قلم دیجیتال ویژگی‌های مدل طرح‌ها و رفتار کاربر را دارد و می‌تواند برای برنامه‌های مختلف یادگیری ماشینی تحت نظارت (ML) مانند تشخیص طرح چند مرحله‌ای و مدل‌سازی کاربر استفاده شود.
در این کار، دستبند طلا ما از مجموعه ای پیشرفته از بیش از 170 ویژگی قلم دیجیتال استفاده می کنیم که آنها را پیاده سازی کرده و در دسترس عموم قرار می دهیم.
مجموعه ویژگی در مورد استفاده از تجزیه و تحلیل ارزیابی‌های عصبی شناختی مبتنی بر مداد کاغذی در حوزه پزشکی ارزیابی می‌شود.
بیشتر ارزیابی های شناختی، برای مثال برای غربالگری زوال عقل، با قلم روی کاغذ معمولی انجام می شود.
ما این تست ها خودکار رنگی فانتزی را با یک خودکار دیجیتال به عنوان بخشی از یک ابزار جدید ارزیابی شناختی تعاملی با تجزیه و تحلیل خودکار ورودی قلم ثبت می کنیم.
پزشک می‌تواند ابتدا فرآیند طراحی را به‌صورت هم‌زمان روی تبلت تلفن همراه مشاهده کند، به‌عنوان مثال، در تنظیمات پزشکی از راه دور یا قوانین فاصله‌گذاری Covid-19 را دنبال کند.
دوم، نتایج یک تجزیه و تحلیل تست خودکار در زمان واقعی به پزشک ارائه می شود، در نتیجه تلاش برای امتیازدهی دستی کاهش می یابد و گزارش های عینی تولید می شود.
به‌عنوان بخشی از ترشی گل کلم ارزیابی خود، بررسی می‌کنیم که چگونه مدل‌های ML مبتنی بر ویژگی‌های مختلف و نظارت شده می‌توانند به‌طور خودکار آزمون‌های شناختی را، با و بدون تحلیل محتوای معنایی، امتیاز دهند.
مجموعه‌ای از آزمایش‌های تشخیص طرح مبتنی بر ML انجام می‌شود که 10 طبقه‌بندی‌کننده مدرن ML (به عنوان مثال، SVM، یادگیری عمیق، و غیره) را روی یک مجموعه داده طرح که با 40 نفر از یک کلینیک مهدکودک سالمندان ثبت کردیم، ارزیابی می‌کند.
علاوه بر این، یک رویکرد خودکار ML (AutoML) برای تنظیم دقیق و بهینه‌سازی عملکرد طبقه‌بندی در مجموعه داده‌ها، دستیابی به دقت تشخیص برتر مورد بررسی قرار می‌گیرد.
با استفاده از تعبیر خواب تخمه آفتابگردان تکنیک‌های استاندارد ML، مجموعه ویژگی‌های ما از تمام رویکردهای قبلی در آزمون‌های شناختی در نظر گرفته شده است.
یعنی آزمون ترسیم ساعت، تست شکل پیچیده ری-استریت، و آزمون ساخت دنباله، با نمره‌دهی خودکار آزمون‌های شناختی با دقت 87.5 درصد بهتر عمل می‌کند.
- منابع:
- تبلیغات:
