Vascular origins of low‐frequency oscillations in the cerebrospinal fluid signal in resting‐state <scp>fMRI</scp> : Interpretation using photoplethysmography
Notice bibliographique
Résumé
In vivo mapping of cerebrovascular oscillations in the 0.05-0.15 Hz remains difficult. Oscillations in the cerebrospinal fluid (CSF) represent a possible avenue for noninvasively tracking these oscillations using resting-state functional MRI (rs-fMRI), and have been used to correct for vascular oscillations in rs-fMRI functional connectivity. However, the relationship between low-frequency CSF and vascular oscillations remains unclear. In this study, we investigate this relationship using fast simultaneous rs-fMRI and photoplethysmogram (PPG), examining the 0.1 Hz PPG signal, heart-rate variability (HRV), pulse-intensity ratio (PIR), and the second derivative of the PPG (SDPPG). The main findings of this study are: (a) signals in different CSF regions are not equivalent in their associations with vascular and tissue rs-fMRI signals; (b) the PPG signal is maximally coherent with the arterial and CSF signals at the cardiac frequency, but coherent with brain tissue at ~0.2 Hz; (c) PIR is maximally coherent with the CSF signal near 0.03 Hz; and (d) PPG-related vascular oscillations only contribute to ~15% of the CSF (and arterial) signal in rs-fMRI. These findings caution against averaging all CSF regions when extracting physiological nuisance regressors in rs-fMRI applications, and indicate the drivers of the CSF signal are more than simply cardiac. Our study is an initial attempt at the refinement and standardization of how the CSF signal in rs-fMRI can be used and interpreted. It also paves the way for using rs-fMRI in the CSF as a potential tool for tracking cerebrovascular health through, for instance, the potential relationship between PIR and the CSF signal.
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,000 |
| 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 ».