用于采用移动设备检测认知衰退的系统和方法与流程

1.本公开涉及用于采用一个或多个移动设备检测认知衰退的系统和方法。更具体地，本公开涉及用于使用由一个或多个移动设备收集的被动获得的传感器测量来检测认知衰退的系统和方法。


背景技术：

2.全世界有数百万人患有认知障碍，诸如痴呆或阿尔茨海默病。尽管患有认知障碍的人很普遍，但认知衰退的早期诊断是一项临床挑战，因为早期症状很微妙，而且通常归因于正常衰老。因此，存在对于用于尽早检测认知衰退的改进系统和方法的需求。


技术实现要素：

3.本公开的实施例涉及使用来自一个或多个移动设备的被动收集的传感器测量来检测认知衰退。示例性实施例包括但不限于以下示例。
4.根据一个方面，本公开涉及一种用于检测受试者的认知衰退的计算机实现方法，该方法包括：接收在多天的观察期内由受试者的至少一个移动设备记录的被动获得的数据，该被动获得的数据包括关于以下至少一项的数据：(i)由移动设备接收的传入消息的数量，以及(ii)由移动设备发送的传出消息的数量；处理被动获得的数据以生成数字生物标志物数据；分析数字生物标志物数据以确定受试者是否正在经历认知衰退；以及向受试者和另一用户中的至少一个生成关于分析的结果的用户通知。
5.根据另一方面，本公开涉及一种用于检测受试者的认知衰退的计算机实现方法，该方法包括：接收在多天的观察期内由受试者的至少一个移动设备记录的被动获得的数据，该被动获得的数据包括以下至少一项：(i)观察期中每天首次观察到的受试者运动的当天时间(tod)，(ii)观察期中每天首次观察到的受试者步速的tod，(iii)观察期中每天最后观察到的受试者运动的tod，以及(iv)观察期中每天最后观察到的受试者步速的tod；处理被动获得的数据以生成数字生物标志物数据；分析数字生物标志物数据以确定受试者是否正在经历认知衰退；以及向受试者和另一用户中的至少一个生成关于确定的结果的用户通知。
6.根据另一方面，本公开涉及一种用于检测受试者的认知衰退的计算机实现方法，该方法包括：接收在多天的观察期内由受试者的至少一个移动设备记录的被动获得的数据，该被动获得的数据包括关于观察到的受试者步幅长度的数据；处理被动获得的数据以生成数字生物标志物数据；分析数字生物标志物数据以确定受试者是否正在经历认知衰退；以及向受试者和另一用户中的至少一个生成关于分析的结果的用户通知。
7.根据另一方面，本公开涉及一种用于检测受试者的认知衰退的计算机实现方法，该方法包括：接收在多天的观察期内由受试者的至少一个移动设备记录的被动获得的数据，该被动获得的数据包括关于在观察期期间的锻炼回合次数的数据；分析被动获得的数据以确定受试者是否正在经历认知衰退；以及向受试者和另一用户中的至少一个生成关于
分析的结果的用户通知。
8.根据另一方面，本公开涉及一种用于检测受试者的认知衰退的计算机实现方法，该方法包括：接收在多天的观察期内由受试者的至少一个移动设备记录的被动获得的数据，该被动获得的数据包括关于受试者在至少一个移动设备上观看用于报时的移动时钟应用的次数的数据，其中，受试者每次观看移动时钟应用与观看持续时间相关联；处理被动获得的数据以生成数字生物标志物数据；分析被动获得的数据以确定受试者是否正在经历认知衰退；以及向受试者和另一用户中的至少一个生成关于分析的结果的用户通知。
9.根据另一方面，本公开涉及一种用于检测受试者的认知衰退的计算机实现方法，该方法包括：在多天的观察期内接收由受试者的至少一个移动设备记录的被动获得的数据，该被动获得的数据包括表征用户在编写由通信设备发送的传出消息时键入的方式的数据；处理被动获得的数据以生成数字生物标志物数据；分析数字生物标志物数据以确定受试者是否正在经历认知衰退；以及向受试者和另一用户中的至少一个生成关于分析的结果的用户通知。
10.根据另一方面，本公开涉及一种用于检测受试者的认知衰退的计算机实现方法，该方法包括：在多天的观察期内接收由受试者的至少一个移动设备记录的一个或多个用户活动的被动获得的时间序列数据；使用频率分析来处理被动获得的时间序列数据以将时序数据转换为频率功率谱；计算在第一频率阈值和第二频率阈值之间的频率功率谱中的频谱能量的量；基于计算的频谱能量的量生成数字生物标志物数据；分析数字生物标志物数据以确定受试者是否正在经历认知衰退；以及向受试者和另一用户中的至少一个生成关于分析的结果的用户通知。
附图说明
11.通过参考以下结合附图对本发明的实施例的描述，本公开的上述和其它特征和优点以及获得它们的方式将变得更加明显并且将被更好地理解，在附图中：
12.图1是根据本公开的至少一个实施例的用于使用一个或多个移动设备检测认知衰退的说明性系统的示意图。
13.图2是根据本公开的至少一个实施例的用于使用来自一个或多个移动设备的被动收集的数据来检测认知衰退的说明性组件的框图。
14.图3是根据本公开的至少一个实施例的用于使用来自一个或多个移动设备的被动收集的数据来确定认知衰退的方法的流程图。
15.图4是描绘根据本公开的至少一个实施例的用于记录、处理和/或显示来自一个或多个移动设备的被动收集的数据的数据结构的图。
16.图5是描绘根据本公开的至少一个实施例的可用于检测认知衰退的二十个示例性相关生物标志物的图。
17.图6是根据本公开的至少一个实施例的用于分析来自一个或多个移动设备的被动收集的数据以确定认知衰退的方法的流程图。
18.图7是根据本公开的至少一个实施例的用于分析来自一个或多个移动设备的被动收集的数据以确定认知衰退的方法的另一流程图。
19.图8是描绘根据本公开的至少一个实施例的示出图7中描绘的方法的操作的示例
性时间序列数据和频谱数据的图。
20.图9是根据本公开的至少一个实施例的用于分析来自一个或多个移动设备的被动收集的数据以确定认知衰退的方法的另一流程图。
21.图10是根据本公开的至少一个实施例的用于实现用于使用来自一个或多个移动设备的被动收集的数据来检测认知衰退的系统和/或方法的说明性计算机系统的框图。
22.贯穿若干视图中，对应的附图标记表示对应的部分。在此列出的示例说明了本发明的示例性实施例，并且此类示例不应被解释为以任何方式限制本发明的范围。
具体实施方式
23.用于认知障碍的常见筛查工具不能始终如一地检测到认知衰退的初始阶段。获得更好结果的更灵敏的测试需要高度专业化和训练有素的评估者和长持续时间的测试，但也受到评估者偏见、文化偏见、教育偏见和实践效果的限制。此外，当前医疗保健环境的有限可用性和/或容量使得难以实现广泛筛查。
24.已经做出计算机化努力来减轻这些限制。例如，基于计算机的认知评估测试(诸如由一系列神经心理测试组成的剑桥神经心理测试自动组(cantab))使用触摸屏计算机对受试者进行管理。然而，这种神经心理学测试需要受试者有意识地投入时间和注意力来完成由评估受试者认知功能的不同领域的一系列任务组成的测试。因此，受试者通常不会寻求或完成这种测试，除非他们已经怀疑他们可能患有认知衰退，这阻碍了认知衰退的早期诊断。此外，这种测试通常需要受试者投入大量时间和注意力以增加医疗保健系统的直接和间接成本来完成所需的任务。
25.在此公开的实施例提供了植根于计算机技术的对这些问题的解决方案。具体地，在此公开的实施例使用由受试者在其日常生活期间携带和/或使用的移动设备来在他们进行日常活动时被动地收集关于受试者的各种参数数据。然后分析该被动收集的参数数据以确定受试者是否可能正在经历认知衰退。因为移动设备(例如，智能电话和/或智能手表)无处不在并且被许多人全天携带，所以该解决方案提供优于传统实施例的优势。例如，可以减少和/或消除对受试者首先识别他/她正在经历认知衰退的需要。由于参数数据是在用户进行他/她的日常活动的同时被动收集的，因此减少了对用户正常生活和惯例的任何干扰。总之，数据参数的被动收集和移动设备的相对普遍性能够非常早地检测出可能的认知衰退，这指示更严重的情况，诸如阿尔茨海默病。此外，减少了与专业评估者或计算机化筛选工具主动参与的需求。
26.图1是根据本公开的至少一个实施例的用于使用一个或多个移动设备102检测认知衰退的说明性系统100的示意图。该图仅为示例，不应过度限制权利要求的范围。本领域的普通技术人员会认识到许多变化、替代和修改。
27.系统100包括一个或多个移动设备102和受试者104。移动设备102可以是任何类型的电子设备，其可以附接到受试者104、由受试者104佩戴、携带和/或由受试者104使用以便使用结合到移动设备102中的一个或多个传感器而被动地感测关于受试者104的数据。示例性移动设备102包括但不限于智能电话、智能手表、智能平板计算机、智能戒指、智能套装、计步器、心率监视器、睡眠传感器等。
28.由移动设备102被动感测的数据可以对应于任何数量的多种生理参数、行为参数
和/或环境参数(在此统称为“感测数据”)。如下面更详细描述的，感测数据和/或其它数据(见图2)用于检测认知衰退。在一些实施例中，移动设备102在受试者104正常使用移动设备102期间使用电、机械和/或化学手段被动地收集感测数据，而不需要受试者104的任何附加步骤或输入。换句话说，受试者104不需要改变他或她与移动设备102的常规日常交互的任何方面。在一些实施例中，移动设备102根据请求收集一些收集的数据(例如，指示能量的调查)。单个移动设备102或多个移动设备102可以收集所收集的数据。
29.在一些实施例中，移动设备102包括被配置为分析感测数据并基于感测数据检测受试者104的认知衰退的组件(例如，图2中描绘的组件200)。另外地或可替代地，移动设备102经由网络108将感测数据发送到服务器106，并且服务器106包括被配置为基于收集的数据检测受试者104的认知衰退的组件(例如，图2中描绘的组件200)。
30.网络108可以是或包括任何数量的不同类型的通信网络，诸如例如总线网络、短消息服务(sms)、局域网(lan)、无线lan(wlan)、广域网(wan)、互联网、p2p网络、定制设计的通信或消息传递协议等。网络108可以包括多个网络的组合。
31.图2是根据本公开的至少一个实施例的用于使用一个或多个移动设备102检测认知衰退的说明性组件200的框图。该图仅为示例，不应过度限制权利要求的范围。本领域的普通技术人员会认识到许多变化、替代和修改。组件200可以包括一个或多个传感器202、收集组件204、增强组件206、训练组件208、分析组件210、存储库应用编程接口(api)212和/或存储库214。
32.如上所述，该一个或多个移动设备102可以包括用于被动地感测关于受试者104的数据的一个或多个传感器。例如，传感器202可以被配置为感测生理参数，诸如指示如下内容的一个或多个信号：患者的身体活动水平和/或活动类型(例如，使用加速度计)、代谢水平和/或与人体相关的其它参数，诸如心率(例如，使用光电容积图)、温度(例如，使用温度计)、血压(例如，使用血压计)、血液特征(例如，葡萄糖水平)、饮食、相对地理位置(例如，使用全球定位系统(gps))等。作为另一个示例，传感器202还能够感测关于围绕受试者104的外部环境的环境参数(例如，温度、空气质量、湿度、一氧化碳水平、氧气水平、气压、光强度、声音等)。作为另一个示例，传感器202还能够感测和/或记录关于受试者的行为参数，诸如总结或表征受试者的键入的数据、在一个或多个移动设备上运行的移动应用的使用、由移动设备发送和/或接收的消息(例如，sms文本、电子邮件、即时聊天消息、电话呼叫、视频通话等)、虚拟助手(诸如siri)的使用等。生理参数、环境参数和行为参数在此可以统称为感测数据216。
33.在一些实施例中，收集组件204被配置为收集、接收、存储、补充和/或处理来自传感器202的感测数据216，如图3中所示(框302)。图3是根据本公开的至少一个实施例的用于使用来自一个或多个移动设备的被动收集的数据来确定认知衰退的方法300的流程图。该图仅为示例，不应过度限制权利要求的范围。本领域的普通技术人员会认识到许多变化、替代和修改。在一些实施例中，收集组件204从传感器202接收感测数据216和/或使用传感器收集感测数据216(框302)。
34.如图所示(框302)，收集组件204可以另外地或可替代地将感测数据216连同任何补充数据(在此统称为收集数据218，参见图2)一起存储。收集的数据218可以存储在(图2的)存储库214中。作为感测数据216的补充数据的示例，收集组件204可以收集感测数据216
的元数据。作为更具体的示例，收集组件204可以对感测数据216加时间戳以确定任何感测数据216的开始、任何感测数据216的持续时间、任何感测数据216的出现，和/或任何感测数据216的结束。另外或可替代地，收集组件204可以收集精神运动组件数据(例如，敲击速度、敲击规律、键入速度、句子复杂度、拖拽路径效率、阅读速度等)，和/或关于精神运动组件和/或受试者104与移动设备102的其它交互(例如，文字处理、搜索等)的元数据。如上所述，感测数据216、精神运动组件数据和/或元数据可以由收集组件204作为收集的数据218存储在存储库214中。如下面更详细描述的，收集的数据218用于生成与认知衰退相关联的一种或多种数字生物标志物并分析数字生物标志物以检测受试者104(图1)的认知衰退。
35.在一些实施例中，收集组件204可以确定传感器202何时和/或多久感测感测数据216，从传感器202接收感测数据216，和/或补充感测数据216以生成收集的数据218。在一些实施例中，收集组件204在没有来自受试者104的指导的情况下执行这些任务。作为示例，收集组件204指示传感器202对不同类型的感测数据216每天(例如，调查)、每小时、每分钟(例如，综合体力活动)、每秒、每十分之一秒、每一百分之一秒(例如，原始加速度计信道)等一次进行采样。作为另一个示例，收集组件204指示传感器202以恒定频率(例如，睡眠质量数据)对第一类型感测数据216和以适于感测数据的上下文的频率对第二类型感测数据216进行采样。作为特定示例，收集组件204可以指示传感器202基于步数和/或心率的频率调整与指示步数和/或心率的生物标志物相关联的感测数据216的采样频率。也就是说，随着步数和/或心率增加，收集组件204可以指示传感器202以更高的频率对与步数和/或心率相关联的感测数据216进行采样，反之亦然。
36.参考图3，收集组件204可以查询是否缺失任何传感器数据216(框304)。对于例如由于受试者104在任何特定时间段内没有使用或佩戴移动设备102而没有收集数据的时段，收集组件204可以填充缺失的数据(框306)。例如，当事件被触发时(例如，当打开应用软件或接收到消息时)，收集组件204可以用零填充没有值的分钟，这表示在那一分钟不存在触发事件。作为另一个示例，收集组件204可以在心率中线性地内插短持续时间的间隙(例如，1分钟、5分钟、10分钟、15分钟等)。甚至作为另一个示例，收集组件204可以将所有剩余的缺失数据保持为非插补。缺失数据(例如，行为中的间隙)可能是由于一个人经历认知衰退造成的。因此，数据中的间隙可用于告知一个人是否正在经历认知衰退。在一些实施例中，收集组件204将收集到的数据218分组为五种不同的通道类型：平均值、计数、间隔、脉冲和调查，并计算四种一般类型的特征，包括如下的聚合：1)所有分钟、2)一天中不同事件的时间，3)每日聚合，以及4)连续“孤岛”活动的持续时间。
