Improving Synchronization of Eye Fixation and Saccade Measurements with Speech Recognition for Cognitive Assessment
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
The escalating prevalence of cognitive disorders, notably Alzheimer's disease (AD), necessitates the development of accessible and cost-effective diagnostic tools for early detection. Changes in both eye movements and speech patterns have been associated with cognitive decline, and combining eye-tracking and speech analysis technologies may have advantages in detecting cognitive decline. While traditional lab-grade eye tracking systems are effective, their widespread adoption is hindered by cost and accessibility. Recent advancements have explored the feasibility of low-cost webcam-based systems, yet challenges persist in accurately classifying eye movements due to noise and lower precision. Our study evaluates a proposed system for cognitive assessment that combines fixation and saccade measurements from webcam-based eye-tracking data with synchronized speech data obtained during cognitive tasks. We extend a previously proposed algorithm to seamlessly combine synchronized eye tracking and speech data streams for comprehensive analysis. The presented results demonstrate promising accuracy for the proposed methods in identifying fixations, saccades, and oral identification respective speech, with minor variations compared to manual annotations. Specifically, the comparison between predicted and actual onset times for fixations and saccades reveals minimal discrepancies, suggesting the algorithm has needed performance. Moreover, the assessment of oral identification onset relative to fixations provides valuable insights into cognitive processing and response times for subject to name the object that they have just fixated on. Our study contributes to advancing AD research and offers potential for developing innovative diagnostic tools.
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 | 0,000 |
| 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) | 0,001 | 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