Exploring Deep Magnetoencephalography via Thalamo‐Cortical Sleep Spindles
Notice bibliographique
Résumé
Subcortical brain regions like the thalamus are integral to numerous sensory and cognitive functions. Magnetoencephalography (MEG) enables the study of widespread brain networks with high temporal resolution, but the degree to which deep sources like the thalamus can be resolved remains unclear. Functional connectivity methods may enhance differentiation, yet few studies have extended them beyond the cortex. We investigated the possibility of resolving deep sources via connectivity patterns during thalamo-cortical sleep spindles to leverage their well-characterized circuitry, and during spindle-free periods of non-rapid eye movement sleep to explore neural recordings that lack such high-amplitude bursts of activity. MEG and electroencephalography (EEG) were recorded in 19 participants during a 2-h nap. Spindle and non-spindle periods were identified, and connectivity was assessed using coherence and imaginary coherence within a spindle-related network. Graph theory was also applied to identify network hubs. As expected, functional connectivity increased during spindles within a distributed thalamo-cortical-hippocampal network. Cortical connectivity patterns allowed differentiation among small thalamic nuclei, but metric choice and contrast use influenced topography and distance effects. Graph theory revealed distinct cortical, thalamic, and hippocampal contributions to fast (13-16 Hz) and slow (10-13 Hz) sigma-band connectivity. These findings demonstrate that MEG functional connectivity can resolve deep brain networks during NREM sleep and during spindles, and demonstrate how it can be used to study the functional roles of subcortical regions non-invasively in healthy humans. By clarifying methodological influences, we aim to guide future research design and interpretation.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».