国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      用于評估智力健康障礙的系統(tǒng)的制作方法

      文檔序號:11140284閱讀:283來源:國知局
      用于評估智力健康障礙的系統(tǒng)的制造方法與工藝

      本發(fā)明涉及用于評估智力健康障礙的系統(tǒng)。特別地,但決不限于,可應用于癡呆癥—特別的(但非排他的)阿爾茨海默病—的診斷。



      背景技術(shù):

      智力健康障礙影響世界各地的許多人。在這些障礙中,癡呆癥在老年人中是特別普遍的。根據(jù)最近的統(tǒng)計數(shù)字,目前,僅英國就有800,000人患有癡呆癥(根據(jù)阿爾茨海默病協(xié)會),而全世界有3600萬人患有癡呆癥(根據(jù)世界衛(wèi)生組織),而每20年數(shù)量會翻倍。年齡在65歲以上的人中,每三個中就有一個因為癡呆癥結(jié)束生命。在英國,患有癡呆癥的人中有46%從未得到診斷。在英國,國家衛(wèi)生服務記憶診所平均要等待6個月(多達18個月),而在診所中進行全面的診斷過程通常還需要六個月。因此,為了減輕該診所的負擔并減少等待名單,期望能夠迅速并容易地診斷癡呆癥。

      此外,在出現(xiàn)癥狀之前,引起阿爾茨海默病的腦變化會發(fā)展至少20-30年的時間。診斷通常根本沒進行,或者在過程中進行的很晚,在這種晚期,認知損傷、失能或行為癥狀可能都已十分明顯。因此,期望將能夠做出診斷的時刻提前。通過這樣做,人們希望未來的治療可以在不可逆腦損傷或智力下降已經(jīng)發(fā)生之前的最早的階段鎖定疾病。

      此外,癡呆癥診斷的作用很大程度上取決于做出診斷和告知診斷的方式。證據(jù)顯示,如果患有癡呆癥的人和他們的家人得到充分的準備和支持,安心和授權(quán)的感覺平衡了最初震驚、憤怒和悲傷的感覺。因此,期望對癡呆癥較早地診斷,以允許患有癡呆癥的人在他們?nèi)杂心芰λ麄兾磥淼淖o理作重要決定的時候提前計劃。此外,他們和他們的家人能夠得到及時的實用信息、建議和支持。僅通過接受診斷,他們就能夠使用可獲得的藥物和非藥物治療,這可能改善他們的認知并提高他們的生活質(zhì)量。如果他們選擇,他們可以參與研究以造福子孫后代。

      在英國,發(fā)展為診斷和治療癡呆癥患者的主要專業(yè)是老年精神病學。然而,也可以由老年病學專家(例如,如果存在需要進入綜合醫(yī)院的伴隨性急性身體疾病)、神經(jīng)專家、成人精神病學專家、聯(lián)絡精神病學專家、神經(jīng)精神病學專家(例如,在人們相對較年輕的情況下)或者全科醫(yī)生(GP)(在該全科醫(yī)生在該領域具有特定的技能或興趣的情況下)進行診斷和治療。雖然家人對癡呆癥患者提供絕大多數(shù)護理,但是專業(yè)健康護理對患有癡呆癥的個體和他們的家庭極其重要。缺乏診斷意味著缺乏針對癡呆癥的特定治療和護理。診斷是護理的門戶。

      當越來越嚴重的認知能力下降發(fā)生并且這對人們進行重要的日常活動的能力產(chǎn)生顯著影響時,癡呆癥按照慣例被診斷。它是臨床診斷,由仔細的神經(jīng)心理學測試、來自患者(記憶和其他認知功能的主觀缺陷)和來自關鍵知情人(暗示認知下降的客觀跡象、和對社會和/或職業(yè)功能的影響的證據(jù))的歷史記錄支持。如果可用,使用神經(jīng)影響以排除認知損傷的其他器質(zhì)性原因,并且提供支持子類型定義的信息??梢宰銎渌麥y試以排除認知變化的其他原因,例如甲狀腺疾病、維生素缺乏或感染。

      然而,即使具有先進的現(xiàn)有技術(shù),癡呆癥的診斷率也是非常低的。在英國的800,000個患有癡呆癥的人中,不到一半得到診斷。沒有診斷,患者就被拒絕使用可以幫助他們生活得更好的支持、信息和潛在治療,并且隨著他們病情的發(fā)展,用于治療的衛(wèi)生服務有可能更加昂貴。還表明,診斷率從一個地理位置到另一個地理位置顯著地變化(從英格蘭西南部的35%到蘇格蘭和北愛爾蘭部分地區(qū)的超過70%)。這進一步突出了現(xiàn)有的診斷過程的低效。

      類似地,在美國,癡呆癥是第六大常見死因,在2012年的經(jīng)濟損失為2160億美元。到2019年,將有超過一億美國人超過50歲。超過65歲的每8個人中有1個左右會患癡呆癥(2012年的阿爾茨海默病協(xié)會)。雖然通常的錯誤看法是對于受影響的患者無能為力,但是現(xiàn)在已經(jīng)證明,如果在發(fā)展階段之前開始藥物治療,疾病癥狀可以被推遲好多年。并且,最近的研究表明,如果在發(fā)展的早期階段(被稱為輕度認知損傷(MCI))進行診斷,疾病有可能被治愈。

      目前,超過五百萬美國人患有阿爾茨海默病。到2050年,接近1400萬(1380萬)美國人會患有這種疾病,除非科學家開發(fā)新的方法以預防或治愈它。

      在全世界,接近3600萬人被認為患有阿爾茨海默病或其它癡呆癥。到2030年,如果沒有突破性進展,患者將增加至接近6600萬。到2050年,將超過11500萬。

      針對患有阿爾茨海默病和其它癡呆癥的人的健康護理、長期護理和臨終護理的總支出預計將從2012年的2000億美元增加至2050年的1.1萬億美元(以2012年的美元計)。這種顯著增加包括政府支出的六倍增加和現(xiàn)金支出的五倍增加。

      患有阿爾茨海默病的人需要其他人的護理,并且提供護理的那些人中的許多沒有就他們的時間和服務得到報酬。例如,超過1500萬美國人為患有阿爾茨海默病或癡呆癥的人提供無償?shù)淖o理。無償護理者通常是直系親屬或其他的親戚和朋友。在2011年,這些人提供了估計174億小時的無償護理,貢獻值超過2100億美元。

      該領域的大量出版物聚焦于記憶測試。一些嘗試著眼于響應時間。例如,WO02078536A1考慮AD和其他狀況下的視覺圖像上的響應時間測試。US2002072859A1涉及使用視覺圖像針對癡呆癥的發(fā)病的測試。也提到了疲勞。WO2004060164A1公開了包括測試激勵、掩飾、用戶響應;對特征的感知和響應時間的測試。首先通過重復對用戶建立數(shù)據(jù),然后進行認知損傷的確定。

