Parallel factor analysis for multidimensional decomposition of functional near-infrared spectroscopy data
Notice bibliographique
Résumé
Current techniques for data analysis in functional near-infrared spectroscopy (fNIRS), such as artifact correction, do not allow to integrate the information originating from both wavelengths, considering only temporal and spatial dimensions of the signal's structure. Parallel factor analysis (PARAFAC) has previously been validated as a multidimensional decomposition technique in other neuroimaging fields.We aimed to introduce and validate the use of PARAFAC for the analysis of fNIRS data, which is inherently multidimensional (time, space, and wavelength).We used data acquired in 17 healthy adults during a verbal fluency task to compare the efficacy of PARAFAC for motion artifact correction to traditional two-dimensional decomposition techniques, i.e., target principal (tPCA) and independent component analysis (ICA). Correction performance was further evaluated under controlled conditions with simulated artifacts and hemodynamic response functions.PARAFAC achieved significantly higher improvement in data quality as compared to tPCA and ICA. Correction in several simulated signals further validated its use and promoted it as a robust method independent of the artifact's characteristics.This study describes the first implementation of PARAFAC in fNIRS and provides validation for its use to correct artifacts. PARAFAC is a promising data-driven alternative for multidimensional data analyses in fNIRS and this study paves the way for further applications.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».