NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Beyin bölgeleri arasındaki fonksiyonel bağlantıyı izlemek, normal ve hastalık durumlarında beyin işlevselliğini aydınlatmada giderek daha önemli hale geliyor. Kaydedilen elektroensefalogramdaki (EEG) korelasyon ve tutarlılık gibi ağları tespit etme yöntemleri, kanallar arasındaki ilişkinin durağanlığını üstlenmeleri ve doğrusal bağımlılıklara güvenmeleri ile sınırlıdır. Beyin korteksi hastalıklarının aksine (örn. Alzheimer hastalığı), Parkinson hastalığı (PD) gibi motor bozuklukları ile EEG anormallikleri dinamik motor görevlerin performansı sırasında en belirgindir, ancak bu durum durağanlık varsayımını savunulamaz hale getirir.MetodlarBu nedenle, hesaplanmış Bağımsız Bileşenlerin (IC'lerin) çapraz spektrumunun zamansal dinamiklerine dayanan yeni bir EEG segmentasyon yöntemi önermektedir. Daha sonra karşılıklı bilgiyi (MI) EEG kanalları arasındaki doğrusal olmayan istatistiksel bağımlılıkları belirlemek için metrik olarak kullanırız. Grafiksel teorik analiz daha sonra türetilmiş MI ağlarına uygulanır. Yöntem, altı normal denekten ve yedi PD denekten alınan EEG verilerine ilaç dışı uygulandı. Varyans (ANOVA) testlerinin tek yönlü analizi gruplar arasındaki bağlantı düzenlerinde istatistiksel olarak anlamlı bir fark olduğunu gösterdi.SonuçlarSonuçlarSonuçlarSonuçlarSonuçlarPD deneklerin bireysel görevlere kıyasla eş zamanlı görevleri yerine getirirken beynin farklı alanlarını bağımsız olarak işe alamayacaklarını, bunun yerine davranışsal performansı korumak için farklı eşzamanlı aktivite kümeleri toplamaya çalıştıklarını öne sürdüler.Önerilen segmentasyon/MI ağ yöntemi, dinamik davranışlar sırasında kaydedilen EEG'yi analiz etmek için umut verici bir yaklaşım gibi görünmektedir.
Özgün kaynak özetini okuyun
BackgroundMonitoring the functional connectivity between brain regions is becoming increasingly important in elucidating brain functionality in normal and disease states. Current methods of detecting networks in the recorded electroencephalogram (EEG) such as correlation and coherence are limited by the fact that they assume stationarity of the relationship between channels, and rely on linear dependencies. In contrast to diseases of the brain cortex (e.g. Alzheimer's disease), with motor disorders such as Parkinson's disease (PD) the EEG abnormalities are most apparent during performance of dynamic motor tasks, but this makes the stationarity assumption untenable.MethodsWe therefore propose a novel EEG segmentation method based on the temporal dynamics of the cross-spectrogram of the computed Independent Components (ICs). We then utilize mutual information (MI) as the metric for determining also nonlinear statistical dependencies between EEG channels. Graphical theoretical analysis is then applied to the derived MI networks. The method was applied to EEG data recorded from six normal subjects and seven PD subjects off medication. One-way analysis of variance (ANOVA) tests demonstrated statistically significant difference in the connectivity patterns between groups.ResultsThe results suggested that PD subjects are unable to independently recruit different areas of the brain while performing simultaneous tasks compared to individual tasks, but instead they attempt to recruit disparate clusters of synchronous activity to maintain behavioral performance.ConclusionThe proposed segmentation/MI network method appears to be a promising approach for analyzing the EEG recorded during dynamic behaviors.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.