Realignment of Magnetoencephalographic Data for Group Analysis in the Sensor Domain
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
Magnetoencephalography (MEG) is a neuroimaging modality with high temporal resolution for studying functional brain processes in relatively small neural assemblies on the time scale of <100 milliseconds and with synchrony and coherence in the recorded signals at high frequencies. Advanced MEG signal analysis gained importance for clinical applications, e.g., as a sensitive classifier for the diagnosis of neuropsychiatric disorders. Despite tremendous improvements in magnetic source imaging, MEG analysis often does not require explicit source estimation and can be performed in the sensor domain. However, group analysis of MEG sensor data is complicated by variable positioning of the sensor array relative to the head and needs realignment of the sensor configuration. Here, the authors provide an algorithm for transforming the magnetic field data as recorded at various sensor positions onto a common sensor array. Based on the measured magnetic field at the original sensor position, they estimate a source distribution and project it onto a virtual sensor array using the leadfield description of the magnetic forward solution. First, they analyzed the variation of sensor positioning in a typical MEG study and reported the impact on the leadfield matrix. Then they evaluated the realignment algorithm and reported its properties. Including efficient regularization to the inverse solution, they demonstrated that the introduced error is in the order of the sensor noise, and smoothing of data is limited to the set of smallest eigenvalues of the data. They demonstrated the performance of the algorithm with dipole source modeling on group averaged MEG data and comparison of grand averaged auditory evoked responses with and without sensor realignment.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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