EEG microstate features for schizophrenia classification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Electroencephalography (EEG) microstate analysis is a method wherein spontaneous EEG activity is segmented at sub-second levels to analyze quasi-stable states. In particular, four archetype microstates and their features are known to reflect changes in brain state in neuropsychiatric diseases. However, previous studies have only reported differences in each microstate feature and have not determined whether microstate features are suitable for schizophrenia classification. Therefore, it is necessary to validate microstate features for schizophrenia classification. Nineteen microstate features, including duration, occurrence, and coverage as well as thirty-one conventional EEG features, including statistical, frequency, and temporal characteristics were obtained from resting-state EEG recordings of 14 patients diagnosed with schizophrenia and from 14 healthy (control) subjects. Machine-learning based multivariate analysis was used to evaluate classification performance. EEG recordings of patients and controls showed different microstate features. More importantly, when differentiating among patients and controls, EEG microstate features outperformed conventional EEG ones. The performance of the microstate features exceeded that of conventional EEG, even after optimization using recursive feature elimination. EEG microstate features applied with conventional EEG features also showed better classification performance than conventional EEG features alone. The current study is the first to validate the use of microstate features to discriminate schizophrenia, suggesting that EEG microstate features are useful for schizophrenia classification.
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.
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 | 0,000 |
| 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 découle