Assessment of dynamic functional connectivity in resting‐state fMRI using the sliding window technique
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Recent studies related to assessing functional connectivity (FC) in resting-state functional magnetic resonance imaging have revealed that the resulting connectivity patterns exhibit considerable fluctuations (dynamic FC [dFC]). A widely applied method for quantifying dFC is the sliding window technique. According to this method, the data are divided into segments with the same length (window size) and a correlation metric is employed to assess the connectivity within these segments, whereby the window size is often empirically chosen. METHODS: In this study, we rigorously investigate the assessment of dFC using the sliding window approach. Specifically, we perform a detailed comparison between different correlation metrics, including Pearson, Spearman and Kendall correlation, Pearson and Spearman partial correlation, Mutual Information (MI), Variation of Information (VI), Kullback-Leibler divergence, Multiplication of Temporal Derivatives and Inverse Covariance. RESULTS: Using test-retest datasets, we show that MI and VI yielded the most consistent results by achieving high reliability with respect to dFC estimates for different window sizes. Subsequent hypothesis testing, based on multivariate phase randomization surrogate data generation, allowed the identification of dynamic connections between the posterior cingulate cortex and regions in the frontal lobe and inferior parietal lobes, which were overall in agreement with previous studies. CONCLUSIONS: In the case of MI and VI, a window size of at least 120 s was found to be necessary for detecting dFC for some of the previously identified dynamically connected regions.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 découle