NIRSTORM: a Brainstorm extension dedicated to functional Near Infrared Spectroscopy (fNIRS) data analysis, advanced 3D reconstructions, and optimal probe design
Notice bibliographique
Résumé
Abstract Significance We propose NIRSTORM, a software package built within Brainstorm environment, enabling full data analysis of functional Near InfraRed Spectroscopy (fNIRS) data from experiment planning to 3D reconstruction of hemodynamic fluctuations on the cortical surface using optical tomographic approaches. NIRSTORM enables the integration of fNIRS analysis within a multimodal setup making it easy to study fNIRS in combination with other multimodal data such as electroencephalography (EEG) or magnetic resonance imaging (MRI). Aim NIRSTORM aims to provide an easy-to-use and fully modular toolbox for fNIRS analysis from experimental planning to optical tomography 3D reconstruction extending Brainstorm capacity for multimodal analysis. Approach NIRSTORM was developed in MATLAB® and integrated as a plugin of the software Brainstorm. Brainstorm is a GUI-oriented, widely used software originally dedicated to statistical analysis and source imaging of EEG and magnetoencephalography (MEG) data. Results In addition to conventional fNIRS preprocessing steps, including standard channel space and statistical analyses, NIRSTORM provides advanced methods dedicated to optimal probe placement, allowing personalized fNIRS study designs and accurate near-infrared optical tomography within the Maximum Entropy on the Mean (MEM) framework. Conclusion NIRSTORM is an open-access, user-friendly plugin extending the capacity of Brainstorm, for fNIRS analysis, therefore narrowing the gap between EEG/MEG and hemodynamics.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,046 | 0,012 |
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 ».