Power flow analysis and applications to ship vibration and controls
Notice bibliographique
Résumé
Cognitive dysfunction is common in Parkinson's disease (PD). We developed and evaluated an EEG-based biomarker to index cognitive functions in PD from a few minutes of resting-state EEG. We hypothesized that synchronous changes in EEG across the power spectrum can measure cognition. We optimized a data-driven algorithm to efficiently capture these changes and index cognitive function in 100 PD and 49 control participants. We compared our EEG-based cognitive index with the Montreal cognitive assessment (MoCA) and cognitive tests across different domains from National Institutes of Health (NIH) Toolbox using cross-validations, regression models, and randomization tests. Finally, we externally validated our approach on 32 PD participants. We observed cognition-related changes in EEG over multiple spectral rhythms. Utilizing only 8 best-performing electrodes, our proposed index strongly correlated with cognition (MoCA: rho = 0.68, p value < 0.001; NIH-Toolbox cognitive tests: rho ≥ 0.56, p value < 0.001) outperforming traditional spectral markers (rho = -0.30-0.37). The index showed a strong fit in regression models (R<sup>2</sup> = 0.46) with MoCA, yielded 80% accuracy in detecting cognitive impairment, and was effective in both PD and control participants. Notably, our approach was equally effective (rho = 0.68, p value < 0.001; MoCA) in out-of-sample testing. In summary, we introduced a computationally efficient data-driven approach for cross-domain cognition indexing using fewer than 10 EEG electrodes, potentially compatible with dynamic therapies like closed-loop neurostimulation. These results will inform next-generation neurophysiological biomarkers for monitoring cognition in PD and other neurological diseases.
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) | 0,000 | 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 ».