MétaCan
Menu
← Retour à la cohorte
Enregistrement W4391306380 · doi:10.1109/smc53992.2023.10394437

Channel Selection Improves Accuracy for Pediatric Users of Motor Imagery Brain-Computer Interfaces

2023· article· en· W4391306380 sur OpenAlexaff
Brian Irvine, Eli Kinney‐Lang, Elissa Maalouf, Maziyar Dowlatabadibazaz, Dion Kelly, Joanna RG. Keough, Adam Kirton, Hatem Abou-Zeid

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineNeuroscience
ThématiqueEEG and Brain-Computer Interfaces
Établissements canadiensUniversity of British ColumbiaUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésBrain–computer interfaceComputer scienceMotor imageryClassifier (UML)PersonalizationSelection (genetic algorithm)Channel (broadcasting)Selection algorithmArtificial intelligenceMachine learningInterface (matter)PopulationData miningElectroencephalography

Résumé

récupéré en direct d'OpenAlex

Children are an under-served population in the field of brain-computer interface (BCI) development. The high prevalence of lifelong disability coupled with the diversity and plasticity of children's brains make them ideal candidates for personalized BCI systems. Channel selection methods provide a tool for the in-session personalization of BCI systems. To evaluate the efficacy of channel selection for pediatric users, we tested four wrapper-based channel selection algorithms, sequential forward selection (SFS), sequential backward selection (SBS), sequential forward floating selection (SFFS), and sequential backward floating selection (SBFS) on offline motor imagery BCI data from three datasets involving typically developing children. The purpose was to assess the performance benefits and computational costs of each algorithm. All algorithms provided classification accuracy gains of 10–15 % with their optimal subsets. The time required to reach the optimal subsets varied between algorithms, but all took less than 80 s with mean completion times of 9.5 s and 35.8 s for the fastest (SFS) and slowest (SFFS), respectively. Adjusting the stopping criterion of the algorithm enables users to further reduce computation time with a disproportionately small effect on classification accuracy. All methods demonstrated an ability to prioritize expected physiological regions of interest and leave out channels detrimental to the classifier. Channel selection offers personalization of the BCI system for a specific user and a specific classifier. These findings emphasize the value of using personalized channel selection algorithms to improve motor imagery BCI systems for pediatric users.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,007
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,032
Tête enseignante GPT0,291
Écart entre enseignants0,260 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetEEG and Brain-Computer Interfaces→Travaux en français237 207→