MétaCan
Menu
Retour à la cohorte
Enregistrement W2117940998 · doi:10.1109/isbi.2004.1398799

Better conditioning the MEG/EEG inverse problem: The multivariate source prelocalization approach

2005· article· en· W2117940998 sur OpenAlexaff
Jérémie Mattout, Jean Daunizeau, Mélanie Pélégrini‐Issac, Line Garnero, Habib Benali

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueBlind Source Separation Techniques
Établissements canadiensUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésInitializationMultivariate statisticsComputer scienceInverse problemPreprocessorInverseMonte Carlo methodAlgorithmMathematical optimizationMagnetoencephalographyNorm (philosophy)Artificial intelligenceMathematicsElectroencephalographyStatisticsMachine learning

Résumé

récupéré en direct d'OpenAlex

The recently proposed multivariate source prelocalization (MSP) proved efficient and robust for restricting the solution space of the highly under-determined MEG/EEG inverse problem through the estimation of a probability-like coefficient of activation for each cortical area. It makes MSP a good candidate for initializing conventional inverse methods in order to improve electromagnetic source reconstruction. In this paper, we evaluate the benefit of MSP as a preprocessing step for a classical iterative weighted minimum norm algorithm, the FOCUSS approach, whose results highly rely upon its initialization. By using Monte Carlo simulations, we demonstrate the usefulness of such a coupling. Moreover, we quantify the benefits due on the one hand, to the reduction of the solution space and, on the other hand, to the explicit use as functional prior knowledge, of the activation probabilities inferred by MSP.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,849
Score d'incertitude au seuil0,376

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,247
Écart entre enseignants0,230 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetBlind Source Separation TechniquesTravaux en français237 207