37.另外地或可替代地，收集组件204可以对感测数据216和/或收集的数据218执行进一步处理(框302)。例如，收集组件204可以将收集的数据218映射到行为图400中，其示例在图4中示出。行为图400可以包括便于记录、处理和/或显示收集的数据218的数据结构。该数据结构可以包括具有以1分钟分辨率、1秒分辨率、亚秒级分辨率或其它时间分辨率的值的时间对齐的处理数据。为了将收集的数据218映射到行为图400表示中，收集组件204可以包括执行信道之间的时间对齐、在不同时间尺度上的源的重新采样、信道感知聚合以及缺失值的处理。作为特定示例，收集组件204可以以时区感知方式将输入源的时间戳对齐并且可以将来自基于事件的源的值重新分配给它们发生的秒(second)。收集组件204可以对该值求和(对于步数、楼梯级数、未接电话和消息)或平均(对于步速、步幅、心率和调查响应)以
产生分钟级分辨率采样。收集组件204可以通过对间隔所涵盖的分钟数进行编码来将表示间隔的输入源(例如，对于锻炼会话、呼吸会话、站立时间、锻炼、电话呼叫、电话解锁和应用软件使用)转换为分钟。对于需要亚分钟(或亚秒)精度(例如精细运动功能)的收集数据218，收集组件204可以在将它们聚合到分钟级分辨率之前以更高的时间分辨率计算统计值。例如，在应用低通滤波器或传感器融合技术以减少重力影响之后，收集组件204可以通过对在每一百分之一秒处获得的x、y和z加速度的l2(欧几里得)范数求平均，将100hz处的加速度计测量聚合成分钟级的值。
38.行为图400可以通过分析不同通道之间的关联模式来促进检测受试者104的认知衰退。例如，行为图400允许在其它的上下文中检查一个通道中的缺失数据和异常值。作为另一个示例，作为数据表示格式，行为图400使得捕获不同输入数据源之间的交互变得容易，并且可以提供概念上复制在实验室或诊所中进行的双任务实验的手段。更具体地，当他/她尝试同时执行两项任务(例如，走路和交谈)时，具有认知衰退的受试者104可能比当受试者104试图执行单个任务(例如，仅步行)时表现出更大的障碍。采用行为图400，通过合并表示电话呼叫和平均步行速度的数据通道，可以容易地添加以分钟级分辨率表示“边说话边走路”的通道，捕获在电话交谈期间的平均步速。
39.在一些实施例中，收集组件204包括前端用户接口(ui)组件220(图2)，以便程序员、临床医生或其他人与收集的数据218、传感器202，和/或感测数据216交互。虽然收集组件204被描绘为与存储库api 212分开的组件，但是收集组件204可以被并入到存储库api 212中。
40.在一些实施例中，传感器202和收集组件204二者都可以在一个或多个移动设备(诸如设备102)上实现。组件202和204可以包括并入或可通信地耦合到这种移动设备的硬件设备，以及被配置为实现上述功能的软件和/或固件(例如，移动应用)。在一些实施例中，收集组件204可以在硬件、软件和/或固件上实现，该硬件、软件和/或固件并入一个或多个服务器(诸如服务器106)或与其通信耦合。在一些实施例中，收集组件204可以分布在一个或多个移动设备(例如，设备102)和一个或多个服务器(例如，服务器106)二者上，它们一起工作以实现上述功能。
41.方法300可以进一步包括查询认知衰退检测算法222(图2)是否正在被训练(框308)。如果认知衰退检测算法222没有被训练，则方法300可以通过分析收集的数据以检测受试者104的认知衰退来继续(框310)。图5-9中提供了用于分析收集的数据以检测认知衰退的示例性实施例。
42.然而，如果检测算法222正在被训练，则方法300可以查询收集的数据218是否应该被增强以便训练检测算法222(框312)。如果收集的数据218应该被增强，则方法300可以继续增强收集的数据(框314)。
43.在一些实施例中，增强组件206从收集组件204接收收集的数据218以增强收集的数据218。为了增强收集的数据218以便训练检测算法222，增强组件206可以使用收集的数据218的非重叠子集上的特征。非重叠子集可以是例如每个受试者104总共n(例如3-50)个双周的2周时段：对于每个受试者104i，bw
i,1
...bw
i,n
。并且，增强组件206可向每个双周bw
i，j
分配分配给受试者104i的相同标签(例如，健康对照或有症状的)。因为，在该情况下，收集的数据218正用于使用机器学习技术(如下所述)训练检测算法222，所以可以知道受试者
104是否是健康对照受试者104(例如，没有经历认知衰退)或者如果受试者104正在经历认知衰退(并且如果是这样，标签可以可选地进一步指定受试者104正在经历什么类型的认知障碍，和/或受试者104正在经历认知障碍的程度)。因此，与受试者104相关联的每个双周bw
i,j
可以被分配受试者104的相应认知衰退或对照标签。该方法可以被称为时间序列分类中的窗口切片。增强组件206可以将bw
i,j
平均为受试者104i的最终分数。虽然增强组件206被描绘为与存储库api 212分离的组件，但增强组件206可以并入到存储库api 212中。
44.在实施例中，两周窗口可能是有益的，因为它提供了数据大小的显著增加，同时仍然捕获受试者104的每日和每周模式。在一些实施例中，在每两周确定对心理运动任务计算的特征的情况下，两周窗口也可能是有益的。在一些实施例中，还可以使用更长的时间窗口(例如，三周、四周或一个月长的窗口)。
45.一旦收集的数据218被增强，则该方法可以包括训练检测算法222以检测认知衰退(框316)。可替代地，在不需要增强收集的数据218的情况下，方法300可以继续训练检测算法222(框316)。
46.在一些实施例中，训练组件208(图2)可用于训练检测算法222。例如，检测算法可使用卷积神经网络(cnn)来实现。对于收集的数据218，训练组件208可以使用n次重复(例如，50-500)保持过程(其中n是数据子集的数量)来评估在将每个双周分类为属于健康对照或有症状的受试者104时的样本外泛化性能。在n次迭代中的每一次迭代中，训练组件208可以使用70/30随机拆分将数据集拆分为训练集和测试集，该随机拆分按诊断(有症状的对比健康对照)分层并且按受试者104分组(来自同一受试者104的两周都在同一组中结束以防止模型记住特定受试者104的模式)。在实施例中，训练组件208使用分组的3折叠交叉验证对训练集执行超参数调整。在实施例中，训练组件208可以使用hyperopt来选择以下参数：估计器的数量、学习速率、最大树深度和伽马。hyperopt由james bergstra、dan yamins和david d cox在第12届python科学大会论文集，citeseer，中第13-20的“hyperopt:a python library for optimizing the hyperparameters of machine learning algorithms”中描述，其中的内容出于所有目的并入本文。对于参数的多达m个组合(例如，10-50个)的每个组合，训练组件208可以评估检测算法222的性能。在实施例中，训练组件208可以选择在外部拆分的完整训练集上训练模型超参数，该模型超参数将在三折叠中产生roc曲线下的最高平均面积(auroc)。在实施例中，训练组件208可以在外部拆分中的保留测试集上计算双周模型性能度量。然后，为了在受试者级别104做出决定，训练组件208可以经由软投票来聚合受试者104的双周分数以对测试集中的每个受试者104进行排名。训练组件208可以根据这些分数计算检测算法222的性能度量。最后，训练组件208可以对x次迭代重复该过程以估计平均性能度量及其相关联的误差。
