CN113951828A - 一种基于视觉工作记忆任务的mci筛查方法及系统 - Google Patents

Abstract

本发明涉及一种基于视觉工作记忆任务的MCI筛查方法，包括：将待分析数据输入到模型中，其中，所述模型为使用多组训练数据进行模型训练得出来的；训练数据中的每一组训练数据均包括已知数据及其对应的诊断结果；所述待分析数据及已知数据皆包括视觉工作记忆任务测量结果；获取所述模型的输出信息，其中，所述输出信息包括所述待分析数据对应的诊断结果；本发明还提供执行该方法的系统，包括：获取模块，用于获取待分析数据；判断模块，用于通过模型分析待分析数据；输出模块，用于输出信息；其优点在于：检查项目简单，利于老年人的常态化检查，能依据检查结果生成较为准确的判断结果的，经济、敏感、能够实现早发现、早诊断，且无害无创。

Description

一种基于视觉工作记忆任务的MCI筛查方法及系统

技术领域

本发明属于智能医疗检测技术领域，具体地说，是一种基于视觉工作记忆任务的MCI筛查方法及系统。

背景技术

轻度认知障碍(Mild Cognitive Impairment，MCI)是介于正常衰老和痴呆之间的一种状态，痴呆转化率高，并且目前没有有效的治疗方法，国内外指南及专家共识指出，早期诊断、早期预防是延缓病情进展的唯一方法，因此MCI阶段是临床干预的关键阶段，而早期发现、早期诊断是首要环节，但是目前对于MCI缺乏客观、简便的早期检测方法。量表评估是目前辅助临床诊断的主要方法，然而全面的量表评估耗时耗力，且不客观，结果易受评估员及患者主观情绪的影响，而一些相对客观的检查，如头颅磁共振显示的海马内侧颞叶萎缩常提示已到疾病中晚期，正电子发射计算机断层显像(PET)及脑脊液检查因具有放射性危害、价格高昂或者有创而受到限制，因此临床上需要更经济、简易、敏感、能够实现早发现、早诊断，且无害无创的筛查诊断方法。

中国专利申请CN111524602A公开了一种老年人记忆及认知功能评估筛查预警系统，该系统包括：获取人体生理测量数据；获取蒙特利尔认知评估量表数据；通过自适应加权法，结合蒙特利尔认知评估量表数据，对人体生理测量数据进行融合；采用遗传算法优化BP神经网络。该发明通过获取老年人蒙特利尔认知评估量表，利用健康一体机采集人体生理测量数据，采用基于神经网络的机器学习方法，对用户记忆与认知功能数据和判定结果进行机器学习训练，优化机器学习策略，实现老年人记忆及认知功能评估筛查预警，可快速实现老年人记忆及认知的自动评估预警能力，不需要专业人工干预，且对轻度认知障碍的早期人员评估结果具有较高的可靠性。显而易见的是，该申请提供的是一套自动化的筛查预警系统，是基于蒙特利尔认知评估量表数据获取的一套预测模型，其中，为提升其准确性，令生理数据与量表数据进行融合，从而修正蒙特利尔认知评估量表的各维度值，以提升预警的精确性，但是其依然结合量表数据、体测生理数据进行判定，首先，量表评估耗时耗力，不客观，易受评估员及患者主观情绪的影响的问题并未得以解决，其次，对人体生理测量数据的获取，同样依赖大量检查；其实际作用是为医生的诊断提供辅助信息，而医生的临床判断也是基于该信息做出的，所以在对患病的可能性上，该年人记忆及认知功能评估筛查预警系统不能为最终的诊断提供多角度、多维度的辅助信息。

中国专利申请CN111488914A公开了一种基于多任务学习的阿尔茨海默症分类及预测系统，该申请涉及阿尔茨海默症分类及预测系统。目的是为了解决现有阿尔茨海默症分类系统不能判断轻度认知障碍个体是否会向阿尔茨海默症转化的问题。图像处理主模块、临床指标处理主模块、神经网络主模块、训练主模块和检测主模块；所述图像处理主模块用于采集头部图像，对采集的头部图像进行预处理，获得预处理后的图像，并将预处理后图像输入训练主模块和检测主模块；所述临床指标处理主模块用于选定临床指标，获取临床指标的特征向量，并将临床指标的特征向量输入训练主模块和检测主模块；所述神经网络主模块用于搭建阿尔茨海默症分类及预测模型。该申请中提到的“多任务学习”同样是在sMRI图像的基础上融合多种数据类型，如人口统计学信息、基因信息等，显而易见的得是，测量指标繁琐，对于轻度认知障碍乃至阿尔茨海默症这种持续时间长，潜移默化的病症，其诊断必定是持续性的，因此，若每次都需要进行如此繁琐的检测，对于老年人患者极不友好，且耗资大，耗时长。

