MétaCan
Menu
Retour à la cohorte
Enregistrement W4414422755 · doi:10.1016/j.compbiomed.2025.111102

Dynamic topographies of intrinsic neural timescales: a key role for consciousness

2025· article· en· W4414422755 sur OpenAlexafffund
Andrea Buccellato, Di Zang, Yasir Çatal, Bianca Ventura, Massimiliano Facca, Zengxin Qi, Patrizia Bisiacchi, Alessandra Del Felice, Xuehai Wu, Georg Northoff

Notice bibliographique

RevueComputers in Biology and Medicine · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueNeural Networks and Applications
Établissements canadiensUniversity of OttawaRoyal Ottawa Mental Health Centre
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaNatural Science Foundation of Beijing MunicipalityCanadian Institutes of Health ResearchChina Scholarship CouncilScience and Technology Commission of Shanghai MunicipalityMinistero dell'Università e della RicercaNational Natural Science Foundation of ChinaSocial Sciences and Humanities Research Council of CanadaHorizon 2020 Framework ProgrammePhysicians' Services Incorporated FoundationInnovative Research Group Project of the National Natural Science Foundation of China
Mots-clésConsciousnessKey (lock)RepertoireTransition (genetics)Dynamics (music)Altered stateState (computer science)Cluster analysisDynamic functional connectivity

Résumé

récupéré en direct d'OpenAlex

The brain displays intrinsic durations in its own spontaneous activity - Intrinsic Neural Timescales (INTs). INTs are hierarchically organized, with shorter durations within unimodal regions and longer intervals in multimodal domains. Despite significant progress, it's currently not known whether the unimodal-multimodal hierarchical organization undergoes recurrent changes itself - consistent with the existence of a dynamic repertoire of INT topographies. To this aim, we characterized the dynamics of topographic INT states by clustering the dynamic ACW-0 matrices in two different datasets: the source-reconstructed HCP resting-state MEG dataset, and a hd-EEG resting-state dataset, composed of healthy individuals and people with disorders of consciousness (DoCs). We found that healthy subjects display dynamic transitions between different INT states, which exhibit changing degrees of uni-transmodal cortical hierarchies. These dynamic transitions show non-random behavior, with moderate degrees of unpredictability and evidence of nontrivial memory effects. Unlike in healthy subjects, these properties are disrupted in DoC patients, who exhibit less predictable INT state transitions and less memory effects. Together, our results show a prominent role for the temporal richness of the transitions between different INT topographic states in the awake state which, as evidenced by our results, is key for maintaining an adequate level of consciousness. • INT cortical topography undergoes state transitions, which show non-random dynamics in M/EEG data. • Entropy- and Markov-based metrics reveal functional properties of INT topographies. • DoC patients display marked unpredictability of INT state transitions. • Healthy controls show richer memory in INT state transitions than DoC patients. • Findings support INT dynamics as candidate markers of consciousness.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,292
Écart entre enseignants0,285 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueComputers in Biology and MedicineMême sujetNeural Networks and ApplicationsTravaux en français237 207