Notice bibliographique
Résumé
Brain rhythms recorded in vivo, such as gamma oscillations, are notoriously variable both in amplitude and frequency. They are characterized by transient epochs of higher amplitude known as bursts. It has been suggested that, despite their short-life and random occurrence, bursts in gamma and other rhythms can efficiently contribute to working memory or communication tasks. Abnormalities in bursts have also been associated with e.g. motor and psychiatric disorders. It is thus crucial to understand how single cell and connectivity parameters influence burst statistics and the corresponding brain states. To address this problem, we consider a generic stochastic recurrent network of Pyramidal Interneuron Network Gamma (PING) type. Using the stochastic averaging method, we derive dynamics for the phase and envelope of the amplitude process, and find that they depend on only two meta-parameters that combine all the model parameters. This allows us to identify an optimal parameter regime of healthy variability with similar statistics to those seen in vivo; in this regime, oscillations and bursts are supported by synaptic noise. The probability density for the rhythm's envelope as well as the mean burst duration are then derived using first passage time analysis. Our analysis enables us to link burst attributes, such as duration and frequency content, to system parameters. Our general approach can be extended to different frequency bands, network topologies and extra populations. It provides the much needed insight into the biophysical determinants of rhythm burst statistics, and into what needs to be changed to correct rhythms with pathological statistics.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 ».