47.在训练检测算法222之后，方法300可以继续分析在多天的观察期内记录的收集的数据218以检测受试者104是否正在经历认知衰退(框310)。为此，分析组件210(其可实现为服务器106的一部分、一个或多个移动设备102的一部分，或两种类型系统的组合)可包括处理在观察期内记录的收集的数据218以生成数字生物标志物数据的生物标志物组件224。如在此所使用的，数字生物标志物可指数学或统计函数，该函数将至少一些收集的数据218作为输入并输出可由检测算法(例如，检测算法222)使用以区分健康受试者和可能表现出认知障碍或衰退迹象的受试者。数字生物标志物可单独使用或与其它数字生物标志物组合使
用以检测受试者的认知衰退。可以从收集的数据218生成的示例性数字生物标志物数据包括但不限于：与受试者104的身体活动相关联的生物标志物、与受试者104的社交互动相关联的生物标志物、与受试者104的文字处理相关联的生物标志物，和/或与受试者104应用程序使用相关联的生物标志物。
48.根据不同的实施例，方法300可以通过添加、删除和/或修改其步骤中的一些或全部来修改。尽管方法300被描述为既适合训练检测算法222又适合使用检测算法222，这两个任务在一些实施例中可以通过单独的方法来执行。例如，可能存在用于使用训练集(例如，由大型研究创建)来训练检测算法222的第一方法和/或过程。一旦检测算法222被训练，就可以采用第二方法和/或过程来使用检测算法222处理新的数据集，并输出该数据集是否指示一个或多个受试者正在经历认知衰退的指示。当训练阶段和分类阶段被分成单独的方法时，可能没有用于查询检测算法是否正在被训练的步骤(例如，上述步骤308)。
49.一些数字生物标志物在检测受试者104的认知衰退方面可能比其它数字生物标志物更重要或更有用。这种生物标志物在此被称为相关生物标志物226。为了确定从收集的数据218生成的相关生物标志物226，分析组件210可以包括博弈论组件228。在一些实施例中，博弈论组件228可以使用shapley additive explanations(shap)，其将博弈论与局部解释相结合来解释机器学习模型(即检测算法222)。在实施例中，针对具有成对目标函数(以及其它情况下的默认参数)的xgbregressor模型报告shap值，该模型在针对年龄匹配群组的收集的数据218上进行训练。
50.使用上述方法和系统，从evidation health,inc.代表eli lilly and company和apple inc.进行的多站点12周试验中捕获的数据的分析中识别一组20个相关生物标志物500。该研究旨在评估使用智能设备区分具有轻度认知障碍(mci)和早期阿尔茨海默病(ad)痴呆的个体与健康对照的可行性。
51.在该12周的试验期间，154名参与者同意并接受了来自美国12个中心的资格筛选。关键纳入标准是：(1)60-75岁，(2)能够读、写和说英语，以及(3)熟悉数字设备，包括拥有和使用iphone以及具有在家的wifi网络。
52.患有mci的参与者必须满足美国国家老龄化研究所/阿尔茨海默病协会(nia-aa)因ad导致的mci的核心临床标准，并且患有轻度ad痴呆的参与者必须符合nia-aa由于ad导致的痴呆的核心临床标准。对于有症状的参与者，同意研究伙伴监视对研究程序的依从性。
53.在注册时，向每位参与者提供了iphone 7plus(用作他们的主要手机)、apple watch series 2、带智能键盘的10.5英寸ipad pro和beddit睡眠监视设备以及应用软件以收集在12周研究期期间的所有传感器和应用软件使用事件。总共有84名健康对照者和35名有症状的参与者符合纳入标准。参与者被要求在研究过程中不要改变痴呆症的任何治疗或可能影响中枢神经系统的其它药物，尽管这不是参与的要求。
54.在12周的数据收集过程中，参与者被指示照常使用他们的iphone和apple watch，并让他们保持充电。来自这些设备中的传感器和设备使用情况的数据(包括电话锁定/解锁、呼叫、消息和应用历史记录)由研究移动应用被动收集，并且每晚发送到研究服务器。当没有从设备接收到数据时，对传入数据的中央审查允许外展。经由电子邮件或电话联系了设备数据存在间隙的参与者，提醒他们使用他们的设备并解决任何问题。
55.参与者还被要求每天回答两个单问题调查(一个关于情绪，一个关于精力)以及每
两周在数字评估应用软件上执行简单的活动。该应用软件由几个低负担的精神运动任务组成，包括其中参与者将一个形状拖到另一个形状上的拖动任务，其中参与者尽可能快地以及然后尽可能有规律地敲击圆圈的敲击任务，其中参与者阅读简单或困难的段落的阅读任务，以及其中参与者打出图片的描述的打字叙述任务。选择这些活动是因为它们具有在未来受到被动监视的可能。研究程序包括在完成数字评估应用软件上的任务的同时记录和发送参与者的视频和音频。
56.一种学习平台(类似于以上关于图1和图2描述的平台)用于聚合和分析从iphone、apple watch和beddit设备以及在12周研究期内从在ipad上进行的主动测试所收集的数据。平台摄取的数据被加上时间戳，被检查一致性，被归一化为标准模式以促进数据分析，并使用优化格式被保存在分布式和复制数据存储中。
57.一些输入源以恒定频率采样(例如，睡眠质量数据)，而其它输入源仅在相关事件发生时(例如，打开特定应用软件的时间)被采样。一些输入源以适应上下文的频率采样(例如，计步器和心率测量的采样率在高量活动和锻炼期间增加)。在均匀采样的数据源中，采样时间范围从一天或多天(例如，调查)到一分钟或多分钟(例如，综合体力活动)到亚秒(例如，以100hz采样的原始加速度计通道)的间隔。
58.所有事件流和时间序列原始数据源都被映射到公共表示中，类似于参考图4描述的行为图400。缺失数据通过用零填充、使用线性插值填充或保留为缺失、非插补数据来处理，如前所述。
59.来自该研究的原始数据用于创建一组数字生物标志物以测试区分健康对照和表现出mci或ad的受试者的效果。通过处理原始数据，总共生成了996个数字生物标志物。这些生成的数字生物标志物用于训练卷积神经网络(cnn)，以区分健康对照和患有mci或ad的患者。至少部分地使用参考例如上述增强组件206和/或训练组件208描述的上述技术来实现该训练。在用于训练cnn的996个数字生物标志物中，20个最相关的数字生物标志物在图5中呈现为生物标志物500。发现这些20个数字生物标志物对cnn在区分健康对照和表现出mci或ad的受试者方面具有最大影响。图5中示出可用于检测受试者104的认知衰退的这些前20个相关生物标志物500的shap值。
