Spatiotemporal empirical mode decomposition of resting-state fMRI signals: application to global signal regression
Notice bibliographique
Résumé
Abstract Resting-state functional connectivity MRI (rs-fcMRI) is a common method for mapping functional brain networks. However, estimation of these networks is affected by the presence of a common global systemic noise, or global signal (GS). Previous studies have shown that the common preprocessing steps of removing the GS may create spurious correlations between brain regions. In this paper, we decompose fMRI signals into 5 spatial and 3 temporal intrinsic mode functions (SIMF and TIMF, respectively) by means of the empirical mode decomposition (EMD), which is an adaptive data-driven method widely used to analyze nonlinear and nonstationary phenomena. For each SIMF, brain connectivity matrices were computed by means of the Pearson correlation between TIMFs of different brain areas. Thus, instead of a single connectivity matrix, we obtained 5 × 3 = 15 functional connectivity matrices. Given the high value obtained for large-scale topological measures such as transitivity, in the low spatial maps (SIMF3, SIMF4, and SIMF5), our results suggest that these maps can be considered as spatial global signal masks. Thus, the spatiotemporal EMD of fMRI signals automatically regressed out the GS, although, interestingly, the removed noisy component was voxel-specific. We compared the performance of our method with the conventional GS regression and to the results when the GS was not removed. While the correlation pattern identified by the other methods suffers from a low level of precision, our approach demonstrated a high level of accuracy in extracting the correct correlation between different brain regions.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».