Investigating the variability of physiological response functions across individuals and brain regions in functional magnetic resonance imaging
Notice bibliographique
Résumé
Abstract Functional magnetic resonance imaging (fMRI) is a valuable neuroimaging tool for studying brain function and functional connectivity between brain regions. However, the blood oxygen level dependent (BOLD) signal used to generate the fMRI images can be influenced by various physiological factors, such as cardiac and respiratory activity. These physiological effects, in turn, influence the resulting functional connectivity patterns, making physiological noise correction a crucial step in the preprocessing of fMRI data. When concurrent physiological recordings are available, researchers often generate nuisance regressors to account for the effect of heart rate and respiratory variations by convolving physiological response functions (PRF) with the corresponding physiological signals. However, it has been suggested that the PRF characteristics may vary across subjects and different regions of the brain, as well as across scans of the same subject. To investigate the dependence of PRFs on these factors, we examine the performance of several different PRF models, in terms of BOLD variance explained, using resting-state fMRI data from the Human Connectome Project (N=100). We examined both one-input (heart rate or respiration) and two-input (heart rate and respiration) PRF models and show that allowing PRF curves to vary across subjects and brain regions generally improves PRF model performance. For one-input models, the improvement in model performance gained by allowing spatial variability was most prominent for respiration, particularly for a subset of the subjects (about a third) examined. Allowing for subject-specific or regional variability in the cardiac response function resulted in a significant model performance improvement only when using a two-input PRF model. Overall, our results highlight the importance of considering spatial and subject-specific variability in PRFs when analyzing fMRI data, particularly regarding respiratory-related fluctuations.
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 | 0,006 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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 ».