Elevated and Slowed EEG Oscillations in Patients with Post-Concussive Syndrome and Chronic Pain Following a Motor Vehicle Collision
Notice bibliographique
Résumé
(1) Background: Mild traumatic brain injury produces significant changes in neurotransmission including brain oscillations. We investigated potential quantitative electroencephalography biomarkers in 57 patients with post-concussive syndrome and chronic pain following motor vehicle collision, and 54 healthy nearly age- and sex-matched controls. (2) Methods: Electroencephalography processing was completed in MATLAB, statistical modeling in SPSS, and machine learning modeling in Rapid Miner. Group differences were calculated using current-source density estimation, yielding whole-brain topographical distributions of absolute power, relative power and phase-locking functional connectivity. Groups were compared using independent sample Mann–Whitney U tests. Effect sizes and Pearson correlations were also computed. Machine learning analysis leveraged a post hoc supervised learning support vector non-probabilistic binary linear kernel classification to generate predictive models from the derived EEG signatures. (3) Results: Patients displayed significantly elevated and slowed power compared to controls: delta (p = 0.000000, r = 0.6) and theta power (p < 0.0001, r = 0.4), and relative delta power (p < 0.00001) and decreased relative alpha power (p < 0.001). Absolute delta and theta power together yielded the strongest machine learning classification accuracy (87.6%). Changes in absolute power were moderately correlated with duration and persistence of symptoms in the slow wave frequency spectrum (<15 Hz). (4) Conclusions: Distributed increases in slow wave oscillatory power are concurrent with post-concussive syndrome and chronic pain.
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 ».