Analysis of temporal saccade prediction in Parkinson’s Disease using video-based eye tracking
Notice bibliographique
Résumé
In Parkinson’s Disease, key brain regions involved in generating saccades and producing adaptive anticipatory behaviour are impacted, however the intersection of these deficits is not well characterized. Effective Parkinson’s Disease biomarkers are lacking, and video-based eye tracking provides a low-cost, non-invasive means to quantify eye-movement behaviour and address this knowledge gap. In a preliminary study, we analyzed predictive saccade behaviour in eight Parkinson’s patients (ON and OFF medication) and twenty controls aged 51-80 years. Participants performed a visual metronome task, moving their eyes in synchrony with a visual target jumping at a fixed rate on a computer screen. This was contrasted with a random task where the timing of target jumps was not predictable. Saccades made in anticipation of target appearance were classified as predictive, while those made significantly after were classified as reactive. There were no significant differences in saccadic metrics (i.e., reaction time, peak velocity, and amplitude) between groups. Parkinson’s Disease’s impact on saccade reaction time and predictive saccade generation was subtle, however these patients generated multi-stepping, hypometric saccades with reduced velocity compared to controls. The effects of dopaminergic medication on saccade metrics were inconsistent, with some improvement of saccade amplitude. Weak to moderate correlations were obtained between saccade metrics and disease severity and duration. This pilot study contributes to the understanding of saccade performance in evaluating the neural underpinnings of motor impairments in Parkinson’s Disease. Further investigation with more participant recruitment will be necessary to identify which saccade features are sensitive and specific to Parkinson’s Disease.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 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 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 ».