Metric Validation for Detection of Delayed and Directed Coupling
Notice bibliographique
Résumé
ABSTRACT Background The brain functions as a complex network of billions of interconnected neurons, coordinating processes from basic reflexes to high-level cognition. Dysfunction in these networks contribute to neurological and psychiatric disorders, including epilepsy, depression, and Parkinson’s disease. Understanding these network alterations is essential for developing effective therapies. However, reconstructing network topology from human electrophysiology data is challenging due to sparse sampling, measurement noise, and variable time delays in interregional communication. Effective connectivity (EC) metrics have been developed to infer directed neural interactions, but their accuracy and robustness under real-world data constraints remain unclear. This study empirically evaluates common EC metrics to determine which most accurately reconstruct network topology in the presence of data limitations. Methods We generated Erdős–Rényi networks and simulated time series using a time-delayed vector autoregressive (VAR) model. We systematically varied network size, data length, measurement noise, and network coverage. Variations of four commonly used EC metrics, cross-correlation, Granger causality, mutual information, and transfer entropy, were evaluated for reconstruction accuracy using cosine distance to compare estimated and true connectivity matrices. Results Multivariate transfer entropy demonstrated the highest accuracy across various conditions but required significantly longer computation times. For small networks (<30 nodes), mutual information and Granger causality rapidly and accurately reconstructed networks. For larger networks, partial cross-correlation performed well with good computational efficiency. Notably, zero-lag metrics perform no better than chance in nearly all conditions. Conclusion The choice of an EC metric should consider specific data constraints.While multivariate transfer entropy is the most reliable across conditions, its long runtime limits its practical application. For large networks, partial cross-correlation offers a faster and reasonably accurate alternative. Granger causality and mutual information are effective for small networks. Critically, time-lagged metrics are essential for accurate network reconstructions, as failing to account for time delays leads to reconstructions no more accurate than random network models.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».