Exploring Age-Related Changes in Dynamical Non-Stationarity in Electroencephalographic Signals during Early Adolescence
Notice bibliographique
Résumé
Dynamics of brain signals such as electroencephalogram (EEG) can be characterized as a sequence of quasi-stable patterns. Such patterns in the brain signals can be associated with coordinated neural oscillations, which can be modeled by non-linear systems. Further, these patterns can be quantified through dynamical non-stationarity based on detection of qualitative changes in the state of the systems underlying the observed brain signals. This study explored age-related changes in dynamical non-stationarity of the brain signals recorded at rest, longitudinally with 128-channel EEG during early adolescence (10 to 13 years of age, 56 participants). Dynamical non-stationarity was analyzed based on segmentation of the time series with subsequent grouping of the segments into clusters with similar dynamics. Age-related changes in dynamical non-stationarity were described in terms of the number of stationary states and the duration of the stationary segments. We found that the EEG signal became more non-stationary with age. Specifically, the number of states increased whereas the mean duration of the stationary segment decreased with age. These two effects had global and parieto-occipital distribution, respectively, with the later effect being most dominant in the alpha (around 10 Hz) frequency band.
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 | 0,000 | 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 ».