MétaCan
Menu
Retour à la cohorte
Enregistrement W4392200025 · doi:10.18280/isi.290124

A Review of EEG Artifact Removal Methods for Brain-Computer Interface Applications

2024· review· fr· W4392200025 sur OpenAlexvenueno aff
Safdar Sardar Khan, Jaskirat Singh Sudan, Anuj Pathak, Rakesh Pandit, Pinky Rane, Ashish Kumar Kumawat

Notice bibliographique

RevueIngénierie des systèmes d information · 2024
Typereview
Languefr
DomaineNeuroscience
ThématiqueEEG and Brain-Computer Interfaces
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésArtifact (error)Brain–computer interfaceElectroencephalographyComputer scienceInterface (matter)Artificial intelligenceHuman–computer interactionNeurosciencePsychologyParallel computing

Résumé

récupéré en direct d'OpenAlex

The use of electroencephalogram signals in brain-computer interface Applications is widely used in Neuroscience.EEG records electrical activity in the brain but can also capture unwanted electrical activities called artifacts.They can originate from environmental noise, experimental errors, and physiological sources.To address these challenges, EEG Data Analysis involves different data preprocessing and statistical techniques.This systematic review conducted on more than 25 papers, aims to provide an overview of various types of artifacts such as extrinsic and intrinsic artifacts and methods available for removing those artifacts from EEG signals.Each approach presents unique advantages and challenges, contributing to the enhancement of the quality and reliability of EEG data for accurate analysis and interpretation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,787
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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 Opus0,050
Tête enseignante GPT0,377
Écart entre enseignants0,327 · 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 tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations6
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIngénierie des systèmes d informationMême sujetEEG and Brain-Computer InterfacesTravaux en français237 207