Evaluation of the Brain Function State During Mild Cognitive Impairment Based on Weighted Multiple Multiscale Entropy
Notice bibliographique
Résumé
The mild cognitive impairment (MCI) stage plays an essential role in preventing the progression of older adults to Alzheimer's disease. In this study, neurofeedback training (NFT) is applied to improve MCI brain cognitive function. To assess the improvement effect, a novel algorithm called Weighted Multiple Multiscale Entropy (WMMSE) is proposed to extract and analyze the electroencephalogram (EEG) features of patients with MCI. To overcome the information loss problem of traditional multiscale entropy (MSE), WMMSE fully considered the correlation of the sequence and the contribution of each sequence to the total entropy. The experimental group composed of 39 patients with MCI was subjected to NFT for 10 days during two sessions. The control group included 21 patients with MCI without any intervention. The Lempel-Ziv complexity (LZC) was used for primary assessment, and WMMSE was used to accurately analyze the effect of NFT. The results show that the WMMSE values of F4, C3, C4, O1, and T5 channels post-NFT are higher compared with pre-NFT and significant differences ( P < 0.05). Moreover, the cognitive subscale of the Montreal Cognitive Assessment (MoCA) results shows that the post-NFT score is higher than the pre-NFT in the vast majority of the patients with MCI and significant differences ( P < 0.05). When compared with the control group, the WMMSE values of the experimental group increased in each channel. Therefore, the NFT intervention method contributes to brain cognitive functional recovery, and WMMSE can be used as a biomarker to evaluate the state of MCI brain cognitive function.
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 | 0,002 |
| 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 | 0,000 | 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 ».