EEG dynamical features during variable-intensity cycling exercise in Parkinson’s disease
Notice bibliographique
Résumé
Background: Exercise is increasingly recognized as a beneficial intervention for Parkinson's disease (PD), yet the optimal type and intensity of exercise remain unclear. This study investigated the relationship between exercise intensity and neural responses in PD patients, using electroencephalography (EEG) to explore potential neural markers that could be ultimately used to guide exercise intensity. Method: EEG data were collected from 14 PD patients (5 females) and 8 healthy controls (HC) performing stationary pedaling exercises at 60 RPM with resistance adjusted to target heart rates of 30, 40, 50, 60, and 70% of maximum heart rate. Subjects pedaled for 3 min at each intensity level in a counterbalanced order. Canonical Time-series Characteristics (Catch-22) features and Multi-set Canonical Correlation Analysis (MCCA) were utilized to identify common profiles of EEG features at increasing exercise intensity across subjects. Results: -value<0.0001), related to the autocorrelation of the EEG. Analysis revealed a consistent trend across features: six features increased with intensity, indicating heightened rhythmic engagement and sustained neural activation, while three features decreased, suggesting reduced variability and enhanced predictability in neural responses. Notably, PD patients exhibited more rigid, consistent response patterns compared to healthy controls (HC), who showed greater flexibility and variability in their neural adaptation across intensities. Conclusion: This study highlights the feasibility of using EEG-derived features to track exercise intensity in PD patients, identifying specific neural markers correlating with varying intensity levels. PD subjects demonstrate less inter-subject variability in motor responses to increasing intensity. Our results suggest that EEG biomarkers can be used to assess differing brain involvement with the same exercise of increasing intensity, potentially useful for guiding targeted therapeutic strategies and maximizing the neurological benefits of exercise in PD.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».