Multiple Linear Regression Estimation of Onset Time Delay for Experimental Transcranial Narrowband Ultrasound Signals
Notice bibliographique
Résumé
Focused ultrasound is an emerging medical technique for transcranial procedures and requires the precise modeling of ultrasound signal propagation through the skull. To verify models, the onset time delay (OTD) between two signals measured at the same spatial location, with and without the presence of a skull in the path of the signal, is compared between simulations and experiments. Current methods to automatically identify OTD use correlation-based algorithms. However, these techniques suffer from poor results caused by signal distortion and low signal-to-noise ratios in experimental signals. In this study, we compare the effectiveness of machine learning (multiple linear regression) to three correlation-based time-delay estimation techniques in estimating the OTD of a signal pair. A sample of 1643 signal pairs, with the center frequencies of either 270 or 836 kHz, had their delays manually identified as a benchmark. Density, thickness, incidence angle, frequency, and x and y offsets from the center were used as predictors. We find that, compared with manual identification, machine learning is 80.4% more accurate than cross correlation across all test signals and is noise-independent through all noise bins. The median of the errors was less than 0.3 periods was observed for signals with a frequency of 270 kHz and less than 1.1 periods for signals with a frequency of 836 kHz, with little estimate bias. Overall, linear multivariable regression is determined to provide the best estimate of the OTD of two signals.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».