有效延缓痴呆症:延世大学发现梯度提升机模型能准确预测 BPSD 亚综合征

损失函数与优化器:从「梯度是怎么被造出来的」到「梯度是怎么被用掉的」 本文揭示损失函数与优化器本质一体:优化器仅依赖损失产生的梯度,而损失决定梯度的方向、尺度与噪声特性。错误的损失选择(如分类用MSE)会导致梯度失衡,使优化器失效;不同损失(如Huber、Focal)通过调控梯度分布影响优化过程。实测表明,归约方式、标签结构与损失配对直接决定梯度行为,进而影响收敛性与泛化。核心观点:选对损失,才是让优化器“看得懂”的前提。 阅读详情

内容一览:随着人口老龄化程度不断加剧,痴呆症已经成为公共健康问题。目前医学界治疗该病还只能通过药物缓解,尚未发现治愈的有效方法,因此,预防痴呆症尤为紧迫。在这一背景下,延世大学的研究人员开发了多个预测 BPSD 的机器学习模型,并对这些模型进行了验证。实验结果表明,机器学习能够有效预测 BPSD 亚综合症。

关键词:痴呆症   BPSD   梯度提升机

本文首发自 HyperAI 超神经微信公众平台~

目前,全球超 5500 万人患有痴呆症 (阿尔茨海默病为最常见类型),每年新发病例接近 1000 万,随着人口老龄化程度不断加剧,预计到 2050 年,这一数字将增加两倍。痴呆症是一种脑部疾病,会导致患者记忆力、思维和推理能力缓慢下降。该疾病主要影响老年人,是导致老年人失去自理能力的主要原因之一,在全球最主要的死亡原因(按死亡总人数排列)中位于第七位,前三位分别是缺血性心脏病、中风及慢性阻塞性肺病。

通常,痴呆症患者除了认知障碍外,还表现出一系列行为和心理症状 (BPSD),如躁动、攻击、冷漠和抑郁等。这些症状是痴呆症护理中最为复杂、最具有挑战性的问题,它们不仅导致病人无法独立生活,同时也给照护人员带来相当大的负担。

近期,韩国延世大学 (Yonsei University) 的研究人员 Eunhee Cho 等人开发了多个用于预测 BPSD 的机器学习模型,并对它们进行了验证。目前该研究已发布在《Scientifc Reports》期刊,标题为「Machine learning‑based predictive models for the occurrence of behavioral and psychological symptoms of dementia: model development and validation」。

   该研究成果已发表在《Scientific Reports》上

论文地址:

Machine learning-based predictive models for the occurrence of behavioral and psychological symptoms of dementia: model development and validation | Scientific Reports

数据集

本研究分三次进行数据收集,共使用了 187 名痴呆症患者信息进行模型训练,另外 35 名患者信息用于外部验证。其中第二次数据收集是对第一次数据收集参与者进行的重复测量,第三次数据收集则招募了新的参与者进行测量。研究中,第一次和第二次收集的数据用作训练集,第三次收集的数据集用于测试集。

为了对参与者进行全面的特征信息收集,研究人员首先调查了他们的健康数据(年龄、性别、婚姻状况等)和发病前的性格类型(韩国五大人格量表 BFI-K),其次使用身体活动记录仪监测夜间睡眠和活动水平,最后又采用了一种症状日记 (symptom diary) 来记录照料者感知到的症状的触发因素 (饥饿/口渴、排尿/排便、疼痛、失眠、噪音等) 以及患者每天发生的 12 种 BPSD。此外,这些症状也被划分为 7 个亚综合症,下图直观展示了身体活动记录仪和症状日记数据的记录情况。

表 1:身体活动记录仪和症状日记的统计情况

SD:标准差

TST:总睡眠时间

WASO:入睡后醒来时间

NoA:醒来次数

MAL:清醒时间

METs:代谢当量

MVPA:中度至剧烈的身体活动

BPSD:痴呆症行为和心理症状

其他原因:其他看护者感知的 BPSD 触发因素(治疗、噩梦等)

不过,由于参与者不服从或装置佩戴不当等原因,导致活动记录仪数据缺失,据统计,数据缺少者占总参与人数的 36%,平均每人缺失 0.9 天数据。因此,研究人员采用链式方程的多重插补方法 (multivariate imputation was applied using chained equations) 来处理这部分缺失数据。

实验过程

研究人员训练了 4 个模型,以确定预测每个亚综合症的最佳模型。基于研究结果,研究人员可以将这些模型应用于临床监测和预测 BPSD 亚综合症。同时针对潜在的 BPSD 影响因素进行干预,实现以患者为中心的痴呆症护理服务。此外,机器学习  算法 还可以嵌入智能手机应用程序中,以进一步提高其价值。

