Sensorimotor, Attention, and Default-Mode Networks for the Perception and Regulation of Thermal Pain: A Functional Network Analysis
Notice bibliographique
Résumé
Prior functional magnetic resonance imaging (fMRI) studies have proposed a key set of brain regions involved in pain, and have demonstrated their tendency to cluster into distinct functional networks, or groups of co-activated regions. However, the functional contributions of these networks—to behaviour, cognition, and pain perception—have yet to be fully understood. Here we analyzed open-source fMRI Blood Oxygen Level-Dependent (BOLD) data collected from 31 healthy participants during a thermal pain task, in which various temperatures were administered across different types of pain regulation (i.e., regulate-up, regulate-down and no regulation), eliciting both bottom-up nociceptive and top-down regulatory aspects of pain perception. We extracted functional brain networks constrained to the variance predictable from the timing of heat stimulation under different combinations of stimulus temperature and regulation type. Estimated hemodynamic response (HDR) shapes were interpreted to determine each network’s role in pain perception under these conditions. Three functional brain networks involved in pain perception were identified: a sensorimotor response network, a frontoparietal attention network, and the default-mode network. Based on estimated HDRs, these networks appeared to contribute to pain perception by enabling stimulus-informed responses to pain, directing attentional resources, and regulating pain through ego-driven valuation processes, respectively. These findings provide new information about the cognitive functions of the brain networks involved in the perception of pain.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».