Modeling EEG Resting-State Brain Dynamics: A proof of concept for clinical studies
Notice bibliographique
Résumé
Abstract Functional brain imaging has shown that the awake brain, independent of a task, spontaneously switches between a small set of functional networks. How useful this dynamical view of brain activity is for clinical studies, e.g., as early markers of subsequent structural and/or functional change or for assessing successful training or intervention effects, remains unclear. Core to addressing this question is to assess the robustness and reproducibility of the analysis methods that model, characterize, or infer the features of brain dynamics, and the accuracy by which these features represent and classify specific cognitive or altered cognitive states. This is particularly key given inter- and intra-individual variability and measurement noise. Here we used resting-state EEG from persons with Parkinson’s Disease (PD) and healthy matched controls to systematically assess the reliability, robustness, and sensitivity of Hidden semi-Markov models (HsMM). These models are an example of model-based probabilistic methods for Brain-State allocations that are estimated from observed data. The method estimates model parameters, if the M/EEG recording or observations, over the scale of minutes, are emissions from hidden states that persist over short durations, before switching or transitioning to other states. We introduce an analysis pipeline that leads to sets of reproducible features of neurophysiological dynamics at the individual level. These features can be used as discriminatory variables to classify individuals and to evaluate the effect of non-pharmacological training schemes like in the current example a music-gait exercise program for Parkinson’s Disease. Given the method stochasticity and the data variability, we emphasize the importance of repeating the analysis to reliably identify brain states and their dynamical trajectories that subsequently can be related to individualized variables.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
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 ».