模型性能 

研究人员采用了 4 个机器学习算法,包括逻辑  回归 (logistic regression)、随机森林 (random forest)、梯度提升机 (gradient boosting machine) 和  支持向量机 (support vector machine) ,通过各自特有的学习算法评估模型性能,挑选出预测 BPSD 亚综合征最好的模型。这里,逻辑回归模型最为常见和成熟,因此作为基准模型用于判断机器学习的性能提升程度。

基于训练集,通过五重交叉验证,不同模型预测 BPSD 亚综合征的性能如下图:

表 2:基于训练集,不同模型预测 BPSD 亚综合症性能

AUC:ROC 曲线下的面积

LR:逻辑回归模型

RF:随机森林模型

GBM:梯度提升机模型

SVM:支持向量机模型

ROC 曲线:ROC (Receiver Operating Characteristic Curve) 曲线是一种描绘  分类器 性能的图形工具。

AUC 值:AUC (Area Under the Curve) 值表示 ROC 曲线下的面积,用于衡量分类器性能。AUC 值越接近 1,表示分类器性能越好。

表 2 显示,梯度提升机模型在预测多动症 (0.706)、情感症状 (0.747) 和进食障碍 (0.816) 方面 AUC 值较高;支持向量机模型在预测精神症状方面 AUC 值 (0.706) 最高;随机森林模型在睡眠和夜间行为方面 AUC 值 (0.942) 最高;逻辑回归模型在异常活动行为 (0.822) 和病理性欣快症 (Euphoria/elation, 0.696) 方面 AUC 值最高。

模型验证 

研究人员使用了外部验证方法,在第三次收集的数据集上对模型进行验证。基于测试集,不同模型预测 BPSD 亚综合症的性能如下图:

表 3:基于测试数据集,不同模型预测 BPSD 亚综合症性能

AUC:ROC 曲线下的面积

LR:逻辑回归模型

RF:随机森林模型

GBM:梯度提升机模型

SVM:支持向量机模型

表 3 显示,对比逻辑回归模型,机器学习模型的表现都要更好。具体来看,对大多数亚综合症来说,随机森林和梯度提升机模型性能表现都优于逻辑回归和支持向量机模型;随机森林模型在预测多动症 (0.835)、病理性欣快症 (0.968) 和进食障碍 (0.888) 方面比其他预测模型的 AUC 值要高;梯度提升机模型在预测精神症状 (0.801) 方面比其他预测模型的 AUC 值要高;支持向量机模型在睡眠和夜间行为 (0.929) 方面 AUC 值最高。

综合两图表信息,研究人员发现在预测 7 个亚综合征方面,梯度提升机模型平均 AUC 值最高,即表现最佳。与此同时,研究人员也提醒,在测试数据集的样本量较小情况下,需要谨慎推断预测性能的结果,并建议未来应进行更大样本量的重复实验以获得更准确的预测结果。

国内成果:提前十年预测痴呆症发病

在痴呆症预测方面,除了国外,国内也取得了令人瞩目的成果。去年九月,复旦大学附属华山医院神经内科主任医师郁金泰临床研究团队,联合复旦大学类脑智能科学与技术研究院冯建峰教授、程炜青年研究员算法团队开发了 UKB-DRP 痴呆预测模型。

该模型可以预测个体未来五年、十年甚至更长时间内是否会发病,筛查出处于痴呆症病程早期的群体,包括全因痴呆及其主要亚型 (如阿尔茨海默病)。该研究成果已发表在《柳叶刀》子刊《电子临床医学》上。

论文地址:

https://www.thelancet.com/journals/eclinm/article/PIIS2589-5370(22)00395-9/fulltext

这一研究成果也显示出了国内在痴呆症预测领域的创新实力和科研水平。未来,随着更多机构和研究团队的加入,以及更全面、多样化数据的积累,我们有望看到更多国内外的合作与进展。借助  人工智能 和大数据分析的力量,为预防、治疗和管理痴呆症做出更大的贡献,为患者和家庭带来更多希望和福祉。

