基于集成学习的自动化时钟绘制测试：运动与视觉空间认知障碍的早期筛查新方法

　　本综述系统阐述了计算机化时钟绘制测试（CDT）在早期中枢神经系统疾病（CNSD）筛查中的应用价值，创新性地融合手指运动轨迹（FMT）分析与多模态图像特征提取（EHD/PHOG/Gabor），通过集成学习（Ensemble Learning）实现高精度分类（准确率达99.40%），为神经损伤的自动化评估提供了新范式。

　　

Section snippets

Related work

鉴于本文研究问题的跨学科特性（计算机科学与医学），本节重点概述计算机科学家在自动化CDT筛查中面临的技术挑战，并阐述本研究成果对该领域的贡献。

从计算智能与CDT合成在认知障碍评估的跨学科视角看，主要研究方向包括——

Task for CDT computerisation

本文作者开发了一款支持智能手机和平板的安卓移动应用用于CDT筛查。测试流程包含准备与执行两种模式：初始状态下测试时长（秒）设为0，手指运动轨迹特征向量（ft_motion）初始化并追踪轨迹数量（count_trajectories）。单次轨迹定义为手指在设备屏幕上的按下与释放动作之间的路径。

在准备模式中，示例——

Experimental research

两项监督学习实验（实验一（E1）使用FMT数据集追踪运动功能障碍，实验二（E2）使用CDT图像数据集追踪认知功能障碍）旨在将受试者分类为健康vs.损伤组。两组实验均纳入相同受试者：共15人（7名神经疾病患者，8名对照组）。

单个样本（通过NITS移动应用采集）在——

Discussion

历史上，时钟绘制测试（CDT）最早开发于20世纪初，被神经心理学研究者用于评估失用症（无法执行特定目的动作）与认知功能障碍。近年来，CDT已被整合至多种经医学验证的方法学（如MoCA、SAGE、Mini-Cog、GPCOG）及其数字化版本（eMoCA、eSAGE）中，用于认知障碍检测。此外，计算智能（CI）技术与——

Conclusions

本研究提出了一种前景广阔的方法论，通过移动端采集多模态数据，针对广泛使用的CDT测试实现视觉空间认知损伤的检测。本工作的核心价值在于基于手指运动与CDT图像模态的融合（作者创建了两个新数据集），提出了对个体运动-认知状态更精准的解读框架。采用所述方法（手指运动分析与图像特征提取相结合）——