Masticationpedia

Difference between revisions of "Store:EEMIfr03"

Store Discussion
 
Line 1: Line 1:
=== Patterns & Math ===
=== Modèles et mathématiques ===
Indeed, the same set of structured patterns of neural activity have been found during "active" states, such as, while completing different tasks<ref>Biswal BB, Eldreth DA, Motes MA, Rypma B. Task-dependent individual differences in prefrontal connectivity. Cereb. Cortex. 2010;20:2188–2197. doi: 10.1093/cercor/bhp284. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref><ref>Fox MD, Raichle ME. Spontaneous fluctuations in brain activity observed with functional magnetic resonance imaging. Nat. Rev. Neurosci. 2007;8:700–711. doi: 10.1038/nrn2201. [PubMed] [CrossRef] [Google Scholar]</ref><ref>Kraus BT, et al. Network variants are similar between task and rest states. Neuroimage. 2021;229:117743. doi: 10.1016/j.neuroimage.2021.117743. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref>. For instance, there is a high degree of correspondence between networks extracted during rest and those extracted during tasks measuring sensorimotor<ref>Kristo G, et al. Task and task-free FMRI reproducibility comparison for motor network identification. Hum. Brain Mapp. 2014;35:340–352. doi: 10.1002/hbm.22180. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref><ref>Sui J, Adali T, Pearlson GD, Calhoun VD. An ICA-based method for the identification of optimal FMRI features and components using combined group-discriminative techniques. Neuroimage. 2009;46:73–86. doi: 10.1016/j.neuroimage.2009.01.026.[PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref> and higher-level cognitive abilities (i.e., working memory)<ref>Calhoun VD, Kiehl KA, Pearlson GD. Modulation of temporally coherent brain networks estimated using ICA at rest and during cognitive tasks. Hum. Brain Mapp. 2008;29:828–838. doi: 10.1002/hbm.20581. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref><ref>Xie H, et al. Whole-brain connectivity dynamics reflect both task-specific and individual-specific modulation: A multitask study. Neuroimage. 2018;180:495–504. doi: 10.1016/j.neuroimage.2017.05.050. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref>.Even completing a task as complicated as following the plot of a movie elicits the same network architecture as observed in the resting brain<ref name=":0">Naci L, Cusack R, Anello M, Owen AM. A common neural code for similar conscious experiences in different individuals. Proc. Natl. Acad. Sci. U. S. A. 2014;111:14277–14282. doi: 10.1073/pnas.1407007111. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref>. The correspondence between task and rest-based networks is so strong that task-based fMRI network activity can be predicted from the resting state<ref>Kannurpatti SS, Rypma B, Biswal BB. Prediction of task-related BOLD fMRI with amplitude signatures of resting-state fMRI. Front. Syst. Neurosci. 2012;6:7. doi: 10.3389/fnsys.2012.00007.[PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref>, and rest-task network pairs can be identified at the individual level<ref>Elliott ML, et al. General functional connectivity: Shared features of resting-state and task fMRI drive reliable and heritable individual differences in functional brain networks. Neuroimage. 2019;189:516–532. doi: 10.1016/j.neuroimage.2019.01.068. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref>16. Together, these results suggest that rest and task-based patterns of brain activity likely share a similar underlying neural architecture, despite distinct experiences and cognitive processes<ref>Cole MW, Ito T, Cocuzza C, Sanchez-Romero R. The functional relevance of task-state functional connectivity. J. Neurosci. 2021 doi: 10.1523/JNEUROSCI.1713-20.2021. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref>.
En effet, le même ensemble de schémas structurés d'activité neuronale a été trouvé lors d'états "actifs", par exemple lors de l'accomplissement de différentes tâches.<ref>Biswal BB, Eldreth DA, Motes MA, Rypma B. Task-dependent individual differences in prefrontal connectivity. Cereb. Cortex. 2010;20:2188–2197. doi: 10.1093/cercor/bhp284. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref><ref>Fox MD, Raichle ME. Spontaneous fluctuations in brain activity observed with functional magnetic resonance imaging. Nat. Rev. Neurosci. 2007;8:700–711. doi: 10.1038/nrn2201. [PubMed] [CrossRef] [Google Scholar]</ref><ref>Kraus BT, et al. Network variants are similar between task and rest states. Neuroimage. 2021;229:117743. doi: 10.1016/j.neuroimage.2021.117743. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref> Par exemple, il existe un degré élevé de correspondance entre les réseaux extraits au repos et ceux extraits lors de tâches mesurant les capacités sensorimotrices<ref>Kristo G, et al. Task and task-free FMRI reproducibility comparison for motor network identification. Hum. Brain Mapp. 2014;35:340–352. doi: 10.1002/hbm.22180. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref><ref>Sui J, Adali T, Pearlson GD, Calhoun VD. An ICA-based method for the identification of optimal FMRI features and components using combined group-discriminative techniques. Neuroimage. 2009;46:73–86. doi: 10.1016/j.neuroimage.2009.01.026.[PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref> et cognitives de niveau supérieur (c'est-à-dire la mémoire de travail).<ref>Calhoun VD, Kiehl KA, Pearlson GD. Modulation of temporally coherent brain networks estimated using ICA at rest and during cognitive tasks. Hum. Brain Mapp. 2008;29:828–838. doi: 10.1002/hbm.20581. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref><ref>Xie H, et al. Whole-brain connectivity dynamics reflect both task-specific and individual-specific modulation: A multitask study. Neuroimage. 2018;180:495–504. doi: 10.1016/j.neuroimage.2017.05.050. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref> Même architecture de réseau que celle observée dans le cerveau au repos.<ref name=":0">Naci L, Cusack R, Anello M, Owen AM. A common neural code for similar conscious experiences in different individuals. Proc. Natl. Acad. Sci. U. S. A. 2014;111:14277–14282. doi: 10.1073/pnas.1407007111. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref> La correspondance entre les réseaux basés sur la tâche et le repos est si forte que l'activité du réseau IRMf basée sur la tâche peut être prédite à partir de l'état de repos,<ref>Kannurpatti SS, Rypma B, Biswal BB. Prediction of task-related BOLD fMRI with amplitude signatures of resting-state fMRI. Front. Syst. Neurosci. 2012;6:7. doi: 10.3389/fnsys.2012.00007.[PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref> et les paires de réseaux repos-tâche peuvent être identifiées au niveau individuel.<ref>Elliott ML, et al. General functional connectivity: Shared features of resting-state and task fMRI drive reliable and heritable individual differences in functional brain networks. Neuroimage. 2019;189:516–532. doi: 10.1016/j.neuroimage.2019.01.068. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref> Ensemble, ces résultats suggèrent que les schémas d'activité cérébrale basés sur le repos et les tâches partagent probablement une architecture neuronale sous-jacente similaire, malgré des expériences et des processus cognitifs distincts.<ref>Cole MW, Ito T, Cocuzza C, Sanchez-Romero R. The functional relevance of task-state functional connectivity. J. Neurosci. 2021 doi: 10.1523/JNEUROSCI.1713-20.2021. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref>


