arXiv cs.CL· Sankalp Vaish, Sumukh Veeramalla, Rishank Singh, Caroline Summerour, John A. Batsis, Xiaohui Liang·· 2 天前AI 评分23
CogDrift-4D：面向 MCI 检测的时间行为衰退分层多模态建模
CogDrift-4D: Hierarchical Multimodal Modeling of Temporal Behavioral Decay for MCI Detection
AI 导读
CogDrift-4D 是一个分层 4D Transformer 框架，用于轻度认知障碍（MCI）检测，在结构化言语与语言交互评测中取得 0.733±0.13 的分类准确率和 0.716±0.14 的 F1 分数，优于先进基线。
正文 · AI 翻译
摘要：轻度认知障碍的早期检测仍是痴呆症护理中的关键瓶颈，需要能够捕捉细微行为衰退的可扩展工具。为了捕捉认知衰退的细微时间变化，我们引入了一个在 18 个月跨度内通过七次无脚本多模态交互收集的行为数据集。该数据集将连续的多次会话交互形式化为一个稠密的 4D 张量（Batch * Session * Time * Feature），明确保留了并发的局部动态以及长期变化。为了有效处理这些复杂的行为模式，我们提出了 CogDrift-4D：一种新颖的分层 4D Transformer 框架。为了捕捉认知衰退的复杂轨迹，CogDrift-4D 实现了双层行为疲劳与漂移建模架构。在会话内层面，该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和声学能量的急性“衰减”。在会话间层面，一个递归交叉注意力反馈编码器充当累积疲劳累加器，映射患者跨连续会话的持续行为漂移。为了减轻环境噪声和跨会话的跟踪失败，一个局部质量门在最终融合前动态过滤低完整性特征，同时还采用了一种将语义洞察与原始物理动态相结合的早期融合。在结构化言语和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，优于先进的基线方法。该框架为基于家庭的实时痴呆症筛查提供了数学上严谨、可扩展且稳健的基础。
| 评论： | 已被 2026 年 IEEE 国际电子健康网络、应用与服务会议（Healthcom）接收发表 |
| 主题： | 机器学习（cs.LG）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.20877 [cs.LG] |
| （或 arXiv:2610.20877v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.20877 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Sankalp Vaish [查看电子邮件]
[v1]
2026 年 10 月 14 日星期三 20:08:01 UTC（408 KB）
来源：arXiv cs.CL · arxiv.org