A Full-wave Solution of Deep Sources in the Lossy Human Head to Accurate Electroencephalography and Magnetoencephalography
Notice bibliographique
Résumé
Introduction: Currents in the brain flow inside neurons and across their boundaries into the extracellular medium, create electric and magnetic fields. These fields, which contain suitable information on brain activity, can be measured by electroencephalography (EEG), magnetoencephalography (MEG), and direct neural imaging. Methods: In this paper, we employed an electromagnetic model of the neuron activity and human head to derive electric and magnetic fields (brain waves) using a full-wave approach (ie. without any approximation). Currently, the brain waves are only derived using the quasi-static approximation (QSA) of Maxwell's equations in electromagnetic theory. Results: As a result, source localization in brain imaging will produce some errors. So far, the error rate of the QSA on the output results of electric and magnetic fields has not been investigated. This issue has become more noticeable due to the increased sensitivity of modern electroencephalography (EEG) and magnetoencephalography (MEG) devices. This work introduces issues that QSA encounters in this problem and reveals the necessity of a full-wave solution. Then, a full-wave solution of the problem in closed-form format is presented for the first time. This solution is done in two scenarios: the source (active neurons) is in the center of a sphere, and when the source is out of the center but deeply inside the sphere. The first scenario is simpler, but the second one is much more complicated and is solved using a partial-wave series expression. Conclusion: One of the significant achievements of this model is improving the interpretation of EEG and MEG measurements, resulting in more accurate source localization.
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 | 0,002 | 0,003 |
| 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 | 0,001 | 0,001 |
| 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 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 ».