Wavelet-based motion artifact removal for functional near-infrared spectroscopy
Notice bibliographique
Résumé
Functional near-infrared spectroscopy (fNIRS) is a powerful tool for monitoring brain functional activities. Due to its non-invasive and non-restraining nature, fNIRS has found broad applications in brain functional studies. However, for fNIRS to work well, it is important to reduce its sensitivity to motion artifacts. We propose a new wavelet-based method for removing motion artifacts from fNIRS signals. The method relies on differences between artifacts and fNIRS signal in terms of duration and amplitude and is specifically designed for spike artifacts. We assume a gaussian distribution for the wavelet coefficients corresponding to the underlying hemodynamic signal in detail levels and identify the artifact coefficients using this distribution. An input parameter controls the intensity of artifact attenuation in trade-off with the level of distortion introduced in the signal. The method only modifies wavelet coefficients in levels adaptively selected based on the degree of contamination with motion artifact. To demonstrate the feasibility of the method, we tested it on experimental fNIRS data collected from three infant subjects. Normalized mean-square error and artifact energy attenuation were used as criteria for performance evaluation. The results show 18.29 and 16.42 dB attenuation in motion artifacts energy for 700 and 830 nm wavelength signals in a total of 29 motion events with no more than -16.7 dB distortion in terms of normalized mean-square error in the artifact-free regions of the signal.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».