      因此,鑒于上述問題,本發(fā)明致力于提供一種獲得癡呆癥的早期檢測的方法。出人意料地,我們發(fā)現(xiàn)自然圖像的使用允許在失憶癥發(fā)病之前的癡呆癥的早期檢測。



      技術(shù)實現(xiàn)要素:

      根據(jù)本發(fā)明的第一方面,提供了一種用于評估人類受試者的智力健康障礙的系統(tǒng),所述系統(tǒng)包括:顯示器,其被配置為向所述受試者顯示一系列自然測試圖像;輸入端,在每幅測試圖像的顯示之后,所述受試者能夠通過所述輸入端輸入關于所述測試圖像是否滿足預定的分類標準的響應;控制處理器,其被配置為控制由所述顯示器對所述測試圖像的顯示,以測量每幅測試圖像的初始顯示時刻到相應的響應被所述受試者輸入的時刻之間的持續(xù)時間,并產(chǎn)生包括關于所述測試圖像的每一幅的響應時間的一組響應數(shù)據(jù);以及數(shù)據(jù)處理器,其被配置為處理所述一組響應數(shù)據(jù)并且將所處理的響應數(shù)據(jù)與參考數(shù)據(jù)進行比較,從而評估所述受試者是否患有智 力健康障礙,或者是否趨向于發(fā)展智力健康障礙。

      本文所使用的術(shù)語“自然圖像”或“自然測試圖像”意指例如動物的自然景物的圖像(例如照片)或圖示,與例如直線或點的純抽象或人造圖示或圖像不同。

      優(yōu)選地,所述系統(tǒng)被配置為顯示掩模(掩飾圖像)。在當前的優(yōu)選實施例中,所述控制處理器被配置為使得所述顯示器在每幅測試圖像之后顯示一幅或多幅掩模圖像。例如,所述控制處理器可以被配置為使得所述顯示器在每幅測試圖像之后顯示黑屏,然后顯示噪聲掩模。

      在當前的優(yōu)選實施例中,方法為受試者提供快速分類任務,即,它要求受試者用分類響應(類別選擇,是受試者的關于測試圖像是否滿足預定分類標準的響應)快速響應。在當前的優(yōu)選實施例中,控制處理器被配置為使得所述顯示器顯示每幅測試圖像10ms量級的持續(xù)時間,然后顯示黑屏10ms量級的持續(xù)時間,然后顯示噪聲掩模100ms量級或更長的持續(xù)時間。

      在一個這種實施例中,所述控制處理器被配置為使得所述顯示器顯示每幅測試圖像12.5ms,然后顯示黑屏可變長度的時間,然后顯示噪聲掩模。黑屏優(yōu)選地在每幅測試圖像之后被顯示11.9ms和13.1ms之間(即12.5±0.6ms)的可變長度的時間。然而,在替代的實施例中,可以使用不同長度的時間。

      在當前的優(yōu)選實施例中,控制處理器被配置為使得所述顯示器將1/f噪聲或“粉紅”噪聲顯示為噪聲掩模。然而,在其他實施例中,可以在每幅測試圖像之后使用其他類型的噪聲或掩飾效果。

      在當前的優(yōu)選實施例中,預定的分類標準是圖像是否包含動物。當作為測試受試者的智力處理能力以及提供響應時他們的運動技能的標準時,這是特別有效的,該測試占用大量的皮層(包括在智力健康障礙的早期階段受影響的區(qū)域)。

      優(yōu)選地,所述控制處理器被配置為使得所述顯示器在測試過程中向所述受試者顯示總共約500幅測試圖像。

      在特定實施例中,所述數(shù)據(jù)處理器可以被配置為將所處理的響應數(shù)據(jù)與參考數(shù)據(jù)進行比較,所述參考數(shù)據(jù)通過之前測試沒有智力健康障礙的受試者和患有智力健康障礙的受試者獲得。

      可替代地,或者另外地,所述數(shù)據(jù)處理器可以被配置為將所處理的響 應數(shù)據(jù)與通過對所使用的一幅或多幅測試圖像進行統(tǒng)計分析獲得的預測的或估算的參考數(shù)據(jù)進行比較。這使得當前過程擴展至使用之前未對已知“健康”或“非健康”受試者使用的自然圖像。

      統(tǒng)計分析可以用于獲取這種圖像的復雜度的量度,其可以用于得到對那幅圖像的預定的或估算的反應時間。在當前的優(yōu)選實施例中,所述統(tǒng)計分析考慮所述測試圖像的熵、韋伯分布和/或傅里葉分析中的一個或多個。

      在當前的優(yōu)選實施例中,所述數(shù)據(jù)處理器被配置為處理所述一組響應數(shù)據(jù)以產(chǎn)生關于所述受試者的反應時間的矢量,并且將所述矢量與表示健康和非健康受試者的該矢量的群集比較。本發(fā)明的方法可以包括初始數(shù)據(jù)采集(“訓練”)階段,包括使用已知健康或非健康受試者的“訓練”數(shù)據(jù)的采集和分析。在當前的優(yōu)選實施例中,對于已知健康受試者,響應反應時間數(shù)據(jù)用于產(chǎn)生結(jié)果的群集。結(jié)果的不同群集優(yōu)選地針對健康和非健康的受試者。在反應時間和圖像統(tǒng)計數(shù)據(jù)的每一個之間還可以擬合線性回歸模型。

      在上述可選的和初始的數(shù)據(jù)采集或“訓練”階段之后,優(yōu)選地所述方法包括個體候選受試者的響應反應時間的測量。基于反應時間的模式,方法優(yōu)選地區(qū)分健康受試者相對于非健康受試者(即,那些患有或沒有癡呆癥的人,包括AD,包括早期發(fā)病區(qū)分)。

      在當前的優(yōu)選實施例中,方法也可以包括機器學習。例如,在從新的候選受試者獲得數(shù)據(jù)之后,該數(shù)據(jù)可以被增加至從“訓練”階段獲得的健康或非健康受試者的適用群集。這使得方法逐步發(fā)展能夠評估以后的候選受試者所憑借的主體數(shù)據(jù)。

      也提供了患者信息的數(shù)據(jù)庫。數(shù)據(jù)庫優(yōu)選地是匿名的,例如為了符合地方性法規(guī)。數(shù)據(jù)庫可以是本文所描述的數(shù)據(jù)庫。它可以典型地包括響應時間和關于患者是否健康的信息。

      在當前的優(yōu)選實施例中,自然圖像統(tǒng)計數(shù)據(jù)可以預測針對新圖像的反應時間。

      在當前的優(yōu)選實施例中,自然圖像統(tǒng)計數(shù)據(jù)可以用于構(gòu)造反應時間和圖像統(tǒng)計數(shù)據(jù)之間的關聯(lián)模式(群集)。然后這些模式可以用于將參與者歸類為健康或非健康。

