The role of transient spectral ‘bursts’ in functional connectivity: A magnetoencephalography study
Notice bibliographique
Résumé
Neural oscillations dominate electrophysiological measures of macroscopic brain activity and fluctuations in these rhythms offer an insightful window on cortical excitation, inhibition, and connectivity. However, in recent years the 'classical' picture of smoothly varying oscillations has been challenged by the idea that many 'oscillations' may actually be formed from the recurrence of punctate high-amplitude bursts in activity, whose spectral composition intersects the traditionally defined frequency ranges (e.g. alpha/beta band). This finding offers a new interpretation of measurable brain activity, however neither the methodological means to detect bursts, nor their link to other findings (e.g. connectivity) have been settled. Here, we use a new approach to detect bursts in magnetoencephalography (MEG) data. We show that a time-delay embedded Hidden Markov Model (HMM) can be used to delineate single-region bursts which are in agreement with existing techniques. However, unlike existing techniques, the HMM looks for specific spectral patterns in timecourse data. We characterise the distribution of burst duration, frequency of occurrence and amplitude across the cortex in resting state MEG data. During a motor task we show how the movement related beta decrease and post movement beta rebound are driven by changes in burst occurrence. Finally, we show that the beta band functional connectome can be derived using a simple measure of burst overlap, and that coincident bursts in separate regions correspond to a period of heightened coherence. In summary, this paper offers a new methodology for burst identification and connectivity analysis which will be important for future investigations of neural oscillations.
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 | 0,000 | 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 | 0,000 |
| 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 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 ».