本文首发自 HyperAI 超神经微信公众平台~

光学系统设计:波段、光源、光纤与探测器匹配指南 在光学测量和光纤通信系统中,波段、光源、光纤和探测器的匹配关系是系统设计的核心基础。波段指电磁波谱中的特定波长范围,光源负责产生特定波长的光信号,光纤作为传输介质需要与波长匹配以降低损耗,探测器则负责将光信号转换为电信号。理解各组件的光谱特性对于系统性能至关重要,例如在850nm短波长多模光纤系统中,VCSEL激光器与PIN光电二极管的组合能提供最佳性价比。典型应用场景包括生物医学成像、光纤通信和气体传感,其中光谱重叠优化、模场直径匹配和偏振特性协调是关键技术要点。通过实测数据对比不同组合的传输性能,可以为 阅读详情

相关推荐

蚁群算法(Ant Colony Optimization,ACO)讲解+代码实现

通常情况下,较优的解对应的路径上的信息素会被加强,而较差解对应的信息素则会减少或蒸发。的化学物质,这种物质会在蚂蚁走过的路径上留下痕迹,后续的蚂蚁会根据这些信息素的浓度来选择路径,从而形成一条从蚁巢到食物源的。在求解TSP蚁群算法中,每只蚂蚁相互独立,用于构造不同的路线,蚂蚁之间通过信息素进行交流,合作求解。的过程,该路段经过的蚂蚁越多,信息素留下的就越多,浓度越高,更多的蚂蚁都会选择这个路段。需要注意的是,蚁群算法是一种。(6)计算每只蚂蚁的总距离:遍历每只蚂蚁的路线,累加经过的城市之间的距离。

m0_73804764的博客 1万+

低温ECR-MOCVD生长(002)GaN:椭偏仪测厚与电学性能

本研究用ECR-MOCVD在Si(111)和蓝宝石衬底上低温生长GaN薄膜,蓝宝石1.0SCCM、2h样品呈完全(002)择优取向,椭偏仪测厚32.81nm,迁移率10.42cm²/(V·s)。文章梳理了生长温度、TMGa流量与生长时间对结晶取向、膜厚、粗糙度、光学带隙和电学性能的影响。

Flexfilm_的博客 402

我从华为身上学到的项目管理经验 -- 需求篇

记录这三年,关于项目管理上的一些心得体会 – 需求篇对于需求,我们可以根据不同的角色、理解拆分成三个过程:简单来说就是:需求分析原始需求、 需求拆分为系统需求、 需求实现为功能需求**需求分析**: 将客户需求 输出成 需求描述。 需求经理需要把 需求 转换成 客户能够接受的 初始需求 IR(Initial Requirement) 对于用户来说,我只管提 我的原始需求是

minminzhe520的博客 3万+

小批量训练的JAX机器学习

本文介绍基于BFGS的小批量训练算法,针对全批量方法在高样本量下计算复杂度高的问题,结合JAX的自动微分与高效计算,实现快速收敛。通过optimtool库中的改进的bfgs优化器与小批量策略,支持分类与回归任务,具备早停机制与灵活监控选项,显著提升大规模机器学习训练效率。

林景的博客 137

快手商业化风控内容审核场景下的大模型早期探索与应用

在处理大量的自动语音识别(ASR)输出时,面临的主要挑战之一是文本的冗长和格式混乱,这严重影响了审核人员的阅读效率。为了解决这一问题,我们利用大模型的理解能力对文本进行智能总结,可以显著优化文本内容,使其更加清晰并且具有可读性。该方式极大地提高了审核过程的效率,审核人员可以更快地处理信息,减少了处理时间和劳动强度。

kuaishoutech的博客 2743

AI 生成 ECU 功能测试用例

本文分享了AI辅助汽车电子测试的实战经验。作者以某车企车身控制器(BCM)项目为例,对比了传统测试用例编写方式(需100小时)与AI辅助方式(仅3个工作日)的效率差异,实现76%的效率提升。文章详细展示了从需求文档生成测试用例的全过程,包括需求文档示例、AI提示词模板和AI生成的完整测试用例表格(涵盖正常功能、边界条件、异常场景等测试类型)。通过具体案例说明如何利用AI快速生成初稿后人工审核优化的方法,为ECU测试工程师提供了可复用的效率提升方案。

小明的博客 895

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 548

多智能体系统在军事仿真中的应用:AI人工智能战略推演

本文旨在全面解析多智能体系统在军事仿真领域的应用技术,重点探讨AI驱动的战略推演系统的设计原理和实现方法。研究范围涵盖从基础理论到实际应用的完整技术栈。本文采用从理论到实践的递进结构,首先介绍核心概念,然后深入算法实现,最后展示实际应用案例和未来展望。多智能体系统(MAS):由多个相互作用的智能体组成的分布式系统军事仿真(Military Simulation):通过计算机模拟军事行动和战争场景战略推演(Strategic Wargaming):通过模拟推演评估军事战略的有效性更高保真度的仿真。