      在當前的優(yōu)選實施例中,自然圖像統(tǒng)計數(shù)據(jù)可以預測對新圖像的反應時間。這些可以用于構(gòu)造反應時間和圖像統(tǒng)計數(shù)據(jù)之間的關聯(lián)模式(群 集)。如上所述,然后這些模式可以用于將參與者歸類為健康或非健康。

      控制處理器和數(shù)據(jù)處理器可以被提供在單個處理設備(例如,個人計算機)中。可替代地,控制處理器可以被提供在第一處理設備(例如,終端計算機)中,而數(shù)據(jù)處理器可以被提供在第二處理設備(例如,遠程服務器)中。在這種情況下,遠程服務器可以被配置為將它的評估的細節(jié)傳送給終端計算機。

      所述系統(tǒng)還可以包括與數(shù)據(jù)處理器通信的數(shù)據(jù)存儲設備,用于存儲產(chǎn)生的結(jié)果。

      所述數(shù)據(jù)處理器可以被配置為一旦所述受試者的智力健康被診斷,就將參考數(shù)據(jù)增加至所獲得的關于所述受試者的響應數(shù)據(jù)。

      在特定實施例中,所述數(shù)據(jù)存儲設備可以被配置為存儲隨時間從給定受試者獲得的結(jié)果的多個實例。以這種方式,所述系統(tǒng)可以對隨時間從所述給定受試者獲得的結(jié)果執(zhí)行趨勢分析,例如以檢測智力健康障礙的發(fā)病。

      在特定實施例中,所述智力健康障礙是癡呆癥—特別地,阿爾茨海默病。然而,在替代的實施例中,可以檢測其他智力健康障礙。本文提供了另外的示例。

      方法優(yōu)選為一口氣完成或者以統(tǒng)一的方式完成。這與其中的測試元素單獨地使用并且它們之間沒有關聯(lián)的方法不同。

      根據(jù)本發(fā)明的第二方面,提供了一種評估人類受試者的智力健康障礙的計算機化方法,所述方法包括:將一系列自然測試圖像顯示給所述受試者;在每幅測試圖像的顯示之后,從所述受試者接收關于所述測試圖像是否滿足預定的分類標準的響應輸入;測量從每幅測試圖像被初始顯示的時刻到從所述受試者接收到相應的響應輸入的時刻之間的持續(xù)時間;產(chǎn)生包括關于所述測試圖像的每一幅的響應時間的一組響應數(shù)據(jù);以及處理所述一組響應數(shù)據(jù)并將所處理的響應數(shù)據(jù)與參考數(shù)據(jù)進行比較,以評估所述受試者是否患有智力健康障礙,或是是否趨向于發(fā)展為患上智力健康障礙。

      根據(jù)本發(fā)明的第三方面,提供了一種治療受試者的智力健康障礙的方法,包括如本文所期望的評估受試者并適當?shù)刂委熓茉囌?。例如,對于被確定為具有患癡呆癥或早期癡呆癥的風險或者患有癡呆癥或早期癡呆癥的受試者,治療可以是用藥,例如乙酰膽堿酯酶抑制劑,或者進行非藥物治療,例如認知增強療法。

      與本發(fā)明的第二和第三方面有關的優(yōu)選的或可選的特征與以上關于本發(fā)明的第一方面所描述的特征相對應。

      根據(jù)本發(fā)明的第四方面,提供了一種計算機程序或一組指令代碼,當其被處理器執(zhí)行時,使得所述處理器用作本發(fā)明的第一方面所述的處理器,和/或執(zhí)行根據(jù)本發(fā)明的第二方面所述的方法。

      根據(jù)本發(fā)明的第五方面,提供了一種編碼根據(jù)本發(fā)明的第三方面所述的一種計算機程序或一組指令代碼的計算機可讀介質(zhì)或物理載波信號。

      根據(jù)第六方面,本發(fā)明提供了用于根據(jù)本發(fā)明評估受試者的設備。該設備可以如本文所述。它可以是平板電腦或智能手機。該設備典型地包括:顯示器,其被配置為向受試者顯示一系列自然測試圖像;輸入端,在每幅測試圖像的顯示之后,所述受試者能夠通過所述輸入端輸入關于所述測試圖像是否滿足預定的分類標準的響應;和控制處理器,其被配置為控制由所述顯示器對所述測試圖像的顯示。

      所述設備可以與服務器通信以測量每幅測試圖像的初始顯示時刻到相應的響應被所述受試者輸入的時刻之間的持續(xù)時間,并產(chǎn)生包括關于所述測試圖像的每一幅的響應時間的一組響應數(shù)據(jù)??商娲兀鲈O備自身可以測量并與服務器通信,服務器產(chǎn)生包括關于所述測試圖像的每一幅的響應時間的一組響應數(shù)據(jù)??蛇x地,可以在設備自身上產(chǎn)生一組響應數(shù)據(jù)。

      類似地,數(shù)據(jù)處理器(被配置為處理一組響應數(shù)據(jù)并將所處理的響應數(shù)據(jù)與參考數(shù)據(jù)比較,從而評估所述受試者是否患有智力健康障礙,或者是否趨向于發(fā)展為患上智力健康障礙)可以在單獨的服務器上或者在設備自身上。

      根據(jù)本發(fā)明的另一方面,提供了一種用于評估人類受試者的智力健康障礙的系統(tǒng),所述系統(tǒng)包括:顯示器部件,其被配置為向所述受試者顯示一系列自然測試圖像;輸入部件,在每幅測試圖像的顯示之后,所述受試者能夠通過所述輸入部件輸入關于所述測試圖像是否滿足預定的分類標準的響應;控制處理部件,其被配置為控制由所述顯示部件對所述測試圖像的顯示,以測量每幅測試圖像的初始顯示時刻到相應的響應被所述受試者輸入的時刻之間的持續(xù)時間,并產(chǎn)生包括關于所述測試圖像的每一幅的響應時間的一組響應數(shù)據(jù);以及數(shù)據(jù)處理部件,其被配置為處理所述一組響應數(shù)據(jù)并且將所處理的響應數(shù)據(jù)與參考數(shù)據(jù)進行比較,從而評估所述受 試者是否患有智力健康障礙,或者是否趨向于發(fā)展為患上智力健康障礙。

      本發(fā)明還提供了大致如本文參照附圖的任意組合所述并如附圖的任意組合所示的用于評估智力健康障礙的系統(tǒng);大致如本文參照附圖的任意組合所述并如附圖的任意組合所示的用于評估智力健康障礙的計算機化方法;或者大致如本文參照附圖的任意組合所述并如附圖的任意組合所示的計算機程序或指令代碼的組。

      附圖說明

      現(xiàn)在僅通過示例并參照附圖描述本發(fā)明的實施例,其中:

      圖1示出用于計算機化的圖像分類任務的示例性過程;

      圖2示出計算機化圖像分類任務中使用的“動物”和“非動物”自然圖像的示例;

      圖3示出采集和分析訓練數(shù)據(jù)的整個過程;

