Statistical Improvements to NMR Phase Error Correction
Bibliographic record
Abstract
L'utilisation de la Résonance Magnétique Nucléaire (RMN) est largement répandue tant dans les milieux de recherche que dans les milieux cliniques et constitue la base de nombreuses technologies innovantes. Cependant, les données brutes de RMN doivent subir diverses étapes de prétraitement dans les domaines temporel et fréquentiel avant de pouvoir être analysées. Le principal défi du prétraitement réside dans la correction des erreurs de phase, qui est le sujet central de mes recherches. J'ai développé deux nouvelles approches pour aborder ce problème : le rétrécissement non linéaire (NLS) et les modèles de correction d'erreurs de phase multiples (MPC). De plus, j'ai introduit une nouvelle fonction d'optimisation : la minimisation de la différence entre l'aire absolue et l'aire nette sous une courbe (DANM). Grâce à des tests effectués sur 3000 jeux de données simulées et une étude de cas, j'ai constaté que NLS était la méthode la plus efficace, tandis que MPC_DANM était la deuxième meilleure parmi les sept méthodes évaluées. Dans les expériences de spike-in de métabolites simples, MPC_DANM a été la méthode la plus performante, suivie de MPC optimisé par la minimisation de l'entropie avec une pénalité de pic négatif (EMP). Dans les expériences de spike-in de métabolites multiples, le modèle traditionnel de correction d'erreur de phase simple (SPC) avec DANM, SPC_DANM, s'est révélé être le meilleur, suivi de NLS. En combinant les deux types d'expériences, NLS s'est avéré être la meilleure méthode, suivi de SPC_DANM en deuxième position. J'ai également créé un nouveau package R, NMRphasing, qui facilite l'application de NLS, SPC et MPC avec diverses fonctions d'optimisation. Ce package peut être utilisé pour la RMN 1D, 2D, 3D, et 4D, ainsi que pour de nouvelles variantes de RMN comme l'IRM
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.034 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".