Subspace based Multiple Constrained Minimum Variance (SMCMV) Beamformers
Notice bibliographique
Résumé
Abstract In MEG and EEG brain imaging research two popular approaches are often used for spatial localization of focal task- or stimuli-related brain activations. One is a so called MUSIC approach applied in the form of RAP or TRAP MUSIC algorithms. Another one is the beamformer approach, specifically multiple constrained minimum variance (MCMV) beamformer when dealing with significantly correlated activations. Either method is using its own source localizer functions. Considering simplicity, accuracy and computational efficiency both approaches have their advantages and disadvantages. In this study we introduce a novel set of so called Subspace MCMV (or SMCMV) beamformers whose localizer functions combine MUSIC and MCMV localizers. We show that in ideal situations where forward modeling, data recording and noise measurements are error-free, SMCMV localizers allow precise identification of n arbitrarily correlated sources irrespective to their strength in just n scans of the brain volume using RAP MUSIC type algorithm. We also demonstrate by extensive computer simulations that with respect to source localization errors and the total number of identified sources SMCMV outperforms both the TRAP MUSIC and MIA MCMV (which is the most accurate MCMV algorithm to our knowledge) in non-ideal practical situations, specifically when the noise covariance cannot be estimated precisely, signal to noise ratios are small, source correlations are significant and larger numbers of sources are involved.
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 | 0,004 |
| 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 | 0,000 | 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) | 0,003 | 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 ».