Dynamic functional connectivity via iEEG - fMRI correlation maps
Notice bibliographique
Résumé
Understanding neural computations of vision require studying how different brain regions interact with one another. However, functional connectivity across brain regions is often computed as stationary maps, concealing the rich neural dynamics that change at a finer timescale. To better understand how functional connectivity evolves over time, we propose a multimodal framework combining data from intracranial-EEG (iEEG) and fMRI. We recorded iEEG data from early visual (V1/V2) electrodes in 4 patients. Each patient was shown a subset of 1000 stimuli from the NSD-fMRI dataset. Electrodes with significant broadband (70-170 Hz) power increases w.r.t the baseline were considered for further analysis. From the NSD-fMRI dataset, we obtained average fMRI beta-weights for the 1000 stimuli that were repeated thrice across the 8 subjects. Next, for each iEEG electrode we computed a Pearson correlation map with all the fMRI vertices, across the 1000 stimuli, giving us a time x vertices correlation matrix. This provided us with a brain-wide temporally evolving correlation map for each electrode. In all 4 subjects, we observed that the iEEG broadband significantly correlates with the fMRI beta-weights in V1, and with V2/V3 about 5-10 ms later, followed by the ventral temporal regions around 170 ms. Other parietal and frontal brain regions also showed significant correlations after 100 ms. Further, we also observed that these correlations reduce around 450 ms, even though the stimuli were presented for 800 ms. These temporally resolved correlation maps show that V1 representations are not stationary but share representations with higher order visual areas over time. These results may suggest that connectivity to V1 evolves over time revealing feedback inputs from higher order ventral areas around 100-170 ms. Overall, we propose that our multimodal framework enables us to compute functional connectivity at high spatiotemporal resolution reflecting the rich dynamics of interaction across different brain regions.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».