MétaCan
Menu
Retour à la cohorte
Enregistrement W4320907674 · doi:10.1016/j.brs.2023.01.116

EEG-based biomarkers for galvanic vestibular stimulation (GVS) effects in Parkinson’s disease

2023· article· en· W4320907674 sur OpenAlexaff
Maryam S. Mirian, Maryam Kia, Salar Nouri, Kosar Sanjar Arani, Alireza Kazemi, Soojin Lee, Martin J. McKeown

Notice bibliographique

RevueBrain stimulation · 2023
Typearticle
Langueen
DomaineNeuroscience
ThématiqueEEG and Brain-Computer Interfaces
Établissements canadiensUniversity of British ColumbiaCanadian Sport Centre Pacific
Organismes subventionnairesnon disponible
Mots-clésElectroencephalographyPsychologyNeuroscienceParkinson's diseaseAudiologyStimulus (psychology)MedicineInternal medicineDiseaseCognitive psychology

Résumé

récupéré en direct d'OpenAlex

Abstract Background: The effects of GVS in PD appear to be stimulus- and subject-dependent. However, determining the behavioral effects (e.g. on motor vigor (MV)) from the infinite number of potential stimuli would take an intractably long time. By assessing the EEG, a high-dimensional intermediate step between (i.e., from {GVS -> behavior} to {GVS -> EEG -> behavior}, we propose to rapidly assess the effects of GVS on the EEG and/or predict the behavioral effects of EEG changes. Objective: To explore multiple complementary GVS related biomarkers, including EEG Microstates, Phase Amplitude Coupling (PAC), and Deep Koopman-based EEG analysis. Methods: Data were collected from 20 healthy control (HC) and 18 PD adults performing a delayed squeeze bulb task with sham or multi-sine (50-100 Hz "GVS1" or 100-150 Hz "GVS2") stimuli. Time from the onset of the “Go” cue to the peak of maximum pressure in the squeeze bulb was taken as a metric for MV. We took the EEG 1-s prior to the peak time to predict MV. We employed the Microstate Analysis plugin for EEGLAB. For the PAC biomarker, a deep convolutional neural network based on transfer learning from the VGG-16 architecture was used to estimate MV. To implement a Deep Koopman approach, we examined the EEG time locked to the “Go” signal. Results: For the microstate analysis biomarker, the GVS2 stimulus had similar effects in PD subjects as dopaminergic medication. The PAC-based biomarker predicted MV with mean absolute error of 54.8 msec. There was a positive correlation between movement time in PD subjects and their similarity of their EEG Koopman trajectories to HCs. Discussion: Despite MV normally assumed to be encoded in the basal ganglia, EEG biomarkers can be used to both predict MV, and infer GVS effects. These, and other EEG-based biomarkers, will streamline efforts for precision stimulus design. Research Category and Technology and Methods Translational Research: 15. Electroencephalography (EEG) Keywords: Parkinson's disease, Galvanic vestibular stimulation, Microstates, Phase Amplitude Coupling

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,233
Score d'incertitude au seuil0,926

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,304
Écart entre enseignants0,274 · 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 tête enseignante, 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
GenreEmpirique

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

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBrain stimulationMême sujetEEG and Brain-Computer InterfacesTravaux en français237 207