Contrast-based artifact removal enables microstate analysis in ambulatory EEG
Notice bibliographique
Résumé
OBJECTIVE: Recent advances in electroencephalography (EEG) technology present new opportunities for mobile neuroimaging and real-world human neuroscience studies. However, EEG is sensitive to many sources of artifacts, and it can be especially difficult to remove high amplitude motion artifacts. METHODS: We demonstrate a novel method using generalized eigen-decomposition (GED) for artifact removal, validated this approach using semi-simulated and real artifactual EEG collected during walking and jogging, and showed the feasibility of using cleaned ambulatory EEG data for brain microstate analysis. RESULTS: We found that GED is effective even in ultra-low SNR (0.1 - 5) conditions, achieving a correlation of 0.93 and RMSE of 1.43 ${\bm{\mu V}}$ in recovering ground truth activity using semi-simulated data, and increased the number of brain components by 10.9 and 11.8 for real data. GED showed superior performance compared with artifact subspace reconstruction (ASR) and independent component analysis (ICA) methods on semi-simulated data in very low SNR regimes. Using cleaned data, we were able to extract canonical EEG microstates across all tasks and sessions for examining task-related modulation in microstate duration, occurrence, and time coverage. We observed increased duration, occurrence and time coverage of microstates A and duration of microstate B, and decreased occurrence and time coverage of microstate D during motion compared with rest, corresponding to heightened alertness and increased visual processing. CONCLUSION: These findings not only validate our artifact removal approach but also open new avenues for investigating neural dynamics during naturalistic human behavior.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».