From temporal to spatial topography: hierarchy of neural dynamics in higher- and lower-order networks shapes their complexity
Notice bibliographique
Résumé
The brain shows a topographical hierarchy along the lines of lower- and higher-order networks. The exact temporal dynamics characterization of this lower-higher-order topography at rest and its impact on task states remains unclear, though. Using 2 functional magnetic resonance imaging data sets, we investigate lower- and higher-order networks in terms of the signal compressibility, operationalized by Lempel-Ziv complexity (LZC). As we assume that this degree of complexity is related to the slow-fast frequency balance, we also compute the median frequency (MF), an estimation of frequency distribution. We demonstrate (i) topographical differences at rest between higher- and lower-order networks, showing lower LZC and MF in the former; (ii) task-related and task-specific changes in LZC and MF in both lower- and higher-order networks; (iii) hierarchical relationship between LZC and MF, as MF at rest correlates with LZC rest-task change along the lines of lower- and higher-order networks; and (iv) causal and nonlinear relation between LZC at rest and LZC during task, with MF at rest acting as mediator. Together, results show that the topographical hierarchy of lower- and higher-order networks converges with their temporal hierarchy, with these neural dynamics at rest shaping their range of complexity during task states in a nonlinear way.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».