Parallel Factor Analysis for multidimensional decomposition of fNIRS data
Notice bibliographique
Résumé
Abstract Significance Current techniques for data analysis in functional near-infrared spectroscopy (fNIRS), such as artifact correction, do not allow to integrate the information originating from both wavelengths, considering only temporal and spatial dimensions of the signal’s structure. Parallel factor analysis (PARAFAC) has previously been validated as a multidimensional decomposition technique in other neuroimaging fields. Aim We aimed to introduce and validate the use of PARAFAC for the analysis of fNIRS data, which is inherently multidimensional (time, space, wavelength). Approach We used data acquired in 17 healthy adults during a verbal fluency task to compare the efficacy of PARAFAC for motion artifact correction to traditional 2D decomposition techniques, i.e. target principal (tPCA) and independent component analysis (ICA). Correction performance was further evaluated under controlled conditions with simulated artifacts and hemodynamic response functions. Results PARAFAC achieved significantly higher improvement in data quality as compared to tPCA and ICA. Correction in several simulated signals further validated its use and promoted it as a robust method independent of the artifact’s characteristics. Conclusions This study describes the first implementation of PARAFAC in fNIRS and provides validation for its use to correct artifacts. PARAFAC is a promising data-driven alternative for multidimensional data analyses in fNIRS and this study paves the way for further applications.
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 | 0,006 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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 ».