Resumen

El deterioro cognitivo tiene un impacto significativamente negativo en la asistencia sanitaria global y en la comunidad. Mantener la cognición y la retención mental de una persona mayor es improbable con el envejecimiento. La detección temprana del deterioro cognitivo disminuirá el impacto más significativo de la enfermedad extendida al daño mental permanente. Este trabajo tiene como objetivo desarrollar un modelo de aprendizaje automático para detectar y diferenciar las categorías de deterioro cognitivo como grave, moderado, leve y normal mediante el análisis de datos neurofísicos y físicos. Se han utilizado la pulsación de teclas y el smartwatch para extraer los datos neurofísicos y físicos de los individuos, respectivamente. Se propone un algoritmo avanzado de aprendizaje por conjuntos denominado Gradient Boosting Machine (GBM) para clasificar el nivel de gravedad cognitiva (ausencia, leve, moderado y grave) basándose en las puntuaciones del cuestionario Standardised Mini-Mental State Examination (SMMSE). Se ha utilizado el método estadístico "correlación de Pearson" y la técnica de selección de características "wrapper" para analizar y seleccionar las mejores características. A continuación, hemos aplicado nuestro algoritmo GBM propuesto a esas características. Y el resultado ha mostrado una precisión de más del 94%. Este trabajo ha añadido una nueva dimensión al estado del arte para predecir el deterioro cognitivo mediante la implementación conjunta de datos neurofísicos y datos físicos.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:datos físicos, deterioro cognitivo, algoritmo avanzado de aprendizaje por conjuntos, técnica de selección de rasgos envolventes, examen del estado mental, categorías de deterioro cognitivo, nivel de gravedad cognitiva, daño mental permanente, papel, Deterioro cognitivo
• Keywords:physical data, cognitive impairment, advanced ensemble learning algorithm, wrapper feature selection technique, Mental State Examination, cognitive impairment categories, cognitive severity level, permanent mental damage, paper, Cognitive impairment