Home-Based sensing of the nervous system with clinical neurophysiology technologies: IFCN handbook chapter
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
Background: Home-based neurophysiological monitoring is improving the assessment and management of neurological conditions such as epilepsy. Technologies such as electroencephalography (EEG), electromyography (EMG), and accelerometry are increasingly integrated into wearable systems for at-home use. Due to an increasing amount of data from long-term monitoring, machine learning algorithms assist in automated data analysis. However, ensuring device accuracy, signal quality, and user compliance remains crucial for clinical useability. Objective: This chapter explores advances and challenges in at-home neurophysiological monitoring, with a primary focus on EEG systems and their applications.Content: The discussion highlights the technological advances and the challenges associated with at-home monitoring. The focus will be on EEG systems, as well as a discussion of EMG in epilepsy. Next, we will provide an overview of the clinical applications for home-based monitoring of epilepsy and sleep disorders. Lastly, we will briefly discuss emerging topics within home-based monitoring in movement disorders and neurodegenerative disorders. Conclusion: Future advancements are expected with new generations of wearable systems capable of providing long-term monitoring with minimal maintenance. Beyond epilepsy and sleep disorders, home-based technologies are also being investigated in other neurological diseases including movement disorders and neurodegenerative diseases showing the expanding scope of home-based technologies in neurology.
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 | 0,001 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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