MétaCan
Menu
← Retour à la cohorte
Enregistrement W3127463777 · doi:10.1016/j.neuroimage.2021.117783

The neuronal associations of respiratory-volume variability in the resting state

2021· article· en· W3127463777 sur OpenAlexafffund
Seyedmohammad Shams, Pierre LeVan, J. Jean Chen

Notice bibliographique

RevueNeuroImage · 2021
Typearticle
Langueen
DomaineNeuroscience
ThématiqueFunctional Brain Connectivity Studies
Établissements canadiensUniversity of TorontoAlberta Children's HospitalUniversity of CalgaryBaycrest Hospital
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésElectroencephalographyResting state fMRIEEG-fMRICorrelationNoise (video)PsychologyNeuroscienceAssociation (psychology)Brain activity and meditationAudiologyCognitive psychologyMedicineArtificial intelligenceComputer scienceMathematics

Résumé

récupéré en direct d'OpenAlex

The desire to enhance the sensitivity and specificity of resting-state (rs-fMRI) measures has prompted substantial recent research into removing noise components. Chief among contributions to noise in rs-fMRI are physiological processes, and the neuronal implications of respiratory-volume variability (RVT), a main rs-fMRI-relevant physiological process, is incompletely understood. The potential implications of RVT in modulating and being modulated by autonomic nervous regulation, has yet to be fully understood by the rs-fMRI community. In this work, we use high-density electroencephalography (EEG) along with simultaneously acquired RVT recordings to help address this question. We hypothesize that (1) there is a significant relationship between EEG and RVT in multiple EEG bands, and (2) that this relationship varies by brain region. Our results confirm our first hypothesis, although all brain regions are shown to be equally implicated in RVT-related EEG-signal fluctuations. The lag between RVT and EEG is consistent with previously reported values. However, an interesting finding is related to the polarity of the correlation between RVT and EEG. Our results reveal potentially two main regimes of EEG-RVT association, one in which EEG leads RVT with a positive association between the two, and one in which RVT leads EEG but with a negative association between the two. We propose that these two patterns can be interpreted differently in terms of the involvement of higher cognition. These results further suggest that treating RVT simply as noise is likely a questionable practice, and that more work is needed to avoid discarding cognitively relevant information when performing physiological correction rs-fMRI.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,077
Tête enseignante GPT0,303
Écart entre enseignants0,226 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNeuroImage→Même sujetFunctional Brain Connectivity Studies→Travaux en français237 207→