CogDrift-4D: Hierarchical Multimodal Modeling of Temporal Behavioral Decay for MCI Detection
中文摘要
由模型生成 · 人工抽检提出 CogDrift-4D 分层 4D Transformer 框架，用 18 个月七次无脚本多模态交互数据构建 Batch×Session×Time×Feature 张量，通过会话内回归斜率与跨会话递归交叉注意力建模行为衰退，配合质量门过滤噪声，实现轻度认知障碍检测（准确率 0.733），为居家实时痴呆筛查提供可扩展方案。
全文
已译中文arXiv:2610.20877v1 公告类型：新
摘要：轻度认知障碍的早期检测仍然是痴呆症护理中的关键瓶颈，亟需能够捕捉细微行为衰退的可扩展工具。为捕捉认知衰退的细微时间变化，我们引入了一个行为数据集，该数据集采集自18个月周期内七次无脚本多模态交互。该数据集将连续的多会话交互形式化为一个稠密的4D张量（Batch * Session * Time * Feature），显式地同时保留并发的局部动态与长期变化。为有效处理这些复杂的行为模式，我们提出了CogDrift-4D：一种新颖的层次化4D Transformer框架。为捕捉认知衰退的复杂轨迹，CogDrift-4D实现了一种双层行为疲劳与漂移建模架构。在会话内层面，模型计算局部最小二乘回归斜率，以量化帧级面部动作单元与声学能量的急性“衰减”。在会话间层面，递归交叉注意力反馈编码器充当累积疲劳累加器，映射患者在连续会话中的持续行为漂移。为缓解跨会话的环境噪声与跟踪失败，局部质量门在最终融合之前动态过滤低完整性特征，同时也是一种将语义洞察与原始物理动态相结合的早期融合。在结构化言语与语言交互上进行评估，我们的架构成功检测MCI，分类准确率为0.733 +- 0.13，F1分数为0.716 +- 0.14，优于先进的基线。该框架为家庭场景下的实时痴呆症筛查提供了数学严谨、可扩展且稳健的基础。
本译文由模型自动生成，仅供参考与快速理解；涉及数字、版本、命令、法律条文等请以原文为准。
原文附件
2 个 · 均跳转原站，本站不托管文件正文为原站公开内容的抓取与清洗结果，英文条目附模型生成的中文译文；两者均仅供参考， 准确内容请以原站为准。内容版权归原作者所有，若认为侵权请联系我们下线。