There are, however, important differences between the patterns of brain activity elicited during rest and task-based paradigms, and the set of experiences and cognitive processes associated with each<ref>Zhang S, et al. Characterizing and differentiating task-based and resting state fMRI signals via two-stage sparse representations. Brain Imaging Behav. 2016;10:21–32. doi: 10.1007/s11682-015-9359-7.[PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref>. For instance, the presence or absence of a task is accompanied by increases in variability across different scales including neuronal firing rates changes in field potentials<ref>Monier C, Chavane F, Baudot P, Graham LJ, Frégnac Y. Orientation and direction selectivity of synaptic inputs in visual cortical neurons: A diversity of combinations produces spike tuning. Neuron. 2003;37:663–680. doi: 10.1016/S0896-6273(03)00064-3.[PubMed] [CrossRef] [Google Scholar]</ref><ref>Churchland MM, et al. Stimulus onset quenches neural variability: A widespread cortical phenomenon. Nat. Neurosci. 2010;13:369–378. doi: 10.1038/nn.2501. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref>, variation in fMRI blood oxygen level dependent (BOLD signal)<ref name=":1">He BJ. Spontaneous and task-evoked brain activity negatively interact. J. Neurosci. 2013;33:4672–4682. doi: 10.1523/JNEUROSCI.2922-12.2013. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref> and in EEG frequency bands<ref name=":2">Bonnard M, et al. Resting state brain dynamics and its transients: A combined TMS-EEG study. Sci. Rep. 2016;6:1–9. doi: 10.1038/srep31220. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref> Furthermore, through transcranial direct current stimulation (tDCS) it has been shown that frontal-lobe stimulation increases one’s proclivity to mind wander <ref name=":8">Axelrod V, Zhu X, Qiu J. Transcranial stimulation of the frontal lobes increases propensity of mind-wandering without changing meta-awareness. Sci. Rep. 2018;8:1–14. doi: 10.1038/s41598-018-34098-z. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref><ref name=":3">Axelrod V, Rees G, Lavidor M, Bar M. Increasing propensity to mind-wander with transcranial direct current stimulation. Proc. Natl. Acad. Sci. U. S. A. 2015;112:3314–3319. doi: 10.1073/pnas.1421435112. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref>. Importantly, these differences are associated with changes in properties of neural activity but not in changes in the underlying neural architecture.
Il existe cependant des différences importantes entre les modèles d'activité cérébrale suscités pendant le repos et les paradigmes basés sur les tâches, et l'ensemble des expériences et des processus cognitifs associés à chacun.<ref>Zhang S, et al. Characterizing and differentiating task-based and resting state fMRI signals via two-stage sparse representations. Brain Imaging Behav. 2016;10:21–32. doi: 10.1007/s11682-015-9359-7.[PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref> Par exemple, la présence ou l'absence d'une tâche s'accompagne d'une augmentation de la variabilité à différentes échelles, y compris les changements de taux de déclenchement neuronal dans les potentiels de champ,<ref>Monier C, Chavane F, Baudot P, Graham LJ, Frégnac Y. Orientation and direction selectivity of synaptic inputs in visual cortical neurons: A diversity of combinations produces spike tuning. Neuron. 2003;37:663–680. doi: 10.1016/S0896-6273(03)00064-3.[PubMed] [CrossRef] [Google Scholar]</ref><ref>Churchland MM, et al. Stimulus onset quenches neural variability: A widespread cortical phenomenon. Nat. Neurosci. 2010;13:369–378. doi: 10.1038/nn.2501. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref> la variation du niveau d'oxygène dans le sang IRMf (signal BOLD)<ref name=":1">He BJ. Spontaneous and task-evoked brain activity negatively interact. J. Neurosci. 2013;33:4672–4682. doi: 10.1523/JNEUROSCI.2922-12.2013. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref> et dans les bandes de fréquences EEG.<ref name=":2">Bonnard M, et al. Resting state brain dynamics and its transients: A combined TMS-EEG study. Sci. Rep. 2016;6:1–9. doi: 10.1038/srep31220. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref> En outre, grâce au courant continu transcrânien stimulation (tDCS) il a été démontré que la stimulation du lobe frontal augmente la propension à l'errance mentale.<ref name=":8">Axelrod V, Zhu X, Qiu J. Transcranial stimulation of the frontal lobes increases propensity of mind-wandering without changing meta-awareness. Sci. Rep. 2018;8:1–14. doi: 10.1038/s41598-018-34098-z. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref><ref name=":3">Axelrod V, Rees G, Lavidor M, Bar M. Increasing propensity to mind-wander with transcranial direct current stimulation. Proc. Natl. Acad. Sci. U. S. A. 2015;112:3314–3319. doi: 10.1073/pnas.1421435112. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref> Il est important de noter que ces différences sont associées à des changements dans les propriétés de l'activité neuronale, mais pas à des changements dans l'architecture neuronale sous-jacente.