      圖4示出從候選受試者獲得的結(jié)果與從訓練數(shù)據(jù)得到的結(jié)果的相關性;

      圖5概括地示出圖像統(tǒng)計數(shù)據(jù)的矢量的計算過程;

      圖6更詳細地示出圖像統(tǒng)計數(shù)據(jù)的矢量的計算過程;以及

      圖7是示出不同測試中心和基于網(wǎng)絡的數(shù)據(jù)分析和數(shù)據(jù)存儲設施之間的數(shù)據(jù)流動的網(wǎng)絡架構(gòu)圖。

      具體實施方式

      本發(fā)明的實施例描述了申請人已知的將本發(fā)明付諸實踐的最好方法。然而,它們不是可以實現(xiàn)的唯一方法。

      本發(fā)明的方法可用于診斷和區(qū)分不同形式的癡呆癥,包括與阿爾茨海默病相關的癡呆癥、路易體癡呆癥、血管性癡呆癥、額顳退化癡呆癥(例如,皮克氏病、基底節(jié)變性退化癥和額顳癡呆癥)、亨廷頓氏癥、克雅二氏癥、帕金森氏癥、腦血管疾病、頭部創(chuàng)傷、和物質(zhì)濫用。在一些實施例中,帕金森氏癥或亨廷頓氏癥是優(yōu)選的。在一些實施例中,AD是特別優(yōu)選的。

      綜述

      較早的研究表明,響應反應時間通常被不同類型的腦疾病影響 (Gordon和Carson,1990年;Jahanshahi等,1992年;Knopman和Nissen,1991年;Rinehart等,2001年)。這表明反應時間的模式可用于診斷的目的。

      已經(jīng)表明,健康受試者的反應時間與自然圖像的統(tǒng)計特征有關(Mirzaei等,Vision Research 81,2013年)。我們希望看到健康受試者相比在疾病的早期階段的受試者的不同的相關性模式。

      WO02078536A1未公開關于使用例如動物的自然圖像。

      US2002072859A1未提到自然圖像,并且所使用的激勵是簡單的隨機點,與自然圖像完全不同。其受試者的任務與我們的不同。在本發(fā)明中,迅速的分類任務是優(yōu)選的。例如,在一些實施例中,我們以僅10ms量級的時間顯示圖像。然而,相比之下,US2002072859A1中的任務是視覺搜索以發(fā)現(xiàn)顯示系統(tǒng)中的目標。該文件也未提及掩飾的輔助功效。

      WO2004060164A1在最后提到了AD,但這是該快速發(fā)展領域的歷史文件,公開于記憶測試流行的時候。直到本發(fā)明之時,通過響應反應時間對AD的檢測也未被單獨地實驗測試。簡單的響應反應時間方法已經(jīng)與其他測試共同使用,但不是如我們所提供的一個統(tǒng)一測試的單獨使用。此外,該文件未公開“自然測試圖像”的使用,也沒有公開自然圖像統(tǒng)計數(shù)據(jù)的使用。我們使用的統(tǒng)計分析,例如測量自然圖像激勵的熵,僅可應用于自然圖像,但不能應用于如該公開所使用的簡單的線圖圖像。

      在本發(fā)明的當前優(yōu)選的實施例中,提供了(在測試圖像中)對這種熵的測量。測試圖像的其他統(tǒng)計分析也是優(yōu)選的。

      Vision Research 81(2013年)未公開“自然測試圖像”的使用,但是總地僅涉及響應時間。這是著眼于自然圖像的第一篇文獻,但是未涉及如何應用于醫(yī)療設置,更沒有提到疾病狀態(tài),包括癡呆癥或AD。該文件的教導不能夠應用于關于癡呆癥或AD的技術(shù),因為該文獻所應用的圖像統(tǒng)計數(shù)據(jù)僅可以用于自然圖像,而不能用于癡呆癥所使用的線圖圖像或隨機點。

      我們有自然圖像統(tǒng)計數(shù)據(jù)的兩個優(yōu)選的和單獨的應用:

      1)一個是預測對新圖像的反應時間;以及

      2)構(gòu)造反應時間和圖像統(tǒng)計數(shù)據(jù)之間的相關模式,然后使用這些模式將參與者分類為健康人或非健康人。當然,這些也可以組合使用。

      在Vision Research 81(2013年)文獻中,第一點用于非醫(yī)學治療環(huán)境 中。然而,第二點在該文獻絲毫未被使用或提及。該第二點所使用的回歸法和機器學習法(包括分類歸并)與那篇文獻的分析非常不同。

      如此,自然圖像的使用具有優(yōu)點,因為我們已經(jīng)表明它們可以在失憶癥發(fā)病之前幫助進行癡呆癥的早期檢測。

      通過自然圖像,我們意指自然景物的圖像(例如照片)或圖示,其與我們的視覺系統(tǒng)不經(jīng)常暴露至的純粹抽象的圖示或圖像不同。從技術(shù)上講,在本發(fā)明的工作中,一組自然圖像包括具有與人的視覺系統(tǒng)適合的統(tǒng)計結(jié)構(gòu)類似的統(tǒng)計結(jié)構(gòu)的圖像。示例也可以包括從例如叢林、街道、建筑物等的景物得到的圖片。雖然這些中的一些可以由人創(chuàng)造,但是這些圖像與二維線圖不同,該二維線圖并非受試者在其生活中通常能發(fā)現(xiàn)的景物或圖像的范疇??梢哉f,眼睛(實際是大腦)被“編程”為識別這些圖像。該圖像可以被描繪為日常圖像。

      分類任務的優(yōu)選示例是以“動物”或“非動物”作答。在其他實施例中,這里的動物元素可以被其他自然物品代替以提供分類任務,例如瀑布,其以“瀑布”或“非瀑布”作答。同樣地,元素可以被替代為樹、花、臉等。

      分類任務可以是二選一分類任務。在此,受試者被要求說(指示)圖像中存在特定物(即,被識別出),或者不存在。

      在本發(fā)明的工作中,我們開發(fā)了使用自然圖像的基于計算機化的精神物理學迅速分類任務的測試。我們所設計的精神物理學計算機化測試占用大量的皮層,主要是已知受阿爾茨海默病的早期階段影響的視覺皮層(Armstrong,2012年;Brewer和Barton,2012年;Mentis等,1996年)。使用當前的工作,我們設想甚至能夠在失憶癥發(fā)病之前檢測到疾病。

      在最初的“訓練”數(shù)據(jù)采集階段,已知的健康受試者(即沒有阿爾茨海默病的人,作為“控制”受試者)和患有已知在阿爾茨海默病的早期階段的輕度認知障礙的受試者被要求進行計算機化測試,其中,他們被提供一組不同的自然圖像并被要求通過按壓鍵盤上的相關按鈕來盡可能快和精確地分類每幅圖像。(在阿爾茨海默病的早期階段的受試者在本文可被稱為“非健康”受試者;該術(shù)語僅用作將該人群與沒有阿爾茨海默病的人的區(qū)分方式,不意指任意其他的身體或智力不健康。)該初始數(shù)據(jù)采集階段的結(jié)果被分析以獲取針對健康受試者和非健康受試者的兩個不同的響應反應時間模式?;诜诸惾蝿罩械慕】凳茉囌吆头墙】凳茉囌叩姆磻獣r間,可以開發(fā)相應的模型。因此,在過程的最后,我們有兩個模型—一個可以用 于預測健康受試者的反應時間,另一個可以用于預測非健康受試者的反應時間。

