Bayesian Spatio-Temporal Approach for EEG Source Reconstruction: Conciliating ECD and Distributed Models
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
Characterizing the cortical activity sources of electroencephalography (EEG)/magnetoencephalography data is a critical issue since it requires solving an ill-posed inverse problem that does not admit a unique solution. Two main different and complementary source models have emerged: equivalent current dipoles (ECD) and distributed linear (DL) models. While ECD models remain highly popular since they provide an easy way to interpret the solutions, DL models (also referred to as imaging techniques) are known to be more realistic and flexible. In this paper, we show how those two representations of the brain electromagnetic activity can be cast into a common general framework yielding an optimal description and estimation of the EEG sources. From this extended source mixing model, we derive a hybrid approach whose key aspect is the separation between temporal and spatial characteristics of brain activity, which allows to dramatically reduce the number of DL model parameters. Furthermore, the spatial profile of the sources, as a temporal invariant map, is estimated using the entire time window data, allowing to significantly enhance the information available about the spatial aspect of the EEG inverse problem. A Bayesian framework is introduced to incorporate distinct temporal and spatial constraints on the solution and to estimate both parameters and hyperparameters of the model. Using simulated EEG data, the proposed inverse approach is evaluated and compared with standard distributed methods using both classical criteria and ROC curves.
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