MétaCan
Menu
Retour à la cohorte
Enregistrement W4210998270 · doi:10.1101/2022.02.07.479359

Directional Absolute Coherence: a phase-based measure of effective connectivity for neurophysiology data

2022· preprint· en· W4210998270 sur OpenAlexaff
Maximilian Scherer, Tianlu Wang, Robert Guggenberger, Luka Milosevic, Alireza Gharabaghi

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2022
Typepreprint
Langueen
DomaineNeuroscience
ThématiqueNeural dynamics and brain function
Établissements canadiensUniversity of TorontoUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésInterpretabilityComputer scienceCoherence (philosophical gambling strategy)Python (programming language)Measure (data warehouse)Brain stimulationArtificial intelligenceNeurophysiologyPattern recognition (psychology)NeuroscienceData miningMathematicsPsychologyStatistics

Résumé

récupéré en direct d'OpenAlex

Abstract Communication between neural structures is a topic of much clinical and scientific interest and has been linked to a variety of behavioural, cognitive, and psychiatric measures. Here, we introduce a novel effective connectivity measure, termed the directional absolute coherence (DAC). Combining aspects of magnitude squared coherence, imaginary coherence, and phase slope index, DAC provides an estimate of connectivity that is resistant to volume conduction, encapsulates the directionality of neural communication, and is bound to the interval of –1 and 1. To highlight the properties of this newly proposed method, we compare DAC to a number of established connectivity methods using data recorded from the subthalamic nucleus of patients with Parkinson’s disease with deep brain stimulation electrodes. By applying a combination of real and simulated data, we demonstrate that DAC provides a reliable estimate of the magnitude and direction of connectivity, independent of the phase difference between brain signals. As such, DAC facilitates a reliable investigation of inter-regional neural communication, rendering it a valuable tool for gaining a deeper understanding of the functional architecture of the brain and its relationship to behaviour and cognition. A Python implementation of DAC is freely available at https://github.com/neurophysiological-analysis/FiNN . Highlights - Volume conduction and limited interpretability affect many connectivity methods. - DAC is a combined approach to overcome these pitfalls. - DAC augments information content and interpretability in comparison to other methods. - DAC allows for reliable estimation of effective connectivity.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,013
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0040,003
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,046
Tête enseignante GPT0,278
Écart entre enseignants0,233 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)Même sujetNeural dynamics and brain functionTravaux en français237 207