Extraction and evaluation of EEG covariates and their influence on GLM model: EEG covariates and their influence on GLM model
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00023752%3A_____%2F21%3A43920825" target="_blank" >RIV/00023752:_____/21:43920825 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/00216208:11120/21:43923122 RIV/68407700:21460/21:00352196
Výsledek na webu
<a href="https://dl.acm.org/doi/10.1145/3502060.3502354" target="_blank" >https://dl.acm.org/doi/10.1145/3502060.3502354</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1145/3502060.3502354" target="_blank" >10.1145/3502060.3502354</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Extraction and evaluation of EEG covariates and their influence on GLM model: EEG covariates and their influence on GLM model
Popis výsledku v původním jazyce
This study aims at the identification of suitable approaches to dimension reduction methods for EEG covariate extraction for GLM analysis of fMRI time series. We present the results of anatomical and mathematical methods of dimension covariate reduction and their combinations. Individual models according to the used covariates showed that jPCA creates a lower number of significantly correlated voxels. Anatomical reduction balances the number of correlated voxels between mean and jPCA. The choice of covariates has a significant effect on the resulting GLM activations. The average allows generalization to explain a physiological activity, jPCA offers the ability to identify specific activations.
Název v anglickém jazyce
Extraction and evaluation of EEG covariates and their influence on GLM model: EEG covariates and their influence on GLM model
Popis výsledku anglicky
This study aims at the identification of suitable approaches to dimension reduction methods for EEG covariate extraction for GLM analysis of fMRI time series. We present the results of anatomical and mathematical methods of dimension covariate reduction and their combinations. Individual models according to the used covariates showed that jPCA creates a lower number of significantly correlated voxels. Anatomical reduction balances the number of correlated voxels between mean and jPCA. The choice of covariates has a significant effect on the resulting GLM activations. The average allows generalization to explain a physiological activity, jPCA offers the ability to identify specific activations.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
30103 - Neurosciences (including psychophysiology)
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2021
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
2021 International Symposium on Biomedical Engineering and Computational Biology, BECB 2021
ISBN
978-1-4503-8411-7
ISSN
—
e-ISSN
—
Počet stran výsledku
7
Strana od-do
1-7
Název nakladatele
Association for Computing Machinery
Místo vydání
Neuvedeno
Místo konání akce
Virtual, Online
Datum konání akce
13. 8. 2021
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—