Taking NIRS-BCIs Outside the Lab: Towards Achieving Robustness Against Environment Noise
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
This paper reported initial findings on the effects of environmental noise and auditory distractions on the performance of mental state classification based on near-infrared spectroscopy (NIRS) signals recorded from the prefrontal cortex. Characterization of the performance losses due to environmental factors could provide useful information for the future development of NIRS-based brain-computer interfaces that can be taken beyond controlled laboratory settings and into everyday environments. Experiments with a hidden Markov model-based classifier showed that while significant performance could be attained in silent conditions, only chance levels of sensitivity and specificity were obtained in noisy environments. In order to achieve robustness against environment noise, two strategies were proposed and evaluated. First, physiological responses harnessed from the autonomic nervous system were used as complementary information to NIRS signals. More specifically, four physiological signals (electrodermal activity, skin temperature, blood volume pulse, and respiration effort) were collected in synchrony with the NIRS signals as the user sat at rest and/or performed music imagery tasks. Second, an acoustic monitoring technique was proposed and used to detect startle noise events, as both the prefrontal cortex and ANS are known to involuntarily respond to auditory startle stimuli. Experiments with eight participants showed that with a startle noise compensation strategy in place, performance comparable to that observed in silent conditions could be recovered with the hybrid ANS-NIRS system.
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 | 0,000 |
| 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