60.具体地，前20个相关生物标志物500包括：无停顿的打字速度(即，打字任务中的平均打字速度，不包括停顿)、移动设备104在观察期期间感测到的第一主动步速的一天的中位时间、没有精力调查响应的天数(即，在观察期期间没有对每天发送给受试者的调查做出响应的天数)、精力调查响应的一天的中位时间(即完成每日调查的一天的中位时间)、传入消息的总数(即，在观察期内的所有天中的传入消息的总和)、移动设备102感测到的最后一次加速度的一天的时间的四分位间距(即，移动设备102在观察期期间最后一次被移动的一天的时间分布)、在观察期期间由移动设备102感测到的第一步的一天中的时间、锻炼回合的总数(即，在观察期期间花费锻炼的时段)、由移动设备102(例如，移动手表)感测到的步幅长度偏差、由移动设备102感测到的首次加速的一天的时间的四分位间距(即，移动设备102在观察期期间第一次移动的一天的时间分布)、时钟应用会话持续时间的第95个百分位、时钟应用会话持续时间的四分位间距、智能助手应用(例如siri)建议计数(即智能助手应用在特定时间段期间被访问的总次数)、每日传出消息计数的四分位间距(即，观察期期间每天发送的传出消息数量的四分位间距)、每日心率的第5个百分位的第5个百分位、由移
动设备102感测到的最后加速度的一天中的中位时间、在观察期内所有天在时钟应用中花费的总时间、每天在时钟应用中花费的每日总时间的四分位间距、每天传入消息计数的中位数(即每天接收到的传入消息的中位数)、打字任务中每个句子的平均单词(即打字任务中每个句子的平均单词数)。
61.图6描绘了根据一些实施例的用于使用从被动获得的数据生成的数字生物标志物来检测受试者的认知衰退的示例性计算机实现过程600。过程600可以由例如收集组件204和/或分析组件210独立地或联合地实现。过程600开始于步骤602，其包括接收在多天的观察期内由受试者的至少一个移动设备记录的被动获得的数据(例如，感测数据216和/或收集的数据218)。被动获得的数据可以包括由至少一个移动设备上的传感器记录的原始数据，诸如之前提到的任何类型的原始数据。
62.在步骤604处，处理被动获得的数据以生成数字生物标志物数据。数字生物标志物数据可包括任何被处理或格式化的数据，其被计算或衍生自，或总结或表征任何被动获得的数据。
63.例如，一个示例性类别的相关生物标志物是从被动获得的数据生成的数字生物标志物，该数据关于如下中的至少一个：(i)由移动设备接收的传入消息的数量，和(ii)由移动设备发送的传出消息的数量。该类别内的数字生物标志物包括观察期期间传入消息的总数和/或观察期期间每天接收的传入消息的中位数。较低数量的总消息和/或每天的消息可与较低的社会或社交参与相关联，这可指示认知衰退。该类别内的另一个数字生物标志物是对观察期期间由用户移动设备每天发送的传出消息的数量的统计变化性变化性的度量。可以使用的统计变化性的示例性度量包括范围、四分位间距、标准偏差和/或方差。较高的统计变化性可指示认知衰退。
64.另一个示例性类别的相关生物标志物是从被动获得的数据生成的数字生物标志物，该数据关于如下中的至少一个：(i)观察期中每天首次观察到的受试者运动的当天时间(tod)，(ii)观察期中每天首次观察到的受试者步速的tod，(iii)观察期中每天最后观察到的受试者运动的tod，以及(iv)观察期中每天最后观察到的受试者步速的tod。该类别内的数字生物标志物包括观察期期间首次观察到的受试者步速的中位tod，和/或观察期期间最后观察到的受试者运动的中位tod。首次观察到的受试者步速和/或最后观察到的受试者运动的后期中位tod可指示认知衰退。该类别内的另一个数字生物标志物是观察期期间最后观察到的受试者运动的tod统计变化性的度量，和/或观察期期间首次观察到的受试者运动的tod统计变化性的度量。可以使用的统计变化性的示例性度量包括范围、四分位间距、标准偏差和/或方差。较高的统计变化性可指示认知衰退。
65.相关生物标志物的另一个示例性类别是从被动获得的数据生成的数字生物标志物，该被动获得的数据关于在观察期间观察到的受试者步幅长度。该类别内的数字生物标志物包括观察到的步幅长度的统计偏差。观察到的受试者步幅长度的高统计偏差可指示认知衰退。
66.另一个示例性类别的相关生物标志物是从被动获得的数据生成的数字生物标志物，该被动获得的数据关于在观察期期间由受试者进行的锻炼回合次数。低锻炼回合次数可指示认知衰退。
67.另一个示例性类别的相关生物标志物是从被动获得的数据生成的数字生物标志
物，该被动获得的数据关于受试者观看移动时钟应用以便观看移动设备上的时间的次数。受试者每次观看移动时钟应用都可以与观看持续时间相关联。该类别内的数字生物标志物包括所计算的观看持续时间，该观看持续时间大于或等于在观察期期间针对相应受试者的所有记录观看持续时间的目标百分比。在一些实施例中，目标百分比在90％和100％之间。在一些实施例中，目标百分比在93％和97％之间。在一些实施例中，目标百分比是95％。高的所计算的观看持续时间可指示认知衰退。该类别内的数字生物标志物的另一个示例是与受试者在观察期间每次观看移动时钟应用相关联的观看持续时间的统计变化性的度量。较高的统计变化性可指示认知衰退。该类别内数字生物标志物的另一个示例是观察期内的总观看持续时间——较高的总观看持续时间可指示认知衰退。该类别内的数字生物标志物的再另一个示例是观察期内每天的总每日观看持续时间的统计变化性的度量，其中每个总每日观看持续时间等于特定一天期间所有观看持续时间的总和。同样，较高的统计变化性可指示认知衰退。如前所述，可以使用的统计变化性的示例性度量包括范围、四分位间距、标准偏差和/或方差。
68.另一个示例性类别的相关生物标志物是从被动获得的数据生成的数字生物标志物，该被动获得的数据表征用户在将数据输入到移动设备中或与移动设备交互时的打字的方式。例如，数据可以表征用户在编写由通信设备发送的传出消息时的打字方式。该类别内的数字生物标志物包括打字速度(不包括停顿)和/或每个句子的平均单词数。较慢的打字速度和/或每句较低的平均字数可指示认知衰退。
69.在步骤606处，可以分析数字生物标志物数据以确定受试者是否认知受损。如在此所述，该分析可以使用已被训练以区分健康受试者和表现出mci和/或ad的受试者的cnn来实现。
70.在步骤608处，可以向受试者和另一用户中的至少一个发送关于分析的结果的通知。该通知可以包括基于分析的结果的任何通知或摘要。例如，通知可以包括分析的摘要、认知衰退的概率、是否检测到认知衰退的二元指示、大脑或神经精神病学分数、寻求治疗或进一步诊断的通知等。
71.图7描绘了根据一些实施例的用于检测受试者的认知衰退的另一个示例性过程700。过程700还可以由例如收集组件204和/或分析组件210独立地或联合地实现。过程700开始于步骤702，其包括接收在多天的观察期内由受试者的至少一个移动设备记录的一个或多个用户活动的被动获得的时间序列数据。可以使用具有时间戳并且由任何前述移动设备记录的任何数据。这种时间序列数据的示例包括但不限于电话呼叫、传出消息、传入消息、移动设备解锁、与移动应用的交互、心率、站立动作、步行、运动、移动设备解锁时的运动、移动设备锁定时的运动等。
72.纯粹为了说明起见，图8中的曲线图802描绘了一组示例性的时间序列数据，其示出受试者的移动设备被锁定或解锁的时间。曲线图802的横轴以合适的单位(诸如秒、分钟和/或小时)描绘了时间的流逝。曲线图802的纵轴指示受试者的电话是被锁定还是解锁——例如，高(二进制1)可能表示设备已解锁，而低(二进制0)可能表示设备已锁定。时间序列数据优选地跨越在多天(例如，一周、两周和/或一个月)的时间段内连续或基本上连续记录的数据。
