LIONirs: flexible Matlab toolbox for fNIRS data analysis
Notice bibliographique
Résumé
Abstract Background Functional near-infrared spectroscopy (fNIRS) is a suitable tool for recording brain function in pediatric or challenging populations. As with other neuroimaging techniques, the scientific community is engaged in an evolving debate regarding the most adequate methods for performing fNIRS data analyses. New method We introduce LIONirs, a neuroinformatics toolbox for fNIRS data analysis, designed to follow two main goals: (1) flexibility, to explore several methods in parallel and verify results using 3D visualization; (2) simplicity, to apply a defined processing pipeline to a large dataset of subjects by using the MATLAB Batch System. Results Within the graphical user interfaces (DisplayGUI), the user can reject noisy intervals and correct artifacts, while visualizing the topographical projection of the data onto the 3D head representation. Data decomposition methods are available for the identification of relevant signatures, such as brain responses or artifacts. Multimodal data recorded simultaneously to fNIRS, such as physiology, electroencephalography or audio-video, can be visualized using the DisplayGUI. The toolbox includes several functions that allow one to read, preprocess, and analyze fNIRS data, including task-based and functional connectivity measures. Comparison with existing methods Several good neuroinformatics tools for fNIRS data analysis are currently available. None of them emphasize multimodal visualization of the data throughout the preprocessing steps and multidimensional decomposition, which are essential for understanding challenging data. Furthermore, LIONirs provides compatibility and complementarity with other existing tools by supporting common data format. Conclusions LIONirs offers a flexible platform for basic and advanced fNIRS data analysis, shown through real experimental examples. Highlights The LIONirs toolbox is designed for fNIRS data inspection and visualization. Methods are integrated for isolation of relevant activity and correction of artifacts. Multimodal auxiliary, EEG or audio-video are visualized alongside the fNIRS data. Task-based and functional connectivity measure analysis tools are available. The code structure allows to automated and standardized analysis of large data set. Graphical abstract
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) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,123 | 0,048 |
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 ».