MOTUM: A system for Motion Online Tracking Under MRI
Notice bibliographique
Résumé
Attempts to implement realistic body-environment interactions during functional magnetic resonance imaging (fMRI) experiments have developed expensive, hardly reproducible, and task-specific setups. Here, we introduce MOTUM (Motion Online Tracking Under MRI), a novel system that combines real-time kinematic tracking with immersive virtual reality, enabling participants to perform naturalistic movements inside the scanner. As a proof-of-concept, we tested MOTUM during a reach-to-grasp task with and without visual feedback of one's hand (N = 7). The system achieved high-fidelity motion tracking, induced an intense immersive experience, evoked expected sensorimotor brain activations, and maintained high fMRI data quality. Standard fMRI control metrics were below the critical threshold in 99% of volumes, indicating that participants' arm movements had minimal impact on head motion and data quality. Direct artifactual effects of arm and hand motion were also modest and well below critical limits. Critically, MOTUM allowed us to extract rich kinematic measures and link them to brain activity on a trial-by-trial basis. Parametric modulation analyses revealed that natural variations in movement dynamics significantly influenced neural responses in parietal, frontal, and occipital regions. In sum, MOTUM is a robust method to study motor control and beyond, enabling a new class of fMRI experiments that bridge ecological realism and experimental control, pushing current neuroimaging research toward real-life neuroscience.
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 | 0,007 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».