Intrinsic Frequencies of the Resting-State fMRI Signal: The Frequency Dependence of Functional Connectivity and the Effect of Mode Mixing
Notice bibliographique
Résumé
The frequency characteristics of the resting-state BOLD fMRI (rs-fMRI) signal are of increasing scientific interest, as we discover more frequency-specific biological interpretations. In this work, we use variational mode decomposition (VMD) to precisely decompose the rs-fMRI time series into its intrinsic mode functions (IMFs) in a data-driven manner. The accuracy of the VMD decomposition of constituent IMFs is verified through simulations, with higher reconstruction accuracy and much-reduced mode mixing relative to previous methods. Furthermore, we examine the relative contribution of the VMD-derived modes (frequencies) to the rs-fMRI signal as well as functional connectivity measurements. Our primary findings are: (1) The rs-fMRI signal within the 0.01-0.25 Hz range can be consistently characterized by four intrinsic frequency clusters, centered at 0.028 Hz (IMF4), 0.080 Hz (IMF3), 0.15 Hz (IMF2) and 0.22 Hz (IMF1); (2) these frequency clusters were highly reproducible, and independent of rs-fMRI data sampling rate; (3) not all frequencies were associated with equivalent network topology, in contrast to previous findings. In fact, while IMF4 is most likely associated with physiological fluctuations due to respiration and pulse, IMF3 is most likely associated with metabolic processes, and IMF2 with vasomotor activity. Both IMF3 and IMF4 could produce the brain-network topology typically observed in fMRI, whereas IMF1 and IMF2 could not. These findings provide initial evidence of feasibility in decomposing the rs-fMRI signal into its intrinsic oscillatory frequencies in a reproducible manner.
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 | 0,002 | 0,020 |
| 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 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».