Estimation of Global and Local Complexities of Brain Networks: A Random Walks Approach
Notice bibliographique
Résumé
Abstract The complexity of brain activity has been observed at many spatial scales and there exists increasing evidence supporting its use in differentiating between mental states and disorders. Here we proposed a new measure of network (global) complexity that is constructed as the sum of the complexities of its nodes (i.e, local complexity). The local complexity of each node is regarded as an index that compares the sample entropy of the time series generated by the movement of a random walker on the network resulting from removing the node and its connections, with the sample entropy of the time series obtained from a regular lattice (the ordered state) and an Erdös-Renyi network (disordered state). We studied the complexity of fMRI-based resting-state functional networks. We found that positively correlated, or “ pos ”, network comprising only the positive functional connections has higher complexity than the anticorrelation (“ neg” ) network (comprising the negative functional connections) and the network consisting of the absolute value of all connections (“ abs” ). We also found a significant correlation between complexity and the strength of functional connectivity. For the pos network this correlation is significantly weaker at the local scale compared to the global scale, whereas for the neg network the link is stronger at the local scale than at the global scale, but still weaker than for the pos network. Our results suggest that the pos network is related to the information processing in the brain and should be used for functional connectivity analysis instead of the abs network as is usually done.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».