Controllable Pulse Parameter TMS and TMS-EEG As Novel Approaches to Improve Neural Targeting with rTMS in Human Cerebral Cortex
Notice bibliographique
Résumé
Repetitive transcranial magnetic stimulation (rTMS) can produce after-effects on the excitability and function of the stimulated cortical site that outlasts the period of stimulation for several minutes or hours (Hamada et al., 2008; Huang et al., 2005; Ridding and Ziemann, 2010; Sommer et al., 2013). These are thought to involve early phases of long term potentiation/depression at cortical synapses. Depending on the area stimulated, the after-effects can influence performance of a variety of cognitive and motor tasks, as well as learning (Parkin et al., 2015; Censor and Cohen, 2011). Reports of beneficial effects on behaviour in healthy populations have led to widespread interest in applying rTMS therapeutically, for example in patients with neuropsychiatric and neurological disorders (George et al., 2013; Lefaucheur et al., 2014; Ridding and Rothwell, 2007). \n \nA major issue with rTMS protocols is that the effects vary considerably within and between individuals (Hamada et al., 2013; Lopez-Alonso et al., 2014; Simeoni et al., 2016; Hinder et al., 2014; Vallence et al., 2015; Vernet et al., 2013; Goldsworthy et al., 2014; Maeda et al., 2000), which causes problems in replication of results in a research setting (Heroux et al., 2015), and is an obstacle to using rTMS in a therapeutic setting. A separate, but related, issue is that rTMS over a given cortical area is often assumed to affect all neuronal populations equally and thus affect all behaviours involving that area similarly, but this may not be true. Here we argue that advanced technologies and methodologies, such as controllable pulse parameter TMS (cTMS; (Peterchev et al., 2014)) and combining TMS with electroencephalography (EEG) (Ilmoniemi and Kicic, 2010; Peterchev et al., 2014), might facilitate the development of more selective forms of stimulation targeting particular neuronal populations or brain states, and ultimately improve the reliability and behavioural specificity of rTMS protocols.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».