M. Raza¹, M. Awais², W. Ellahi³, N. Aslam⁴, H.X. Nguyen¹, H. Le-Minh⁴

（1. Faculty of Science and Technology, Middlesex University, London, United Kingdom

2. School of Psychology, University of Leeds, Leeds, United Kingdom

3. National Database and Registration Authority, Islamabad, Pakistan

     4. Department of Computer Science and Digital Technologies and Mathematics, Physics and Electrical Engineering Departments respectively, Northumbria University, Newcastle, United Kingdom）

阿尔茨海默症（AD）是最常见的痴呆症形式之一。大约60%到80%的痴呆症患者会发展为AD。根据国际阿尔茨海默症组织2016年提交的报告，有4700万人患有痴呆症。预计到2030年和2050年，这一数字将分别上升到6537万和1.154亿。绝大多数痴呆症患者没有得到诊断，因此无法获得合理的护理和治疗。即使诊断出患有痴呆症，提供的护理往往也是零碎的，且对痴呆症患者的需求不能及时响应的及不匹配的。

患者大脑中的变化（如脑组织萎缩，神经细胞死亡）很难追踪，因此不能用作评估患者功能障碍的阶段以及恢复日常生活所需的支持水平的指标。而由于功能障碍是AD进展的核心症状之一，因此可用于患者辅助诊断支持。其中功能障碍最准确的衡量标准是日常生活活动随时间的推移而下降。监测阿尔茨海默症患者的日常生活活动不仅可以测量脑组织的退化，还可以帮助延缓疾病的进展，从而减慢组织的退化过程。

因此，本文提出了一种基于机器学习的AD诊断与监测系统。AD诊断过程是通过使用深度学习分析磁共振成像（MRI）扫描来完成的，随后是一个活动监测框架，使用佩戴的惯性传感器监测受试者的日常生活活动。活动监测为患者的日常生活活动提供了一个辅助框架，并对患者的活动水平进行评估。具体来说，针对AD诊断模块，我们提出了一种改进的AlexNet作为AD诊断模型，该模型最初被训练用于目标识别，有8个学习层，其中只将全连接层的参数被重新训练用于AD诊断分类。针对AD患者活动检测模块，我们使用无线传感器网络和基于云的分类系统对患者的日常生活活动进行机器识别和记录，而且为患者进行日常生活工作和实现日常活动目标提供了适当的帮助。

与现有技术相比，提出的基于传感器的日常生活活动分析方法，对阿尔茨海默病患者的日常生活活动进行了高精度的监测，并提供了辅助决策支撑。还提供了框架发展的建议和指南，以确保阿尔兹海默症患者的独立性（在可能的情况下）和基于技术的援助。日常生活活动分类准确率达到了95%以上。并且所提出的通过深度学习框架的AD诊断模型，与现有的技术相比具有82%的准确性提升。

资料来源：

根据M. Raza等于2019年发表在Expert Systems With Application期刊题目为《Diagnosis and monitoring of Alzheimer’s patients using classical and deep learning techniques》的文章缩写整理而成。

（责任编辑：张卓越）