换一批基于XGBoost算法的面部特征对轻度认知障碍风险的预测作用
Predictive role of facial features in mild cognitive impairment risk based on XGBoost algorithm
摘要目的 初步构建预测轻度认知障碍(MCI)风险的机器学习模型,为医护人员早期快速筛查轻度认知障碍提供参考.方法 2024年7-9月,采用便利采样法选取南京市2个街道老年人294人,通过OpenFace 3.0提取受试者观看快乐、中性、悲伤视频的面部特征,将其显著性面部特征分别归类为快乐、中性、悲伤、快乐+中性、快乐+悲伤、中性+悲伤、快乐+中性+悲伤7种面部特征组合.以特征组合作为输入变量,是否患有MCI作为结局变量,按照7∶3的比例分为训练集和测试集构建XGBoost的机器学习模型.运用准确率、精确率、召回率、F1得分和曲线下面积(AUC-ROC)值评价判别效能,并对预测效果较优的面部特征组合模型进行SHAP分析.结果 两组面部特征比较,MCI组在观看快乐视频产生的面部特征AU04_AUI、AU06_AUI、AU10_AUP和AU12_AUP与非MCI组有显著差异;MCI组在观看中性、悲伤视频分别产生的9种、8种面部特征与非MCI组有显著差异(均P＜0.05).各面部特征组合构建的XGBoost模型受试者工作特征曲线下面积(AUC)均大于0.6,其中悲伤最高(0.71).悲伤视频的面部特征构建的XGBoost模型SHAP结果显示排名前3的预测因子是AU04_AUI、AU20_AUP、AU07_AUI.结论 初步构建基于面部特征的XGBoost机器学习模型,旨在辅助早期阶段识别MCI的风险,实现MCI风险的早期预警与干预.
更多相关知识
关键词
老年人轻度认知障碍面部特征面部动作单元机器学习模型XGBoost算法老年护理the elderlymild cognitive impairmentfacial featuresfacial action unitsmachine learning modelXGBoostgeriatric nursing
分类号
R473.2（护理学）
栏目名称
DOI
10.3870/j.issn.1001-4152.2025.07.095
发布时间
2025-05-19（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览14
- 被引0
- 下载27
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