综上所述，亟需一种检查项目简单，利于老年人的常态化检查，能依据检查结果生成较为准确的判断结果的，经济、敏感、能够实现早发现、早诊断，且无害无创的MCI筛查方法及系统。

发明内容

本发明的目的是，提供一种检查项目简单，利于老年人的常态化检查，能依据检查结果生成较为准确的判断结果的，经济、敏感、能够实现早发现、早诊断，且无害无创的MCI筛查方法。

为实现上述目的，本发明采取的技术方案是：

一种基于视觉工作记忆任务的MCI筛查方法，包括：将待分析数据输入到模型中，其中，所述模型为使用多组训练数据进行模型训练出来的；所述训练数据中的每一组训练数据均包括已知数据及其对应的诊断结果；所述待分析数据包括待分析视觉工作记忆任务测量结果，所述已知数据包括已知视觉工作记忆任务测量结果；获取所述模型的输出信息，其中，所述输出信息包括所述待分析数据对应的诊断结果。

作为一种优选的技术方案，所述待分析数据包括待分析基础数据，对应的，所述已知数据包括已知基础数据。

作为一种优选的技术方案，所述基础数据包括年龄和或受教育时间。

作为一种优选的技术方案，所述视觉工作记忆任务测量结果包括行为学数据、眼动特征数据。

作为一种优选的技术方案，所述行为学数据包括行为准确率和或记忆容量；所述眼动特征数据包括注视点个数、平均注视时间、总注视时间和或扫视个数。

作为一种优选的技术方案，所述模型的建立包括：步骤S100：获取训练数据，所述训练数据包括已知数据及其对应的诊断结果；步骤S120，建立模型，其中，所述模型通过对所述训练数据进行逻辑回归模型训练获得。

本发明的另一目的是，提供一种检查项目简单，利于老年人的常态化检查，能依据检查结果生成较为准确的判断结果的，经济、敏感、能够实现早发现、早诊断，且无害无创的MCI筛查系统。

为实现上述目的，本发明采取的技术方案是：

一种基于视觉工作记忆任务的MCI筛查系统，包括：获取模块，用于获取待分析数据，所述待分析数据包括待分析视觉工作记忆任务测量结果；判断模块，用于通过模型分析所述待分析数据，其中，所述模型为使用多组训练数据训练出来的；所述训练数据中的每一组训练数据均包括已知数据及其对应的诊断结果；输出模块，用于输出信息，包括与所述待分析数据相对应的诊断结果；所述基于视觉工作记忆任务的MCI筛查系统用于执行所述的基于视觉工作记忆任务的MCI筛查方法。

作为一种优选的技术方案，还包括：视觉记忆工作任务测试模块，用于输出视觉工作记忆任务测量结果。

作为一种优选的技术方案，所述视觉记忆工作任务测试模块包括：任务指示模块，用于引导视觉工作记忆任务的进行；特征探测模块，用于记录视觉工作记忆任务进行时，被测者的反应特征，所述反应特征即为所述视觉工作记忆任务测量结果。

作为一种优选的技术方案，其特征在于，所述视觉工作记忆任务测量结果包括行为学数据、眼动特征数据，其中，所述行为学数据包括行为准确率和或记忆容量；所述眼动特征数据包括注视点个数、平均注视时间、总注视时间和或扫视个数。

本发明优点在于：

本发明利用瞳孔变化、眼动与大脑功能的密切联系，构建MCI预测模型，提供了一种基于视觉工作记忆任务的MCI筛查方法及系统，可以实现对轻度认知障碍的诊断预测，且其是基于视觉工作记忆任务(VWM)的预测模型，可以在无需生理性的检查情况下，就能对患者可能的患病情况实现相关预测，首先其操作相对简单，仅需在同一场景下，对患者进行引导实验测试即可，且大大降低了检查成本，使潜在患者、已确诊患者能随时、定时复查，没有资金与程序、体力上的抗拒心理；进一步的，本发明所述基于视觉工作记忆任务的MCI筛查方法是基于认知层面的预测模型，其可作为生理层面诊断的辅助，如在预测到具有患病可能，或病情恶化的可能性后，再进行具体的生理层面的检查，如采集脑部组织图像、进行各项生理指标等，以实现从多个维度对病情进行诊断。

