Classification of Mild Cognitive Impairment Using Functional Near-Infrared Spectroscopy-Derived Biomarkers With Convolutional Neural Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: To date, early detection of mild cognitive impairment (MCI) has mainly depended on paper-based neuropsychological assessments. Recently, biomarkers for MCI detection have gained a lot of attention because of the low sensitivity of neuropsychological assessments. This study proposed the functional near-infrared spectroscopy (fNIRS)-derived data with convolutional neural networks (CNNs) to identify MCI. METHODS: Eighty-two subjects with MCI and 148 healthy controls (HC) performed the 2-back task, and their oxygenated hemoglobin (HbO2) changes in the prefrontal cortex (PFC) were recorded during the task. The CNN model based on fNIRS-derived spatial features with HbO2 slope within time windows was trained to classify MCI. Thereafter, the 5-fold cross-validation approach was used to evaluate the performance of the CNN model. RESULTS: Significant differences in averaged HbO2 values between MCI and HC groups were found, and the CNN model could better discriminate MCI with over 89.57% accuracy than the Korean version of the Montreal Cognitive Assessment (MoCA) (89.57%). Specifically, the CNN model based on HbO2 slope within the time window of 20-60 seconds from the left PFC (96.09%) achieved the highest accuracy. CONCLUSION: These findings suggest that the fNIRS-derived spatial features with CNNs could be a promising way for early detection of MCI as a surrogate for a conventional screening tool and demonstrate the superiority of the fNIRS-derived spatial features with CNNs to the MoCA.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle