Probing Intrinsic Neural Timescales in EEG with an Information-Theory Inspired Approach: Permutation Entropy Time Delay Estimation (PE-TD)
Notice bibliographique
Résumé
Time delays are a signature of many physical systems, including the brain, and considerably shape their dynamics; moreover, they play a key role in consciousness, as postulated by the temporo-spatial theory of consciousness (TTC). However, they are often not known a priori and need to be estimated from time series. In this study, we propose the use of permutation entropy (PE) to estimate time delays from neural time series as a more robust alternative to the widely used autocorrelation window (ACW). In the first part, we demonstrate the validity of this approach on synthetic neural data, and we show its resistance to regimes of nonstationarity in time series. Mirroring yet another example of comparable behavior between different nonlinear systems, permutation entropy-time delay estimation (PE-TD) is also able to measure intrinsic neural timescales (INTs) (temporal windows of neural activity at rest) from hd-EEG human data; additionally, this replication extends to the abnormal prolongation of INT values in disorders of consciousness (DoCs). Surprisingly, the correlation between ACW-0 and PE-TD decreases in a state-dependent manner when consciousness is lost, hinting at potential different regimes of nonstationarity and nonlinearity in conscious/unconscious states, consistent with many current theoretical frameworks on consciousness. In summary, we demonstrate the validity of PE-TD as a tool to extract relevant time scales from neural data; furthermore, given the divergence between ACW and PE-TD specific to DoC subjects, we hint at its potential use for the characterization of conscious 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 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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 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 ».