.png){kind=icon}
返回
Resting-state EEG network variability predicts individual working memory behavior
.png){kind=icon}
OA
AI
DOI：10.1016/j.neuroimage.2025.121120.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
即使在静息期间，大脑也会表现出自发活动，该活动以全局协调的方式动态波动于空间上分布的区域，这具有显著的认识论意义。然而，静息态网络的时间变异性与工作记忆（WM）之间的关系在很大程度上仍未得到探索。本研究旨在通过采用基于EEG的协议并结合模糊熵来弥补这一差距。首先，我们识别了静息态网络的灵活模式和稳健模式。随后，我们观察到工作记忆表现与网络变异性之间存在显著的正相关，特别是在与额叶、右侧中央叶和右侧顶叶相关的连接中。此外，我们发现网络属性的时变性显著且正相关于工作记忆表现。另外，不同的网络变异性模式被界定出来，这些模式有助于个体间工作记忆能力的差异，并且随着任务需求的增加，这些差异变得更加显著。最后，我们利用基于这些变异性指标的多变量预测模型，有效地预测了个体的工作记忆表现。值得注意的是，在源空间中进行的类似分析验证了静息态网络时变性在预测个体工作记忆行为方面的可重复性，提供了更高空间分辨率的关键脑区的更精确解剖学定位。这些结果表明，静息态网络的时间变异性反映了支持工作记忆的大脑组织内在动态变化，并可作为个体工作记忆行为的客观预测指标。
Keyword:
Temporal variability
Resting-state networks
Fuzzy entropy
Behavior prediction
Working memory
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.5
论文数:
1.5K
被引数:
10.6W
机构
引用论文
Cognitive task information is transferred between brain regions via resting-state network topology.png)
NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Reverse replay of behavioural sequences in hippocampal place cells during the awake stateNature
NatureIF0
PREAI
分享收藏Complex network measures of brain connectivity: Uses and interpretations大脑连通性的复杂网络测量: 用途和解释NeuroImage
NeuroImageIF0
PREAI
分享收藏
查看更多内容