Predicting cortical-thalamic functional connectivity using functional near-infrared spectroscopy and graph convolutional networks
Notice bibliographique
Résumé
Functional near-infrared spectroscopy (fNIRS) measures cortical hemodynamic changes, yet it cannot collect this information from subcortical structures, such as the thalamus, which is involved in several key functional networks. To address this drawback, we propose a machine-learning-based approach to predict cortical-thalamic functional connectivity using cortical fNIRS data. We applied graph convolutional networks (GCN) to two datasets obtained from healthy adults and neonates with early brain injuries, respectively. Each dataset contained fNIRS connectivity data as input to the predictive models, while the connectivity from functional magnetic resonance imaging (fMRI) served as training targets. GCN models performed better compared to conventional methods, such as support vector machine and feedforward fully connected artificial neural networks, on both identifying the connections as binary classification tasks, and regressing the quantified strengths of connections. We also propose the addition of inter-subject connections into the GCN kernels could improve performance and that GCN models are resilient to noise in fNIRS data. Our results show it is feasible to identify subcortical activity from cortical fNIRS recordings. The findings can potentially extend the use of fNIRS in clinical settings for brain monitoring in critically ill patients.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 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 ».