Multi-site EEG studies in early infancy: Methods to enhance data quality
Notice bibliographique
Résumé
Brain differences linked to autism spectrum disorder (ASD) can manifest before observable symptoms. Studying these early neural precursors in larger and more diverse cohorts is crucial for advancing our understanding of developmental pathways and potentially facilitating earlier identification. EEG is an ideal tool for investigating early neural differences in ASD, given its scalability and high tolerability in infant populations. In this context, we integrated EEG into an existing multi-site MRI study of infants with a higher familial likelihood of developing ASD. This paper describes the comprehensive protocol established to collect longitudinal, high-density EEG data from infants across five sites as part of the Infant Brain Imaging Study (IBIS) Network and reports interim feasibility and data quality results. We evaluated feasibility by measuring the percentage of infants from whom we successfully collected each EEG paradigm. The quality of task-free data was assessed based on the duration of EEG recordings remaining after artifact removal. Preliminary analyses revealed low data loss, with average in-session loss rates at 4.16 % and quality control loss rates at 11.66 %. Overall, the task-free data retention rate, accounting for both in-session issues and quality control, was 84.16 %, with high consistency across sites. The insights gained from this preliminary analysis highlight key sources of data attrition and provide practical considerations to guide similar research endeavors.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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.
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 ».