論文の概要: Predicting Cognitive Assessment Scores in Older Adults with Cognitive Impairment Using Wearable Sensors

• arxiv url: http://arxiv.org/abs/2511.04983v1
• Date: Fri, 07 Nov 2025 05:00:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.679034
• Title: Predicting Cognitive Assessment Scores in Older Adults with Cognitive Impairment Using Wearable Sensors
• Title（参考訳）: ウェアラブルセンサを用いた認知障害高齢者の認知評価スコアの予測
• Authors: Assma Habadi, Milos Zefran, Lijuan Yin, Woojin Song, Maria Caceres, Elise Hu, Naoko Muramatsu,
• Abstract要約: 本稿では、ウェアラブルデバイスが提供する生理的データを用いて、軽度認知障害や軽度認知症を伴う高齢者の認知機能を評価することに焦点を当てる。 本研究では,確立した認知テストのスコアを生理的データが正確に予測できるかどうかを検討した。
• 参考スコア（独自算出の注目度）: 1.1873304786619878
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background and Objectives: This paper focuses on using AI to assess the cognitive function of older adults with mild cognitive impairment or mild dementia using physiological data provided by a wearable device. Cognitive screening tools are disruptive, time-consuming, and only capture brief snapshots of activity. Wearable sensors offer an attractive alternative by continuously monitoring physiological signals. This study investigated whether physiological data can accurately predict scores on established cognitive tests. Research Design and Methods: We recorded physiological signals from 23 older adults completing three NIH Toolbox Cognitive Battery tests, which assess working memory, processing speed, and attention. The Empatica EmbracePlus, a wearable device, measured blood volume pulse, skin conductance, temperature, and movement. Statistical features were extracted using wavelet-based and segmentation methods. We then applied supervised learning and validated predictions via cross-validation, hold-out testing, and bootstrapping. Results: Our models showed strong performance with Spearman's \rho of 0.73-0.82 and mean absolute errors of 0.14-0.16, significantly outperforming a naive mean predictor. Sensor roles varied: heart-related signals combined with movement and temperature best predicted working memory, movement paired with skin conductance was most informative for processing speed, and heart in tandem with skin conductance worked best for attention. Discussion and Implications: These findings suggest that wearable sensors paired with AI tools such as supervised learning and feature engineering can noninvasively track specific cognitive functions in older adults, enabling continuous monitoring. Our study demonstrates how AI can be leveraged when the data sample is small. This approach may support remote assessments and facilitate clinical interventions.
• Abstract（参考訳）: 背景と目的: ウェアラブルデバイスが提供する生理的データを用いて, 軽度認知障害や軽度認知認知症を伴う高齢者の認知機能を評価することに焦点を当てた。 認知スクリーニングツールは破壊的であり、時間がかかり、アクティビティの短いスナップショットのみをキャプチャする。 ウェアラブルセンサーは、生理的信号を継続的に監視することで、魅力的な代替手段を提供する。 本研究では,確立した認知テストのスコアを生理的データが正確に予測できるかどうかを検討した。 研究設計と方法: 作業記憶, 処理速度, 注意力を評価する3つのNIHツールボックス認知電池試験を完了した23人の高齢者の生理的信号を記録した。 Empatica EmbracePlusはウェアラブルデバイスで、血流パルス、皮膚のコンダクタンス、温度、動きを測定している。 ウェーブレット法とセグメンテーション法を用いて統計的特徴を抽出した。 次に、クロスバリデーション、ホールドアウトテスト、ブートストラップを通じて教師付き学習と検証された予測を適用した。 結果:Spearman's \rho は 0.73-0.82 であり,絶対誤差 0.14-0.16 は平均予測値よりも有意に優れていた。 センサの役割は様々であった: 心臓関連信号と運動と温度が最もよく予測されるワーキングメモリ、皮膚伝導と組み合わせた動きは処理速度に最も有益であり、皮膚伝導と接する心は注意に最も適していた。 考察と示唆:これらの結果は、教師付き学習や機能工学といったAIツールと組み合わせたウェアラブルセンサーが、高齢者の特定の認知機能を非侵襲的に追跡し、継続的なモニタリングを可能にすることを示唆している。 我々の研究は、データサンプルが小さいときにAIをどのように活用できるかを示す。 このアプローチは、リモートアセスメントを支援し、臨床介入を促進する可能性がある。

関連論文リスト

• Deep Learning-Based Detection of Cognitive Impairment from Passive Smartphone Sensing with Routine-Aware Augmentation and Demographic Personalization [9.633221910592804]
  認知障害の早期発見は、タイムリーな診断と介入に重要である。 受動的スマートフォンセンシングは、自然主義的かつ継続的な認知モニタリングのための有望なアプローチとして登場した。 日常的な行動特徴の連続から認知障害を検出するために,Long Short-Term Memory (LSTM) モデルを実装した。
  論文  参考訳（メタデータ） (2025-09-27T07:08:25Z)
• Analyzing Participants' Engagement during Online Meetings Using Unsupervised Remote Photoplethysmography with Behavioral Features [50.82725748981231]
  エンゲージメント測定は、医療、教育、サービスに応用される。 生理的特徴と行動的特徴の使用は可能であるが、従来の生理的測定の非現実性は接触センサーの必要性により生じる。 コンタクトセンサの代替として, 教師なし光胸腺造影(胸腔鏡)の有用性を実証する。
  論文  参考訳（メタデータ） (2024-04-05T20:39:16Z)
• Assessing cognitive function among older adults using machine learning and wearable device data: a feasibility study [3.0872517448897465]
  健常成人と認知不良高齢者を区別する予測モデルを開発した。 活動と睡眠パラメータは、他の認知流速と比較して、処理速度、作業記憶、注意に強く関連していた。
  論文  参考訳（メタデータ） (2023-08-28T00:07:55Z)
• A Matter of Annotation: An Empirical Study on In Situ and Self-Recall Activity Annotations from Wearable Sensors [56.554277096170246]
  In-the-wildデータ収集に焦点をあてたユーザスタディにおいて,一般的な4つのアノテーション手法の評価と対比を行う実験的検討を行った。 実際の記録プロセス中に参加者がアノテートするユーザ主導のin situアノテーションと、各日の終わりに参加者が振り返ってアノテートするリコールメソッドの両方に対して、参加者は自身のアクティビティクラスと対応するラベルを選択できる柔軟性を持っていた。
  論文  参考訳（メタデータ） (2023-05-15T16:02:56Z)
• Automated Mobility Context Detection with Inertial Signals [7.71058263701836]
  本研究の主な目的は,日常の運動機能の遠隔監視のためのコンテキスト検出について検討することである。 本研究の目的は、ウェアラブル加速度計でサンプリングされた慣性信号が、歩行関連活動を屋内または屋外に分類するための信頼性の高い情報を提供するかを理解することである。
  論文  参考訳（メタデータ） (2022-05-16T09:34:43Z)
• Designing A Clinically Applicable Deep Recurrent Model to Identify Neuropsychiatric Symptoms in People Living with Dementia Using In-Home Monitoring Data [52.40058724040671]
  鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。 扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。 本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-10-19T11:45:01Z)
• Machine Learning Based Anxiety Detection in Older Adults using Wristband Sensors and Context Feature [1.52292571922932]
  本手法は,1つの生理的信号の特徴と実験的文脈に基づく特徴を組み合わせ,不安検出手法を提案する。 本研究は, 高齢者の不安の長期モニタリングを容易にするために, 低コストのコンシューマーデバイスを用いた不安検知手法の有効性を示すものである。
  論文  参考訳（メタデータ） (2021-06-06T03:17:29Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。