MétaCan
Menu
Retour à la cohorte
Enregistrement W2316855288 · doi:10.1255/jnirs.971

Investigating the Need for Modelling Temporal Dependencies in a Brain-Computer Interface with Real-Time Feedback Based on near Infrared Spectra

2012· article· en· W2316855288 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueJournal of Near Infrared Spectroscopy · 2012
Typearticle
Langueen
DomaineNeuroscience
ThématiqueEEG and Brain-Computer Interfaces
Établissements canadiensHolland Bloorview Kids Rehabilitation Hospital
Organismes subventionnairesnon disponible
Mots-clésBrain–computer interfaceComputer scienceArtificial intelligenceClassifier (UML)Pattern recognition (psychology)Speech recognitionHidden Markov modelPsychologyElectroencephalography

Résumé

récupéré en direct d'OpenAlex

Near infrared (NIR) spectroscopy is an emerging non-invasive brain-computer interface (BCI) modality that measures changes in haemoglobin concentrations in neurocortical tissue. Previous NIR spectroscopy studies have not employed real-time feedback with online classification, a combination which would allow users to alter their mental strategy on the fly. In particular, it is unclear whether or not the temporal dependencies of haemodynamic changes ought to be considered in online classification. To answer this quest ion, this study contrasted online classification of prefrontal haemodynamics using NIR spectra processed using two approaches: an artificial neural network (ANN) that considered instantaneous samples of oxy- and deoxy-haemoglobin concentrations (i.e. ignored temporal dependencies) and a hidden Markov model-based (HMM) classifier which modelled a temporal sequence of concentrations (i.e. embodied temporal dependencies). Both classifiers were implemented for online operation with immediate visual feedback via a monitor showing a vertical bar the height of which was contingent on the classifier's output. Ten subjects participated in two study sessions each, one with each type of classifier. Participants were cued to raise and lower the bar in alternating 20s intervals using mental fast singing and focused breathing, respectively. Only the ANN classifier facilitated online classification rates greater than chance ( P = 0.0289). The influence of physiological noise on online classification of prefrontal haemodynamics was deemed to be minimal via offline analysis of concurrently measured respiration and blood pulse. Nine of the ten participants reported using the feedback to alter their activation strategy. Mental fatigue, task repetitiveness and the lack of ambient lighting were identified as factors compromising performance in half the participants. The inferior performance of the HMM classifiers suggests that modelling of the temporal dynamics of haemoglobin concentration changes may not be necessary in an online NIR-BCI. Further study of online NIR-BCIs with instantaneous feedback is warranted.

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 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 candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,199
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,029
Tête enseignante GPT0,277
Écart entre enseignants0,248 · 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