MétaCan
Menu
Retour à la cohorte
Enregistrement W4223898804 · doi:10.1371/journal.pone.0265112

Getting the nod: Pediatric head motion in a transdiagnostic sample during movie- and resting-state fMRI

2022· article· en· W4223898804 sur OpenAlexafffund
Simon Frew, Ahmad Samara, Hallee Shearer, Jeffrey Eilbott, Tamara Vanderwal

Notice bibliographique

RevuePLoS ONE · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueAdvanced Neuroimaging Techniques and Applications
Établissements canadiensUniversity of British ColumbiaBC Children's HospitalUniversity of Waterloo
Organismes subventionnairesBC Children's Hospital
Mots-clésMotion (physics)Artifact (error)Motion sicknessArtificial intelligenceRotation (mathematics)Computer scienceTranslation (biology)Head (geology)Computer visionPsychologyBiology

Résumé

récupéré en direct d'OpenAlex

Head motion continues to be a major problem in fMRI research, particularly in developmental studies where an inverse relationship exists between head motion and age. Despite multifaceted and costly efforts to mitigate motion and motion-related signal artifact, few studies have characterized in-scanner head motion itself. This study leverages a large transdiagnostic public dataset (N = 1388, age 5-21y, The Healthy Brain Network Biobank) to characterize pediatric head motion in space, frequency, and time. We focus on practical aspects of head motion that could impact future study design, including comparing motion across groups (low, medium, and high movers), across conditions (movie-watching and rest), and between males and females. Analyses showed that in all conditions, high movers exhibited a different pattern of motion than low and medium movers that was dominated by x-rotation, and z- and y-translation. High motion spikes (>0.3mm) from all participants also showed this pitch-z-y pattern. Problematic head motion is thus composed of a single type of biomechanical motion, which we infer to be a nodding movement, providing a focused target for motion reduction strategies. A second type of motion was evident via spectral analysis of raw displacement data. This was observed in low and medium movers and was consistent with respiration rates. We consider this to be a baseline of motion best targeted in data preprocessing. Further, we found that males moved more than, but not differently from, females. Significant cross-condition differences in head motion were found. Movies had lower mean motion, and especially in high movers, movie-watching reduced within-run linear increases in head motion (i.e., temporal drift). Finally, we used intersubject correlations of framewise displacement (FD-ISCs) to assess for stimulus-correlated motion trends. Subject motion was more correlated in movie than rest, and 8 out of top 10 FD-ISC windows had FD below the mean. Possible reasons and future implications of these findings are discussed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,107
Score d'incertitude au seuil0,265

Scores Codex et Gemma par catégorie

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

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 Opus0,090
Tête enseignante GPT0,305
Écart entre enseignants0,215 · 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 tête enseignante, 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

Citations39
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetAdvanced Neuroimaging Techniques and ApplicationsTravaux en français237 207