Notice bibliographique
Résumé
Cognitive impairment is typically reflected in the time and frequency variations of electroencephalography (EEG). Integrating time-domain and frequency-domain analysis methods is essential to better understand and assess cognitive ability. Timely identification of cognitive levels in early Parkinson's disease (ePD) patients can help mitigate the risk of future dementia. For the investigation of the brain activity and states related to cognitive levels, this study recruited forty ePD patients for EEG microstate analysis, including 13 with mild cognitive impairment (MCI) and 27 without MCI (control group). To determine the specific frequency band on which the microstate analysis relies, a deep learning framework was employed to discern the frequency dependence of the cognitive level in ePD patients. The input to the convolutional neural network consisted of the power spectral density of multi-channel multi-point EEG signals. The visualization technique of gradient-weighted class activation mapping was utilized to extract the optimal frequency band for identifying MCI samples. Within this frequency band, microstate analysis was conducted and correlated with the Montreal Cognitive Assessment (MoCA) Scale. The deep neural network revealed significant differences in the 1-11.5Hz spectrum of the ePD-MCI group compared to the control group. In this characteristic frequency band, ePD-MCI patients exhibited a pattern of global microstate disorder. The coverage rate and occurrence frequency of microstate A and D increased significantly and were both negatively correlated with the MoCA scale. Meanwhile, the coverage, frequency and duration of microstate C decreased significantly and were positively correlated with the MoCA scale. Our work unveils abnormal microstate characteristics in ePD-MCI based on time-frequency fusion, enhancing our understanding of cognitively related brain dynamics and providing electrophysiological markers for ePD-MCI recognition.
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) | 0,001 | 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) | 0,002 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».