Stepping Beyond Behaviour: Explainable Machine Learning for Clinical Neurophysiological Assessment of Concussion Progression
Notice bibliographique
Résumé
The present dissertation details a sequence of studies in mild traumatic brain injury, the progression of its effects on the human brain as recorded by event-related electroencephalography, and potential applications of machine learning algorithms in detecting such effects. The work investigated data collected from two populations (in addition to healthy controls): 1) a recently-concussed adolescent group, and 2) a group of retired football athletes who sustained head trauma a number of years prior to testing. Neurophysiological effects of concussion were assessed across both groups with the same experimental design using a multi-deviant auditory oddball paradigm designed to elicit the P300 and other earlier components. Explainable machine learning models were trained to classify concussed individuals from healthy controls. Cross-validation performance accuracies on the recently-concussed (chapter 4) and retired athletes (chapter 3) were 80% and 85%, respectively. Features showed to be most useful in the two studies were different, motivating a study of potential differences between the different injury-stage/age groups (chapter 5). Results showed event-related functional connectivity to modulate differentially between the two groups compared to healthy controls. Leveraging results from the presented work a theoretical model of mild traumatic brain injury progression was proposed to form a framework for synthesizing hypotheses in future research.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,000 |
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 tête enseignante, 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 ».