The effects of digital filtering on mismatch negativity in wakefulness and slow‐wave sleep
Notice bibliographique
Résumé
The mismatch negativity (MMN) is a response to a deviant auditory stimulus that occurs infrequently in a sequence of otherwise repetitive, homogeneous standard auditory stimuli. The MMN is presumed automatic and independent of conscious awareness. Recording of the MMN during unconscious states may be problematic. The frequency content of the long-lasting MMN may overlap and summate with other event-related slow potentials and low-frequency background electroencephalogram (EEG) activity. The purpose of this study is to determine the optimal filter settings for recording the MMN during unconscious states. Auditory event-related potentials (ERPs) were recorded from eight subjects in an oddball paradigm during wakefulness and Stages 3 and 4 of sleep [slow-wave sleep (SWS)] using a 0.16-35 Hz analogue bandpass. Deviant probability was 0.033. Stimulus-onset asynchrony was 150 ms. The EEG data were subsequently digitally filtered in the frequency domain. The low-pass filter was set at either 24, 12 or 6 Hz, and the high-pass filter at either 1, 2, 3 or 4 Hz. Applying a low-pass filter down to 12 Hz had a minimal impact on the waking or sleeping MMN amplitude. On the other hand, increasing the high-pass setting from 2 to 3 Hz permitted the visualization of the MMN recorded during sleep. The 4 Hz filter showed a similar trend but also markedly attenuated the amplitude of the waking MMN. A high-pass setting of 3 Hz provides a reasonable compromise. It has only a slight effect on the MMN when the subject is conscious, but still attenuates most of the unwanted slow potential activity when the subject enters SWS.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».