Evaluation of multiple-sphere head models for MEG source localization
Notice bibliographique
Résumé
Magnetoencephalography (MEG) source analysis has largely relied on spherical conductor models of the head to simplify forward calculations of the brain's magnetic field. Multiple- (or overlapping, local) sphere models, where an optimal sphere is selected for each sensor, are considered an improvement over single-sphere models and are computationally simpler than realistic models. However, there is limited information available regarding the different methods used to generate these models and their relative accuracy. We describe a variety of single- and multiple-sphere fitting approaches, including a novel method that attempts to minimize the field error. An accurate boundary element method simulation was used to evaluate the relative field measurement error (12% on average) and dipole fit localization bias (3.5 mm) of each model over the entire brain. All spherical models can contribute in the order of 1 cm to the localization bias in regions of the head that depart significantly from a sphere (inferior frontal and temporal). These spherical approximation errors can give rise to larger localization differences when all modeling effects are taken into account and with more complex source configurations or other inverse techniques, as shown with a beamformer example. Results differed noticeably depending on the source location, making it difficult to recommend a fitting method that performs best in general. Given these limitations, it may be advisable to expand the use of realistic head models.
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 | 0,000 | 0,000 |
| 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 ».