The segregation of task-based EEG networks into functionally specialized systems is reduced in those with hyperactive traits
Notice bibliographique
Résumé
Although attention-deficit/hyperactivity disorder (ADHD) is associated with the atypical development of large-scale brain networks, network organization in those with different ADHD-traits (inattention/hyperactivity) is not well understood. Here, we examine the relationship between ADHD traits and EEG functional networks during an attentional control task. To do so, 128-channel EEG was recorded while 62 non-clinical participants (ages 18-24) underwent a Go/No-Go task. Networks were created using EEG sensors as nodes and across-trial phase-lag index values as edges (10% threshold, binarized). Using cross-validated LASSO regression, we examined whether dynamic graph-theory metrics of integration, segregation and modularity predict inattention and/or hyperactivity. In the gamma-band (30-90Hz), and no other frequency bands, a three feature model accounted for a substantial amount of variance in hyperactivity (R2 = .28). This showed that throughout processing (0-500ms, 2ms intervals), networks of those with low hyperactivity: (1) have nodes which tend to remain in the same module (r = -.44, p = .0004), (2) consistently share connections with the same neighbours (r = -.34, p = .007), and (3) take more time to transfer information globally (r = .36, p = .004; all powers > .85). Thus, the well-reported developmental process whereby task-specific systems of brain regions become increasingly specialized might be protracted in the ADHD Hyperactive-Impulsive subtype. Understanding which developmental processes might be altered in ADHD has implications for diagnosis and intervention.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| 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 ».