Effects of dipole position, orientation and noise on the accuracy of EEG source localization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The electroencephalogram (EEG) reflects the electrical activity in the brain on the surface of scalp. A major challenge in this field is the localization of sources in the brain responsible for eliciting the EEG signal measured at the scalp. In order to estimate the location of these sources, one must correctly model the sources, i.e., dipoles, as well as the volume conductor in which the resulting currents flow. In this study, we investigate the effects of dipole depth and orientation on source localization with varying sets of simulated random noise in 4 realistic head models. METHODS: Dipole simulations were performed using realistic head models and using the boundary element method (BEM). In all, 92 dipole locations placed in temporal and parietal regions of the head with varying depth and orientation were investigated along with 6 different levels of simulated random noise. Localization errors due to dipole depth, orientation and noise were investigated. RESULTS: The results indicate that there are no significant differences in localization error due tangential and radial dipoles. With high levels of simulated Gaussian noise, localization errors are depth-dependent. For low levels of added noise, errors are similar for both deep and superficial sources. CONCLUSION: It was found that if the signal-to-noise ratio is above a certain threshold, localization errors in realistic head models are, on average the same for deep and superficial sources. As the noise increases, localization errors increase, particularly for deep sources.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle