Time-resolved parameterization of aperiodic and periodic brain activity
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 découle