Optimizing MEG-EEG Mapping in Resource-Constrained Non-Intrusive Bio-Magnetic Sensing Systems: A Data-Driven Approach
Notice bibliographique
Résumé
While Magnetoencephalography (MEG) and electroencephalography (EEG) are well-known neuroimaging techniques to capture a myriad of brain activities and stimulations, accessing conventional M/EEG devices is challenging. This is because of the bulky nature of the MEG machines, the need for magnetic shielding and cooling system, intrusive EEG electrodes, and various other complications involving preparing these devices to guarantee a clinical-grade signal acquisition. To address these issues, in this paper, we consider bio-magnetic sensing with emerging Magnetic Tunnel Junction (MTJ) sensors operating at room temperature that can map the sensed MEG to EEG signals, which can be helpful in this domain. However, such ultra-sensitive sensors are resource-constrained, and incorporating such MEG-EEG mapping needs to be optimized to balance the accuracy and computational/energy trade-off. Therefore, we adopt a data-centric approach to address this optimization problem. Furthermore, we conduct rigorous comparative analytics on prominent machine/deep learning models on a publicly available dataset to establish a baseline proof-of-concept that can be seamlessly integrated with the considered bio-magnetic sensing systems. Our research unlocks the possibility for real-time monitoring of brain activities and abnormality detection away from the clinical environment and complex hospital settings. Moreover, the compact size and low-power requirements for the considered MTJ sensor make it compatible with IoT and wearable devices.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,002 | 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 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 ».