From fingers to brain: virtual reality-based test capturing fine hand movements predicts cognitive function in older adults
Notice bibliographique
Résumé
Background and Objectives: Early detection of mild cognitive impairment (MCI) is vital for managing cognitive decline in older adults. Hand movements are closely linked to cognitive function, prompting this study to develop a virtual reality (VR)-based wearable system to capture detailed hand movements. The main goal was to assess the system's potential in predicting cognitive health and aiding MCI diagnosis. Research Design and Methods: The study involved 607 participants aged 60-84 (mean age 67.41 ± 4.71 years). Each completed four VR tasks while wearing the system, which recorded fine hand movement data. Cognitive function was assessed using the Beijing version of the Montreal Cognitive Assessment (MoCA-BJ). Statistical analyses were conducted to correlate hand movement metrics with cognitive performance. Results: Participants with cognitive impairments performed worse on VR-based fine motor tasks. Metrics from tests like the Pegboard, Block Placement-Flipping, and Tapping Tests were predictive of cognitive abilities. Indicators related to finer movements and non-dominant (left) hand use showed superior predictive power, achieving an AUC of 0.687 for predicting MCI, comparable to machine learning models such as Random Forest (0.762) and SVM (0.644). Discussion and Implications: Hand movement data can provide valuable insights into cognitive function in older adults, highlighting the importance of fine motor skills in early MCI detection. This VR-based system could serve as a useful clinical tool for assessing cognitive health and supporting MCI diagnosis, enabling timely intervention strategies for cognitive decline.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,003 | 0,001 |
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 ».