The Feasibility of Longitudinal Upper Extremity Motor Function Assessment Using EEG
Notice bibliographique
Résumé
Motor function assessment is crucial in quantifying motor recovery following stroke. In the rehabilitation field, motor function is usually assessed using questionnaire-based assessments, which are not completely objective and require prior training for the examiners. Some research groups have reported that electroencephalography (EEG) data have the potential to be a good indicator of motor function. However, those motor function scores based on EEG data were not evaluated in a longitudinal paradigm. The ability of the motor function scores from EEG data to track the motor function changes in long-term clinical applications is still unclear. In order to investigate the feasibility of using EEG to score motor function in a longitudinal paradigm, a convolutional neural network (CNN) EEG model and a residual neural network (ResNet) EEG model were previously generated to translate EEG data into motor function scores. To validate applications in monitoring rehabilitation following stroke, the pre-established models were evaluated using an initial small sample of individuals in an active 14-week rehabilitation program. Longitudinal performances of CNN and ResNet were evaluated through comparison with standard Fugl-Meyer Assessment (FMA) scores of upper extremity collected in the assessment sessions. The results showed good accuracy and robustness with both proposed networks (average difference: 1.22 points for CNN, 1.03 points for ResNet), providing preliminary evidence for the proposed method in objective evaluation of motor function of upper extremity in long-term clinical applications.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».