Functional brain connectivity changes associated with day-to-day fluctuations in affective states
Notice bibliographique
Résumé
Affective neuroscience has traditionally relied on cross-sectional studies to uncover the brain correlates of affects, emotions, and moods. Such findings obfuscate intraindividual variability that may reveal meaningful changing affect states. The few functional magnetic resonance imaging longitudinal studies that have linked changes in brain function to the ebbs and flows of affective states over time have mostly investigated a single individual. In this study, we explored how the functional connectivity of brain areas associated with affective processes can explain within-person fluctuations in self-reported positive and negative affects across several subjects. To do so, we leveraged the Day2day dataset that includes 40 to 50 resting-state functional magnetic resonance imaging scans along self-reported positive and negative affectivity from a sample of six healthy participants. Sparse multivariate mixed-effect linear models could explain 15% and 11% of the within-person variation in positive and negative affective states, respectively. Evaluation of these models' generalizability to new data demonstrated the ability to predict approximately 5% and 2% of positive and negative affect variation. The functional connectivity of limbic areas, such as the amygdala, hippocampus, and insula, appeared most important to explain the temporal dynamics of affects over days, weeks, and months.
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 | 0,001 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».