Time-Domain Analysis of Low- and High-Frequency Near-Infrared Spectroscopy Sensor Technologies for Characterization of Cerebral Pressure–Flow and Oxygen Delivery Physiology: A Prospective Observational Study
Notice bibliographique
Résumé
Cerebrovascular reactivity, cerebral autoregulation (CA), and oxygen delivery can be measured continuously and in a non-invasive fashion using cerebral near-infrared spectroscopy (NIRS). Although the literature is limited surrounding the difference between signals acquired and derived from low (<100 Hz) and high sampling rates (≥100 Hz). As part of a prospective observational study, we preliminarily explored and assessed the difference in the information provided by two NIRS systems using regional cerebral oxygen saturation and cerebral oximetry index signals at low and high sampling rates. The raw data in two frequencies (down-sampled to 1 Hz using the mean and up-sampled to 250 Hz) were decimated to focus on slow-wave vasogenic fluctuations associated with CA. Then, the data were analyzed using various statistical methods such as the absolute signal difference, Pearson correlation, Bland-Altman agreement, Cross-correlation function, optimal time-series autocorrelative structure, time-series impulse response function, and Granger causality relationships. The results of the various statistical analyses indicated that the signals obtained using high-frequency NIRS were different from signals obtained from low-frequency NIRS of the same cerebral region. Hence, high-frequency NIRS systems may possibly contain better signal features compared to NIRS systems with low sampling rates, but further work is required to assess high-frequency NIRS in other healthy and cranial trauma populations.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».