Effect of channel density, inverse solutions and connectivity measures on EEG resting-state networks: a simulation study
Notice bibliographique
Résumé
Abstract Along with the study of brain activity evoked by external stimuli, the past two decades witnessed an increased interest in characterizing the spontaneous brain activity occurring during resting conditions. The identification of the connectivity patterns in this so-called “resting-state” has been the subject of a great number of electrophysiology-based studies, using the Electro/Magneto-Encephalography (EEG/MEG) source connectivity method. However, no consensus has been reached yet regarding a unified (if possible) analysis pipeline, and several involved parameters and methods require cautious tuning. This is particularly challenging when different choices induce significant discrepancy in results and drawn conclusions, thereby hindering reproducibility of neuroimaging research. Hence, our objective in this study was to evaluate some of the parameters related to the EEG source connectivity analysis and shed light on their implications on the accuracy of the resulting networks. We simulated, using neural mass models, EEG data corresponding to two of the resting-state networks (RSNs), namely the default mode network (DMN) and the dorsal attentional network (DAN). We investigated the impact of five channel densities (19, 32, 64, 128, 256), three inverse solutions (weighted minimum norm estimate (wMNE), exact low resolution brain electromagnetic tomography (eLORETA), and linearly constrained minimum variance (LCMV) beamforming) and four functional connectivity measures (phase-locking value (PLV), phase-lag index (PLI), and amplitude envelope correlation (AEC) with and without source leakage correction), on the correspondence between reconstructed and reference networks. We showed that, with different analytical choices, a high variability is present in the results. More specifically, our results show that a higher number of EEG channels significantly increased the accuracy of the reconstructed networks. Additionally, our results showed a significant variability in the performance of the tested inverse solutions and connectivity measures. In our specific simulation context, eLORETA and wMNE combined with AEC computed between orthogonalized time series exhibited the highest performance in terms of similarity between reconstructed and reference connectivity matrices. Results were similar for both DMN and DAN. We believe that this work could be useful for the field of electrophysiology connectomics, by shedding light on the challenge of analytical variability and its consequences on the reproducibility of neuroimaging studies.
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 | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».