The efficacy and methodology of using near-infrared spectroscopy to determine resting-state brain networks
Notice bibliographique
Résumé
Functional connectivity is a critical aspect of brain function and is essential for understanding, diagnosing, and treating neurological and psychiatric disorders. It refers to the synchronous activity between different regions of the brain, which gives rise to communication and information processing. Resting-state functional connectivity is a subarea of study that allows researchers to examine brain activity in the absence of a task or stimulus. This can provide insight into the brain's intrinsic functional architecture and help identify neural networks that are active during rest. Thus, determining functional connectivity topography is valuable both clinically and in research. Traditional methods using functional magnetic resonance imaging have proven to be effective, however, they have their limitations. In this review, we investigate the feasibility of using functional near-infrared spectroscopy (fNIRS) as a low-cost, portable alternative for measuring functional connectivity. We first establish fNIRS' ability to detect localized brain activity during task-based experiments. Next, we verify its use in resting-state studies with results showing a high degree of correspondence with resting-state functional magnetic resonance imaging (rs-fMRI). Also discussed are various data-processing methods and the validity of filtering the global signal, which is the current standard for analysis. We consider the possible origins of the global signal, if it contains pertinent neuronal information that could be of importance in better understanding neuronal networks, and what we believe is the best method of approaching signal analysis and regression.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».