Artifact Management for Cerebral Near-Infrared Spectroscopy Signals: A Systematic Scoping Review
Notice bibliographique
Résumé
Artifacts induced during patient monitoring are a main limitation for near-infrared spectroscopy (NIRS) as a non-invasive method of cerebral hemodynamic monitoring. There currently does not exist a robust "gold-standard" method for artifact management for these signals. The objective of this review is to comprehensively examine the literature on existing artifact management methods for cerebral NIRS signals recorded in animals and humans. A search of five databases was conducted based on the Preferred Reporting Items for Systematic Reviews and Meta-Analysis guidelines. The search yielded 806 unique results. There were 19 articles from these results that were included in this review based on the inclusion/exclusion criteria. There were an additional 36 articles identified in the references of select articles that were also included. The methods outlined in these articles were grouped under two major categories: (1) motion and other disconnection artifact removal methods; (2) data quality improvement and physiological/other noise artifact filtering methods. These were sub-categorized by method type. It proved difficult to quantitatively compare the methods due to the heterogeneity of the effectiveness metrics and definitions of artifacts. The limitations evident in the existing literature justify the need for more comprehensive comparisons of artifact management. This review provides insights into the available methods for artifact management in cerebral NIRS and justification for a homogenous method to quantify the effectiveness of artifact management methods. This builds upon the work of two existing reviews that have been conducted on this topic; however, the scope is extended to all artifact types and all NIRS recording types. Future work by our lab in cerebral NIRS artifact management will lie in a layered artifact management method that will employ different techniques covered in this review (including dynamic thresholding, autoregressive-based methods, and wavelet-based methods) amongst others to remove varying artifact types.
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 | 0,027 | 0,114 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,011 |
| Bibliométrie | 0,018 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
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 ».