NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Sinir sistemleri, nöronlar ve nöronal topluluklar tarafından üretilen sinyallere yansıyan karmaşık dinamikleri ile karakterize edilir. Bu karmaşıklık, sağlık, hastalık ve farklı bilinç durumlarında spesifik özellikler sergiler ve belirli nörolojik ve nöropsikiyatrik koşulların bir işareti olarak kabul edilebilir. Nörofizyolojik sinyallerden karmaşıklığı ölçmek için, bir dizi farklı doğrusal olmayan analiz aracı mevcuttur. Bununla birlikte, bu araçların tümünün uygulanması kolay değildir veya klinik verileri işleyebilir, genellikle laboratuvar veya simüle edilmiş verilere kıyasla ideal koşullardan daha azında elde edilir. Son zamanlarda, zamansal yapı fonksiyonu, nöronal aktivitenin karmaşık özelliklerinin analizi için güçlü bir araç olarak ortaya çıktı. Zamansal yapı fonksiyonu hesaplama açısından verimlidir ve kısa sinyallerden sağlam bir şekilde tahmin edilebilir. Bununla birlikte, bu aracın nöronal verilere uygulanması nispeten yenidir ve sonuçların yorumlanmasını zorlaştırmaktadır. Bu yöntemde kağıt, yapı fonksiyonunun hesaplanması ve karakterizasyonu için adım adım algoritmayı tanımlarız. Bu algoritmayı osilatör, rastgele ve karmaşık oyuncak sinyallerine uyguluyoruz ve eklenen gürültünün etkisini test ediyoruz. Bunu gösteriyoruz: (1) yapı fonksiyonunun ortalama eğimi rastgele sinyaller durumunda sıfırdır; (2) salınımlar yapı fonksiyonunun şekline yansır, ancak karmaşık korelasyonlar yoksa ortalama eğimi değiştirmezler; (3) doğrusal olmayan sistemler, fonksiyonun bir platoya dönüştüğü kritik bir noktaya kadar sıfır olmayan eğimli yapı fonksiyonları üretirler. Doğrusal olmayan sistemler durumunda yapı fonksiyonunun davranışını ölçmek için iki karakteristik sayı çıkarılabilir: (1). platonun başladığı nokta (çizim değişiminin gerçekleştiği nokta) ve (2). platonun yüksekliği. Enfleksiyon noktası korelasyonların zayıfladığı ölçekle ilgili olsa da, platonun yüksekliği sinyalde mevcut olan gürültü ile ilgilidir. Yöntemimizi örneklemek için parkinsonian ve sağlıklı sıçanların bazal gangliyonlarından nöronal kayıtların yapı fonksiyonlarını hesaplıyoruz ve oyuncak sinyallerimizden elde edilen sonuçlar ışığında yorumlarına yönelik kılavuzlar çiziyoruz.
Özgün kaynak özetini okuyun
Neural systems are characterized by their complex dynamics, reflected on signals produced by neurons and neuronal ensembles. This complexity exhibits specific features in health, disease and in different states of consciousness, and can be considered a hallmark of certain neurologic and neuropsychiatric conditions. To measure complexity from neurophysiologic signals, a number of different nonlinear tools of analysis are available. However, not all of these tools are easy to implement, or able to handle clinical data, often obtained in less than ideal conditions in comparison to laboratory or simulated data. Recently, the temporal structure function emerged as a powerful tool for the analysis of complex properties of neuronal activity. The temporal structure function is efficient computationally and it can be robustly estimated from short signals. However, the application of this tool to neuronal data is relatively new, making the interpretation of results difficult. In this methods paper we describe a step by step algorithm for the calculation and characterization of the structure function. We apply this algorithm to oscillatory, random and complex toy signals, and test the effect of added noise. We show that: (1) the mean slope of the structure function is zero in the case of random signals; (2) oscillations are reflected on the shape of the structure function, but they don't modify the mean slope if complex correlations are absent; (3) nonlinear systems produce structure functions with nonzero slope up to a critical point, where the function turns into a plateau. Two characteristic numbers can be extracted to quantify the behavior of the structure function in the case of nonlinear systems: (1). the point where the plateau starts (the inflection point, where the slope change occurs), and (2). the height of the plateau. While the inflection point is related to the scale where correlations weaken, the height of the plateau is related to the noise present in the signal. To exemplify our method we calculate structure functions of neuronal recordings from the basal ganglia of parkinsonian and healthy rats, and draw guidelines for their interpretation in light of the results obtained from our toy signals.
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.