A Generalized Multivariate Autoregressive (GmAR)-Based Approach for EEG Source Connectivity Analysis
Notice bibliographique
Résumé
Studying brain connectivity has provided new insights to the understanding of brain function. While connectivity measures are conventionally computed from electroencephalogram (EEG) signals directly, the presence of volume conduction represents a serious confound affecting interpretation of results. A common solution is to use a two-stage approach which involves estimating underlying brain sources from scalp EEG recordings and subsequently estimating the connectivity between the inferred sources. Recently, a state-space framework which jointly models the instantaneous mixing effects of volume conduction and the causal relationships between underlying brain sources is proposed. In this paper, we extend the state-space framework and model the source activity by a generalized multivariate autoregressive (mAR) process with possibly non-Gaussian noise. A maximum likelihood estimation approach is developed which allows simultaneous estimation of both the mixing matrix and AR model parameters directly from scalp EEG. The proposed technique was verified with simulated EEG data generated using the single-shell spherical head model and demonstrated improved estimation accuracies compared to conventional two-stage connectivity estimation approaches. Furthermore, the proposed technique was applied to EEG data collected from normal and Parkinson's subjects performing a right-handed force-tracking task with differing amounts of visual feedback. The partial directed coherence (PDC) between sources showed significant differences between groups and conditions. These results suggest that the proposed technique is a powerful method to extract connectivity information from EEG recordings.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».