Taking NIRS-BCIs Outside the Lab: Towards Achieving Robustness Against Environment Noise
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.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».