A Hidden Markov Model reveals magnetoencephalography spectral frequency-specific abnormalities of brain state power and phase-coupling in neuropathic pain
Notice bibliographique
Résumé
Neuronal populations in the brain are engaged in a temporally coordinated manner at rest. Here we show that spontaneous transitions between large-scale resting-state networks are altered in chronic neuropathic pain. We applied an approach based on the Hidden Markov Model to magnetoencephalography data to describe how the brain moves from one activity state to another. This identified 12 fast transient (~80 ms) brain states including the sensorimotor, ascending nociceptive pathway, salience, visual, and default mode networks. Compared to healthy controls, we found that people with neuropathic pain exhibited abnormal alpha power in the right ascending nociceptive pathway state, but higher power and coherence in the sensorimotor network state in the beta band, and shorter time intervals between visits of the sensorimotor network, indicating more active time in this state. Conversely, the neuropathic pain group showed lower coherence and spent less time in the frontal attentional state. Therefore, this study reveals a temporal imbalance and dysregulation of spectral frequency-specific brain microstates in patients with neuropathic pain. These findings can potentially impact the development of a mechanism-based therapeutic approach by identifying brain targets to stimulate using neuromodulation to modify abnormal activity and to restore effective neuronal synchrony between brain states.
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 | 0,001 |
| 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) | 0,001 | 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 ».