基于fNIRS与机器学习构建认知储备评估模型：在认知衰弱老年人群中的应用研究

本研究针对当前认知储备评估缺乏神经生物学特异性的问题，来自某研究团队开展了基于功能性近红外光谱（fNIRS）的机器学习模型研究，旨在对认知衰弱老年人的认知储备水平进行分类。结果显示，结合Stroop、0-back和1-back任务中显著激活通道的β值所构建的支持向量机模型性能最佳（AUC=0.829），为早期风险分层和精准干预提供了便携、可扩展的实时策略。

认知储备能够缓解与衰老相关的认知衰退和身体衰弱，然而目前的评估方法缺乏神经生物学层面的特异性。为此，研究人员致力于开发一种非侵入性的、基于功能性近红外光谱（functional near-infrared spectroscopy, fNIRS）的机器学习模型，用以对患有认知衰弱的老年人群的认知储备水平进行分类。

研究招募了71名社区居住的老年人，他们分别接受了静息态和任务态（斯特鲁普任务、n-back任务）的fNIRS脑功能扫描。研究人员从采集的数据中提取了图论（graph theory）指标以及任务相关的β值。随后，研究团队使用支持向量机（support vector machine）分类器进行建模，将数据集的70%用于训练模型，剩余的30%用于测试模型性能。

研究结果发现，那些整合了斯特鲁普任务、0-back任务和1-back任务中显著激活通道的β值所构建的模型，取得了最佳的分类性能，其准确度达到0.727，召回率为0.857，曲线下面积（area under the curve, AUC）高达0.829。相比之下，仅使用静息态特征构建的模型性能较低（AUC=0.714），而将静息态特征与任务态特征相结合后，模型性能得到了适度提升（AUC=0.790）。

这项研究表明，基于fNIRS的机器学习建模能够实现对认知衰弱老年人认知储备水平的客观分类。该方法提供了一种便携、可扩展且能实时操作的策略，有助于早期风险分层，并有望在临床和社区场景中为实施精准干预措施提供支持。