Event Related Potential Signal Capture Can Be Enhanced through Dynamic SNR-Weighted Channel Pooling
Notice bibliographique
Résumé
Background: Electroencephalography (EEG)-derived event-related potentials (ERPs) provide information about a variety of brain functions, but often suffer from low inherent signal-to-noise ratio (SNR). To overcome the low SNR, techniques that pool data from multiple sensors have been applied. However, such pooling implicitly assumes that the SNR among sensors is equal, which is not necessarily valid. This study presents a novel approach for signal pooling that accounts for differential SNR among sensors. Methods: The new technique involves pooling together signals from multiple EEG channels weighted by their respective SNRs relative to the overall SNR of all channels. We compared ERP responses derived using this new technique with those derived using both individual channels as well as traditional averaged-based channel pooling. The outcomes were evaluated in both simulated data and real data from healthy adult volunteers (n = 37). Responses corresponding to a range of ERP components indexing auditory sensation (N100), attention (P300) and language processing (N400) were evaluated. Results: Simulation results demonstrate that, compared to traditional pooling technique, the new SNR-weighted channel pooling technique improved ERP response effect size in cases of unequal noise among channels (p’s < 0.001). Similarly, results from real-world experimental data showed that the new technique resulted in significantly greater ERP effect sizes compared to either traditional pooling or individual channel approach for all three ERP components (p’s < 0.001). Furthermore, the new channel pooling approach also resulted in larger ERP signal amplitudes as well as greater differences among experimental conditions (p’s < 0.001). Conclusion: These results suggest that the new technique improves the capture of ERP responses relative to traditional techniques. As such, SNR-weighted channel pooling can further enable widespread applications of ERP techniques, especially those that require rapid assessments in noisy out-of-laboratory environments.
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 | 0,005 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».