論文の概要: MemoCare: An Interactive Multimodal Mobile System for Automated Cognitive Screening
- arxiv url: http://arxiv.org/abs/2610.10448v1
- Date: Wed, 07 Oct 2026 17:19:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:23.073177
- Title: MemoCare: An Interactive Multimodal Mobile System for Automated Cognitive Screening
- Title（参考訳）: MemoCare: 自動認知スクリーニングのための対話型マルチモーダルモバイルシステム
- Abstract要約: MemoCareは、自動マルチモーダル認知スクリーニングのためのインタラクティブなモバイルシステムである。
React Nativeアプリケーションは、完全な英語とベトナム語における音声応答、時間的および空間的方向、タッチスクリーンアクション、ビズーコンストラクションを組み合わせる。
描画モジュールでは、バリデーション選択されたShuffleNetV2 x1.5が平均平衡精度91.33%、ロックされた71イメージのテストセットで78.87%の正確な3基準精度を達成した。
- 参考スコア（独自算出の注目度）: 5.593783759548081
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: MemoCare is an interactive mobile system for automated multimodal cognitive screening. A React Native application combines spoken responses, temporal and spatial orientation, touchscreen actions, and visuoconstruction in complete English and Vietnamese workflows. Speech is transcribed by Google Speech-to-Text and scored locally with deterministic task-specific natural language processing rules; GPS coordinates are resolved by the MemoCare spatial module before answer matching; touch tasks are scored from interaction events; and the drawing task uses a three-model convolutional neural network consensus with separate visual interpretation. Software tests pass 151/151 predefined cases across speech/language, spatial-answer, and touch-interaction scoring, while spatial regression passes 48/48 four-country coordinate-resolution cases. For the drawing module, validation-selected ShuffleNetV2 x1.5 achieved 91.33% mean balanced accuracy and 78.87% exact three-criterion accuracy on a locked 71-image test set. Four clinician co-authors additionally inspected the end-to-end workflow, yielding a pooled median rating of 4/5 across eight criteria, with item-level medians ranging from 3 to 4.5. At MMM, attendees can directly try a shortened multimodal screening workflow and inspect automatic item-level and total scoring.
- Abstract（参考訳）: MemoCareは、自動マルチモーダル認知スクリーニングのためのインタラクティブなモバイルシステムである。
React Nativeアプリケーションは、完全な英語とベトナム語のワークフローにおける音声応答、時間的および空間的指向、タッチスクリーンアクション、ビズーコンストラクションを組み合わせる。
音声はGoogle Speech-to-Textで書き起こされ、決定論的タスク固有の自然言語処理ルールでローカルにスコアされ、GPS座標は応答マッチングの前にMemoCare空間モジュールによって解決される。
ソフトウェアテストは、音声/言語、空間問合せ、タッチ-インタラクションスコアで151/151の事前定義ケースをパスし、空間回帰は48/48の4つの国座標解決ケースをパスする。
描画モジュールでは、バリデーション選択されたShuffleNetV2 x1.5が平均平衡精度91.33%、ロックされた71イメージのテストセットで78.87%の正確な3基準精度を達成した。
さらに4人の臨床共同著者が、エンド・ツー・エンドのワークフローを検査し、8つの基準で4/5のプールレベルで、3～4.5の項目レベルで評価した。
MMMでは、参加者は、改善されたマルチモーダルスクリーニングワークフローを直接試すことができ、自動アイテムレベルとトータルスコアを検査することができる。
関連論文リスト
- IChart2Code: Benchmarking Multimodal Large Language Models for Interactive Chart Code Generation [11.917166961984114]
インタラクティブなチャートコード生成には、参照チャートの外観と基盤となるデータを再現するモデルが必要である。
既存のチャート・トゥ・コードベンチマークでは静的なアウトプットに重点を置いており、インタラクション仕様やブラウザの実行、インタラクション後の検証のためのタスク表現や評価プロトコルが欠如している。
IChart2Codeは、20のチャート形式と13のデータファミリーにわたる377のタスクからなるベンチマークであり、6つのファミリーで1209のインタラクション要求がある。
論文 参考訳（メタデータ） (2026-09-26T09:40:57Z) - When Prompts Become Pixels: Prompt-Region Grounding for Multimodal Reasoning [73.56343820592399]
本稿では,視覚的タスクセマンティックス(VTS, Visualized Task Semantics)について紹介する。
6つのMLLMと4つのベンチマークで、24のモデルとタスクのペアの精度は平均17.8ポイント低下した。
本稿では,質問領域を型付きセマンティクスと整合させ,そのクリーンな表現をマスクビューから復元するプロンプト領域グラウンドを提案する。
論文 参考訳（メタデータ） (2026-08-05T11:46:15Z) - An Intelligent-Cloud Edge Multimodal Interaction System for Robots [4.1212219465063304]
本稿では,拡張YOLOに基づくジェスチャー検出と,協調型大言語モデル(LLM)と視覚言語モデル(VLM)エージェントを統合したクラウドエッジマルチモーダルインタラクションフレームワークを提案する。
クラウド層はジェスチャー検出、シーン理解、マルチモーダル融合、アクション計画を実行する一方、TonyPiロボットはデータ取得、通信、アクション実行、フィードバックをローカルに処理する。
論文 参考訳（メタデータ） (2026-07-16T07:39:18Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Corpus of Cross-lingual Dialogues with Minutes and Detection of Misunderstandings [0.45498315114762483]
本稿では,自動音声翻訳による言語間対話のコーパスを提案する。
コーパスは、12の原語でASRと金の書き起こしを含む5時間の音声記録と、英語への自動翻訳と修正された翻訳で構成されている。
この課題とその複雑さを概観するために,言語横断会議における誤解の定量化を試みる。
論文 参考訳（メタデータ） (2025-12-23T09:56:23Z) - Contra4: Evaluating Contrastive Cross-Modal Reasoning in Audio, Video, Image, and 3D [97.08549913899247]
Contra4は、画像、オーディオ、ビデオ、および3Dの4つのモードにまたがる、対照的な相互モーダル推論のためのデータセットである。
それぞれの例は、複数の候補モダリティのインスタンスと並んで自然言語の質問を示し、モデルがプロンプトと意味的に一致するものを選択する必要がある。
コントラ4は、人間の注釈付きキャプションとモデルの混在するラウンドトリップ一貫性フィルタを組み合わせることで、高品質な監視を確実にし、174kのトレーニング例と2.3kのサンプルを手作業で検証する。
論文 参考訳（メタデータ） (2025-06-02T03:12:13Z) - SELMA: A Speech-Enabled Language Model for Virtual Assistant Interactions [48.02083833667388]
仮想アシスタントインタラクションのための言語モデルであるSELMAを提示し,評価する。
オーディオエンコーダとLarge Language Modelの両方のパラメータ効率訓練に低ランク適応モジュールを用いる。
論文 参考訳（メタデータ） (2025-01-31T18:30:36Z) - A Simple Language Model for Task-Oriented Dialogue [61.84084939472287]
SimpleTODはタスク指向対話に対する単純なアプローチであり、すべてのサブタスクのリキャストで訓練された単一因果言語モデルを単一シーケンス予測問題として利用する。
これによりSimpleTODは、事前訓練されたオープンドメイン、GPT-2のような因果言語モデルからのトランスファー学習を完全に活用できる。
論文 参考訳（メタデータ） (2020-05-02T11:09:27Z)
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。