Classification of directionally specific vagus nerve activity using an upper airway obstruction model in anesthetized rodents
Notice bibliographique
Résumé
Electrical signals from the peripheral nervous system have the potential to provide the necessary motor, sensory or autonomic information for implementing closed-loop control of neuroprosthetic or neuromodulatory systems. However, developing methods to recover information encoded in these signals is a significant challenge. Our goal was to test the feasibility of measuring physiologically generated nerve action potentials that can be classified as sensory or motor signals. A tetrapolar recording nerve cuff electrode was used to measure vagal nerve (VN) activity in a rodent model of upper airway obstruction. The effect of upper airway occlusions on VN activity related to respiration (RnP) was calculated and compared for 4 different cases: (1) intact VN, (2) VN transection only proximal to recording electrode, (3) VN transection only distal to the recording electrode, and (4) transection of VN proximal and distal to electrode. We employed a Support Vector Machine (SVM) model with Gaussian Kernel to learn a model capable of classifying efferent and afferent waveforms obtained from the tetrapolar electrode. In vivo results showed that the RnP values decreased significantly during obstruction by 91.7% ± 3.1%, and 78.2% ± 3.4% for cases of intact VN or proximal transection, respectively. In contrast, there were no significant changes for cases of VN transection at the distal end or both ends of the electrode. The SVM model yielded an 85.8% accuracy in distinguishing motor and sensory signals. The feasibility of measuring low-noise directionally-sensitive neural activity using a tetrapolar nerve cuff electrode along with the use of an SVM classifier was shown. Future experimental work in chronic implant studies is needed to support clinical translatability.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».