Active and resting motor threshold are efficiently obtained with adaptive threshold hunting
Notice bibliographique
Résumé
Transcranial magnetic studies typically rely on measures of active and resting motor threshold (i.e. AMT, RMT). Previous work has demonstrated that adaptive threshold hunting approaches are efficient for estimating RMT. To date, no study has compared motor threshold estimation approaches for measures of AMT, yet this measure is fundamental in transcranial magnetic stimulation (TMS) studies that probe intracortical circuits. The present study compared two methods for acquiring AMT and RMT: the Rossini-Rothwell (R-R) relative-frequency estimation method and an adaptive threshold-hunting method based on maximum-likelihood parameter estimation by sequential testing (ML-PEST). AMT and RMT were quantified via the R-R and ML-PEST methods in 15 healthy right-handed participants in an experimenter-blinded within-subject study design. AMT and RMT estimations obtained with both the R-R and ML-PEST approaches were not different, with strong intraclass correlation and good limits of agreement. However, ML-PEST required 17 and 15 fewer stimuli than the R-R method for the AMT and RMT estimation, respectively. ML-PEST is effective in reducing the number of TMS pulses required to estimate AMT and RMT without compromising the accuracy of these estimates. Using ML-PEST to estimate AMT and RMT increases the efficiency of the TMS experiment as it reduces the number of pulses to acquire these measures without compromising accuracy. The benefits of using the ML-PEST approach are amplified when multiple target muscles are tested within a session.
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 | 0,001 |
| 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 | 0,001 | 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 ».