Corpus complet

Articles

3 articles, page 1 sur 1, triés par date de publication.

Filtres actifs
Vision×Intelligence artificielle×
Classification multiaxialeCombinez un trouble, une fonction, une population, un contexte ou une intervention.
Troubles et conditions neurodéveloppementales1
Autisme / TSA1
Profils et populations d’intérêt1
Population générale1
Fonctions et dimensions cliniques12
Vision3Attention2Flexibilité mentale1Fonctions exécutives1Impulsivité1Inhibition1Mémoire de travail1Organisation1Planification1Régulation émotionnelle1Traitement sensoriel1Vitesse de traitement1
Population et étape de vie3
Adolescence1Enfance1Plusieurs étapes de vie1
Contextes de vie et facteurs environnementaux1
École1
Évaluation, intervention et accompagnement4
Intelligence artificielle3Instrument d’évaluation3Évaluation diagnostique1Repérage et dépistage1
Type et statut de la publication5
Étude de performance diagnostique2Étude transversale1Validation d’instrument1Publié avec évaluation par les pairs1Résumé uniquement1
Limites méthodologiques repérées3
Limites non déterminées2Généralisation limitée1Petit échantillon1
Fiabilité source
Source tier 13
Résumé
Avec résumé3
Date
7 jours30 jours90 jours
Tri
RécentAncien
Effacer
VisionSource tier 1

NeuroStream : apprentissage profond spectral-spatio-temporel pour la classification de stimuli visuels à partir de l'EEGNeuroStream: spectral-spatio-temporal deep learning for visual stimulus classification from EEG.

VisionAttentionInstrument d’évaluationIntelligence artificielleValidation d’instrument
Non déterminableRobustesse méthodologiquePubMed — HPI, giftedness et cognitionSourceDOIRéférence disponible

Cette étude présente NeuroStream-SST, un cadre d'apprentissage profond léger conçu pour décoder des stimuli visuels à partir de signaux EEG. Les auteurs proposent une représentation spectrale-spatio-temporelle (SST) qui transforme les signaux EEG bruts en un format structuré de type vidéo : transformées en ondelettes sur tous les canaux, agrégation de la pui...

AttentionSource tier 1

Modèles neurobiologiques et visuels du fonctionnement attentionnel et émotionnel chez les enfants : une approche d'apprentissage automatiqueNeurobiosensory and Visual Patterns of Attentional and Emotional Functioning in Children Using Machine Learning: Cross-Sectional Study.

Population généraleAttentionFonctions exécutivesInhibitionFlexibilité mentale
Non déterminableRobustesse méthodologiquePubMed / PMC — neurodeveloppement open accessSourceDOIRéférence disponible

Cette étude a développé et évalué une approche de dépistage multimodal automatisé intégrant des mesures oculomotrices, de reconnaissance faciale des émotions et neuropsychologiques chez 260 enfants de 7 à 15 ans. Un classifieur Random Forest a distingué les enfants avec une performance attentionnelle faible des enfants normatifs avec une AUC-ROC de 0,95. Les...

Autisme / TSASource tier 1

Modèle d'apprentissage automatique pour la détection des troubles du spectre autistique à l'aide de signaux électrorétinographiquesMachine learning model for the detection of autism spectrum disorder using electroretinogram signals.

Autisme / TSATraitement sensorielVisionÉvaluation diagnostiqueInstrument d’évaluation
Non déterminableRobustesse méthodologiquePubMed / PMC — neurodeveloppement open accessSourceDOIRéférence disponible

Cette étude propose un cadre d'apprentissage automatique, UMAP-ERG, combinant UMAP, SMOTE et classifieurs conventionnels pour détecter l'autisme à partir de signaux électrorétinographiques (ERG). Sur 106 participants, le modèle SVM a atteint une AUC de 0,98, une précision de 0,96, une sensibilité de 0,93 et une spécificité de 0,98, surpassant les modèles exi...