附图说明

附图1是本发明一种基于视觉工作记忆任务的MCI筛查方法流程图。

附图2是本发明一种基于视觉工作记忆任务的MCI筛查方法其模型构建流程图。

附图3是本发明一种基于视觉工作记忆任务的MCI筛查系统模块图。

附图4是本发明视觉工作记忆任务测试示意图。

附图5是本发明所述模型特异度和灵敏度示意图

附图6是本发明所述模型所示列线图。

具体实施方式

下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明记载的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

附图中涉及的附图标记和组成部分如下所示：

01.获取模块02.判断模块03.输出模块

04.视觉记忆工作任务

05.任务指示模块06.特征探测模块

测试模块

实施例1

请参见附图1，附图1是本发明一种基于视觉工作记忆任务的MCI筛查方法流程图。一种基于视觉工作记忆任务的MCI筛查方法，至少包括以下步骤S10-S20：

步骤S10：将待分析数据输入到模型中，其中，所述模型为使用多组训练数据训练出来的；所述训练数据中的每一组训练数据均包括已知数据及其对应的诊断结果；所述待分析数据包括待分析视觉工作记忆任务测量结果，所述已知数据包括已知视觉工作记忆任务测量结果。一些优选的实施例中，还包括将基础数据，如性别、年龄、受教育时间等其他影响因子输入到模型中，用于结果的预测。

步骤S20：获取所述模型的输出信息，其中，所述输出信息包括所述待分析数据对应的诊断结果。

本发明提供了一种基于视觉工作记忆任务的MCI筛查方法，该方法通过将待分析数据输入至所述模型中，即可输出与该待分析数据对应的预测结果；如先测得视觉工作记忆任务测量结果，即待分析的视觉工作记忆任务测量结果，该结果包括行为学数据如行为准确率、记忆容量等；该结果还包括眼动特征数据如注视点个数、平均注视时间、总注视时间、扫视个数等；需要说明的是，所述待分析数据的组成，可以是经视觉工作记忆任务测试得出并记载的全部特征数据，又或是从该数据中提取出的某些特定的特征数据，如选取重要性靠前的特征数据作为预测的基础数据，即对预测结果的影响权重靠前的特征数据。

请参见附图2，附图2是本发明一种基于视觉工作记忆任务的MCI筛查方法其模型构建流程图。本发明通过对训练数据进行机器学习即逻辑回归得出所述模型，所述模型的建立至少包括以下步骤S100-S120:

步骤S100：获取训练数据，所述训练数据包括已知数据及其对应的诊断结果。

具体的，所述已知数据包括已知视觉工作记忆任务测量结果；如对已知诊断结果的训练对象进行视觉工作记忆任务训练，得到相应的特征数据：

行为学数据：行为准确率、记忆容量、反应时间；

眼动特征数据：平均瞳孔变化幅度、最大瞳孔变化幅度、最大瞳孔直径、瞳孔达峰时间、注视点个数、平均注视时间、总注视时间、扫视个数、平均扫视幅度、平均扫视速度、最大扫视速度、屏幕总注视时间、总屏幕扫视点个数、目标侧注视比例、目标侧扫视比例；

应理解的是，为使最终获取的模型具有较高的可靠性，可依据实验条件，尽可能的获取特征数据进行模型训练，上述所列特征数据仅为可测数据的一部分，在保证测试精确性的前提下，可获取更多的特征数据提高模型的精确度，或取消无效的特征数据即经验证对预测结果无影响的数据，以节约算力。

在一些优选的实施例中，所述训练数据不仅包括视觉工作记忆任务测量结果，还包括其他影响因子，如一些基础数据：性别、年龄、受教育时间等。

步骤S120，建立模型，其中，所述模型通过对所述训练数据进行模型训练获得。

如上述记载，将获得的训练数据，即采集的大量患MCI的训练对象与正常的不患MCI的训练对象的已知视觉工作记忆任务测量结果、基础数据，将该已知数据及其对应的患病或正常的诊断结果输入至模型中，以获取最终的用于预测MCI患病情况的模型。在一些优选的实施例中还可将训练数据精细到患病程度的高低，相应的，其模型的预测亦会精确到对患病程度高低的预测。

