論文の概要: Longitudinal Digital Phenotyping for Early Cognitive-Motor Screening

• arxiv url: http://arxiv.org/abs/2603.25673v1
• Date: Thu, 26 Mar 2026 17:27:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.399185
• Title: Longitudinal Digital Phenotyping for Early Cognitive-Motor Screening
• Title（参考訳）: 早期認知運動スクリーニングのための経時的デジタル検査法
• Authors: Diego Jimenez-Oviedo, Ruben Vera-Rodriguez, Ruben Tolosana, Juan Carlos Ruiz-Garcia, Jaime Herreros-Rodriguez,
• Abstract要約: 18歳から8歳までの子どもの発達軌跡をモデル化するためのAI駆動型縦断フレームワークを提案する。 複数の学年で収集されたタブレットによるインタラクションのデータセットを用いて,6つの認知運動課題を分析した。 分析の結果,低,中,高の3つのプロファイルが明らかになった。
• 参考スコア（独自算出の注目度）: 6.034170250427599
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early detection of atypical cognitive-motor development is critical for timely intervention, yet traditional assessments rely heavily on subjective, static evaluations. The integration of digital devices offers an opportunity for continuous, objective monitoring through digital biomarkers. In this work, we propose an AI-driven longitudinal framework to model developmental trajectories in children aged 18 months to 8 years. Using a dataset of tablet-based interactions collected over multiple academic years, we analyzed six cognitive-motor tasks (e.g., fine motor control, reaction time). We applied dimensionality reduction (t-SNE) and unsupervised clustering (K-Means++) to identify distinct developmental phenotypes and tracked individual transitions between these profiles over time. Our analysis reveals three distinct profiles: low, medium, and high performance. Crucially, longitudinal tracking highlights a high stability in the low-performance cluster (>90% retention in early years), suggesting that early deficits tend to persist without intervention. Conversely, higher-performance clusters show greater variability, potentially reflecting engagement factors. This study validates the use of unsupervised learning on touchscreen data to uncover heterogeneous developmental paths. The identified profiles serve as scalable, data-driven proxies for cognitive growth, offering a foundation for early screening tools and personalized pediatric interventions.
• Abstract（参考訳）: 非定型認知運動の早期発見はタイムリーな介入には不可欠であるが、伝統的な評価は主観的で静的な評価に大きく依存している。 デジタルデバイスの統合は、デジタルバイオマーカーによる継続的かつ客観的なモニタリングの機会を提供する。 本研究では,18～8歳児の発達軌跡をモデル化するAI駆動型縦断フレームワークを提案する。 複数の学年で収集されたタブレットによるインタラクションのデータセットを用いて,認知運動の6つのタスク(例えば,運動制御,反応時間)を分析した。 本研究では,異なる発達表現型を識別し,それらのプロファイル間の個々の遷移を時間とともに追跡するために,次元削減(t-SNE)と教師なしクラスタリング(K-Means++)を適用した。 分析の結果,低,中,高の3つのプロファイルが明らかになった。 重要な点として、経時的追跡は低パフォーマンスクラスタの安定性の高さ(早期の90%の維持)を強調しており、早期の障害は介入なしに持続する傾向があることを示唆している。 逆に、高性能クラスタはより多様性を示し、エンゲージメント要因を反映する可能性がある。 本研究では,不均一な発達経路を明らかにするために,非教師なし学習をタッチスクリーンデータに応用することを検証する。 識別されたプロファイルは、認知的成長のためのスケーラブルでデータ駆動のプロキシとして機能し、早期スクリーニングツールとパーソナライズされた小児介入の基礎を提供する。

関連論文リスト

• Deep Learning-Based Detection of Cognitive Impairment from Passive Smartphone Sensing with Routine-Aware Augmentation and Demographic Personalization [9.633221910592804]
  認知障害の早期発見は、タイムリーな診断と介入に重要である。 受動的スマートフォンセンシングは、自然主義的かつ継続的な認知モニタリングのための有望なアプローチとして登場した。 日常的な行動特徴の連続から認知障害を検出するために,Long Short-Term Memory (LSTM) モデルを実装した。
  論文  参考訳（メタデータ） (2025-09-27T07:08:25Z)
• Naturalistic Language-related Movie-Watching fMRI Task for Detecting Neurocognitive Decline and Disorder [60.84344168388442]
  言語関連機能的磁気共鳴画像(fMRI)は,認知機能低下と早期NCDの検出に有望なアプローチである。 香港在住の高齢者97名を対象に,この課題の有効性について検討した。 本研究は、加齢に伴う認知低下とNCDの早期発見のための自然言語関連fMRIタスクの可能性を示した。
  論文  参考訳（メタデータ） (2025-06-10T16:58:47Z)
• MVICAD2: Multi-View Independent Component Analysis with Delays and Dilations [61.59658203704757]
  本稿では,時間的遅延と拡張の両面において,被験者間でソースを異にするMVICAD(Multi-View Independent Component Analysis with Delays and Dilations)を提案する。 本稿では, 正則化と最適化手法を用いて, 性能向上を図るため, 正則化と最適化手法を用いて, その可能性の近似を導出する。
  論文  参考訳（メタデータ） (2025-01-13T15:47:02Z)
• Swin fMRI Transformer Predicts Early Neurodevelopmental Outcomes from Neonatal fMRI [0.20482269513546453]
  この期間の発達結果の正確な予測は、遅延を特定し、タイムリーな介入を可能にするために不可欠である。 本研究では,新生児のfMRIを用いた結果の予測を目的としたSwiFT(Swin 4D fMRI Transformer)モデルを提案する。 分析の結果,SwiFTは認知,運動,言語結果の予測において,ベースラインモデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2024-11-25T12:20:07Z)
• Learning Developmental Age from 3D Infant Kinetics Using Adaptive Graph Neural Networks [2.2279946664123664]
  Kinetic Age(KA)は、運動パターンに基づいて幼児の年齢を予測することによって、神経発達の成熟度を定量化するデータ駆動の指標である。 本手法は乳児の3次元映像記録を利用してポーズ推定を行い,解剖学的ランドマークの抽出・時間的時系列を抽出する。 これらのデータは適応的なグラフ畳み込みネットワークを用いてモデル化され、幼児運動における検出時間依存性を捉えることができる。
  論文  参考訳（メタデータ） (2024-02-22T09:34:48Z)
• Benchmarking Continuous Time Models for Predicting Multiple Sclerosis Progression [46.394865849252696]
  多発性硬化症(英: multiple sclerosis)は、脳と脊髄に影響を及ぼす疾患であり、重度の障害を引き起こす可能性があり、既知の治療法がない。 最近の論文では, 成績評価と人口統計データを用いて, 疾患の進行を効果的に予測できることが示されている。 公開されている多発性硬化症データセットを用いて、4つの連続時間モデルをベンチマークする。 最高の継続的モデルは、しばしば最高のベンチマークされた個別の時間モデルより優れていることが分かりました。
  論文  参考訳（メタデータ） (2023-02-15T18:45:32Z)
• NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
  我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
  論文  参考訳（メタデータ） (2023-01-01T12:48:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。