Input–output slope curve estimation in neural stimulation based on optimal sampling principles <sup>*</sup>
Notice bibliographique
Résumé
This paper discusses some of the practical limitations and issues, which exist for the input-output (IO) slope curve estimation (SCE) in neural, brain and spinal, stimulation techniques. The drawbacks of the SCE techniques by using existing uniform sampling and Fisher-information-based optimal IO curve estimation (FO-IOCE) methods are elaborated. A novel IO SCE technique is proposed with a modified sampling strategy and stopping rule which improve the SCE performance compared to these methods. The effectiveness of the proposed IO SCE is tested on 1000 simulation runs in transcranial magnetic stimulation (TMS), with a realistic model of motor evoked potentials. The results show that the proposed IO SCE method successfully satisfies the stopping rule, before reaching the maximum number of TMS pulses in 79.5% of runs, while the estimation based on the uniform sampling technique never converges and satisfies the stopping rule. At the time of successful termination, the proposed IO SCE method decreases the 95th percentile (mean value in the parentheses) of the absolute relative estimation errors (AREs) of the slope curve parameters up to 7.45% (2.2%), with only 18 additional pulses on average compared to that of the FO-IOCE technique. It also decreases the 95th percentile (mean value in the parentheses) of the AREs of the IO slope curve parameters up to 59.33% (16.71%), compared to that of the uniform sampling method. The proposed IO SCE also identifies the peak slope with higher accuracy, with the 95th percentile (mean value in the parentheses) of AREs reduced by up to 9.96% (2.01%) compared to that of the FO-IOCE method, and by up to 46.29% (13.13%) compared to that of the uniform sampling method.
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 distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».