AI天才研究院 1779

【第84期】过拟合欠拟合与复杂度对照的实验与排查

系列:《从小白到 AI 大模型开发工程师的进阶之路》 技术点:AI-0306 过拟合与欠拟合 主人公:小蓝伞 前置:AI-0302 本期产出:学习曲线小蓝伞用越来越高次的多项式拟合一条带噪曲线,训练误差继续下降,但这不能说明他更接近真实关系。本期固定训练样本与噪声,只改变多项式次数,比较对训练点和无噪参考曲线的误差,并区分验证曲线与学习曲线。教学情境用来组织问题,下面的执行数据来自构造实验。

qq_36085846的博客 199

【华为OD机试真题 2025C卷】186、服务中心选址 | 机试真题+思路参考+代码解析(C++、Java、Py、C语言、JS)

【华为OD机试真题 2025C卷】186、服务中心选址 | 机试真题+思路参考+代码解析(C++、Java、Py、C语言、JS) 华为od机试,华为od机试真题,华为od机试E卷,华为odE卷,华为od机试真题E卷,华为OD,华为OD机试,华为OD机试真题,华为od机考,华为od机试D卷,华为od机试真题D卷,华为od手撕代码,华为od,华为od机试C卷,华为od e卷,华为2025e卷,od机试,2025E卷,华为OD机试E卷,什么是华为od,华为od介绍,全面了解华为od,2025华为od,如何备战华为

正在更新最新华为OD机试2025B卷,提供OJ在线刷题 1333

PCL ——LevenbergMarquardt非线性最小二乘法拟合圆柱(C++详细过程版)

使用C++详细过程版实现的LevenbergMarquardt非线性最小二乘法拟合圆柱

点云侠的博客 607

Hugging Face:成为机器学习界的“Github”

以下文章来源于OneFlow,作者OneFlow社区五年前,AI领域的知名研究者Andrej Karpathy发文称,传统人工编程属于“软件1.0”,“软件2

2601_96798011的博客 152

GEE高阶应用——如何绘制2000-2022年土地利用变化轨迹时序图

土地利用变化是指在一定时间范围内,土地利用类型和结构发生的变化。时序变化是指这种变化随时间的推移而发生的序列变化。土地利用变化轨迹的时序变化具体介绍如下:首先,土地利用变化轨迹的时序变化体现在土地利用类型的演变上。在过去的几十年里,随着人口的增加、经济的发展和城市化的推进,土地利用类型发生了显著的变化。传统的农田逐渐减少,而城市、工业、交通、居住等用地的面积不断扩大。同时,随着环境保护意识的提高,生态保护用地、森林、湿地等绿色用地的面积也在增加。

此星光明博客 1114

机器学习基础|监督学习、标签、回归

网约车预估等待时长依赖监督学习中的回归任务。平台利用历史订单数据,以司机实际到达耗时为标签,通过上车点、时间、运力、路况等特征训练模型。模型不断优化预测值与真实耗时的误差,最终对新订单输出连续的预估等待时间,实现精准预测。

weixin_43971465的博客 277

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

机器学习——混淆矩阵(待更新)

二元: true表示真实==预测,positive表示预测值=1.

m0_61175448的博客 177

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

LoRA的低秩数学与QLoRA实现

本文系统解析了LoRA及其进阶版QLoRA在十亿参数模型微调中的高效机制。通过低秩假设,将权重更新量ΔW近似为低秩矩阵积,显著压缩可训练参数与显存占用;QLoRA进一步将基座模型量化至4比特(NF4),结合双重量化与分页优化器,实现65B模型单卡微调。文章详解了B初始化为零、缩放系数α/r设计、挂载位置选择等关键实操细节,并给出可运行代码。实践表明:4比特基座+高精度LoRA在多数任务上媲美全参微调,且训练效率极高。超参方面,r不宜过大,学习率需上调,数据质量重于数量。最后强调:LoRA适用于风格适配与领域

2601_96733043的博客 336

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

Spark06_MLlib机器学习

本文是《PySpark 从入门到实战》系列收官篇,带你用 Spark MLlib 走通机器学习全流程:从三要素与 7 步标准流程讲起,剖析 KNN、朴素贝叶斯、决策树三大算法原理,再以 KNN 手写、垃圾短信分类、决策树分类、逻辑回归鸢尾花(准确率 96.67%)、K-Means 聚类(轮廓系数 0.7345)五个案例落地,最后详解 TF-IDF 文本特征与余弦相似度。全文代码可直接运行,适合有 RDD 与 Spark SQL 基础的开发者快速上手。

2301_80420058的博客 479

AI小白入门|无监督学习到底是什么?

