：Huber、线性、RBF/SVM、多项式SVM与随机森林回归器。
• 使用默认超参数并进行微调：RBF与多项式核的γ = 1/7，多项式SVM的degree = 3，随机森林的max_depth = 10，n_estimators = 200。
• 通过交叉验证指标评估回归（MoCA分数预测）与二分类（MCI vs. 正常认知）的性能。

实验结果

研究问题

• RQ1 在基于工作记忆的情绪面孔评估任务中，行为反应能否以高精度预测MoCA分数？
• RQ2 在基于非侵入性行为与人口统计特征预测认知状态时，哪些机器学习回归器表现最佳？
• RQ3 反应时间与情绪效价/唤醒判断能否作为早期认知衰退的可靠数字生物标志物？
• RQ4 人工智能回归模型在检测轻度认知障碍方面的表现与传统主观评估相比如何？
• RQ5 行为数据本身在多大程度上可支持老龄化人群中早期痴呆发病的预测？

主要发现

• 随机森林回归器实现了最低的中位数回归误差（0.86），显著优于朴素均值基线（误差1.5）。
• 线性支持向量回归器（linearSVR）的中位数误差为1.03，表明其具有出色的预测性能。
• 在留一被试者交叉验证下，使用逻辑回归、LDA与随机森林进行MCI与正常认知的二分类任务，中位数准确率达到99%。
• rbfSVR与polySVR模型的准确率较低（分别为92%与89%），表明核函数选择对小样本数据集的性能有显著影响。
• 成对散点图显示MoCA分数与关键行为特征（如反应时间与情绪效价反应）之间存在清晰的线性关系。
• 结果表明，简单、非临床任务中的行为反应可高精度预测MoCA分数，支持基于人工智能的认知筛查的可行性。