Language-Based Digital Twins for Elderly Cognitive Assistance

📄 arXiv: 2606.27334v1 📥 PDF

作者: Mohammad Mehdi Hosseini, Mohammad H. Mahoor, Hiroko H. Dodge

分类: cs.AI

发布日期: 2026-06-25

备注: Accepted and published in the Proceedings of the ACM International Conference on PErvasive Technologies Related to Assistive Environments (PETRA 2026). The final published version is available through the ACM Digital Library

💡 一句话要点

提出基于语言的数字双胞胎以解决老年人认知健康监测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 数字双胞胎 认知健康 语言模型 非侵入性监测 个性化医疗 多头自编码器 轻度认知障碍

📋 核心要点

  1. 现有方法在轻度认知障碍的早期检测中面临挑战，传统生物标志物往往侵入性强且难以获取。
  2. 本文提出的数字双胞胎框架利用大型语言模型模拟老年人的对话行为，结合风格特征和上下文信息，以实现个性化监测。
  3. 实验结果显示，该方法在重建质量和认知评分预测上表现优异，且与真实数据相当，超越了基线模型的表现。

📝 摘要（中文）

数字双胞胎作为个性化医疗的新兴范式，能够模拟个体行为和健康轨迹。在认知健康领域，轻度认知障碍（MCI）的早期检测仍然具有挑战性，而语言和对话模式可作为非侵入性生物标志物。本文提出了一种基于语言的数字双胞胎框架，利用大型语言模型（LLMs）模拟老年人的对话行为，结合风格特征和上下文元数据。为了评估其保真度和认知一致性，我们引入了一种多头条件变分自编码器（cVAE），共同测量重建质量并预测认知评分。在I-CONECT数据集上的实验表明，该数字双胞胎能够保留特定身份的特征，其重建和MoCA预测误差与真实数据相当，同时优于基线GPT生成的响应。这些结果突显了基于语言的数字双胞胎作为个性化和持续认知健康监测的可扩展和非侵入性方法的潜力。

🔬 方法详解

问题定义：本文旨在解决轻度认知障碍（MCI）早期检测的难题，现有方法往往依赖于侵入性生物标志物，缺乏有效的非侵入性手段。

核心思路：提出基于语言的数字双胞胎框架，通过模拟老年人的对话行为，利用语言特征作为认知健康的指标，从而实现个性化的监测。

技术框架：整体架构包括数据收集、语言模型训练、特征提取和多头条件变分自编码器（cVAE）模块，后者用于评估重建质量和预测认知评分。

关键创新：引入多头条件变分自编码器（cVAE），能够同时处理重建质量和认知评分预测，提升了模型的综合性能，与传统方法相比具有显著优势。

关键设计：在模型设计中，采用了特定的损失函数以平衡重建误差和认知评分预测，网络结构上结合了多头注意力机制以增强特征提取能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，提出的数字双胞胎在重建和MoCA预测误差上与真实数据相当，且显著优于基线GPT生成的响应，展示了其在认知健康监测中的有效性和潜力。

🎯 应用场景

该研究的潜在应用领域包括老年人认知健康监测、个性化医疗和智能助老系统。通过非侵入性的方法，能够为老年人提供持续的认知状态评估，帮助医疗人员及时干预，提升老年人的生活质量。未来，该技术有望在更广泛的健康监测和智能家居环境中得到应用。

📄 摘要（原文）

Digital twins have emerged as a promising paradigm for personalized healthcare, enabling modeling of individual behavior and health trajectories. In cognitive health, early detection of Mild Cognitive Impairment (MCI) remains challenging, where language and conversational patterns serve as non-invasive biomarkers. In this work, we propose a language-based digital twin framework that leverages large language models (LLMs) to mimic the conversational behavior of elderly individuals by incorporating stylometric cues and contextual metadata. To evaluate fidelity and cognitive consistency, we introduce a multi-head conditional variational autoencoder (cVAE) that jointly measures reconstruction quality and predicts cognitive scores. Experiments on the I-CONECT dataset show that the digital twin preserves identity-specific characteristics and achieves reconstruction and MoCA prediction errors comparable to real data, while outperforming baseline GPT-generated responses. These results highlight the potential of language-based digital twins as a scalable and non-invasive approach for personalized and continuous cognitive health monitoring.