Virtual Reality and EEG-Based Intelligent Agent in Older Adults With Subjective Cognitive Decline: A Feasibility Study for Effects on Emotion and Cognition
Notice bibliographique
Résumé
Objectives: Immersive virtual reality has tremendous potential to improve cognition in populations with cognitive impairment. We conducted a feasibility and proof-of-concept study to assess the potential of virtual reality and electroencephalography, with or without an intelligent agent, that adapts the presented material to the emotions elicited by the environment. Method: Older adults with subjective cognitive decline recruited from the community received a virtual reality-based intervention taking place in one of two virtual environments, a train (Part 1, N = 19) or a music theatre, complemented by the intelligent agent (Part 2, N = 19). A comparative control group (N = 19) receiving no intervention was also included. All participants completed measures of affect and cognition before and after the intervention. The intervention groups completed measures of cybersickness and user experience after the intervention. Results: Participants did not suffer from increased cybersickness following either intervention. They also reported a positive to highly positive user experience concerning the following aspects: attractivity, hedonic quality-identity and hedonic quality-stimulation. The measures of affect showed no pre-post change when comparing either intervention to the control condition. However, a reduction of negative affect was observed following the train intervention for participants with a high self-reported negative affect at baseline. Finally, there was a significant improvement in working memory when comparing either intervention group to the control condition. Conclusion: Our results support the feasibility and tolerability of the technology, and a positive impact on cognition, paving the way for a larger-scale randomized clinical trial to confirm efficacy.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».