A portable and efficient dementia screening tool using eye tracking machine learning and virtual reality
Notice bibliographique
Résumé
Dementia represents a significant global health challenge, with early screening during the preclinical stage being crucial for effective management. Traditional diagnostic biomarkers for Alzheimer's Disease, the most common form of dementia, are limited by cost and invasiveness. Mild cognitive impairment (MCI), a precursor to dementia, is currently identified through neuropsychological tests like the Montreal Cognitive Assessment (MoCA), which are not suitable for large-scale screening. Eye-tracking technology, capturing and quantifying eye movements related to cognitive behavior, has emerged as a promising tool for cognitive assessment. Subtle changes in eye movements could serve as early indicators of MCI. However, the interpretation of eye-tracking data is challenging. This study introduced a dementia screening tool, VR Eye-tracking Cognitive Assessment (VECA), using eye-tracking technology, machine learning, and virtual reality (VR) to offer a non-invasive, efficient alternative capable of large-scale deployment. VECA was conducted with 201 participants from Shenzhen Baoan Chronic Hospital, utilizing eye-tracking data captured via VR headsets to predict MoCA scores and classify cognitive impairment across different educational backgrounds. The support vector regression model employed demonstrated a high correlation (0.9) with MoCA scores, significantly outperforming baseline models. Furthermore, it established optimal cut-off scores for identifying cognitive impairment with notable sensitivity (88.5%) and specificity (83%). This study underscores VECA's potential as a portable, efficient tool for early dementia screening, highlighting the benefits of integrating eye-tracking technology, machine learning, and VR in cognitive health assessments.
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 | 0,001 | 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) | 0,000 | 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 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 ».