Limited value of EEG source imaging for decoding hand movement and imagery in youth with brain lesions
Notice bibliographique
Résumé
Brain–computer interfaces based on electroencephalography (EEG) often exhibit unreliable performance in the classification of motor tasks. Recent research has shown that EEG source imaging (ESI) has the potential to outperform sensor domain approaches in various movement decoding tasks. However, ESI research to date has predominantly focused on the adult population, so its performance in youth with disabilities is unknown. In this study, we compared the offline classification performance of two ESI approaches (with and without modeling white matter conductivity anisotropy) to that of a sensor domain approach in the classification of left- versus right-hand movement execution and imagery tasks. Magnetic resonance images (MRI) were acquired from nine pediatric participants with brain lesions. Subsequently, cortical activity was recorded from 64 channels. MRI data were used to estimate participant-specific EEG sources. Various feature extraction and classification approaches were investigated in both sensor and source domains. Generally, ESI classification performance did not exceed chance levels and was statistically equivalent to sensor approaches except for isolated participants. However, ESI offered +9.61% improvement over the sensor domain (p = 0.031) in decoding motor execution in a participant with unilateral ventriculomegaly. Future research ought to delineate the specific task and participant characteristics which warrant the source domain approach.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».