Using OPM-MEG in contrasting magnetic environments
Notice bibliographique
Résumé
ABSTRACT Magnetoencephalography (MEG) has been revolutionised in recent years by optically pumped magnetometers (OPMs). “OPM-MEG” offers higher sensitivity, better spatial resolution and lower cost than conventional instrumentation based on superconducting quantum interference devices (SQUIDS). Moreover, OPMs offer the possibility of motion robustness and lifespan compliance, dramatically expanding the range of MEG applications. However, OPM-MEG remains nascent technology; it places stringent requirements on magnetic shielding, and whilst a number of viable systems exist, most are custom made and there have been no cross-site investigations showing the reliability of data. In this paper, we undertake the first cross-site OPM-MEG comparison, using near identical commercial systems scanning the same participant. The two sites are deliberately contrasting, with different magnetic environments: a “green field” campus university site with an OPM-optimised shielded room (low interference) and a city centre hospital site with a “standard” (non-optimised) MSR (high interference). We show that despite a 25-fold difference in background field, and a 30-fold difference in low frequency interference, using dynamic field control and software-based suppression of interference we can generate comparable noise floors at both sites. In human data recorded during a visuo-motor task and a face processing paradigm, we were able to generate similar data, with source localisation showing that brain regions could be pinpointed with just ~10 mm spatial discrepancy and temporal correlations of > 80%. Overall, our study demonstrates that “plug- and-play” OPM-MEG systems exist and can be sited even in challenging magnetic environments.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».