CogDrift-4D：用于MCI检测的时序行为衰退分层多模态建模

arXiv:2610.20877v1 发布类型：新摘要：轻度认知障碍的早期检测仍是痴呆症照护中的关键瓶颈，因此亟需能够捕捉细微行为衰退且具备可扩展性的工具。为捕捉认知衰退的细微时序变化，我们构建了一个行为数据集，涵盖在18个月时间跨度内采集的七次非脚本化多模态交互。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），在明确保留长期变化的同时，也保留并行的局部动态。为有效处理这些复杂的行为模式，我们提出了CogDrift-4D：一种新型分层4D Transformer框架。为捕捉认知衰退的复杂轨迹，CogDrift-4D实现了双层次的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和声学能量的急性“衰减”。在会话间层面，递归式交叉注意力反馈编码器充当累积疲劳累加器，对患者连续会话中的行为漂移进行映射。为减轻环境噪声和会话间的跟踪失败问题，局部Quality Gate会在最终融合前动态过滤完整性较低的特征，同时采用早期融合，将语义洞见与原始物理动态相结合。在结构化言语和语言交互数据集上的评估表明，该架构能够有效检测MCI，分类准确率达到0.733 +- 0.13，F1分数达到0.716 +- 0.14，优于先进基线方法。该框架为居家、实时的痴呆症筛查提供了一个数学上严谨、可扩展且稳健的基础。