73.在步骤704处，使用频率分析处理获得的时间序列数据以将时间序列数据转换成
频率功率谱。可以使用将时间序列数据转换成频率功率谱的任何已知频率分析，诸如但不包括傅立叶变换、快速傅立叶变换(fft)、离散傅立叶变换(dft)、小波变换，和/或lomb-scargle周期图。
74.步骤704的示例性输出在图8的曲线图804中描述。曲线图804描绘了曲线图802中描绘的时间序列数据的频率功率谱。曲线图804的横轴描绘了以合适的单位(诸如赫兹)的频率。曲线图804的纵轴描绘了在该频率的时间序列数据中的频率含量的幅度。由于预期大多数受试者的活动以有规律的24小时每日的周期有规律地变化，因此大多数受试者的曲线图804通常在与24小时时段对应的频率f0(即，1/(24小时)，或1.157*10-5
hz)处或附近具有最高频率含量。
75.在步骤706处，过程700可以计算频率功率谱中第一频率阈值(fmin)和第二频率阈值(fmax)之间的频率含量的量。频率阈值fmin和fmax满足不等式fmin《f0《fmax。具体地，如图8中的曲线图806中所示，fmin可等于f0–
δf1，而fmax可等于f0 δf2。在一些实施例中，δf1可以等于δf2，而在其它实施例中，它们可能不相等。
76.fmin和fmax定义了f0附近的相对窄的频率范围，其对应于24小时的时段。例如，fmin可以被设定为大于或等于与比24小时长半小时的时段对应的频率，即1/(24小时30分钟)，或1.134*10-5
hz。或者，fmin可以被设定为大于或等于与比24小时长一小时的时段对应的频率，即1/(25小时)，或1.111*10-5
hz。类似地，fmax可以被设定为小于或等于与比24小时短半小时的时段对应的频率，即1/(23小时30分钟)，或1.182*10-5
hz。或者，fmax可以被设定为小于或等于与比24小时短一小时的时段对应的频率，即1/(23小时)，或1.208*10-5
hz。
77.fmin和fmax之间的频谱能量的量可以基于fmin和fmax之间的频谱曲线下的面积来计算。在一些实施例中，还可以基于上述面积的平方来计算频谱能量的量。
78.在步骤708处，过程700基于所计算的频谱能量的量生成数字生物标志物数据。在一些实施例中，该步骤可以包括简单地使用所计算的频谱能量的量作为数字生物标志物。在其它实施例中，过程700可以在步骤708处计算(i)fmin和fmax之间的频谱曲线下面积与(ii)小于fmin并且大于fmax的所有其它频率处的频谱曲线下面积的比率。然后可以将该比率用作数字生物标志物。
79.在步骤710处，过程700分析数字生物标志物数据以确定受试者是否正在经历认知衰退。由于健康受试者在其活动中表现出相对较高的规则性和对24小时节律的遵守，因此fmin和fmax之间相对较高的频谱能量的量，和/或在计算上一段中描述的比率时的相对较高的结果，可指示受试者没有表现出认知衰退的迹象。相反，表现出认知衰退迹象的受试者可能会在其活动中表现出更大的不规则性，并且从他们的移动设备记录的时间序列数据可能无法遵循24小时的节律。因此，fmin和fmax之间相对较低的频谱能量的量，和/或计算前一段中描述的比率时相对较小的结果，可指示受试者表现出认知衰退的迹象。
80.在步骤712处，可以向受试者和另一用户中的至少一个发送关于分析结果的通知。如前所述，该通知可以包括基于分析的结果的任何通知或摘要。例如，通知可以包括分析的摘要、认知衰退的概率、是否检测到认知衰退的二元指示、大脑或神经精神病学分数、寻求治疗或进一步诊断的通知等。
81.分析组件210可以使用任何一种或多种上述数字生物标志物来检测受试者104是否正在经历认知衰退。在一些实施例中，分析组件210可以基于所述数字生物标志物对受试
者104正在经历的认知障碍的类型进行分类。组合上述多种数字生物标志物中的一些或全部可以提高用于检测认知衰退的检测算法的精确度和准确度。
82.例如，一些或所有上述数字生物标志物可以一起使用来训练(图2的)检测算法222。检测算法可以采用具有一层或多层节点的卷积神经网络(cnn)的形式，其中每一层具有一个或多个节点。在训练阶段期间，可以使用训练数据训练cnn，该训练数据包括用于训练受试者群体的上述数字生物标志物，以及指示生成数字生物标志物的每个受试者是健康对照还是表现出mci和/或ad迹象的受试者的真实标签。可以应用机器学习算法来确定在数字生物标志物与第一层节点中的节点之间的一些或所有连接以及同样在节点之间的一些或所有连接的一组权重。可以确定权重，使得当它们被应用于针对不知道受试者是否健康或正在经历认知衰退的受试者生成的数字生物标志物时，cnn可以用于确定受试者的状况。换句话说，cnn中的权重可以在检测算法222的训练期间确定，使得当分析组件210将权重应用于从对于健康的受试者104收集的数据218生成的数字生物标志物时，分析组件将以一定程度的置信度(例如，百分比可能性)确定受试者104是健康的。相反，当分析组件210将权重应用于从对于正在经历认知衰退的受试者104的收集数据218生成的数字生物标志物时，分析组件210将以一定程度的置信度(例如，百分比可能性)确定受试者104正在经历认知衰退。采用cnn的这种检测算法222可以被训练和/或用于使用任何或所有先前提到的数字生物标志物来检测认知衰退。
83.在一些实施例中，检测算法222可能已经针对具有不同认知衰退类别的受试者104的收集的数据218进行了训练。在这些实施例中，分析组件210可以确定受试者104的认知衰退的具体类别。例如，检测算法222可能已经针对具有轻度认知障碍和早期阿尔茨海默病的受试者104的收集的数据218进行了训练。因此，分析组件210可以通过应用在检测算法222的训练期间确定的权重，不仅确定受试者104是否健康或正在经历认知衰退，而且确定如果受试者104正在经历认知衰退，则受试者104正在经历什么类别的认知障碍，即轻度认知障碍和早期阿尔茨海默病(框606)。
84.在一些实施例中，检测算法222可以包括决策树，该决策树使用从原始收集的数据218计算的数字生物标志物来确定受试者104是否正在经历认知衰退。决策树可以包括一个或多个处理步骤，用于从原始收集的数据218计算数字生物标志物，和/或将处理的数字生物标志物与阈值或预期范围进行比较。该步数、阈值和/或范围可以使用在此描述的机器学习技术导出。
85.图9是根据本公开的至少一个实施例的用于分析来自移动设备的被动收集的数据以确定认知衰退的方法900的另一流程图。该图仅为示例，不应过度限制权利要求的范围。本领域的普通技术人员会认识到许多变化、替代和修改。
86.在步骤902处，可以接收与一个或多个(或所有)上述数字生物标志物对应的基线数据。生物标志物的基线数据230可以在检测算法222的训练期间确定并且可以对应于当受试者104健康和/或当受试者正在经历认知衰退时的不同基线。更具体地，对于每个生物标志物，可以确定该生物标志物的基线数据230，其指示受试者104何时是健康的以及受试者何时正在经历认知衰退。该基线数据可以从来自与被评估的受试者104相同或相似的群体的受试者、从具有与被评估的受试者104相同或相似的人口统计和/或医学特征的受试者生成。在一些实施例中，该基线数据可以从从被评估的受试者104获得的过去测量生成。换句
