Confounding Effects of Phase Delays on Causality Estimation
Notice bibliographique
Résumé
Linear and non-linear techniques for inferring causal relations between the brain signals representing the underlying neuronal systems have become a powerful tool to extract the connectivity patterns in the brain. Typically these tools employ the idea of Granger causality, which is ultimately based on the temporal precedence between the signals. At the same time, phase synchronization between coupled neural ensembles is considered a mechanism implemented in the brain to integrate relevant neuronal ensembles to perform a cognitive or perceptual task. Phase synchronization can be studied by analyzing the effects of phase-locking between the brain signals. However, we should expect that there is no one-to-one mapping between the observed phase lag and the time precedence as specified by physically interacting systems. Specifically, phase lag observed between two signals may interfere with inferring causal relations. This could be of critical importance for the coupled non-linear oscillating systems, with possible time delays in coupling, when classical linear cross-spectrum strategies for solving phase ambiguity are not efficient. To demonstrate this, we used a prototypical model of coupled non-linear systems, and compared three typical pipelines of inferring Granger causality, as established in the literature. Specifically, we compared the performance of the spectral and information-theoretic Granger pipelines as well as standard Granger causality in their relations to the observed phase differences for frequencies at which the signals become synchronized to each other. We found that an information-theoretic approach, which takes into account different time lags between the past of one signal and the future of another signal, was the most robust to phase effects.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».