需要说明的是：本发明所述基于视觉工作记忆任务的MCI筛查方法，可以实现对轻度认知障碍的诊断预测，且其是基于视觉工作记忆任务(VWM)的MCI预测模型，可以在无需生理性的检查情况下，就能对患者可能的患病情况实现相关预测，首先其操作相对简单，仅需在同一场景下，对患者进行引导实验测试即可，且大大降低了检查成本，使潜在患者、已确诊患者能随时、定时复查，没有资金与程序、体力上的抗拒心理；进一步的，本发明所述基于视觉工作记忆任务的MCI筛查方法是基于认知层面的预测模型，其可作为生理层面诊断的辅助，如在预测到具有患病可能，或病情恶化的可能性后，再进行具体的生理层面的检查，以实现从多个维度对病情进行诊断。

实施例2

请参见附图3，附图3是本发明一种基于视觉工作记忆任务的MCI筛查系统模块图。一种基于视觉工作记忆任务的MCI筛查系统，用于基于视觉工作记忆任务的MCI筛查方法，包括：

获取模块01，用于获取待分析数据，所述待分析数据包括待分析视觉工作记忆任务测量结果；

在一些优选的实施例中，所述获取模块还可以包括性别、年龄、受教育时间在内对预测结果有影响的基础数据。其视觉工作记忆任务测量结果的获得，可在评估员的引导下采用基于红外光识别瞳孔的眼动仪采集被试者瞳孔和眼动特征，同时记录行为学数据等。

判断模块02，用于通过模型分析所述待分析数据，其中，所述模型为使用多组训练数据训练出来的；所述训练数据中的每一组训练数据均包括已知数据及其对应的诊断结果；

所述判断模块根据所述获取模块获得的信息，通过预测模型的计算以得到最终的预测结果。

输出模块03，用于输出信息，包括与所述待分析数据相对应的诊断结果；

所述输出模块将所述判断模块得到的预测结果即与所述待分析数据相对应的诊断结果展示于显示器上。

在一些优选的实施方式中，还包括：视觉记忆工作任务测试模块04，用于输出视觉工作记忆任务测量结果；其中，所述视觉记忆工作任务测试模块包括：

任务指示模块05，用于引导视觉工作记忆任务的进行；如利用电脑等屏显装置显示相关引导信息，如特定的记忆负荷的组合，同时提供对引导时间、负荷位置关系、形状等的控制；

特征探测模块06，用于记录视觉工作记忆任务进行时，被测者的反应特征，所述反应特征即为所述视觉工作记忆任务测量结果。如利用基于红外光识别瞳孔的眼动仪采集被试者瞳孔和眼动特征等。

需要说明的是，所述基于视觉工作记忆任务的MCI筛查系统执行所述基于视觉工作记忆任务的MCI筛查方法，其评估方法简易：视觉工作记忆(VWM)任务是半自动化评估方法，评估员在任务开始前对被试者进行解说，被试理解后即可自行完成任务，评估员负担较轻；眼动采集可靠、无创：采用基于红外光识别瞳孔的眼动仪采集被试者瞳孔和眼动特征，被试者无需佩戴复杂装置，采集过程无创、舒适无感；任务难易适中，被试认可度高，依从性好；眼动特征数据分析技术成熟：本发明中采用的眼动特征分类方法技术成熟。

实施例3

本实施例将就视觉工作记忆任务的测试方法进行举例说明：

请参见附图4，附图4是本发明视觉工作记忆任务测试示意图。患者即被测对象坐在电脑前，眼睛距离屏幕约60-70cm，指导患者尽量维持固定姿势而不要大幅度活动身体和头部。眼动数据通过眼动仪如Tobii X120进行记录，瞳孔采样率为40HZ，眼球位置采样率为120HZ，眼动仪固定于电脑屏幕下方。眼动仪可以直接记录双眼瞳孔直径和双眼在屏幕上相对应的位置(x，y坐标)。采用双侧瞳孔直径的均值进行分析，对注视的定义是注视停留时间大于60ms，且每一个记录点与平均点的直线距离小于3倍平均距离的标准差，扫视定义为眼球运动速度大于20°/s，停留时间小于60ms。

