A Novel Segmentation, Mutual Information Network Framework for EEG Analysis of Motor Tasks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Monitoring the functional connectivity between brain regions is becoming increasingly important in elucidating brain functionality in normal and disease states. Current methods of detecting networks in the recorded electroencephalogram (EEG) such as correlation and coherence are limited by the fact that they assume stationarity of the relationship between channels, and rely on linear dependencies. In contrast to diseases of the brain cortex (e.g. Alzheimer's disease), with motor disorders such as Parkinson's disease (PD) the EEG abnormalities are most apparent during performance of dynamic motor tasks, but this makes the stationarity assumption untenable. METHODS: We therefore propose a novel EEG segmentation method based on the temporal dynamics of the cross-spectrogram of the computed Independent Components (ICs). We then utilize mutual information (MI) as the metric for determining also nonlinear statistical dependencies between EEG channels. Graphical theoretical analysis is then applied to the derived MI networks. The method was applied to EEG data recorded from six normal subjects and seven PD subjects off medication. One-way analysis of variance (ANOVA) tests demonstrated statistically significant difference in the connectivity patterns between groups. RESULTS: The results suggested that PD subjects are unable to independently recruit different areas of the brain while performing simultaneous tasks compared to individual tasks, but instead they attempt to recruit disparate clusters of synchronous activity to maintain behavioral performance. CONCLUSION: The proposed segmentation/MI network method appears to be a promising approach for analyzing the EEG recorded during dynamic behaviors.
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.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle