用于老年人认知援助的基于语言的数字孪生

数字孪生已成为个性化医疗保健的一个有前途的范例，可以对个人行为和健康轨迹进行建模。在认知健康方面，轻度认知障碍（MCI）的早期检测仍然具有挑战性，其中语言和对话模式可以作为非侵入性生物标志物。在这项工作中，我们提出了一种基于语言的数字孪生框架，该框架利用 大语言模型 (LLM) 通过结合风格提示和上下文元数据来模仿老年人的对话行为。为了评估保真度和认知一致性，我们引入了多头条件变分自动编码器（cVAE），它联合测量重建质量并预测认知得分。 I-CONECT 数据集上的实验表明，数字孪生保留了特定于身份的特征，并实现了与真实数据相当的重建和 MoCA 预测误差，同时优于 GPT 生成的基线响应。这些结果凸显了基于语言的数字孪生作为一种可扩展、非侵入性的个性化和持续认知健康监测方法的潜力。