Optimal design of on‐scalp electromagnetic sensor arrays for brain source localisation
Notice bibliographique
Résumé
Optically pumped magnetometers (OPMs) are quickly widening the scopes of noninvasive neurophysiological imaging. The possibility of placing these magnetic field sensors on the scalp allows not only to acquire signals from people in movement, but also to reduce the distance between the sensors and the brain, with a consequent gain in the signal-to-noise ratio. These advantages make the technique particularly attractive to characterise sources of brain activity in demanding populations, such as children and patients with epilepsy. However, the technology is currently in an early stage, presenting new design challenges around the optimal sensor arrangement and their complementarity with other techniques as electroencephalography (EEG). In this article, we present an optimal array design strategy focussed on minimising the brain source localisation error. The methodology is based on the Cramér-Rao bound, which provides lower error bounds on the estimation of source parameters regardless of the algorithm used. We utilise this framework to compare whole head OPM arrays with commercially available electro/magnetoencephalography (E/MEG) systems for localising brain signal generators. In addition, we study the complementarity between EEG and OPM-based MEG, and design optimal whole head systems based on OPMs only and a combination of OPMs and EEG electrodes for characterising deep and superficial sources alike. Finally, we show the usefulness of the approach to find the nearly optimal sensor positions minimising the estimation error bound in a given cortical region when a limited number of OPMs are available. This is of special interest for maximising the performance of small scale systems to ad hoc neurophysiological experiments, a common situation arising in most OPM labs.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».