采用改进的“变化-检测”VWM范式。实验包含低记忆负荷(2T)、记忆干扰(2T2D)、高记忆负荷(4T)三种探测序列，分别用来探索被试在不同负荷下的VWM能力及抗干扰能力。每个任务包含2个block，每个block包含50个试次，共300个试次。“2T”任务中，刺激内容为2个正方形色块，“2T2D”任务中，刺激内容为2个长方形色块和2个正方形色块，其中2个长方形色块为干扰物；“4T”任务中，刺激内容为4个正方形色块。实验前我们会将实验流程对患者进行解说，并让患者进行练习，直到患者理解为止。开始记录前首先会进行眼动仪校正。首先，实验开始后灰色的屏幕会呈现2秒的空白，接着屏幕正中间呈现一个注视点和一个向左或向右的箭头，被试需要记住箭头的方向，代表患者接下来需要记住箭头指向侧的记忆序列，200ms后箭头消失，注视点继续呈现300ms，接着呈现记忆序列(记忆编码阶段)，以屏幕正中间注视点为中心，左右两侧都有相同数量不同颜色的色块(2个或4个)，患者需要记住箭头指向侧正方形色块的颜色。500ms后记忆序列消失，注视点继续呈现900ms(记忆维持阶段)，最后出现探测序列(记忆提取阶段)，在注视点两侧出现与记忆序列相同数量的色块，患者需要判断探测序列中箭头指向侧正方形色块与记忆序列相同数量的色块，患者需要判断探测序列中箭头指向侧正方形色块的颜色相较记忆序列是否发生变化，变化按手柄右键，不变按手柄左键。

需要说明的是：经本实施例视觉工作记忆任务的测试方法可以获取下述参数：

行为学数据计算：计算每个患者在每个任务中的准确率、记忆容量、反应时间3个指标来评估被试者的VWM功能。其中，准确率即表示正确数/总数，记忆容量即表示(击中率-虚报率)*记忆个数/(1-虚报率)(击中率即变化时的汇报正确率，虚报率即不变时的汇报错误率)；反应时间则为探测序列出现的时间与按键的时间之差。

眼动特征数据提取：瞳孔及眼动数据提取采用matlab软件EyeMMV工具包进行。分别提取所有患者实验前阶段(2s)、箭头提示阶段(200ms)、注视阶段(300ms)、记忆编码阶段(500ms)、记忆维持阶段(900ms)、记忆提取阶段的平均瞳孔直径和最大瞳孔直径，通过将后面5个阶段的平均瞳孔直径减去基线瞳孔直径计算平均瞳孔变化幅度，将最大瞳孔直径减去基线瞳孔直径计算最大瞳孔变化幅度，将达到最大瞳孔直径的时间减去每一阶段开始的时间计算瞳孔达峰时间。并提取各个阶段的注视点个数、平均注视时间、总注视时间、扫视个数、平均扫视幅度、平均扫视速度、最大扫视速度7个眼动指标及编码、维持、提取阶段屏幕中线左右两侧屏幕的总注视时间及扫视点个数，根据箭头方向，分为目标侧(箭头指向侧)和非目标侧(箭头指向的对侧)，并分别计算目标侧注视比例及扫视比例，注视比例为目标侧注视时间/整个屏幕的注视时间，扫视比例为目标侧扫视个数/整个屏幕的扫视个数。即可利用上述参数进行模型的建立与患病的预测。

具体的，在本实施例的测试方法基础上，采用逻辑回归和梯度上升决策树进行特征重要性分析，且分别选取重要性靠前的6个特征并建立临床预测模型，逻辑回归模型分类效果更优，其重要性靠前的6个特征为受教育时间、2T任务记忆容量、4T任务准确率、4T任务记忆容量、4T任务注视阶段瞳孔达峰时间、2T2D任务注视阶段最大瞳孔变化幅度；该模型区分MCI和认知正常老年人的特异度和灵敏度分别达0.870，0.733，如图5所示为本发明所述模型特异度和灵敏度示意图；而对逻辑回归模型进行可视化，可绘制如图6所示列线图，附图6为本发明所示列线图，其中，4T任务注视阶段瞳孔达峰时间(ms)：大于152ms赋值为1，小于等于152ms赋值为0，2T2D任务注视阶段最大瞳孔变化幅度(mm)：大于0.15mm赋值为1，小于等于0.15mm赋值为0；根据临床、行为学及眼动特征各自的得分计算患MCI概率。与现有的评估方法相比，根据被试受教育时间、2T任务记忆容量、4T任务准确率、4T任务记忆容量、4T任务注视阶段瞳孔达峰时间、2T2D任务注视阶段最大瞳孔变化幅度即可计算被试患MCI的概率，其眼动数据采集无创、经济，且具有可靠的理论基础。本发明采用的实验范式更能早期反应MCI患者的工作记忆缺陷，从而达到早期识别MCI的效果。评估过程为半自动化，减轻了评估员的负担；被试对评估方法的认可度、配合度高。

应注意的是：本实施例所列为视觉工作记忆任务测试手段，而本申请视觉工作记忆任务测量结果的获取并不特定依赖于该测试方法，如其记忆负荷可调整，检测标准亦可根据实际情况进行改进等等。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明原理的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。

Claims (10)

1.一种基于视觉工作记忆任务的MCI筛查方法，其特征在于，包括：

将待分析数据输入到模型中，其中，所述模型为使用多组训练数据进行模型训练获取的；所述训练数据中的每一组训练数据均包括已知数据及其对应的诊断结果；所述待分析数据包括待分析视觉工作记忆任务测量结果，所述已知数据包括已知视觉工作记忆任务测量结果；

获取所述模型的输出信息，其中，所述输出信息包括所述待分析数据对应的诊断结果。

2.根据权利要求1所述的基于视觉工作记忆任务的MCI筛查方法，其特征在于，所述待分析数据包括待分析基础数据，对应的，所述已知数据包括已知基础数据。

3.根据权利要求2所述的基于视觉工作记忆任务的MCI筛查方法，其特征在于，所述基础数据包括年龄和或受教育时间。

4.根据权利要求1所述的基于视觉工作记忆任务的MCI筛查方法，其特征在于，所述视觉工作记忆任务测量结果包括行为学数据、眼动特征数据。

5.根据权利要求4所述的基于视觉工作记忆任务的MCI筛查方法，其特征在于，所述行为学数据包括行为准确率和或记忆容量；所述眼动特征数据包括注视点个数、平均注视时间、总注视时间和或扫视个数。

6.根据权利要求2所述的基于视觉工作记忆任务的MCI筛查方法，其特征在于，所述模型的建立包括：

步骤S100：获取训练数据，所述训练数据包括已知数据及其对应的诊断结果；

步骤S120，建立模型，其中，所述模型通过对所述训练数据进行模型训练获得。

7.一种基于视觉工作记忆任务的MCI筛查系统，其特征在于，包括：

获取模块，用于获取待分析数据，所述待分析数据包括待分析视觉工作记忆任务测量结果；

判断模块，用于通过模型分析所述待分析数据，其中，所述模型为使用多组训练数据训练出来的；所述训练数据中的每一组训练数据均包括已知数据及其对应的诊断结果；

输出模块，用于输出信息，包括与所述待分析数据相对应的诊断结果。

所述基于视觉工作记忆任务的MCI筛查系统用于执行权利1-6任一项所述的基于视觉工作记忆任务的MCI筛查方法。

8.根据权利要求7所述的基于视觉工作记忆任务的MCI筛查系统，其特征在于，还包括：

视觉记忆工作任务测试模块，用于输出视觉工作记忆任务测量结果。

9.根据权利要求8所述的基于视觉工作记忆任务的MCI筛查系统，其特征在于，所述视觉记忆工作任务测试模块包括：

任务指示模块，用于引导视觉工作记忆任务的进行；

特征探测模块，用于记录视觉工作记忆任务进行时，被测者的反应特征，所述反应特征即为所述视觉工作记忆任务测量结果。

10.根据权利要求7-9任一项所述的基于视觉工作记忆任务的MCI筛查系统，其特征在于，所述视觉工作记忆任务测量结果包括行为学数据、眼动特征数据，其中，所述行为学数据包括行为准确率和或记忆容量；所述眼动特征数据包括注视点个数、平均注视时间、总注视时间和或扫视个数。

Images