On the Use of FOOOF for Electroencephalography Quality Measurement and Device Assessment
Notice bibliographique
Résumé
Electroencephalography (EEG) signals capture the electrical activity of the brain and have traditionally been used in clinical settings. More recently, with the development of mobile, wearable EEG devices their use has been explored for other applications, including emotion recognition, quality of experience monitoring, or fatigue detection, just to name a few. EEG signals are known to have a 1/f-noise like structure and are very low amplitude, thus making them highly susceptible to artefacts, such as power line interference, muscle movement, and eye blinks. Moreover, prototyping and development of new devices to record EEG signals may introduce additional sources of artefacts generated by different instrumentation settings. As such, automated quantification of the quality of the EEG signals has become important and the focus of recent research. Here, we propose a new quality metric based on the 1/f-noise structure of the EEG signal. Experimental results show the proposed metric classifying clean versus noisy EEG segments in a subject-independent setting with an accuracy of 86.0% for the AF7 electrode location and 64.6% for AF8, two electrode locations known to be highly degraded by artefacts. Additionally, the proposed metrics are shown to generalize well to unseen electrode locations. For example, a quality model trained on AF7 noisy EEG data achieved an accuracy of 61.4% when tested on data collected from the AF8 location. EEG, quality, fooof, prototyping
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 | 0,003 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».