Investigation and Comparison of Recording Time of Steady State Evoked Potentials Using Three Methods of Kalman, Ziarani and adaptive
Notice bibliographique
Résumé
Background and Aim: Hearing assessment in infants and children younger than two years is an important issue, because the golden time of the language learning and speaking is under the age of two. Steady state auditory evoked potentials (SSAEPs) is one of the best ways of the objective hearing assessment for infants and young children. The need for long time of stimulation and recording restricted the clinical uses of this method. Therefore, the reduction of the recording time is a common problem. SSAEP signals are contaminated with background EEG signals of the brain and nervous system. To discriminate these signals the approach is using averaging method.Materials and Methods: In this work two adaptive methods were programmed and tried on (SSAEP) signals. The first method was the work of the Ziarani et al. and the second was the enhanced Kalman filter. To assess suggested methods and to compare them with traditional averaging one, two sets of clinical signals prepared with Rotmen research group in university of Toronto were applied. Results: The speed of the extraction of the SSAEP signals with the Ziarani method is 1.6 times faster than the averaging method. The extraction time of the enhanced adaptive Kalman filter is 13.1 times faster than currently used averaging methods. Conclusion: The Kalman filter method seems to be more reliable than the other two methods. In addition, this new application of the Kalman filter in hearing assessment could be more beneficial and faster than other methods as an objective method.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».