Activity‐State Entropy: A novel brain entropy measure based on spatial patterns of activity
Notice bibliographique
Résumé
BACKGROUND: Brain entropy is a measure of the complexity of brain activity that has been linked to various cognitive abilities. The measure is based on Shannon Entropy, a measure from Information Theory that quantifies the information capacity of a system from the probability distribution of its states. Most fMRI studies measure brain entropy at the voxel level as time-series entropy and assume that entropic time-series indicate complex large-scale spatiotemporal patterns of activity. NEW METHOD: We developed a novel measure of brain entropy called Activity-State Entropy. The method quantifies entropy based on underlying patterns of coactivation identified using Principal Components Analysis. These patterns, termed eigenactivity states, combine in time-varying proportions. RESULTS: We showed that Activity-State Entropy is sensitive to the complexity of the spatiotemporal patterns of activity in simulated fMRI data. We then applied this measure to real resting-state fMRI data and found that the eigenactivity states that explained the most variance in the data were comprised of large clusters of coactivating voxels, including clusters within Default Mode Network regions. More entropic brains were increasingly influenced by eigenactivity states comprised of smaller and more sparsely distributed clusters. COMPARISON TO EXISTING METHODS: We compared Activity-State Entropy to Sample Entropy and Dispersion Entropy, two time-series entropy measures commonly used in neuroimaging research, and found all three measures were positively correlated. CONCLUSIONS: Activity-State Entropy provides a measure of the spatiotemporal complexity of brain activity that complements time-series based measures of brain entropy.
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 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 | 0,004 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».