Detection and localization of hippocampal activity using beamformers with MEG: A detailed investigation using simulations and empirical data
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
The ability to detect neuronal activity emanating from deep brain structures such as the hippocampus using magnetoencephalography has been debated in the literature. While a significant number of recent publications reported activations from deep brain structures, others reported their inability to detect such activity even when other detection modalities confirmed its presence. In this article, we relied on realistic simulations to show that both sides of this debate are correct and that these findings are reconcilable. We show that the ability to detect such activations in evoked responses depends on the signal strength, the amount of brain noise background, the experimental design parameters, and the methodology used to detect them. Furthermore, we show that small signal strengths require contrasts with control conditions to be detected, particularly in the presence of strong brain noise backgrounds. We focus on one localization technique, the adaptive spatial filter (beamformer), and examine its strengths and weaknesses in reconstructing hippocampal activations, in the presence of other strong brain sources such as visual activations, and compare the performance of the vector and scalar beamformers under such conditions. We show that although a weight-normalized beamformer combined with a multisphere head model is not biased in the presence of uncorrelated random noise, it can be significantly biased in the presence of correlated brain noise. Furthermore, we show that the vector beamformer performs significantly better than the scalar under such conditions. We corroborate our findings empirically using real data and demonstrate our ability to detect and localize such sources.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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