Is there a way to identify the shared neural architecture underlying the cognitive processes associated with rest and active states while also quantifying how these processes diverge from that shared architecture of neural activity? In this paper, we applied mathematical methods analogous to those of quantum mechanics, and the concept of phase space to EEG recorded during rest and movie-watching to extract spatial and transitional properties of dynamic neural activity. Quantum mechanics was developed to describe the dynamics of the subatomic world in terms of probability amplitudes and densities of states. Quantum systems (in the Schrodinger formulation of quantum mechanics) are described by wavefunctions which square to a probability distribution leading to the loss of local determinism and the Heisenberg uncertainty principle (for an overview/intro to the subject see<ref name=":7">Townsend JS. A Modern Approach to Quantum Mechanics.University Science Books; 2012. [Google Scholar]</ref>. This uncertainty principle places a fundamental limit on the location and the momentum of a point particle <ref>Heisenberg W. Über den anschaulichen Inhalt der quantentheoretischen Kinematik und Mechanik. Z. Phys. 1927;43:172–198. doi: 10.1007/BF01397280. [CrossRef] [Google Scholar]</ref>. In essence, if the position of a particle is known there is an underlying uncertainty in its momentum (one cannot precisely say how fast it is going) and vice versa. In addition to the adaptation of the wavefunction approach to quantum mechanics in this paper, we also employed a phase space model. Phase space is a widely used tool in the study of dynamical systems, where the positional variables are paired with their conjugate momenta which establishes a multidimensional space that describes all possible configurations of the given system. This space spans the entire range of states that a system can exist in, each point (in this hyper-space) represents a single state of the system. Phase space and its assorted formalisms are a classical concept, and we simply use it as another tool for analysing the EEG data. Herein, the mathematical methods of quantum mechanics are applied to EEG data to extract a proxy to phase space. This quasi-quantum approach naturally generates the concepts of ‘average’ position, ‘average’ momentum and culminates in an analogous Heisenberg uncertainty principle.
Existe-t-il un moyen d'identifier l'architecture neuronale partagée sous-jacente aux processus cognitifs associés aux états de repos et d'activité tout en quantifiant la façon dont ces processus divergent de cette architecture partagée de l'activité neuronale ? Dans cet article, nous avons appliqué des méthodes mathématiques analogues à celles de la mécanique quantique et le concept d'espace de phase à l'EEG enregistré pendant le repos et l'observation de films pour extraire les propriétés spatiales et transitionnelles de l'activité neuronale dynamique. La mécanique quantique a été développée pour décrire la dynamique du monde subatomique en termes d'amplitudes de probabilité et de densités d'états. Les systèmes quantiques (dans la formulation de Schrödinger de la mécanique quantique) sont décrits par des fonctions d'onde qui correspondent à une distribution de probabilité conduisant à la perte du déterminisme local et au principe d'incertitude de Heisenberg (pour un aperçu / introduction au sujet, voir).<ref name=":7">Townsend JS. A Modern Approach to Quantum Mechanics.University Science Books; 2012. [Google Scholar]</ref>  