      基于這些預測的對一組不同圖像的反應時間,在對候選個體的后續(xù)測試中,使用相同的測試程序,我們可以將每個個體歸類至與他的反應時間最相關的類別中。例如,如果他的反應時間與健康受試者的反應時間的模式更相關,那么他將被歸類為健康。另一方面,如果他的反應時間與非健康受試者的反應時間的模式更相關,那么他將被歸類為非健康(即在阿爾茨海默病的早期階段)。以這種方式,可以診斷個體是否在阿爾茨海默病的早期階段。需要注意的是,健康受試者和非健康受試者之間的所有這些比較是在相同的年齡段進行的。例如,年齡在50-60之間的候選受試者與同一年齡段組中的健康受試者和非健康受試者進行比較。

      精神物理學測試過程

      我們在暗室進行我們的精神物理學測試,這最小化了受試者的注意力分散的可能性。在每次測試中,受試者的位置與計算機屏幕(80Hz的顯示器刷新率)的距離為0.5m。

      如圖1所示,在每次測試中,在計算機屏幕的中心(~7°×7°的視角)將一系列單獨的灰度自然圖像(例如10,18等)呈現(xiàn)給受試者,每幅圖像持續(xù)12.5ms。在當前優(yōu)選的實施例中,每幅自然圖像10、18包括動物或動物之外的事物(即,“非動物”)的照片。每幅自然圖像緊跟著12.5±0.6ms的黑屏12、20,作為刺激間隔(ISI)。持續(xù)時間100ms的噪聲掩模(1/f噪聲圖像)14、22在每個ISI的最后出現(xiàn)。(1/f噪聲也被稱為“粉紅”噪聲,它是功率譜反比于頻率f的信號。)需要注意的是,ISI隨機地變化大約±0.6ms以避免受試者的適應性。激勵開始的異步(SOA)為大約25ms(12.5ms用于圖像呈現(xiàn),跟隨12.5±0.6ms的ISI)。

      作為任務,受試者被指示跟隨每幅自然圖像的顯示盡可能快和精確地關于所呈現(xiàn)的圖像是否滿足基于預定分類的標準進行響應。在當前的優(yōu)選實施例中,任務是確定每幅所呈現(xiàn)的圖像是包含動物還是非動物(即,所謂的“干擾項”)。響應于每幅圖像,要求受試者在圖像包含動物時按壓計算機鍵盤的指定的YES鍵,或者在圖像不包含動物時按壓指定的NO鍵。對于每幅圖像,從圖像首次出現(xiàn)到受試者按壓YES或NO鍵的精確的持續(xù)時間被記錄為他對那幅圖像的響應反應時間。在該系列的每幅圖像被顯示 之后重復該操作,受試者理想地在圖像被黑屏代替之前按壓YES或NO鍵。因此,當前測試并非主要為了這樣評價受試者的記憶(即,在圖像被取消之前記住該圖像所展示的內(nèi)容的能力),而在于評估他們智力地處理圖像所顯示的內(nèi)容(即圖像是否滿足預定的分類標準)的能力以及他們處理該圖像內(nèi)容需要多長時間。測試過程對于健康受試者和非健康受試者是相同的;最后,針對所有受試者,我們具有對每幅圖像的響應(YES或NO)加上反應時間。

      在圖1中,在移至下一個實驗之前,屏幕16和24指示系統(tǒng)等待受試者響應每次個體實驗的固定時段。屏幕10、12、14和16表示“動物”實驗,而屏幕18、20、22和24表示“非動物”實驗。在整個測試中,動物和非動物實驗被隨機地混合并且總共有500個實驗。

      因此,在每次測試中,許多不同的動物或非動物圖像以受試者不可預知的方式呈現(xiàn)。圖2示出典型的動物或非動物圖像的示例。應當理解,就動物圖像而言,動物可以被顯示為景物的一部分,也可以呈現(xiàn)其他物體(例如背景中的樹)。類似地,就非動物圖像而言,景物可以被顯示,而不是僅顯示單個物體。因此,要求受試者智力地處理每幅圖像的內(nèi)容,以確定是否存在動物,并隨之響應。

      在典型的測試中,給受試者呈現(xiàn)500幅圖像,然而該數(shù)量不是嚴格的,所使用的實際數(shù)量可以更大或更小。

      為了在測試過程開始之前使每個受試者熟悉測試過程,要求每個受試者在參加主測試之前使用不同圖像進行相同的過程。每個受試者的該準備階段需要大約5分鐘。

      所有的受試者應當具有正常視力或矯正的正常視力,并且應當對所呈現(xiàn)的圖像不熟悉。激勵數(shù)據(jù)庫包括500幅自然圖像,其中250幅包含動物,250幅不包含動物。

      初始數(shù)據(jù)采集(“訓練”)階段

      圖3更詳細地示出使用已知的健康受試者或非健康受試者采集和分析“訓練”數(shù)據(jù)的整個過程。

      對于已知的健康受試者(30),響應反應時間數(shù)據(jù)用于產(chǎn)生結(jié)果(32)的群集,該群集在圖4中被圖解地示出(群集40)。也可以在反應時間和每個圖像統(tǒng)計數(shù)據(jù)之間擬合線性回歸模型(34)。在下文將討論圖像統(tǒng)計 數(shù)據(jù)的示例,以及它們串聯(lián)成單個矢量。對每個圖像的圖像統(tǒng)計數(shù)據(jù)僅被計算一次。

      另一方面,對于非健康受試者(36),響應反應時間數(shù)據(jù)用于產(chǎn)生不同的結(jié)果的群集(38),在圖4中圖解地示出(群集42)。

      癡呆癥的早期診斷方法-測試候選個體

      在上述初始數(shù)據(jù)采集或“訓練”階段之后,我們能夠測量個體候選受試者對正確的實驗中激勵的響應反應時間。然后,基于反應時間的模式,我們能夠區(qū)別健康受試者和非健康受試者(即那些患有AD的受試者)。在所設計任務中的受試者反應時間包括視覺處理和響應完成兩者所要求的時間,因此,大量的皮層被占據(jù),包括在癡呆癥的早期階段中所影響的區(qū)域。與嘗試基于他們的記憶損傷診斷患有AD的受試者的其他認知任務不同,所設計的測試的目標在于其他腦功能而不是記憶。在失憶癥發(fā)病之前,引起阿爾茨海默病的腦改變會發(fā)展大約20-30年的時間。因此,使用新的認知任務,我們的目標在于在記憶癥狀開始之前的較早的階段診斷疾病。

