Eye-movement artifact correction in infant EEG: A systematic comparison between ICA and Artifact Blocking
Notice bibliographique
Résumé
Abstract Background Independent Component Analysis (ICA) is a well-established approach to clean EEG and remove the impact of signals of non-neural origin, such as those from muscular activity and eye movements. However, evidence suggests that ICA removes artifacts less effectively in infants than in adults. This study systematically compares ICA and Artifact Blocking (AB), an alternative approach proposed to improve eye-movement artifact correction in infant EEG. Methods We analyzed EEG collected from 50 infants between 6 and 18 months of age as part of the International Infant EEG Data Integration Platform (EEG-IP), a longitudinal multi-study dataset. EEG was recorded while infants sat on their caregivers’ laps and watched videos. We used ICA and AB to correct for eye-movement artifacts in the EEG and calculated the proportion of effectively corrected segments, signal-to-noise ratio (SNR), power-spectral density (PSD), and multiscale entropy (MSE) in manually selected EEG segments with and without eye-movement artifacts. Results On the one hand, the proportion of effectively corrected segments indicated that ICA corrected eye-movement artifacts (sensitivity) better than AB. SNR and PSD indicated that both AB and ICA correct eye-movement artifacts with equal sensitivity. MSE gave mixed results. On the other hand, AB caused less distortion to the clean segments (specificity) for SNR, PSD, and MSE. Conclusions Our results suggest that ICA is more sensitive (i.e., it better removes artifacts) but less specific (it distorts clean signals) than AB for correcting eye-movement artifacts in infant EEG.
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 | 0,004 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».