In this paper, we posit that using mathematical tools drawn from quantum mechanics, an underlying pattern representative of task and resting brain activity can be realised, in which differences across conditions are apparent, but culminates in a task independent constant value. It is important to note that we are not claiming that the brain behaves as a quantum object as some believe<ref>Penrose R. The Emperor’s New Mind. Viking Penguin; 1990. [Google Scholar]</ref> <ref>Penrose R. Shadows of the Mind: A Search for the Missing Science of Consciousness. Oxford University Press; 1994. [Google Scholar]
Ce principe d'incertitude place un élément fondamental limite sur l'emplacement et l'impulsion d'une particule ponctuelle.<ref>Heisenberg W. Über den anschaulichen Inhalt der quantentheoretischen Kinematik und Mechanik. Z. Phys. 1927;43:172–198. doi: 10.1007/BF01397280. [CrossRef] [Google Scholar]</ref> Essentiellement, si la position d'une particule est connue, il existe une incertitude sous-jacente dans son impulsion (on ne peut pas dire avec précision à quelle vitesse elle va) et vice versa. En plus de la adaptation de l'approche de la fonction d'onde à la mécanique quantique dans cet article, nous avons également utilisé un modèle d'espace de phase.L'espace de phase est un outil largement utilisé dans l'étude des systèmes dynamiques, où les variables de position sont appariées avec leurs moments conjugués, ce qui établit un espace multidimensionnel qui décrit toutes les configurations possibles du système donné. Cet espace couvre toute la gamme des états dans lesquels un système peut exister, chacun point (dans cet hyper-espace) représente un seul état du système. L'espace de phase et ses formalismes assortis sont un concept classique, et nous l'utilisons simplement comme un autre outil pour analyser les données EEG. Ici, les méthodes mathématiques de la mécanique quantique sont appliquées aux données EEG pour extraire un proxy à l'espace des phases. Cette approche quasi-quantique génère naturellement les concepts de position « moyenne », de moment « moyen » et aboutit à un principe d'incertitude de Heisenberg analogue.


