Effects of Systemic Physiology on Mapping Resting-State Networks Using Functional Near-Infrared Spectroscopy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Resting-state functional connectivity (rsFC) has gained popularity mainly due to its simplicity and potential for providing insights into various brain disorders. In this vein, functional near-infrared spectroscopy (fNIRS) is an attractive choice due to its portability, flexibility, and low cost, allowing for bedside imaging of brain function. While promising, fNIRS suffers from non-neural signal contaminations (i.e., systemic physiological noise), which can increase correlation across fNIRS channels, leading to spurious rsFC networks. In the present work, we hypothesized that additional measurements with short channels, heart rate, mean arterial pressure, and end-tidal CO 2 could provide a better understanding of the effects of systemic physiology on fNIRS-based resting-state networks. To test our hypothesis, we acquired 12 min of resting-state data from 10 healthy participants. Unlike previous studies, we investigated the efficacy of different pre-processing approaches in extracting resting-state networks. Our results are in agreement with previous studies and reinforce the fact that systemic physiology can overestimate rsFC. We expanded on previous work by showing that removal of systemic physiology decreases intra- and inter-subject variability, increasing the ability to detect neural changes in rsFC across groups and over longitudinal studies. Our results show that by removing systemic physiology, fNIRS can reproduce resting-state networks often reported with functional magnetic resonance imaging (fMRI). Finally, the present work details the effects of systemic physiology and outlines how to remove (or at least ameliorate) their contributions to fNIRS signals acquired at rest.
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 découle