A Multi-Class Intra-Trial Trajectory Analysis Technique to Visualize and Quantify Variability of Mental Imagery EEG Signals
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
High inter- and intra-individual variation is a prominent characteristic of electroencephalography (EEG) signals and a significant inhibitor to the practical implementation of brain–computer interfaces (BCIs) outside of research laboratories. However, a few methods exist to assess EEG signal variability. Here, a novel multi-class intra-trial trajectory (MITT) analysis to study EEG variability for mental imagery BCIs is presented. The methods yield insight into different aspects of signal variation, specifically (i) inter-individual, (ii) inter-task, (iii) inter-trial, and (iv) intra-trial. A novel representation of the time evolution of EEG signals was developed. Task trials were segmented into short temporal windows and represented in a feature space derived from unsupervised clustering of trial covariance matrices. Using this representation, temporal trajectories through the feature space were constructed. Two metrics were defined to assess user performance based on these trajectories: (1) InterTaskDiff, based on time-varying distances between the mean trajectories of different tasks, and (2) InterTrialVar, which measured the inter-trial variation of the temporal trajectories along the feature dimensions. Analysis of three-class BCI data from 14 adolescents revealed both metrics correlated significantly with classification results. Further analysis of intra-trial trajectories suggested the existence of characteristic task- and user-specific temporal dynamics. The participant-specific insights provided by MITT analysis could be used to overcome EEG-variability challenges impeding practical implementation of BCIs by elucidating avenues to improve user training feedback or selection of user-optimal classifiers and hyperparameters.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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