Incorporating early and late-arriving photons to improve the reconstruction of cerebral hemodynamic responses acquired by time-resolved near-infrared spectroscopy
Notice bibliographique
Résumé
Significance: Despite its advantages in terms of safety, low cost, and portability, functional near-infrared spectroscopy applications can be challenging due to substantial signal contamination from hemodynamics in the extracerebral layer (ECL). Time-resolved near-infrared spectroscopy (tr NIRS) can improve sensitivity to brain activity but contamination from the ECL remains an issue. This study demonstrates how brain signal isolation can be further improved by applying regression analysis to tr data acquired at a single source–detector distance. Aim: To investigate if regression analysis can be applied to single-channel trNIRS data to further isolate the brain and reduce signal contamination from the ECL. Approach: Appropriate regressors for trNIRS were selected based on simulations, and performance was evaluated by applying the regression technique to oxygenation responses recording during hypercapnia and functional activation. Results: Compared to current methods of enhancing depth sensitivity for trNIRS (i.e., higher statistical moments and late gates), incorporating regression analysis using a signal sensitive to the ECL significantly improved the extraction of cerebral oxygenation signals. In addition, this study demonstrated that regression could be applied to trNIRS data from a single detector using the early arriving photons to capture hemodynamic changes in the ECL. Conclusion: Applying regression analysis to trNIRS metrics with different depth sensitivities improves the characterization of cerebral oxygenation 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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».