Notice bibliographique
Résumé
Dementia and Mild Cognitive Impairment (MCI) are significant health issues that are a rising cost to society.They are monitored with cognitive tests during clinical appointments that are limited by the healthcare system capacity and patient's ability/willingness to attend.Current cognitive tests use behavioural measures and not direct measures of underlying cellular change.This causes delay in identification through a patient's ability to compensate (reminder notes) to mask symptoms.This work presents measurement methods for cognition between clinical appointments using an integrated approach for episodic cognition assessment.Methods assess the patient during Instrumental Activities of Daily Living (IADL) within an episodic measurement framework.Electroencephalogram (EEG) / Event Related Potential (ERP) methods are presented as an emerging alternative means to detect changes in the brain.Recent consumer EEG devices make at home use a future possibility.ERP features for healthy and MCI volunteers are defined, analyzed and machine learning identified two features to distinguish the two cases with 1 False Positive and 1 False Negative error in a group of 32 subjects.The measurement of two IADLs is presented: Computer game play and Driving.Two games were developed and piloted with MCI volunteers showing they could indicate cognitive change.The work presents game design needs including hint and measurement subsystems.Driving is a complex task that combines executive cognitive tasks (navigation) with over-learned cognitive tasks (turn signal use).The work presents measures of driving behavior creating a driver unique signature.Machine learning techniques show that the features will allow two drivers of a shared vehicle to be distinguished from each other with an error rate as low as 1.5%.Navigational performance measures are presented for driver trip planning to indicate executive function supervisors
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».