Can time-resolved NIRS provide the sensitivity to detect brain activity during motor imagery consistently?
Notice bibliographique
Résumé
Previous functional magnetic resonance imaging (fMRI) studies have shown that a subgroup of patients diagnosed as being in a vegetative state are aware and able to communicate by performing a motor imagery task in response to commands. Due to the fMRI's cost and accessibility, there is a need for exploring different imaging modalities that can be used at the bedside. A promising technique is functional near infrared spectroscopy (fNIRS) that has been successfully applied to measure brain oxygenation in humans. Due to the limited depth sensitivity of continuous-wave NIRS, time-resolved (TR) detection has been proposed as a way of enhancing the sensitivity to the brain, since late arriving photons have a higher probability of reaching the brain. The goal of this study was to assess the feasibility and sensitivity of TR fNIRS in detecting brain activity during motor imagery. Fifteen healthy subjects were recruited in this study, and the fNIRS results were validated using fMRI. The change in the statistical moments of the distribution of times of flight (number of photons, mean time of flight and variance) were calculated for each channel to determine the presence of brain activity. The results indicate up to an 86% agreement between fMRI and TR-fNIRS and the sensitivity ranging from 64 to 93% with the highest value determined for the mean time of flight. These promising results highlight the potential of TR-fNIRS as a portable brain computer interface for patients with disorder of consciousness.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».