The growing numbers of people suffering from Alzheimer’s and other dementia related diseases are expected to accelerate, and the cost for these diseases in Swedish healthcare is high. There are many ongoing research projects in the dementia diagnostics field which aim to detect cognitive impairment at an earlier stage, which would result in reduced costs in healthcare and improved life quality for sufferers. This work aims to investigate if it is possible to classify cognitive impairment based on a person’s eye movements. More specifically, it will explore the possibility of automating an established picture description task that is widely used in traditional dementia diagnostics. In order to do this, eye tracking data was collected during numerous conductions of this task. The eye tracking data was then parsed in to eye movement features and Binary Logistic Regression was used to classify these eye movements. The results showed that the average accuracy of the classification reached 73%. The results did not confirm that eye tracking technique can be used to automate neuropsychological test with an accuracy high enough, but to use a machine learning approach for detecting deviances in eye movement patterns appears to be a promising approach. Furthermore, this work analyzes the possibilities for practically implementing eye tracking techniques in Swedish healthcare in order to detect cognitive impairment at an earlier stage. Provided that an eye tracker can detect cognitive impairment with an accuracy equal to or higher than a medical professional can maintain, the study argues that automated neuropsychological tests at health clinics could be the key to detect cognitive impairment at an earlier stage. / Antalet personer som lider av alzeimers och andra demensrelaterade sjukdomar förväntar att öka med accelerande fart och kostnaden for dessa sjukdomar för svensk sjukvård är hög. Det finns idag många pågående forskningsprojekt inom demensdiagnostik där man analyserar personers ögonrörelser för att kunna detektera kognitiva svårighetet i tidigt stadie. Forskningen görs för att minska på kostnaden och öka livskvaliten för de som insjuknar. Detta arbete syftar till att undersöka om det går att använda maskininlärning för att klassificera kognitiv svårighet baserat på en persons ögonrörelser. Mer konkret vill man undersöka om en automatisering av en etablerad bildbeskrivningsuppgift, som idag används flitigt inom demensdiagnotistik. Det har äarför samlats in data som representerar personers ögonrörelser under tider de utför olika demenstester. Med hjälp av datan har man sedan tagit fram olika synfunktioner och använt binär och logistisk regression för att klassifisera dessa ögonrörelser. Det genomsnittliga resultatet visade att modellen klassificerade rätt i 73% av fallen. Detta resultat kan inte bekräfta att denna teknik kan användas för att automatisera neuropsykologiskt tester med tillräckligt hög noggrannhet. Daremot ser det lovande ut att kunna ända maskininlärning för att detektera avvikelser i ögonrörelser, hos personer som lider av kognitiva svårigheter. Vidare analyseras också möjligheten att praktiskt implementera tekniken där man analysera ögonrörelser i svensk sjukvård. Resultatet visar att om det är m jligt att utforma en modell som diagnotiserar bättre än vad en professionell läkare gör, så går det att argumentera for att automatiska, neuropsykiska tester skulle kunna vara en nyckel för att detektera kognitiva svårigheter i tidigt stadie.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-281325 |
| Date | January 2020 |
| Creators | Andersson, Mimmi, von Sydow Yllenius, Louise |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2020:513 |
Page generated in 0.0028 seconds