Effect of game-based EEG neurofeedback training on improvement of cognitive function
Notice bibliographique
Résumé
Objective: To observe the effect of game-based EEG neurofeedback system on improvement of cognitive function in the patients with cognitive impairment. Methods: Fifty-two patients with cognitive impairment, mainly memory decline, were included, and the Mini-Mental State Examination (MMSE), Montreal Cognitive Assessment Scale (MoCA) and Alzheimer′s Disease Assessment Scale-Cognitive section(ADAS-cog) were conducted in the patients to evaluate cognitive impairment. Five days later, each patient was given 30-min EEG neural feedback training, once a day for 10 consecutive days. The EEG was detected before and after training, and MMSE, MoCA and ADAS-cog scores were also evaluated after training. Results: The scores of MMSE, MoCA and ADAS-cog scales after training were all higher(26.06±2.95, 21.88±3.94, 12.15±5.15) than those before training (23.10±2.82, 18.63±4.10, 14.76±5.30) (P<0.05). Before training, the scores of memory on MMSE, MoCA and ADAS-cog scales were 1.55±0.77, 1.33±1.28, 4.35±1.11, respectively, while the above scores increased to 2.16±0.80, 2.29±1.34, 3.93±1.30(P<0.001) after training. The EEG after training showed that the complexity of EEG was improved than that before training, mainly in the left frontal lobe. Conclusions: The game-based EEG neurofeedback system training can significantly improve cognitive function and EEG complexity in the left prefrontal lobe.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,002 | 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 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 ».