很多新手看完无监督学习的定义只会死记硬背。本文避开复杂公式,从真实业务场景切入,对比监督学习,讲清楚无监督学习的核心价值、适用场景、底层逻辑和容易踩坑的认知误区,帮你理解它在机器学习链路里的定位。

weixin_43971465的博客 204

SVM支持向量机通俗解析:找到机器学习的“最优分界线”

一、爆款钩子:同样是画分界线,为何SVM能成为机器学习的“王者选手”?做机器学习的人,几乎都绕不开一个问题:如何给混乱的数据“分家”?有人用逻辑回归,有人用KNN,但有一个算法

2601_96798737的博客 164

机器学习03,端到端02

个人笔记

qq_59247073的博客 283

GaN 动态导通电阻测试专题:电流崩塌从哪来,测量窗口怎么选

但器件装到实际电路上跑一段时间,或者用双脉冲台架模拟开关工况再测导通压降,数值往往明显高于手册静态值,而且关断应力越强(母线电压越高、应力保持越久),抬升越明显;:使用钳位电压探头,把示波器通道的工作区间限制在低电压区(常见做法是钳位在 1.5V 附近的导通压降区),应力高压段由钳位电路吸收,导通段以高分辨率采样。台架搭建相对简单,是器件表征最常用的方案。双脉冲台的难点不在发脉冲,而在采样:漏源电压要从几百伏的应力电平瞬间跌落到毫伏至伏级的导通压降,示波器单一量程难以兼顾"扛住高压"和"分辨毫伏"。

Namisooft的博客 273

《机器学习sklearn实战教程》02|Python机器学习开发环境搭建

2.1 为什么要先搭环境很多人学机器学习,卡住的第一步不是算法,而是环境。代码明明照着教程敲了,却一运行就报错。不是缺包,就是版本冲突。最常见的情况是,昨天还能跑,今天装了个新库

2601_96798011的博客 244

CAGR 21.8%:GaN功率器件封装材料市场从3.23亿美元迈向12.77亿美元

随着氮化镓(GaN)功率半导体在消费快充、AI服务器电源及车载电源领域的加速渗透,GaN功率器件封装材料作为实现芯片贴装、电气互连、热量传导和长期可靠性保障的核心功能性材料,正迎来爆发式增长期。根据LP Information(路亿市场策略)初步调研,2025年全球GaN功率器件封装材料市场规模约为3.23亿美元,2026年预计约3.91亿美元,2032年将达到12.77亿美元,2026—2032年复合增长率(CAGR)高达21.8%。

LPIHelen的博客 203

《机器学习》笔记

知道特征工程是什么:利用专业背景知识和技巧处理数据,让机器学习算法效果最好。这个过程就是特征工程。数据和特征决定了机器学习的上限,而模型和算法只是逼近这个上限而已。理解特征提取的作用:原始数据中提取与任务相关的特征,构成特征向量。新数据 = 特征提取(原数据)理解特征预处理的作用:特征对模型产生影响,因量纲(单位)问题,有些特征对模型影响大,有些影响小。有两种思路,归一化和标准化(重点),归一化公式为:(当前值-最小值)/(最大值-最小值),使映射的值域在(0~1)之间。

weixin_51781852的博客 237

GaN HEMT 的“第三层“:电流崩塌与动态导通电阻,是怎么被造出来的

所以 Fe 浓度、缓冲层厚度、以及沟道层与缓冲层之间的间距,需要在"缺陷抑制"和"动态性能"之间精细折中。轻载效率看起来还不错(电流小、功耗小),一旦上到中大电流,导通损耗 P = I²·R 就会突然抬头,效率曲线出现"塌陷",客户会得出"GaN 也就那样,不如用 Si 超结"的错误结论。当器件工作在高频开关状态,漏极到源极的电压切换得非常快,边缘电场、漏极边缘电场会向缓冲层"注入"电子,这些电子被陷阱俘获,形成带负电的空间电荷区,把缓冲层"撑开",同时把耗尽层从势垒层向下挤压到 2DEG 里面去。

weixin_64228887的博客 174

机器学习04,端到端03工程整合

个人笔记

qq_59247073的博客 210
上一篇: 编译 Keras 模型
下一篇: 北京大学研发基于机器学习的多能干细胞分化系统,高效、稳定制备功能性细胞
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值