      通過基于所使用的自然圖像的統(tǒng)計數(shù)據(jù)將模型擬合至受試者的響應反應時間,可以將該過程擴展至(并未用于訓練過程的)其他自然圖像??梢允褂玫慕y(tǒng)計數(shù)據(jù)的一些示例是:擬合至圖像的邊緣直方圖的韋伯分布的γ和β;圖像的熵;以及圖像的傅里葉斜率和截距。這些圖像統(tǒng)計數(shù)據(jù)可以被用于預測受試者的響應反應時間。通過這樣做,可以預測健康受試者和非健康受試者對新的未見過的自然圖像的響應反應時間。這一般化了我們的方法并且使得它對其他自然圖像也有效,其中針對其他自然圖像,我們沒有在初始“訓練”階段采集受試者的反應時間;而是使用擬合的模型預測對這些圖像的反應時間。例如,為了針對健康受試者擬合模型,所有的圖像統(tǒng)計數(shù)據(jù)首先針對一組新的圖像被計算。然后,我們使用最小平方誤差(LSE)方法找到最優(yōu)權(quán)值矢量(w1、w2、w3、w4、w5),該最優(yōu)權(quán)值矢量將訓練圖像的圖像統(tǒng)計數(shù)據(jù)映射到訓練階段從健康受試者獲得的反應時間(有五個權(quán)值,分別對應于圖像統(tǒng)計數(shù)據(jù)中之一)。最后,使用最佳估計權(quán)值矢量,預測健康受試者對一組新的圖像的反應時間??梢圆捎妙愃频姆椒ㄡ槍Ψ墙】凳茉囌邤M合模型。LSE是數(shù)值擬合方法,使用LSE可以通過最小化殘差平方和找到與一組點的最佳擬合曲線。殘差是觀測值和模型提供的擬合值之間的差。因此,這有效地使我們使用新的圖像構(gòu)成 新的訓練組,或者基于從現(xiàn)有訓練組獲得的結(jié)果并使用新圖像的圖像統(tǒng)計數(shù)據(jù)將現(xiàn)有訓練集擴展至包括新圖像。

      對于上述“訓練”階段,候選受試者以相同的方式被測試,并且他們的反應時間被分析為將每個個體與健康類別或非健康類別關聯(lián)。這在圖4中被示意性地示出。以這種方式,可以診斷個體是否在阿爾茨海默病的早期階段。

      在圖4中,每個小的圓圈表示受試者之一的反應時間(RT)的模式。每個群集40、42的中心處的陰影圓圈是群集的重心。dh是候選受試者的反應時間的模式與健康受試者的群集的重心之間的距離,dn是與非健康受試者的重心之間的相應距離。

      在從新的候選受試者獲得數(shù)據(jù)之后,該數(shù)據(jù)可以被增加至從“訓練”階段獲得的健康或非健康受試者的適用群集40、42,以逐漸發(fā)展主體數(shù)據(jù),可以憑借主體數(shù)據(jù)評估后來的候選受試者。在當前優(yōu)選的實施例中,這并未在候選受試者的測試之后立即進行,而是被留到受試者已經(jīng)被確定地診斷為患有癡呆癥或沒有癡呆癥時。因此,在一個實施例中,我們限定一時間尺度并且在該時間尺度內(nèi)追蹤候選受試者以觀察他的疾病是否發(fā)展;一旦已經(jīng)建立,我們就將他的反應時間的模式增加至他所屬于的相關分類。

      數(shù)據(jù)量化和關聯(lián)技術(shù)

      如上所述,從受試者獲得的反應時間的模式被聚類為健康受試者和非健康受試者兩類。針對每個受試者,將存在對一組呈現(xiàn)圖像的反應時間的矢量,該矢量與圖像的數(shù)量有相同的長度。因此,在包含500幅圖像的整個測試中,我們針對每個受試者獲得長度為500的反應時間矢量。這些矢量用于聚類。

      對于每幅圖像,圖像的統(tǒng)計特征以被計算并串聯(lián)成一矢量。該圖像統(tǒng)計數(shù)據(jù)包括所呈現(xiàn)圖像的熵、擬合至圖像的邊緣直方圖的韋伯分布的β和γ參數(shù)、以及圖像的傅里葉斜率和截距。因此針對每幅圖像,將有表示其統(tǒng)計特征的長度為5的矢量。通過“長度為5的矢量”,這指的是前面句子中提到的五個圖像統(tǒng)計數(shù)據(jù)—即(1)熵,(2)γ,(3)β,(4)傅里葉斜率,和(5)傅里葉截距。

      通過初始的概述,圖5示意性地示出針對每幅圖像計算圖像統(tǒng)計數(shù)據(jù)的矢量的過程。針對每幅圖像,執(zhí)行傅里葉分析和熵計算,并且擬合韋伯 分布。從傅里葉分析可以獲得傅里葉斜率和傅里葉截距。從熵計算可以獲得圖像熵。從韋伯分布可以獲得參數(shù)γ和β。

      圖6是更詳細地示出上面五個統(tǒng)計特征的流程圖。有關特征如下:

      —熵

      圖像的熵是它所包含的信息量的量度。用于計算熵的公式是:

      (1)熵=-∑(Pi*log(Pi)),其中i是狀態(tài)(state),而Pi是那個狀態(tài)的概率。

      為了估算輸入圖像I的熵,我們使用Chandler和Field(2007年)提出的方法。從圖像I所屬的同一類別選擇一個16幅圖像的組(我們稱為組N)。對于圖像I和組N中的每幅圖像,從每幅圖像的左上至右下抽取214個8×8像素的非重疊部分。

      在該方法中,使用如下公式計算熵的值:

      (2)

      C是常數(shù)=q/M,其中,由于8×8的部分得到q=64,以及M=214是從每幅圖像抽取的部分的總數(shù)量。

      DN,m表示圖像I的每一部分和從組N抽取的那些部分之間的最小歐幾里得距離。

      其中g(shù)amma(x)是限定的伽馬函數(shù)。

      ρ是歐拉常數(shù),約等于0.577。

      —韋伯分布

      自然景物的邊緣直方圖遵循公式(3)的韋伯分布形式,這是具有兩個自由參數(shù)beta(β)和gamma(γ)的連續(xù)概率分布。

      (3)

      其中c是允許f成為概率分布函數(shù)的標準化常數(shù),μ是對比分布的起源,β和γ分別表示韋伯分布的尺度和形狀參數(shù)。

      通過在圖像上運行邊緣檢測器然后計數(shù)不同方位的邊緣的頻率來計算給定圖像的邊緣直方圖。這給我們提供針對給定圖像的不同方位的邊緣 的直方圖。

      —傅里葉分析

      可以通過計算擬合至圖像的功率譜的線的截距和斜率得到圖像的傅里葉統(tǒng)計數(shù)據(jù)??梢酝ㄟ^將圖像轉(zhuǎn)換至傅里葉空間(例如使用快速傅里葉變換)然后繪制落入給定頻率窗口的信號功率的比例得到給定圖像的功率譜。

