Functional connectivity is dominated by aperiodic, rather than oscillatory, coupling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT Functional connectivity has attracted significant interest in the identification of specific circuits underlying brain (dys-)function. Classical analyses to estimate functional connectivity (i.e., filtering electrophysiological signals in canonical frequency bands and using connectivity metrics) assume that these reflect oscillatory networks. However, this approach conflates non-oscillatory, aperiodic neural activity with oscillations; raising the possibility that these functional networks may reflect aperiodic rather than oscillatory activity. Here, we provide the first study quantifying, in two different human electroencephalography (EEG) databases, the contribution of aperiodic activity on reconstructed oscillatory functional networks in resting state. We found that more than 99% of delta, theta, and gamma functional networks, more than 90% of beta functional networks and between 23 and 55% of alpha functional networks were actually driven by aperiodic activity. While there is no universal consensus on how to identify and quantify neural oscillations, our results demonstrate that oscillatory functional networks are drastically sparser than commonly assumed. These findings suggest that most functional connectivity studies focusing on resting state actually reflect aperiodic networks instead of oscillations-based networks. We highly recommend that oscillatory network analyses first check the presence of aperiodicity-unbiased neural oscillations before estimating their statistical coupling to strengthen the robustness, interpretability, and reproducibility of functional connectivity studies.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 découle