</ref> <ref>Atmanspacher H. Quantum Approaches to Consciousness.Stanford Encyclopedia of Philosophy; 2004. [Google Scholar]</ref><ref>Hameroff S. How quantum brain biology can rescue conscious free will. Front. Integr. Neurosci. 2012;6:93. doi: 10.3389/fnint.2012.00093. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref>. Rather, we have employed some of the analytical tools from the Schrodinger formulation of quantum mechanics to the brain with the aim of gaining new insight into resting and task-based brain dynamics. Not only does devising this model probe questions into the functions of the brain, but it also provides a novel approach to analysing the myriad of data available in neuroscience.
Dans cet article, nous postulons qu'en utilisant des outils mathématiques tirés de la mécanique quantique, un modèle sous-jacent représentatif de la tâche et de l'activité cérébrale au repos peut être réalisé, dans lequel les différences entre les conditions sont apparentes, mais aboutissent à une valeur constante indépendante de la tâche. Il est important de noter que nous ne prétendons pas que le cerveau se comporte comme un objet quantique comme certains le croient.<ref>Penrose R. The Emperor’s New Mind. Viking Penguin; 1990. [Google Scholar]</ref><ref>Penrose R. Shadows of the Mind: A Search for the Missing Science of Consciousness. Oxford University Press; 1994. [Google Scholar]
</ref><ref>Atmanspacher H. Quantum Approaches to Consciousness.Stanford Encyclopedia of Philosophy; 2004. [Google Scholar]</ref><ref>Hameroff S. How quantum brain biology can rescue conscious free will. Front. Integr. Neurosci. 2012;6:93. doi: 10.3389/fnint.2012.00093. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref>
 
Au lieu de cela, nous avons utilisé certains des outils analytiques de la formulation de Schrodinger de la mécanique quantique au cerveau dans le but d'acquérir de nouvelles connaissances sur la dynamique cérébrale au repos et basée sur les tâches. Non seulement la conception de ce modèle pose des questions sur les fonctions du cerveau, mais elle fournit également une nouvelle approche pour analyser la myriade de données disponibles en neurosciences.

Latest revision as of 10:13, 26 March 2023

Modèles et mathématiques

En effet, le même ensemble de schémas structurés d'activité neuronale a été trouvé lors d'états "actifs", par exemple lors de l'accomplissement de différentes tâches.[1][2][3] Par exemple, il existe un degré élevé de correspondance entre les réseaux extraits au repos et ceux extraits lors de tâches mesurant les capacités sensorimotrices[4][5] et cognitives de niveau supérieur (c'est-à-dire la mémoire de travail).[6][7] Même architecture de réseau que celle observée dans le cerveau au repos.[8] La correspondance entre les réseaux basés sur la tâche et le repos est si forte que l'activité du réseau IRMf basée sur la tâche peut être prédite à partir de l'état de repos,[9] et les paires de réseaux repos-tâche peuvent être identifiées au niveau individuel.[10] Ensemble, ces résultats suggèrent que les schémas d'activité cérébrale basés sur le repos et les tâches partagent probablement une architecture neuronale sous-jacente similaire, malgré des expériences et des processus cognitifs distincts.[11]

Il existe cependant des différences importantes entre les modèles d'activité cérébrale suscités pendant le repos et les paradigmes basés sur les tâches, et l'ensemble des expériences et des processus cognitifs associés à chacun.[12] Par exemple, la présence ou l'absence d'une tâche s'accompagne d'une augmentation de la variabilité à différentes échelles, y compris les changements de taux de déclenchement neuronal dans les potentiels de champ,[13][14] la variation du niveau d'oxygène dans le sang IRMf (signal BOLD)[15] et dans les bandes de fréquences EEG.[16] En outre, grâce au courant continu transcrânien stimulation (tDCS) il a été démontré que la stimulation du lobe frontal augmente la propension à l'errance mentale.[17][18] Il est important de noter que ces différences sont associées à des changements dans les propriétés de l'activité neuronale, mais pas à des changements dans l'architecture neuronale sous-jacente.

