使用可穿戴技术和深度学习的阿尔茨海默症早期检测智能决策系统

为什么你的手表有一天可能会发现记忆问题

我们大多数人把智能手表和健身手环看作计步器和睡眠追踪器。这项研究探讨了一个更宏大的用途：将日常可穿戴设备与先进的模式识别软件结合，变成阿尔茨海默症的早期预警系统。在出现明显记忆丧失之前发现该病，能够为患者和家庭争取更多规划时间，也给医生更好的机会减缓病情进展。

从医院扫描到日常传感器

目前，阿尔茨海默症通常通过脑部扫描、医学影像和长期的面对面记忆测试来检测。这些方法成本高、耗时，并且常常错过最早期的迹象——当大脑变化仍然轻微且可能更有治疗机会时。与此同时，消费级可穿戴设备悄然全天收集心率、睡眠和运动等信息。作者认为，这些连续的、非侵入性的数据流能揭示日常生活和身体节律中出现的细微变化，而这些变化可能在全面症状出现之前就已显现，从而把家庭变成诊所的延伸。

教机器读取身体的日常节律

所提出系统的核心，称为基于深度学习算法的早期检测（ED‑DLA），是一种称为循环神经网络的人工智能。与单独查看单次测量值不同，这种模型考察信号随时间的演变——例如睡眠模式如何在数周内变化、步行速度如何改变、或心率变异性如何漂移。研究者使用了一种特定形式的网络：长短期记忆（LSTM）网络，堆叠为三层。这些网络被设计用于记住长序列，因而更适合识别那些缓慢、逐步出现的变化，这些变化可能预示早期阿尔茨海默症，而不是日常的噪声波动。

可穿戴‑AI 流程如何运作

在该系统中，手腕和头部的传感器收集关于心率、运动、睡眠行为甚至脑电活动的数据。到达学习模型之前，信号会被清理以去除噪声，并进行标准化以便不同个体之间公平比较。团队随后对数据进行变换以突出隐藏的模式，例如使用能捕捉运动与心律之间复杂关系的数学工具。处理后的信息流经 LSTM 层，逐步构建出每个人行为和生理的紧凑“签名”。最终的决策模块将该签名转化为风险类别，系统可以通过一个简单的仪表盘向临床人员或照护者发送警报。

将该方法付诸检验

为了检验该想法是否具有实际前景，作者在来自 1,200 名成年人和老年志愿者的一年期时间序列大样本数据上训练和测试了他们的模型。他们将 ED‑DLA 与痴呆症研究中使用的若干其他人工智能方法进行了比较。统计检验显示，该新系统的表现显著优于替代方法。它以约 96% 的总体准确率正确识别了与早期阿尔茨海默症相关的变化，敏感性接近 98%（很少漏检真实病例），并在识别随时间出现的有意义模式方面表现强劲。同样重要的是，该系统在连续处理数据时保持了高可靠性，表明它可以支持近实时监测，而不是一次性的检查。

这对患者和家庭意味着什么

通俗地说，这项工作指向了这样的一种未来：常见设备能在危机迫使住院之前很久就提示大脑发生的变化。所提出的框架并不替代医生或详尽的脑部扫描，但它可以作为早期雷达，促使人们更早接受评估和治疗，并帮助临床人员跟踪疗法是否有效。由于该方法依赖舒适、非侵入性的可穿戴设备和可扩展的软件，它可以以相对低廉的成本广泛部署。作者将此视为朝更主动、个性化的痴呆护理迈出的步骤，在那里，持续的温和监测为患者、家庭和卫生系统赢得更多应对时间。

引用: Sathish, R., Muthukumar, R., Kumaran, K.M. et al. Intelligent decision-making systems for early detection of alzheimer’s disease using wearable technologies and deep learning. Sci Rep 16, 6025 (2026). https://doi.org/10.1038/s41598-026-36895-3

关键词: 阿尔茨海默症早期检测, 可穿戴传感器, 深度学习, 循环神经网络, 数字健康监测