Time-resolved parameterization of aperiodic and periodic brain activity
Notice bibliographique
Résumé
Macroscopic neural dynamics comprise both aperiodic and periodic signal components. Recent advances in parameterizing neural power spectra offer practical tools for evaluating these features separately. Although neural signals vary dynamically and express non-stationarity in relation to ongoing behaviour and perception, current methods yield static spectral decompositions. Here, we introduce Spectral Parameterization Resolved in Time (SPRiNT) as a novel method for decomposing complex neural dynamics into periodic and aperiodic spectral elements in a time-resolved manner. First, we demonstrate, with naturalistic synthetic data, SPRiNT's capacity to reliably recover time-varying spectral features. We emphasize SPRiNT's specific strengths compared to other time-frequency parameterization approaches based on wavelets. Second, we use SPRiNT to illustrate how aperiodic spectral features fluctuate across time in empirical resting-state EEG data (n=178) and relate the observed changes in aperiodic parameters over time to participants' demographics and behaviour. Lastly, we use SPRiNT to demonstrate how aperiodic dynamics relate to movement behaviour in intracranial recordings in rodents. We foresee SPRiNT responding to growing neuroscientific interests in the parameterization of time-varying neural power spectra and advancing the quantitation of complex neural dynamics at the natural time scales of behaviour.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».