      —線性回歸

      針對每幅圖像,考慮所呈現(xiàn)的圖像和健康受試者對它們的響應反應時間,我們限定健康受試者對圖像的反應時間和圖像的統(tǒng)計特征之間的映射。通過在健康受試者的反應時間和每個圖像統(tǒng)計數(shù)據(jù)之間擬合線性回歸模型來獲得映射。作為示例,針對熵,線性回歸模型如下:

      (4)Eni=RTi*Wii;εi是誤差項。

      (5)Eni=[en1,en2,…,enl,…,enn],其中Εni是圖像i的熵,而n是健康受試者的數(shù)量。

      為了擬合模型,首先使用公式(2)將所有的enl初始化為圖像i的計算的熵。

      (6)RTi=[rt1,rt2,…,rtl,…,rtn],其中rtl是受試者l對圖像i的反應時間。

      針對每幅圖像,擬合回歸模型意指在公式(4)中找到Wi。

      可以針對任意的圖像統(tǒng)計數(shù)據(jù)將公式(4)和(5)一般化為如下:

      (7)Isti=RTi*Wii;εi是誤差項。

      (8)Isti=[ist1,ist2,…,istl,...,istn],其中,Isti是所提到的針對圖像i所計算的圖像統(tǒng)計數(shù)據(jù)之一,而n是健康受試者的數(shù)量。

      對于候選受試者,我們獲得反應時間,然后使用公式7和8中的擬合回歸模型,估算圖像統(tǒng)計數(shù)據(jù)。所估算的圖像統(tǒng)計數(shù)據(jù)與圖像統(tǒng)計數(shù)據(jù)的實際值進行比較,而誤差項(實際值和預測值之間的差)被用作精確度的量度。如上述公式所示,我們沒有進行任何維數(shù)縮減;候選受試者的反應時間和健康/非健康受試者的群集之間的所有的分析和關聯(lián)在原始高維空間中被計算。為了可視化,圖4僅是映射在2維空間中的該高維空間的簡 化。

      系統(tǒng)使用受試者響應于不同圖像按壓YES或NO的精確度作為控制量度,以檢查受試者是否注意該任務、或者他是否僅以隨機方式響應。如果檢測到他以隨機方式響應,他的數(shù)據(jù)將被認為無效,并且他將被移除出訓練組或者被要求重新測試。

      一種利用參與者的響應精確度的替代的或另外的方式是根據(jù)他們在動物相比非動物任務中的精確度將參與者分類至不同的組。然后,針對候選受試者,可以與落入候選受試者的同一類別的健康受試者和非健康受試者進行全部比較。

      為了能夠根據(jù)候選受試者的反應時間估算圖像統(tǒng)計數(shù)據(jù),將估算的圖像統(tǒng)計數(shù)據(jù)與實際圖像統(tǒng)計數(shù)據(jù)比較。針對健康的候選受試者,期望圖像統(tǒng)計數(shù)據(jù)的估算更精確。這是我們用于區(qū)分健康受試者和非健康受試者的另一量度。

      因為我們具有五個圖像統(tǒng)計數(shù)據(jù)(如圖5和6所示),我們將具有五個誤差項,e1,…,e5。平均誤差是eμ;并且我們限定精確度為1–eμ。對于健康受試者,我們期望得到較高的精確度。

      對于候選受試者,我們測量他們的反應時間矢量和健康受試者、以及非健康受試者的反應時間的群集的重心之間的相關距離。該距離分別被稱為dh和dn(如圖4所標記的)。對于每一群集,我們也計算群集的方差;方差的倒數(shù)被稱為精度,πh,πn

      屬于非健康受試者的類別的概率以如下方式被分配給候選受試者:

      (9)Pn=0.5(dnn)+0.5(eμ)

      示出客戶端計算機/設備和服務器等之間的數(shù)據(jù)流的網(wǎng)絡架構(gòu)圖

      圖7是示出當在單個候選受試者上進行我們的測試時,不同測試中心和基于網(wǎng)絡的數(shù)據(jù)分析和數(shù)據(jù)存儲設備之間的數(shù)據(jù)流動的網(wǎng)絡架構(gòu)圖。測試中心72、74、76和78的計算機用于執(zhí)行上述圖像識別測試。測試中心可以在不同的位置(例如,同一建筑物的不同房間、不同建筑物、不同城市或不同國家)。本領域技術(shù)人員可以理解,網(wǎng)絡70可以是廣域網(wǎng)絡,例如因特網(wǎng)。

      測試結(jié)果經(jīng)由網(wǎng)絡70被傳送至遠程服務器80,遠程服務器80被配置 為分析結(jié)果并將結(jié)果(總結(jié)和結(jié)論)傳送回測試中心72、74、76、78。

      在所示的示例中,返回測試中心72和74的結(jié)果診斷患者健康。另一方面,返回測試中心76的結(jié)果診斷患者患有輕度認知障礙(MCI)。鑒于此,從患者進行其他生物標記物測試并將其傳送至生物標記物測試中心90以進一步診斷。同樣地,返回測試中心78的結(jié)果診斷患者患有癡呆癥。鑒于此,從患者進行其他生物標記物測試并傳送至生物標記物測試中心92以進一步診斷。

      結(jié)果(總結(jié)和結(jié)論)也從分析服務器80傳送至遠程存儲設備82(其可以是與服務器80相同或者不同的物理設備)以存儲。來自其他生物標記物測試的結(jié)果也從測試中心90和92傳送至存儲設備82以存儲。

      在存儲設備82中,從這些測試獲得的數(shù)據(jù)可以被增加至在初始數(shù)據(jù)采集階段獲得的健康患者和非健康患者的數(shù)據(jù)群集(例如圖4所示的群集40和42),以擴展評估以后的候選受試者所憑借的主體數(shù)據(jù)。

      來自存儲設備82的數(shù)據(jù)也可以被提供(受制于所有必須的數(shù)據(jù)保護條款)用于研究和開發(fā)目的(84)、健康護理篩查目的(86)和未來計劃目的(88)。

      隨時間從給定個體獲得的結(jié)果的多個實例可以被存儲。此外,使用那些結(jié)果執(zhí)行趨勢分析以檢測關于那個個體的癡呆癥的發(fā)病。

      本領域技術(shù)人員應當理解,本文所述的過程可以通過能夠被微處理器(例如在測試中心72、74、76和78或者在服務器80或82的計算機內(nèi))執(zhí)行的計算機程序或者一組指令代碼完成。計算機程序或指令代碼的組可以被提供在計算機可讀介質(zhì)或數(shù)據(jù)載體上,例如CD-ROM、DVD或固態(tài)存儲設備??商娲?,它可以是直接地或者通過局域網(wǎng)絡或例如因特網(wǎng)的廣域網(wǎng)絡從所連接的計算機下載的數(shù)字信號。作為另外的替代,計算機程序或者指令代碼的組可以被硬編碼在執(zhí)行它的微處理器(或相關的存儲器)中。

