在线手写中的片段级风险发现用于阿尔茨海默病检测

在线手写是一种用于阿尔茨海默病（AD）检测的无创、低成本行为生物标志物，因为它同时反映了认知规划和精细运动控制。现有基于手写的AD检测方法通常依赖全局轨迹特征或整段样本表示，容易受到个体书写风格、任务特异性变化和采集噪声的显著影响。本文提出NormPaST-Risk，一种健康规范Paper-Air选择性轨迹状态空间风险网络，用于从在线手写中进行可解释的AD检测。不同于将整个轨迹视为单一整体表示，我们的方法将AD手写检测重新定义为局部疾病相关片段发现问题。具体而言，多尺度时间编码器在不同时间分辨率下捕捉笔画动态；选择性Paper-Air状态空间编码器则对长程手写进程进行建模，并区分纸面上的运动执行行为与空中的规划和过渡行为。为明确刻画异常偏离，健康规范分支从健康对照者中学习正常的手写动态，而任务感知的多专家片段风险模块则结合隐状态变化与规范偏离，对片段级AD风险进行校准估计。弱监督的片段级目标函数进一步支持在无需人工片段标注的情况下发现高风险片段。在DARWIN基准上的实验表明，与现有方法相比，所提出的框架在AD/HC分类性能方面表现更优。此外，发现的高风险片段可以映射回原始手写轨迹，从而提供与AD相关手写变化相联系的可解释证据。