Schrödinger filtering: a precise EEG despiking technique for EEG-fMRI gradient artifact
Notice bibliographique
Résumé
In EEG data acquired in the presence of fMRI, gradient-related spike artifacts contaminate the signal following the common preprocessing step of average artifact subtraction. Spike artifacts compromise EEG data quality since they overlap with the EEG signal in frequency, thereby confounding frequency-based inferences on activity. As well, spike artifacts can inflate or deflate correlations among time series, thereby confounding inferences on functional connectivity. We present Schrödinger filtering, which uses the Schrödinger equation to decompose the spike-containing input. The basis functions of the decomposition are localized and pulse-shaped, and selectively capture the various input peaks, with the spike components clustered at the beginning of the spectrum. Schrödinger filtering automatically subtracts the spike components from the data. On real and simulated data, we show that Schrödinger filtering (1) simultaneously accomplishes high spike removal and high signal preservation without affecting evoked activity, and (2) reduces spurious pairwise correlations in spontaneous activity. In these regards, Schrödinger filtering was significantly better than three other despiking techniques: median filtering, amplitude thresholding, and wavelet denoising. These results encourage the use of Schrödinger filtering in future EEG-fMRI pipelines, as well as in other spike-related applications (e.g., fMRI motion artifact removal or action potential extraction).
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».