      其他可能的修改和替代

      詳細的實施例已在上文描述。本領域技術(shù)人員應當理解,在仍然受益于本文所包含的發(fā)明的前提下,可以對上述實施例進行大量另外的修改和替代。

      例如,在上述實施例中,基于分類的圖像處理任務是每幅測試圖像是 否包含動物。然而,替代的實施例可以使用其他圖像處理標準,例如,諸如每幅測試圖像是否包含人造物體。

      在上述實施例中,系統(tǒng)被配置為顯示持續(xù)時間12.5ms的每幅測試圖像,然后是持續(xù)時間12.5±0.6ms的黑屏,然后是持續(xù)時間100ms的噪聲掩模。然而,在替代的實施例中,可以針對這些顯示操作使用不同的時間長度。

      上述掩飾的范例被稱為后向掩飾,其中在激勵偏移之后出現(xiàn)掩模。然而,本發(fā)明不限于這種類型的掩飾;而是可以使用其他掩飾范例(例如物體置換掩飾)。此外,掩模激勵的本質(zhì)并非僅限于上述1/f噪聲掩模;也可以使用其他掩模圖像(例如擾頻圖像)。

      在上述實施例中,圖像上執(zhí)行的統(tǒng)計處理是傅里葉分析(以找到傅里葉斜率和傅里葉截距)、圖像的熵、和韋伯分布的擬合(以找到韋伯參數(shù)γ和β)。然而,在替代的實施例中,可以使用其他圖像統(tǒng)計數(shù)據(jù)。

      在上述實施例中,被評估的智力健康障礙是癡呆癥,更特別地是阿爾茨海默病(AD)。然而,在替代的實施例中,通過從患有其他腦障礙(例如其他類型的癡呆癥)的受試者采集數(shù)據(jù),我們的認知測試可以擴展以用于AD之外的腦障礙的診斷。

      最后,針對幾種腦障礙采集足夠的數(shù)據(jù)允許我們的新穎的認知測試被用作測試人的腦健康的通用框架。

      對于本領域技術(shù)人員來說,各種其他的修改和替代將是顯而易見的,這里將不再進一步詳細描述。

      總結(jié)

      上述實施例的各個特征和有益效果可以被總結(jié)如下:

      ·我們提出一種用于阿爾茨海默病(AD)的早期診斷的計算機化任務。

      ·我們把疾病發(fā)展的初始階段,特別在記憶癥狀開始之前,受到影響的腦功能定為目標。

      ·腦功能包括受試者的視覺處理和分類的能力和速度。

      ·任務也占用運動皮層。

      ·任務是快速的動物相對非動物的分類任務。

      ·我們測量受試者對分類任務中所展示的一組自然圖像的響應反應時間(RT)。

      ·激勵被呈現(xiàn)非常短的持續(xù)時間(12.5ms),然后是12.5±0.6ms的黑屏,然后是掩模(100ms)。

      ·受試者應當被固定至任務過程中的固定點;并且他們被要求與屏幕距離50cm。

      ·基于所測量的RT的模式,針對受試者的每個類別(即健康相對AD)開發(fā)模型。

      ·通過將他們的反應時間的模式與針對健康和AD受試者開發(fā)的模型進行比較來診斷患有AD的受試者。

      ·對于每個受試者,我們根據(jù)他/她的反應時間的模式與針對健康或非健康受試者的反應時間的擬合模型的關聯(lián)分配他/她所屬的類別的概率。

      ·受試者的響應反應時間與所呈現(xiàn)的自然圖像的統(tǒng)計特征關聯(lián)。

      ·圖像統(tǒng)計數(shù)據(jù)包括所呈現(xiàn)的激勵的熵、擬合至輸入激勵的邊緣直方圖的韋伯分布的β和γ參數(shù),激勵的傅里葉斜率和截距。

      ·圖像的熵是圖像所包含的信息的量的量度。

      ·自然景物的邊緣直方圖遵循韋伯分布,它是具有兩個自由參數(shù)β和γ的連續(xù)概率分布。

      ·可以通過計算擬合至圖像的功率譜的線的截距和斜率得到圖像的傅里葉統(tǒng)計數(shù)據(jù)。

      ·我們選擇那些增加健康受試者和非健康受試者之間的區(qū)別度的圖像統(tǒng)計數(shù)據(jù)。

      ·通過開發(fā)針對每種類型的疾病的模型,可以將該思想推廣至其他類型的癡呆癥。

      ·針對其他類型的腦障礙和智力健康問題的診斷,所提出的方法是可擴展的。

      參考文獻

      Armstrong,R.(2012年)。The visual cortex in Alzheimer disease:laminar distribution of the pathological changes in visual areas V1and V2。In Visual Cortex,J.Harris,和J.Scott,eds.(Hauppage,NY(US):Nova science),99-128頁。

      Brewer,A.A.,和Barton,B(2012年)。Visual cortex in aging and Alzheimer's disease:Changes in visual field maps and population receptive fields.Front.Psychol.-1。

      Gordon,B.,和Carson,K.(1990年)。The basis for choice reaction time slowing in Alzheimer's disease.Brain Cogn.13,148-166。

      Chandler DM,Field DJ(2007年)Estimates of the information content and dimensionality of natural scenes from proximity distributions.JOSA 24:922-941。

      Jahanshahi,M.,Brown,R.G.,和Marsden,D.(1992年)。Simple and Choice Reaction Time and the Use of Advance Information for Motor Preparation in Parkinson's Disease.Brain 115,539-564。

      Knopman,D.,和Nissen,M.J.(1991年)。Procedural learning is impaired in Huntington's disease:Evidence from the serial reaction time task.Neuropsychologia 29,245-254。

      Mentis,M.J.,Horwitz,B.,Grady,C.L.,Alexander,G.E.,VanMeter,J.W.,Maisog,J.M.,Pietrini,P.,Schapiro,M.B.,和Rapoport,S.I.(1996年)。Visual cortical dysfunction in Alzheimer's disease evaluated with a temporally graded"stress test"during PET.Am.J.Psychiatry 153,32-40。

      Mirzaei,A.,Khaligh-Razavi,S.-M.,Ghodrati,M.,Zabbah,S.,和Ebrahimpour,R.(2013年)。Predicting the Human Reaction Time Based On Natural Image Statistics in a Rapid Categorization Task.Vision Res。

      Rinehart,N.J.,Bradshaw,J.L.,Brereton,A.V.,和Tonge,B.J.(2001年)。Movement Preparation in High-Functioning Autism and Asperger Disorder:A Serial Choice Reaction Time Task Involving Motor Reprogramming.J.Autism Dev.Disord.31,79-88。

      當前第1頁1 2 3 
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1