NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Geleneksel olarak, dinlenme durumu verilerindeki fonksiyonel ağlar, önceden belirlenmiş frekans bantlarına güvenerek frekans içeriğini karakterize etmek için doğrusal Fourier ve dalgacıkla ilgili yöntemlerle araştırılmıştır. Bu çalışmada, uyarlanabilir bir zaman-frekans yöntemi olan Empirik Mod Dekompozisyonu (EMD), Grup Bağımsız Bileşen Analizi tarafından elde edilen dinlenme durumu verilerinin doğal olarak oluşan frekans bantlarını araştırmak için kullanılır. Özellikle, EMD tarafından elde edilen İçsel Mod Fonksiyonlarının (IMF'ler) enerji dönem profilleri oluşturulur ve farklı dinlenme-durum ağları için karşılaştırılır. Bu profiller birçok dinlenme durumu ağı için karakteristik bir dağılıma sahiptir ve her ağın frekans içeriği ile ilgilidir. Lineer Kısa Zamanlı Fourier Transform (STFT) ve Maximal Overlap Discrete Wavelet Transform (MODWT) ile yapılan bir karşılaştırma, EMD'nin farklı tipteki dinlenme-durum ağlarının daha frekans-adaptif bir gösterimini sağladığını göstermektedir. Enerji dönemi profillerine dayanan dinlenme-durum ağlarının kümelenmesi, frekans ve enerji ile monoton bir ilişkisi olan dinlenme-durum ağlarının kümelenmesine yol açar. Bu ilişki EMD ile en güçlü, MODWT ile orta ve STFT ile en zayıftır. Bu ilişkilerin tanımlanması, EMD'nin STFT ve MODWT'ye kıyasla beyin ağlarını karakterize etmede önemli avantajlara sahip olduğunu göstermektedir. Erken Parkinson hastalığına (PD) normal kontrollere (NC) karşı klinik bir uygulamada, birkaç ortak dinlenme durumu ağı için enerji ve dönem içeriği incelenmiştir. STFT ve MODWT ile karşılaştırıldığında EMD, PD ve NC denekler arasındaki enerji ve dönemdeki en büyük farklılıkları gösterdi. Bir destek vektör makinesi kullanan EMD, NC ve PD konularını STFT, MODWT ve EMD arasında sınıflandırmada en yüksek tahmin doğruluğunu elde etti.
Özgün kaynak özetini okuyun
Traditionally, functional networks in resting-state data were investigated with linear Fourier and wavelet-related methods to characterize their frequency content by relying on pre-specified frequency bands. In this study, Empirical Mode Decomposition (EMD), an adaptive time-frequency method, is used to investigate the naturally occurring frequency bands of resting-state data obtained by Group Independent Component Analysis. Specifically, energy-period profiles of Intrinsic Mode Functions (IMFs) obtained by EMD are created and compared for different resting-state networks. These profiles have a characteristic distribution for many resting-state networks and are related to the frequency content of each network. A comparison with the linear Short-Time Fourier Transform (STFT) and the Maximal Overlap Discrete Wavelet Transform (MODWT) shows that EMD provides a more frequency-adaptive representation of different types of resting-state networks. Clustering of resting-state networks based on the energy-period profiles leads to clusters of resting-state networks that have a monotone relationship with frequency and energy. This relationship is strongest with EMD, intermediate with MODWT, and weakest with STFT. The identification of these relationships suggests that EMD has significant advantages in characterizing brain networks compared to STFT and MODWT. In a clinical application to early Parkinson's disease (PD) vs. normal controls (NC), energy and period content were studied for several common resting-state networks. Compared to STFT and MODWT, EMD showed the largest differences in energy and period between PD and NC subjects. Using a support vector machine, EMD achieved the highest prediction accuracy in classifying NC and PD subjects among STFT, MODWT, and EMD.
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.