Analysis of electrode arrangements for brain stroke diagnosis via electrical impedance tomography through numerical computational models
Notice bibliographique
Résumé
Abstract Objective. Rapid stroke-type classification is crucial for improved prognosis. However, current methods for classification are time-consuming, require expensive equipment, and can only be used in the hospital. One method that has demonstrated promise in a rapid, low-cost, non-invasive approach to stroke diagnosis is electrical impedance tomography (EIT). While EIT for stroke diagnosis has been the topic of several studies in recent years, to date, the impact of electrode placements and arrangements has rarely been analyzed or tested and only in limited scenarios. Optimizing the location and choice of electrodes can have the potential to improve performance and reduce hardware cost and complexity and, most importantly, diagnosis time. Approach. In this study, we analyzed the impact of electrodes in realistic numerical models by (1) investigating the effect of individual electrodes on the resulting simulated EIT boundary measurements and (2) testing the performance of different electrode arrangements using a machine learning classification model. Main results. We found that, as expected, the electrodes deemed most significant in detecting stroke depend on the location of the electrode relative to the stroke lesion, as well as the role of the electrode. Despite this dependence, there are notable electrodes used in the models that are consistently considered to be the most significant across the various stroke lesion locations and various head models. Moreover, we demonstrate that a reduction in the number of electrodes used for the EIT measurements is possible, given that the electrodes are approximately evenly distributed. Significance. In this way, electrode arrangement and location are important variables to consider when improving stroke diagnosis methods using EIT.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».