Existe-t-il un moyen d'identifier l'architecture neuronale partagée sous-jacente aux processus cognitifs associés aux états de repos et d'activité tout en quantifiant la façon dont ces processus divergent de cette architecture partagée de l'activité neuronale ? Dans cet article, nous avons appliqué des méthodes mathématiques analogues à celles de la mécanique quantique et le concept d'espace de phase à l'EEG enregistré pendant le repos et l'observation de films pour extraire les propriétés spatiales et transitionnelles de l'activité neuronale dynamique. La mécanique quantique a été développée pour décrire la dynamique du monde subatomique en termes d'amplitudes de probabilité et de densités d'états. Les systèmes quantiques (dans la formulation de Schrödinger de la mécanique quantique) sont décrits par des fonctions d'onde qui correspondent à une distribution de probabilité conduisant à la perte du déterminisme local et au principe d'incertitude de Heisenberg (pour un aperçu / introduction au sujet, voir).[19]

Ce principe d'incertitude place un élément fondamental limite sur l'emplacement et l'impulsion d'une particule ponctuelle.[20] Essentiellement, si la position d'une particule est connue, il existe une incertitude sous-jacente dans son impulsion (on ne peut pas dire avec précision à quelle vitesse elle va) et vice versa. En plus de la adaptation de l'approche de la fonction d'onde à la mécanique quantique dans cet article, nous avons également utilisé un modèle d'espace de phase.L'espace de phase est un outil largement utilisé dans l'étude des systèmes dynamiques, où les variables de position sont appariées avec leurs moments conjugués, ce qui établit un espace multidimensionnel qui décrit toutes les configurations possibles du système donné. Cet espace couvre toute la gamme des états dans lesquels un système peut exister, chacun point (dans cet hyper-espace) représente un seul état du système. L'espace de phase et ses formalismes assortis sont un concept classique, et nous l'utilisons simplement comme un autre outil pour analyser les données EEG. Ici, les méthodes mathématiques de la mécanique quantique sont appliquées aux données EEG pour extraire un proxy à l'espace des phases. Cette approche quasi-quantique génère naturellement les concepts de position « moyenne », de moment « moyen » et aboutit à un principe d'incertitude de Heisenberg analogue.

Dans cet article, nous postulons qu'en utilisant des outils mathématiques tirés de la mécanique quantique, un modèle sous-jacent représentatif de la tâche et de l'activité cérébrale au repos peut être réalisé, dans lequel les différences entre les conditions sont apparentes, mais aboutissent à une valeur constante indépendante de la tâche. Il est important de noter que nous ne prétendons pas que le cerveau se comporte comme un objet quantique comme certains le croient.[21][22][23][24]

Au lieu de cela, nous avons utilisé certains des outils analytiques de la formulation de Schrodinger de la mécanique quantique au cerveau dans le but d'acquérir de nouvelles connaissances sur la dynamique cérébrale au repos et basée sur les tâches. Non seulement la conception de ce modèle pose des questions sur les fonctions du cerveau, mais elle fournit également une nouvelle approche pour analyser la myriade de données disponibles en neurosciences.

