Wavelet-based image decomposition affects SSVEP signal amplitude for face identification
Notice bibliographique
Résumé
Previous studies have predominantly examined N170 sensitivity in a binary manner, focusing on the presence or absence of distinct facial features, either independently or within a facial context (e.g., Parkington & Itier, 2018). However, recent work has suggested that the N170 operates more like a continuum, with amplitude increasing as diagnostic information accumulates (Audette et al., 2023). In parallel to the study of ERPs, the method of steady state visual evoked potentials (SSVEP) has been instrumental in exploring neuronal responses to oscillating visual stimuli, shedding light on the brain's capacity to synchronize with and process visual information across various frequencies. Seeking to replicate the amplitude continuum observed in ERPs, we utilized SSVEP, incorporating wavelets into our stimuli to enhance decomposition while preserving low-level information. Presenting modified faces at five decomposition levels (0 to 20%) and three flickering frequencies (4, 5, or 6 Hz) to 11 observers, we implemented an oddball paradigm featuring identity changes (AAAAAB). Participants completed 45 trials of 53 stimulation cycles, encompassing three trials for each of the 15 conditions. Our results suggested no effect of stimulus presentation frequency (F(10) = 0.45, p = 0.630) but high responsiveness to the level of decomposition in presented faces (F(10) = 8.65, p < .001). In essence, as the diagnostic information in faces decreased, neural activity synchronization to identity diminished. In other words, the less diagnostic information was available in faces, the less the participant’s neural activity synchronized to the change in identity. These findings not only advance our comprehension of cognitive processes in face recognition but also hold promise for optimizing facial feature extraction in real-world applications.
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 | 0,000 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,002 | 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 ».