v2.2 · task-centric (VBVR-aligned) · calibrated by real distributions

AD 多模态合成
患者数据生成器

Calibrated by real distributions from 8 OpenNeuro datasets (n=672+) — 3 主校准 (MMSE/MoCA, n=297) + 5 扩展校准 (APOE / 差异诊断 / 老化对照, n=375). 生成 30 天纵向 sensor / EMA / 量表 / 临床 note / BPSD 事件 — 跨模态一致, 分布对齐真实老年与 AD 队列. v2.2 引入 任务为中心 输出结构 (10 patients × 4 tasks × 30 days).

10 patients
虚拟 AD 患者
4 tasks
VBVR-style 任务数
30 days
纵向轨迹长度
8 datasets
OpenNeuro 校准源 (n=672+)
System Architecture

三源校准, 一体生成, 任务为中心

生成器 v2.2 把三类信号融合: 真实健康可穿戴 baseline + 公开 AD/老年队列分布 + 临床专家知识. 所有合成轨迹共享同一进展度变量, 保证跨模态自洽; 输出同时按 patient 与按 task 双重组织, 方便下游 Analyzer/Agent 训练.

真实健康 baseline 4 受试者 × 12 任务 (PPG / IMU / EDA)
OpenNeuro 公开数据集 8 个数据集 (3 主 + 5 扩展), n=672+ 真实分布
临床专家知识 李医生访谈 + 35 KB 文献规则库
→
生成器 v2.2
progression × persona × cross-modal coupling × per-task
→
by_patient (个体纵向) data/synthetic/by_patient/PXX/sensor/dayXX_TASK.csv
by_task (VBVR-style 任务为中心) data/synthetic/by_task/TASK/PXX_dayXX.csv
EMA + 量表 + Notes + BPSD 900 EMA · 50 surveys · 10 notes · 4 episodes
Key Features

为什么不是又一个噪声生成器

每个模态都被同一进展度变量驱动, 量表落点与真实分布在 KS 检验下不可区分, 行为事件按文献先验注入, 输出同时按 patient 与 task 双轴组织.

◎

真实分布对标

MMSE 三组分布 (ctrl 29.69 / mci 22.86 / ad 17.75) 与 MoCA 老年分布 (μ=27.45) 校准合成量表落点.

↔

跨模态耦合

同一 progression 同步驱动 sensor 退化系数 / EMA 情绪 / 量表分数 / note 模板.

⚠

BPSD 事件注入

90% 患病率 wandering / agitation 事件按 progression-conditional 概率插入, 影响当日 EMA 与心率.

𝓕

认知储备机制

edu 16y → reserve 0.65 (强, 掩盖症状); edu 6y → reserve 1.15 (弱, 显症提前) — Stern 2002.

☷

任务为中心 (Task-Centric)

VBVR-aligned 输出: 4 个任务 × 10 患者 × 30 天独立 CSV. 每个任务可独立训练 Analyzer / Agent, 与 M-002 / M-003 pipeline 结构一致.

Calibration Preview

合成数据 ↔ 真实分布

举例: 三组真实 MMSE 分布 (n=112) 重叠正态曲线. 完整对比与所有数据来源在 Data Sources 页.

MMSE 真实分布对照 — ctrl / mci / ad (n=112)ds004504 + ds007427
↦

Data Sources

查看 8 个 OpenNeuro 数据集与真实分布可视化 (3 主 + 5 扩展, 全部已下载).
↦

Method

4 层嵌套生成结构, 5 种 progression 模式, 退化系数表, 第 5 模态语音说明.
↦

Tasks (VBVR-style)

4 个任务 × 10 患者 × 30 天的任务为中心数据网格.
↦

Patient Gallery

10 名虚拟患者的纵向轨迹 — 量表 / EMA / BPSD / note.