数字时钟画图测试的可解释机器学习模型
本研究提出了行之有效的Interpretable Knowledge Tracing (IKT)模型,使用机器学习和数据挖掘技术从学生响应数据中提取有意义的潜在特征,从而预测学生的未来表现。该模型可为真实世界的教育系统提供自适应和个性化的教学,并具有因果推理能力。
Dec, 2021
该研究通过对30名患者的语音转录,对比专家手动评估和自动评估之间的相关性,探讨了半标准化病史采集后进行SKT和CERAD-NB两个标准化认知测试的效果;结果表明,使用自动化转录可以得到较高的相关性,而使用词汇替换技术可以缓解识别误差,进一步提高与专家评分的相关性。
Jun, 2022
该研究回顾了现有的针对儿童的自动化书写障碍诊断系统, 重点关注基于人工智能的诊断系统, 分析涉及的数据收集方法、手写特征和使用的机器学习算法, 并探讨了一些非人工智能的自动化系统以及现有系统的不足之处, 提出了一种新的诊断系统。
Jun, 2022
使用机器学习方法基于计算机视觉从临床诊断面谈视频中提取行为代码和概念,并将其与人类专家测评进行比较,较差的凝视和言语概念的表现指出需要提高数据质量或使用其他数据模态。
Jul, 2022
本论文利用面部表情分析技术,运用回归视频转换(RVT)模型对老年轻度认知障碍患者的实时动态监测,实现对认知训练过程中注意力、动机和情感等方面的可持续参与度的评估,该模型根据视频帧分析进行计算,能够精确预测认知训练中的参与度,对于之后的计算机认知训练干预工作奠定了基础。
Apr, 2023
这项研究报告提出了在诊断认知发展障碍的儿童的视频和语音数据中应用机器学习技术的概念验证研究。该研究利用了39个视频录制的数据集,收集了包括四项认知评估测试在内的临床会诊的广泛内容。通过从每个临床会诊的前40分钟中提取临床医生和儿童的头部位置和语音转换,尽管样本数量有限且录制风格不同,分析成功地从记录的数据中提取了路径特征,重点关注患者和医生之间的互动。结果表明,这些特征有望用于预测整个会诊过程中所有认知测试的分数,以及用作临床决策支持工具的预测模型的原型。总体而言,这个概念验证证明了利用机器学习技术进行临床视频和语音数据分析的可行性,以潜在地提高儿童神经发育障碍的认知评估的效率。
Dec, 2023
本文旨在对认知诊断模型进行回顾,并比较模型结构、参数估计算法、模型评估方法和应用,同时讨论未来研究方向。此外,我们还发布了两个Python库:EduData用于访问相关公共数据集,EduCDM实现了常见的CDMs以方便应用和研究。
Jul, 2024
本研究针对神经退行性疾病(NDs)早期检测困难的问题,探讨了一系列从113名受试者手写信号提取的可解释指标。研究结果表明,这些指标在区分NDs与健康对照组方面具有显著的辨别力,尤其是在评估阿尔茨海默症(AD)和帕金森病(PD)方面。通过统计分析,某些手写任务的稳定性、书写速度和压力变化等指标显示出超过87%的分类准确率,为早期诊断提供了新的方法和视角。
Sep, 2024
本研究针对现有机器学习在动态功能连接中的应用挑战,旨在通过分析大规模fMRI数据建立深度模型的实证指导。研究发现,当前模型在认知任务识别和疾病诊断中表现不一,提出了一般性选择机器学习方法的指导原则,以推动新的神经影像应用的发展。
Sep, 2024