MétaCan
Menu
← Retour à la cohorte
Enregistrement W2886044324 · doi:10.1101/392886

Estimation of narrowband amplitude and phase from electrophysiology signals for phase-amplitude coupling studies: a comparison of methods

2018· preprint· en· W2886044324 sur OpenAlexaff
Juan L. P. Soto, Felipe V.D. Prado, Etienne Combrisson, Karim Jerbi

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2018
Typepreprint
Langueen
DomaineNeuroscience
ThématiqueNeural dynamics and brain function
Établissements canadiensUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésMagnetoencephalographyHilbert transformAmplitudeNarrowbandWaveletComputer scienceContext (archaeology)SIGNAL (programming language)Instantaneous phaseSpeech recognitionPhase (matter)Signal processingCoupling (piping)AcousticsArtificial intelligenceElectroencephalographyPhysicsTelecommunicationsFilter (signal processing)Computer visionSpectral densityPsychologyMaterials scienceOpticsNeuroscience

Résumé

récupéré en direct d'OpenAlex

Abstract Many functional connectivity studies based on electrophysiological measurements, such as electro- and magnetoencephalography (EEG/MEG), start their investigations by extracting a narrowband representation of brain activity time series, and then computing their envelope amplitudes and instantaneous phases, which serve as inputs to subsequent data processing. The two most popular approaches for obtaining these narrowband amplitudes and phases are: bandpass filtering followed by Hilbert transform (we call this the Hilbert approach); and convolution with wavelet kernels (the wavelet approach). In this work, we investigate how these two approaches perform in detecting the phenomenon of phase-amplitude coupling (PAC), whereby the amplitude of a high-frequency signal is driven by the phase of a low-frequency signal. The comparison of both approaches is carried out by means of simulated brain activity, from which we run receiver operating characteristic (ROC) analyses, and of experimental MEG data from a visuomotor coordination study. The ROC analyses show that both approaches have comparable accuracy, except in the presence of interfering signals with frequencies near the high-frequency band. As for the visuomotor data, the most noticeable impact of the choice of approach was observed when evaluating task-based changes in PAC between the delta (2-5 Hz) and the high-gamma (60-90 Hz) frequency bands, as we were able to identify widespread brain areas with statistically significant effects only with the Hilbert approach. These results provide preliminary evidence of the advantages of the Hilbert approach over the wavelet approach, at least in the context of PAC estimates.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,026
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,026
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0000,000
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,084
Tête enseignante GPT0,390
Écart entre enseignants0,306 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)→Même sujetNeural dynamics and brain function→Travaux en français237 207→