话说，接收的基线数据可以是纵向基线数据集，在一些情况下，该数据集对于被评估的每个个体受试者104来说可能是唯一的。然后，可以将基线数据230与从收集的数据218生成的数字生物标志物进行比较(框904)以确定受试者104是否正在经历认知衰退(框906)和/或认知衰退的分类(框908)。例如，如果针对生物标志物的收集的数据218在基线数据230的某个百分比(例如，0-20％)内，其中基线数据230与正在经历认知衰退的受试者104和/或正在经历特定类别的认知衰退的受试者104相关联，则可以确定与收集的数据218相关联的受试者104分别正在经历认知衰退和/或正在经历特定类别的认知衰退。作为另一个示例，如果针对生物标志物的收集的数据218在基线数据230的特定百分比(例如，0-20％)之外，其中基线数据230与正在经历认知衰退的受试者104相关联，则可以确定与收集的数据218相关联的受试者104是健康的。作为又另一个示例，如果针对生物标志物的收集的数据218在基线数据230的特定百分比(例如，0-20％)内，其中基线数据230与健康的受试者104相关联，则可以确定与收集的数据218相关联的受试者104是健康的。作为另一个示例，如果针对生物标志物的收集的数据218在基线数据230的某个百分比(例如，0-20％)之外，其中基线数据230与健康的受试者104相关联，则可以确定与收集的数据218相关联的受试者104正在经历认知衰退。作为再另一个示例，如果针对特定受试者104的生物标志物的收集的数据118随着时间推移表现出更高或更低认知功能的趋势，则可以确定受试者104正在经历或没有经历认知衰退。可以将认知衰退的确定(框712)和/或认知衰退的分类(框714)传达给受试者104(图1)或另一授权方，诸如家庭成员和/或医疗保健提供者,以安排进一步的评估和/或治疗。
87.图10是根据本公开的至少一个实施例的用于实现使用移动设备检测认知衰退的系统和/或方法的计算机系统1000的说明性组件的框图。例如，组件200和/或方法300、600、700和/或900的过程(例如，步骤)的一些或全部功能由计算系统1000执行。该图仅仅是示例，不应过度限制权利要求的范围。本领域的普通技术人员会认识到许多变化、替代和修改。
88.计算系统1000包括总线1002或用于在处理器1004、显示器1006、光标控制组件1008、输入设备1010、主存储器1012、只读存储器(rom)1014、存储单元1016和/或网络接口1088之间传送信息的其它通信机制。在一些示例中，总线1002耦合到处理器1004、显示器1006、光标控制组件1008、输入设备1010、主存储器1012、只读存储器(rom)1014、存储单元1016和/或网络接口1018。并且，在某些示例中，网络接口1018耦合到网络1020(例如，网络108)。
89.在一些示例中，处理器1004包括一个或多个通用微处理器。在一些示例中，主存储器1012(例如，随机存取存储器(ram)、高速缓存和/或其他动态存储设备)被配置为存储将由处理器1004执行的信息和指令。在某些示例中，主存储器1012被配置为在要由处理器1004执行的指令的执行期间存储临时变量或其它中间信息。例如，当指令存储在处理器1004可访问的存储单元816中时，将计算系统1000呈现为专用机器，该专用机器被定制为执行指令中指定的操作(例如，方法300、方法600、方法700和/或方法900)。在一些示例中，rom 1014被配置为存储处理器1004的静态信息和指令。在某些示例中，存储单元1016(例如，磁盘、光盘或闪存驱动器)被配置为存储信息和指令。
90.在一些实施例中，显示器1006(例如，阴极射线管(crt)、lcd显示器或触摸屏)被配
置为向计算系统1000的用户显示信息。在一些示例中，输入设备1010(例如，字母数字和其它键)被配置为向处理器1004传送信息和命令。例如，光标控制1008(例如，鼠标、轨迹球或光标方向键)被配置为向处理器1004传送附加信息和命令(例如，控制显示器1006上的光标移动)。
91.虽然本发明已经被描述为具有示例性设计，但是本发明可以在本公开的精神和范围内进一步修改。因此，本技术旨在涵盖使用其一般原理的本发明的任何变化、用途或调整。此外，本技术旨在涵盖在本发明所属领域的已知或惯用实践内并且落入所附权利要求的限制内的对本公开的这种偏离。
92.本公开描述了各个方面，包括但不限于以下方面：
93.1.一种用于检测受试者认知衰退的计算机实现方法，该方法包括：接收在多天的观察期内由受试者的至少一个移动设备记录的被动获得的数据，该被动获得的数据包括关于以下至少一项的数据：(i)由移动设备接收的传入消息的数量，以及(ii)由移动设备发送的传出消息的数量；处理被动获得的数据以生成数字生物标志物数据；分析数字生物标志物数据以确定受试者是否正在经历认知衰退；以及向受试者和另一用户中的至少一个生成关于分析的结果的用户通知。
94.2.根据方面1所述的计算机实现方法，其中，每个消息是sms文本消息、电子邮件、聊天消息、语音呼叫和视频电话会议中的至少一个。
95.3.根据方面1至2中任一项所述的计算机实现方法，其中，处理被动获得的数据包括将在观察期的每天接收的所有传入消息求和以生成传入消息的总数，以及其中，数字生物标志物数据包括传入消息的总数。
96.4.根据方面1至3中任一项所述的计算机实现方法，其中，处理被动获得的数据包括计算在观察期中每天由移动设备发送的传出消息的数量的变化性的统计度量，以及其中，数字生物标志物数据包括所计算的传出消息的数量的变化性的统计度量。
97.5.根据方面4所述的计算机实现方法，其中，所计算的统计度量是四分位间距。
98.6.根据方面1至5中任一项所述的计算机实现方法，其中，处理被动获得的数据包括计算在观察期期间每天接收的传入消息的中位数，以及其中，数字生物标志物数据包括所计算的传入消息的中位数。
99.7.一种用于检测受试者的认知衰退的计算机实现方法，该方法包括：接收在多天的观察期内由受试者的至少一个移动设备记录的被动获得的数据，该被动获得的数据包括以下至少一项：(i)观察期中每天首次观察到的受试者运动的当天时间(tod)，(ii)观察期中每天首次观察到的受试者步速的tod，(iii)观察期中每天最后观察到的受试者运动的tod，以及(iv)观察期中每天最后观察到的受试者步速的tod；处理被动获得的数据以生成数字生物标志物数据；分析数字生物标志物数据以确定受试者是否正在经历认知衰退；以及向受试者和另一用户中的至少一个生成关于确定的结果的用户通知。
100.8.根据方面7所述的计算机实现方法，其中，处理被动获得的数据包括计算在观察期期间首次观察到的受试者步速的中值tod，以及其中，数字生物标志物数据包括所计算的首次观察到的受试者步速的中值tod。
101.9.根据方面7至8中任一项所述的计算机实现方法，其中，处理被动获得的数据包括计算在观察期期间最后观察到的受试者运动的tod的统计变化性的度量，以及其中，数字
生物标志物数据包括所计算的最后观察到的受试者运动的tod的统计变化性的度量。
102.10.根据方面9所述的计算机实现方法，其中，统计变化性的度量是四分位间距。
103.11.根据方面7至10中任一项所述的计算机实现方法，其中，处理被动获得的数据包括计算观察期期间首次观察到的受试者运动的tod的统计变化性的度量，以及其中，数字生物标志物数据包括所计算的首次观察到的受试者运动的tod的统计变化性的度量。
