Assessment of dynamic functional connectivity in resting‐state fMRI using the sliding window technique
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».