MétaCan
Menu
← Retour à la cohorte
Enregistrement W4309645511 · doi:10.21203/rs.3.rs-2264648/v1

On electromagnetic head-surface digitization in MEG and EEG

2022· preprint· en· W4309645511 sur OpenAlexaboutno aff
Amit Jaiswal, Jukka Nenonen, Lauri Parkkonen

Notice bibliographique

RevueResearch Square · 2022
Typepreprint
Langueen
DomaineMedicine
ThématiqueAdvanced MRI Techniques and Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDigitizationComputer scienceElectroencephalographyArtificial intelligenceMagnetoencephalographyComputer visionRobustness (evolution)Independent component analysisPattern recognition (psychology)Neuroscience

Résumé

récupéré en direct d'OpenAlex

Abstract In magnetoencephalographic (MEG) and electroencephalographic (EEG) studies, the accuracy of the head digitization impacts the co-registration between MEG/EEG and structural magnetic resonance imaging (MRI) data. The co-registration accuracy in turn affects the spatial accuracy in neural source imaging. Precisely digitized head-surface (scalp) points do not only improve the co-registration but can also be used to deform a template MRI to create an individualized-template MRI that can be used for conductivity modeling in MEG/EEG source imaging if the individual’s structural MRI is unavailable. Although optical scanners have been introduced for digitization, especially for dense EEG electrode sets, electromagnetic tracking (EMT) systems (particularly Fastrak®, Polhemus Inc., Colchester, VT, USA) have been the most often applied solution for digitization in MEG and EEG acquisition. EMT systems may occasionally suffer from ambient electromagnetic interference which makes it challenging to achieve (sub-)millimeter digitization accuracy. The current study i) evaluated the performance of the Fastrak® EMT system under different conditions in MEG/EEG digitization, and ii) explores the usability of two alternative EMT systems (Aurora®, NDI, Waterloo, ON, Canada; Fastrak® with a short-range transmitter) for digitization. Tracking fluctuation, digitization accuracy, and robustness of the systems were evaluated in several test cases using test frames and human head models. The digitization performance of the two alternative systems was compared against the Fastrak® system. The results showed that the Fastrak® system is accurate and robust for MEG/EEG digitization if the recommended operating conditions are met. The Fastrak® with the short-range transmitter shows comparatively higher digitization error if digitization is not carried out very close to the transmitter. The study also evinces that the Aurora® system can be used for MEG/EEG digitization. Its real-time error estimation feature can potentially improve digitization accuracy, albeit some modifications would be required to make the system a practical and easy-to-use digitizer.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,058
Tête enseignante GPT0,460
Écart entre enseignants0,402 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearch Square→Même sujetAdvanced MRI Techniques and Applications→Travaux en français237 207→