NIRSTORM: a Brainstorm extension dedicated to functional near-infrared spectroscopy data analysis, advanced 3D reconstructions, and optimal probe design
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Significance: Understanding the brain's complex functions requires multimodal approaches that combine data from various neuroimaging techniques. Functional near-infrared spectroscopy (fNIRS) offers valuable insights into hemodynamic responses, complementing other modalities such as electroencephalography (EEG), magnetoencephalography (MEG), and magnetic resonance imaging. However, there is a lack of comprehensive and accessible toolboxes able to integrate fNIRS advanced analyses with other modalities. NIRSTORM addresses this gap by offering a unified platform for multimodal neuroimaging analysis. Aim: NIRSTORM aims to provide a user-friendly and comprehensive environment for multimodal analysis while supporting the entire fNIRS analysis pipeline, from experiment planning to the reconstruction of hemodynamic fluctuations on the cortex. Approach: , NIRSTORM operates as a Brainstorm plugin, enhancing Brainstorm's capabilities for analyzing fNIRS data. Brainstorm is a widely used, GUI-based software originally designed for statistical analysis and source imaging of EEG and MEG data. Results: NIRSTORM supports conventional fNIRS preprocessing and statistical analyses while introducing new advanced features such as optimal montage for planning optode placement and maximum entropy on the mean (MEM) for reconstructing hemodynamic fluctuations on the cortical surface. Conclusion: As an open-access and user-friendly plugin, NIRSTORM extends Brainstorm's functionality to fNIRS, bridging the gap between EEG/MEG and hemodynamic analyses.
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 découle