A Constrained ICA Approach for Real-Time Cardiac Artifact Rejection in Magnetoencephalography
Notice bibliographique
Résumé
Recently, magnetoencephalography (MEG)-based real-time brain computing interfaces (BCI) have been developed to enable novel and promising methods of neuroscience research and therapy. Artifact rejection prior to source localization largely enhances the localization accuracy. However, many BCI approaches neglect real-time artifact removal due to its time consuming processing. With cardiac artifact rejection for real-time analysis (CARTA), we introduce a novel algorithm capable of real-time cardiac artifact (CA) rejection. The method is based on constrained independent component analysis (ICA), where a priori information of the underlying source signal is used to optimize and accelerate signal decomposition. In CARTA, this is performed by estimating the subject's individual density distribution of the cardiac activity, which leads to a subject-specific signal decomposition algorithm. We show that the new method is capable of effectively reducing CAs within one iteration and a time delay of 1 ms. In contrast, Infomax and Extended Infomax ICA converged not until seven iterations, while FastICA needs at least ten iterations. CARTA was tested and applied to data from three different but most common MEG systems (4-D-Neuroimaging, VSM MedTech Inc., and Elekta Neuromag). Therefore, the new method contributes to reliable signal analysis utilizing BCI approaches.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».