MétaCan
Menu
Retour à la cohorte
Enregistrement W4405768485 · doi:10.1109/jstqe.2025.3537642

Comprehensive Optimization of Interferometric Diffusing Wave Spectroscopy (iDWS)

2025· preprint· en· W4405768485 sur OpenAlexfundno aff
Mingjun Zhao, Leah Dickstein, Akshay Nadig, Wenjun Zhou, Santosh Aparanji, Shing-Jiuan Liu, Ting Zhou, Weijian Yang, Aaron Lord, Vivek J. Srinivasan

Notice bibliographique

RevueIEEE Journal of Selected Topics in Quantum Electronics · 2025
Typepreprint
Langueen
DomaineMedicine
ThématiqueOptical Imaging and Spectroscopy Techniques
Établissements canadiensnon disponible
Organismes subventionnairesEunice Kennedy Shriver National Institute of Child Health and Human DevelopmentNational Institutes of HealthNational Natural Science Foundation of ChinaNational Institute of Biomedical Imaging and BioengineeringNational Eye InstituteYork UniversityNational Institute of Neurological Disorders and StrokeTianjin UniversityResearch to Prevent Blindness
Mots-clésDuty cycleSpeckle patternInterferometrySensitivity (control systems)SpectroscopyOpticsComputer scienceArtifact (error)Power (physics)Artificial intelligencePhysicsElectronic engineeringEngineering

Résumé

récupéré en direct d'OpenAlex

It has been shown that light speckle fluctuations provide a means for noninvasive measurements of cerebral blood flow index (CBFi). While conventional Diffuse Correlation Spectroscopy (DCS) provides marginal brain sensitivity for CBFi in adult humans, new techniques have recently emerged to improve diffuse light throughput and thus, brain sensitivity. Here we further optimize one such approach, interferometric diffusing wave spectroscopy (iDWS), with respect to number of independent channels, camera duty cycle and full well capacity, incident power, noise and artifact mitigation, and data processing. We build the system on a cart and define conditions for stable operation. We show pulsatile CBFi monitoring at 4-4.5 cm source-collector separation in adults with moderate pigmentation (Fitzpatrick 4). We also report preliminary clinical measurements in the Neuro Intensive Care Unit (Neuro ICU). These results push the boundaries of iDWS CBFi monitoring performance beyond previous reports.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,171
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,004
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,029
Tête enseignante GPT0,331
Écart entre enseignants0,302 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Journal of Selected Topics in Quantum ElectronicsMême sujetOptical Imaging and Spectroscopy TechniquesTravaux en français237 207