Spontaneous physiological variability modulates dynamic functional connectivity in resting-state functional magnetic resonance imaging
Notice bibliographique
Résumé
It is well known that the blood oxygen level-dependent (BOLD) signal measured by functional magnetic resonance imaging (fMRI) is influenced-in addition to neuronal activity-by fluctuations in physiological signals, including arterial CO2, respiration and heart rate/heart rate variability (HR/HRV). Even spontaneous fluctuations of the aforementioned physiological signals have been shown to influence the BOLD fMRI signal in a regionally specific manner. Related to this, estimates of functional connectivity between different brain regions, performed when the subject is at rest, may be confounded by the effects of physiological signal fluctuations. Moreover, resting functional connectivity has been shown to vary with respect to time (dynamic functional connectivity), with the sources of this variation not fully elucidated. In this context, we examine the relation between dynamic functional connectivity patterns and the time-varying properties of simultaneously recorded physiological signals (end-tidal CO2 and HR/HRV) using resting-state fMRI measurements from 12 healthy subjects. The results reveal a modulatory effect of the aforementioned physiological signals on the dynamic resting functional connectivity patterns for a number of resting-state networks (default mode network, somatosensory, visual). By using discrete wavelet decomposition, we also show that these modulation effects are more pronounced in specific frequency bands.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».