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 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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».