Adapted Beamforming: A Robust and Flexible Approach for Removing Various Types of Artifacts from TMS–EEG Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Electroencephalogram (EEG) recorded as response to transcranial magnetic stimulation (TMS) can be highly informative of cortical reactivity and connectivity. Reliable EEG interpretation requires artifact removal as the TMS-evoked EEG can contain high-amplitude artifacts. Several methods have been proposed to uncover clean neuronal EEG responses. In practice, determining which method to select for different types of artifacts is often difficult. Here, we used a unified data cleaning framework based on beamforming to improve the algorithm selection and adaptation to the recorded signals. Beamforming properties are well understood, so they can be used to yield customized methods for EEG cleaning based on prior knowledge of the artifacts and the data. The beamforming implementations also cover, but are not limited to, the popular TMS-EEG cleaning methods: independent component analysis (ICA), signal-space projection (SSP), signal-space-projection-source-informed-reconstruction method (SSP-SIR), the source-estimate-utilizing noise-discarding algorithm (SOUND), data-driven Wiener filter (DDWiener), and the multiple-source approach. In addition to these established methods, beamforming provides a flexible way to derive novel artifact suppression algorithms by considering the properties of the recorded data. With simulated and measured TMS-EEG data, we show how to adapt the beamforming-based cleaning to different data and artifact types, namely TMS-evoked muscle artifacts, ocular artifacts, TMS-related peripheral responses, and channel noise. Importantly, beamforming implementations are fast to execute: We demonstrate how the SOUND algorithm becomes orders of magnitudes faster via beamforming. Overall, the beamforming-based spatial filtering framework can greatly enhance the selection, adaptability, and speed of EEG artifact removal.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle