Ultra-low Noise EEG at LSBB: Effective Connectivity Analysis
Notice bibliographique
Résumé
In this study, we further investigate electroencephalographic (EEG) data recorded during October 2014 in the ultra-shielded capsule at LSBB, with a focus on the study of task-specific Granger-causal effective connectivity pat-terns. In previous studies, we showed that noise-free EEG signals acquired in LSBB are suitable for analysis of activity patterns in high frequency bands, i.e. 30 Hz and above. We previously demonstrated that increases in task/rest gamma band (30-70 Hz) energy ratios during ankle and wrist movements are more prominent in the LSBB capsule than in an above-ground hospital environ-ment. The present study extends previous analyses by examining gamma-band connectivity, i.e. the functional patterns of interaction between 64 channels of EEG within the gamma band during motor tasks. We use parameters from a MultiVariate Auto-Regressive (MVAR) model to estimate effective connectivity in 10-second batches of EEG and report the average patterns across all batches in which subjects repetitively move their ankle/wrist. We report the gamma-band connectivity results in a reduced form as strength of hemispheric and inter-regional connections. The analysis reveals that for some subjects, significant channel-wise connections in the LSBB capsule outnumber those in the hospital, suggesting that patterns of gamma-band connectivity are better reflected in low-noise environments. This study again demonstrates the poten-tial of the ultra-shielded capsule and motivates further protocol enhancements and analysis methods for conducting future high-frequency EEG studies within LSBB.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».