104.12.根据方面11所述的计算机实现方法，其中，统计变化性的度量是四分位间距。
105.13.根据方面7至11中任一项所述的计算机实现方法，其中，处理被动获得的数据包括计算在观察期期间最后观察到的受试者运动的中值tod，以及其中，数字生物标志物数据包括所计算的最后观察到的受试者运动的中值tod。
106.14.一种用于检测受试者认知衰退的计算机实现方法，该方法包括：接收在多天的观察期内由受试者的至少一个移动设备记录的被动获得的数据，该被动获得的数据包括关于观察到的受试者步幅长度的数据；处理被动获得的数据以生成数字生物标志物数据；分析数字生物标志物数据以确定受试者是否正在经历认知衰退；以及向受试者和另一用户中的至少一个生成关于分析的结果的用户通知。
107.15.根据方面14所述的计算机实现方法，其中，处理被动获得的数据包括计算在观察期期间观察到的受试者步幅长度的统计偏差，以及其中，数字生物标志物数据包括所计算的统计偏差。
108.16.一种用于检测受试者认知衰退的计算机实现方法，该方法包括：接收在多天的观察期内由受试者的至少一个移动设备记录的被动获得的数据，该被动获得的数据包括关于在观察期期间的锻炼次数的数据；分析被动获得的数据以确定受试者是否正在经历认知衰退；以及向受试者和另一用户中的至少一个生成关于分析的结果的用户通知。
109.17.一种用于检测受试者认知衰退的计算机实现方法，该方法包括：接收在多天的观察期内由受试者的至少一个移动设备记录的被动获得的数据，该被动获得的数据包括关于受试者在至少一个移动设备上观看用于报时的移动时钟应用的次数的数据，其中，受试者每次观看移动时钟应用与观看持续时间相关联；处理被动获得的数据以生成数字生物标志物数据；分析被动获得的数据以确定受试者是否正在经历认知衰退；以及向受试者和另一用户中的至少一个生成关于分析的结果的用户通知。
110.18.根据方面17所述的计算机实现方法，其中，处理被动获得的数据包括计算大于或等于与受试者在观察期间每次观看移动时钟应用相关联的观看持续时间的目标百分比的观看持续时间，以及其中，数字生物标志物数据包括所计算的观看持续时间。
111.19.根据方面18所述的计算机实现方法，其中，目标百分比在90％和100％之间。
112.20.根据方面18至19中任一项所述的计算机实现方法，其中，目标百分比在93％和97％之间。
113.21.根据方面18至20中任一项所述的计算机实现方法，其中，目标百分比是95％。
114.22.根据方面17至21中任一项所述的计算机实现方法，其中，处理被动获得的数据包括计算与受试者在观察期期间每次观看移动时钟应用相关联的观看持续时间的统计变化性的度量，以及其中，数字生物标志物数据包括所计算的观看持续时间的统计变化性的度量。
115.23.根据方面22所述的计算机实现方法，其中，统计变化性的度量是四分位间距。
116.24.根据方面17至23中任一项所述的计算机实现方法，其中，处理被动获得的数据包括将与受试者在观察期期间观看移动时钟应用的所有时间相关联的所有观看持续时间求和以生成总观看持续时间，以及其中，数字生物标志物数据包括总观看持续时间。
117.25.根据方面17至24中任一项所述的计算机实现方法，其中，处理被动获得的数据包括对于观察期中的每个相应的一天计算等于与受试者在相应一天期间观看移动时钟应用的所有次数相关联的所有观看持续时间的总和的总的每日观看持续时间，并且计算所计算的总的每日观看持续时间的统计变化性的度量，以及其中，数字生物标志物数据包括所计算的对于所计算的总的每日观看持续时间的统计变化性的度量。
118.26.根据方面25所述的计算机实现方法，其中，统计变化性的度量是四分位间距。
119.27.一种用于检测受试者认知衰退的计算机实现方法，该方法包括：接收在多天的观察期内由受试者的至少一个移动设备记录的被动获得的数据，该被动获得的数据包括表征用户在编写由通信设备发送的传出消息时打字的方式的数据；处理被动获得的数据以生成数字生物标志物数据；分析数字生物标志物数据以确定受试者是否正在经历认知衰退；以及向受试者和另一用户中的至少一个生成关于分析的结果的用户通知。
120.28.根据方面27所述的计算机实现方法，其中，处理被动获得的数据包括计算不包括停顿的打字速度，以及其中，数字生物标志物数据包括所计算的打字速度。
121.29.根据方面27至28中任一项的计算机实现方法，其中，处理被动获得的数据包括计算每个句子的平均词数，以及其中，数字生物标志物数据包括所计算的平均词数。
122.30.一种用于检测受试者认知衰退的计算机实现方法，该方法包括：接收在多天的观察期内由受试者的至少一个移动设备记录的一个或多个用户活动的被动获得的时间序列数据；使用频率分析处理被动获得的时间序列数据以将时序数据转换为频率功率谱；计算在第一频率阈值和第二频率阈值之间的频率功率谱中的频谱能量的量；基于所计算的频谱能量的量生成数字生物标志物数据；分析数字生物标志物数据以确定受试者是否正在经历认知衰退；以及向受试者和另一用户中的至少一个生成关于分析的结果的用户通知。
123.31.根据方面30所述的计算机实现方法，其中，第一频率阈值小于1/(24小时)并且第二频率阈值大于1/(24小时)。
124.32.根据方面30至31中任一项所述的计算机实现方法，其中，第一频率大于或等于1/(25小时)并且第二频率阈值小于或等于1/(23小时)。
125.33.根据方面30至32中任一项所述的计算机实现方法，其中，第一频率大于或等于1/(24小时30分钟)并且第二频率阈值小于或等于1/(23小时30分钟)。
126.34.根据方面30至33中任一项所述的计算机实现方法，其中，数字生物标志物数据包括(i)所计算的在第一频率阈值和第二频率阈值之间的频率功率谱的频谱能量的量和(ii)频率功率谱中所有其它频率处的频谱能量的量。
127.35.根据方面30至34中任一项所述的计算机实现方法，其中，一个或多个用户活动包括电话呼叫、传出消息、传入消息、移动设备解锁、与移动应用的交互、心率、站立动作、步行、运动、移动设备解锁时的运动以及移动设备锁定时的运动。
128.36.根据方面1至35中任一项所述的计算机实现方法，其中，受试者的至少一个移动设备包括智能手表和智能电话中的至少一个。
129.37.根据方面1至36中任一项所述的计算机实现方法，其中，认知衰退至少部分由
阿尔茨海默病引起。
130.38.根据方面1至37中任一项的计算机实现方法，其中，使用卷积神经网络来实现数字生物标志物数据的分析以确定受试者是否正在经历认知衰退。
131.39.根据方面1至38中任一项所述的计算机实现方法，其中，使用一个或多个决策树来实现数字生物标志物数据的分析以确定受试者是否正在经历认知衰退。
132.40.根据方面1至39中任一项所述的计算机实现方法，其中，被动获得的数据至少包括第一类别的数据和第二类别的数据，其中，以第一数据收集频率记录第一类别的数据，并且以与第一数据收集频率不同的第二数据收集频率记录第二类别的数据。
133.41.一种用于检测认知衰退的处理设备，该处理设备包括：一个或多个处理器；以及包括指令的存储器，该指令当被执行时，使一个或多个处理器执行方面1至40中任一项所述的方法。
134.42.一种存储计算机可执行指令的非暂态计算机可读存储介质，该计算机可执行指令当由一个或多个处理器执行时被配置为使一个或多个处理器执行根据方面1至40中任一项所述的方法。