Machine learning‐based estimation of respiratory fluctuations in a healthy adult population using resting state <scp>BOLD fMRI</scp> and head motion parameters
Notice bibliographique
Résumé
PURPOSE: External physiological monitoring is the primary approach to measure and remove effects of low-frequency respiratory variation from BOLD-fMRI signals. However, the acquisition of clean external respiratory data during fMRI is not always possible, so recent research has proposed using machine learning to directly estimate respiratory variation (RV), potentially obviating the need for external monitoring. In this study, we propose an extended method for reconstructing RV waveforms directly from resting state BOLD-fMRI data in healthy adult participants with the inclusion of both BOLD signals and derived head motion parameters. METHODS: In the proposed method, 1D convolutional neural networks (1D-CNNs) used BOLD signals and head motion parameters to reconstruct the RV waveform for the whole fMRI scan time. Resting-state fMRI data and associated respiratory records from the Human Connectome Project in Young Adults (HCP-YA) dataset are used to train and test the proposed method. RESULTS: Compared to using only BOLD-fMRI data for a CNN input, this approach yielded improvements of 14% in mean absolute error, 24% in mean square error, 14% in correlation, and 12% in dynamic time warping. When tested on independent datasets, the method demonstrated generalizability, even in data with different TRs and physiological conditions. CONCLUSION: This study shows that the respiratory variations could be reconstructed from BOLD-fMRI data in the young adult population, and its accuracy could be improved using supportive data such as head motion parameters. The method also performed well on independent datasets with different experimental conditions.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».