Functional brain networks of patients with epilepsy exhibit pronounced multiscale periodicities, which correlate with seizure onset
Notice bibliographique
Résumé
Epileptic seizure detection and prediction by using noninvasive measurements such as scalp EEG signals or invasive, intracranial recordings, has been at the heart of epilepsy studies for at least three decades. To this end, the most common approach has been to consider short-length recordings (several seconds to a few minutes) around a seizure, aiming to identify significant changes that occur before or during seizures. An inherent assumption in this approach is the presence of a relatively constant EEG activity in the interictal period, which is interrupted by seizure occurrence. Here, we examine this assumption by using long-duration scalp EEG data (21-94 hr) in nine patients with epilepsy, based on which we construct functional brain networks. Our results reveal that these networks vary over time in a periodic fashion, exhibiting multiple peaks at periods ranging between 1 and 24 hr. The effects of seizure onset on the functional brain network properties were found to be considerably smaller in magnitude compared to the changes due to these inherent periodic cycles. Importantly, the properties of the identified network periodic components (instantaneous phase) were found to be strongly correlated to seizure onset, especially for the periodicities around 3 and 5 hr. These correlations were found to be largely absent between EEG signal periodicities and seizure onset, suggesting that higher specificity may be achieved by using network-based metrics. In turn, this implies that more robust seizure detection and prediction can be achieved if longer term underlying functional brain network periodic variations are taken into account.
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 | 0,001 | 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 ».