Single-trial classification of NIRS signals during emotional induction tasks: towards a corporeal machine interface
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: Corporeal machine interfaces (CMIs) are one of a few available options for restoring communication and environmental control to those with severe motor impairments. Cognitive processes detectable solely with functional imaging technologies such as near-infrared spectroscopy (NIRS) can potentially provide interfaces requiring less user training than conventional electroencephalography-based CMIs. We hypothesized that visually-cued emotional induction tasks can elicit forehead hemodynamic activity that can be harnessed for a CMI. METHODS: Data were collected from ten able-bodied participants as they performed trials of positively and negatively-emotional induction tasks. A genetic algorithm was employed to select the optimal signal features, classifier, task valence (positive or negative emotional value of the stimulus), recording site, and signal analysis interval length for each participant. We compared the performance of Linear Discriminant Analysis and Support Vector Machine classifiers. The latency of the NIRS hemodynamic response was estimated as the time required for classification accuracy to stabilize. RESULTS: Baseline and activation sequences were classified offline with accuracies upwards of 75.0%. Feature selection identified common time-domain discriminatory features across participants. Classification performance varied with the length of the input signal, and optimal signal length was found to be feature-dependent. Statistically significant increases in classification accuracy from baseline rates were observed as early as 2.5 s from initial stimulus presentation. CONCLUSION: NIRS signals during affective states were shown to be distinguishable from baseline states with classification accuracies significantly above chance levels. Further research with NIRS for corporeal machine interfaces is warranted.
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 | 0,001 |
| 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