The present study compares the cortical local field potentials (LFPs) in the primary motor cortex (M1) and the supplementary motor area (SMA) of non-human primates rendered Parkinsonian with administration of dopaminergic neurotoxin, 1-methyl-4-phenyl-1,2,3,6-tetrahydropyridine. The dynamic of the LFPs was investigated under several mathematical frameworks and machine learning was used to discriminate the recordings based on these features between healthy, parkinsonian with off-medication and parkinsonian with on-medication states. The importance of each feature in the discrimination process was further investigated. The dynamic of the LFPs in M1 and SMA was affected regarding its variability (time domain analysis), oscillatory activities (frequency domain analysis) and complex patterns (non-linear domain analysis). Machine learning algorithms achieved accuracy near 0.90 for comparisons between conditions. The TreeBagger algorithm provided best accuracy. The relative importance of these features differed with the cortical location, condition and treatment. Overall, the most important features included beta oscillation, fractal dimension, gamma oscillation, entropy and asymmetry of amplitude fluctuation. The importance of features in discriminating between normal and pathological states, and on- or off-medication states depends on the pair-comparison and it is region-specific. These findings are discussed regarding the refinement of current models for movement disorders and the development of on-demand therapies.

中文翻译：

---

机器学习揭示的与帕金森病相关的灵长类动物皮层局部场电位动态：初级运动皮层和辅助区域之间的比较

本研究比较了非人类灵长类动物的初级运动皮层 (M1) 和辅助运动区 (SMA) 的皮层局部场电位 (LFP) 与多巴胺能神经毒素 1-methyl-4-phenyl-1 ,2,3,6-四氢吡啶。在几个数学框架下研究了 LFP 的动态，并使用机器学习来区分基于这些特征的记录，即健康的、停药的帕金森病和服用药物的帕金森病。进一步研究了每个特征在区分过程中的重要性。M1 和 SMA 中 LFP 的动态受到其可变性（时域分析）、振荡活动（频域分析）和复杂模式（非线性域分析）的影响。机器学习算法在条件之间的比较中实现了接近 0.90 的准确度。TreeBagger 算法提供了最佳的准确性。这些特征的相对重要性因皮质位置、状况和治疗而异。总体而言，最重要的特征包括β振荡、分形维数、伽马振荡、熵和幅度波动的不对称性。特征在区分正常和病理状态以及用药或用药状态时的重要性取决于配对比较并且它是特定于区域的。这些发现讨论了当前运动障碍模型的改进和按需治疗的发展。这些特征的相对重要性因皮质位置、状况和治疗而异。总体而言，最重要的特征包括β振荡、分形维数、伽马振荡、熵和振幅波动的不对称性。特征在区分正常和病理状态以及用药或用药状态时的重要性取决于配对比较并且它是特定于区域的。这些发现讨论了当前运动障碍模型的改进和按需治疗的发展。这些特征的相对重要性因皮质位置、状况和治疗而异。总体而言，最重要的特征包括β振荡、分形维数、伽马振荡、熵和幅度波动的不对称性。特征在区分正常和病理状态以及用药或用药状态时的重要性取决于配对比较并且它是特定于区域的。这些发现讨论了当前运动障碍模型的改进和按需治疗的发展。特征在区分正常和病理状态以及用药或用药状态时的重要性取决于配对比较并且它是特定于区域的。这些发现讨论了当前运动障碍模型的改进和按需治疗的发展。特征在区分正常和病理状态以及用药或用药状态时的重要性取决于配对比较并且它是特定于区域的。这些发现讨论了当前运动障碍模型的改进和按需治疗的发展。