Peripheral nerve stimulation measures in a composite gradient system
Notice bibliographique
Résumé
ABSTRACT Purpose: This work compared peripheral nerve stimulation (PNS) thresholds for the MRI scanner body gradients (BODY), a head/neck insert gradient (INSERT), and the combination of both gradient sets used simultaneously (COMPOSITE). Methods : For BODY, INSERT and COMPOSITE gradients, PNS thresholds were determined by exposing subject volunteers to stepped increases in gradient strength. For COMPOSITE mode, the INSERT was applied at equal (experiment 1) or double (experiment 2) the BODY gradient strength. Results: The locations and thresholds of peripheral nerve stimulation depended on the gradient system configuration, gradient axis, and gradient strength. Stimulation in the body occurred when using the BODY Y ‐gradient axis either singly (110 T/m/s) or in COMPOSITE mode (315 T/m/s experiment 2) and adding the insert gradient had negligible effect on stimulation. Stimulation in the head/sinus area generally occurred when using the INSERT X ‐gradient either singly (213 T/m/s) or in COMPOSITE mode (320 T/m/s) and adding the body gradient had negligible effect on stimulation. In the COMPOSITE mode, both the location of stimulation and the limiting gradient strength matched location and strength of the limiting component gradient. Conclusion: Stimulation, to a first‐order approximation, is independent for the two gradient systems. In COMPOSITE mode, PNS can be dominated by either of the individual gradient components, indicating that the contribution of each component can be increased until the threshold limit of each component gradient is reached. COMPOSITE gradients provide increased gradient performance with PNS thresholds higher than either component gradient system operating alone. © 2015 Wiley Periodicals, Inc. Concepts Magn Reson Part B (Magn Reson Engineering) 44B: 66–74, 2015
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 ».