  1. ↑ Biswal BB, Eldreth DA, Motes MA, Rypma B. Task-dependent individual differences in prefrontal connectivity. Cereb. Cortex. 2010;20:2188–2197. doi: 10.1093/cercor/bhp284. [PMC free article][PubMed] [CrossRef] [Google Scholar]
  2. ↑ Fox MD, Raichle ME. Spontaneous fluctuations in brain activity observed with functional magnetic resonance imaging. Nat. Rev. Neurosci. 2007;8:700–711. doi: 10.1038/nrn2201. [PubMed] [CrossRef] [Google Scholar]
  3. ↑ Kraus BT, et al. Network variants are similar between task and rest states. Neuroimage. 2021;229:117743. doi: 10.1016/j.neuroimage.2021.117743. [PMC free article][PubMed] [CrossRef] [Google Scholar]
  4. ↑ Kristo G, et al. Task and task-free FMRI reproducibility comparison for motor network identification. Hum. Brain Mapp. 2014;35:340–352. doi: 10.1002/hbm.22180. [PMC free article][PubMed] [CrossRef] [Google Scholar]
  5. ↑ Sui J, Adali T, Pearlson GD, Calhoun VD. An ICA-based method for the identification of optimal FMRI features and components using combined group-discriminative techniques. Neuroimage. 2009;46:73–86. doi: 10.1016/j.neuroimage.2009.01.026.[PMC free article] [PubMed] [CrossRef] [Google Scholar]
  6. ↑ Calhoun VD, Kiehl KA, Pearlson GD. Modulation of temporally coherent brain networks estimated using ICA at rest and during cognitive tasks. Hum. Brain Mapp. 2008;29:828–838. doi: 10.1002/hbm.20581. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
  7. ↑ Xie H, et al. Whole-brain connectivity dynamics reflect both task-specific and individual-specific modulation: A multitask study. Neuroimage. 2018;180:495–504. doi: 10.1016/j.neuroimage.2017.05.050. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
  8. ↑ Naci L, Cusack R, Anello M, Owen AM. A common neural code for similar conscious experiences in different individuals. Proc. Natl. Acad. Sci. U. S. A. 2014;111:14277–14282. doi: 10.1073/pnas.1407007111. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
  9. ↑ Kannurpatti SS, Rypma B, Biswal BB. Prediction of task-related BOLD fMRI with amplitude signatures of resting-state fMRI. Front. Syst. Neurosci. 2012;6:7. doi: 10.3389/fnsys.2012.00007.[PMC free article] [PubMed] [CrossRef] [Google Scholar]
  10. ↑ Elliott ML, et al. General functional connectivity: Shared features of resting-state and task fMRI drive reliable and heritable individual differences in functional brain networks. Neuroimage. 2019;189:516–532. doi: 10.1016/j.neuroimage.2019.01.068. [PMC free article][PubMed] [CrossRef] [Google Scholar]
  11. ↑ Cole MW, Ito T, Cocuzza C, Sanchez-Romero R. The functional relevance of task-state functional connectivity. J. Neurosci. 2021 doi: 10.1523/JNEUROSCI.1713-20.2021. [PMC free article][PubMed] [CrossRef] [Google Scholar]
  12. ↑ Zhang S, et al. Characterizing and differentiating task-based and resting state fMRI signals via two-stage sparse representations. Brain Imaging Behav. 2016;10:21–32. doi: 10.1007/s11682-015-9359-7.[PMC free article] [PubMed] [CrossRef] [Google Scholar]
  13. ↑ Monier C, Chavane F, Baudot P, Graham LJ, Frégnac Y. Orientation and direction selectivity of synaptic inputs in visual cortical neurons: A diversity of combinations produces spike tuning. Neuron. 2003;37:663–680. doi: 10.1016/S0896-6273(03)00064-3.[PubMed] [CrossRef] [Google Scholar]
  14. ↑ Churchland MM, et al. Stimulus onset quenches neural variability: A widespread cortical phenomenon. Nat. Neurosci. 2010;13:369–378. doi: 10.1038/nn.2501. [PMC free article][PubMed] [CrossRef] [Google Scholar]
  15. ↑ He BJ. Spontaneous and task-evoked brain activity negatively interact. J. Neurosci. 2013;33:4672–4682. doi: 10.1523/JNEUROSCI.2922-12.2013. [PMC free article][PubMed] [CrossRef] [Google Scholar]
  16. ↑ Bonnard M, et al. Resting state brain dynamics and its transients: A combined TMS-EEG study. Sci. Rep. 2016;6:1–9. doi: 10.1038/srep31220. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
  17. ↑ Axelrod V, Zhu X, Qiu J. Transcranial stimulation of the frontal lobes increases propensity of mind-wandering without changing meta-awareness. Sci. Rep. 2018;8:1–14. doi: 10.1038/s41598-018-34098-z. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
  18. ↑ Axelrod V, Rees G, Lavidor M, Bar M. Increasing propensity to mind-wander with transcranial direct current stimulation. Proc. Natl. Acad. Sci. U. S. A. 2015;112:3314–3319. doi: 10.1073/pnas.1421435112. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
  19. ↑ Townsend JS. A Modern Approach to Quantum Mechanics.University Science Books; 2012. [Google Scholar]
  20. ↑ Heisenberg W. Über den anschaulichen Inhalt der quantentheoretischen Kinematik und Mechanik. Z. Phys. 1927;43:172–198. doi: 10.1007/BF01397280. [CrossRef] [Google Scholar]
  21. ↑ Penrose R. The Emperor’s New Mind. Viking Penguin; 1990. [Google Scholar]
  22. ↑ Penrose R. Shadows of the Mind: A Search for the Missing Science of Consciousness. Oxford University Press; 1994. [Google Scholar]
  23. ↑ Atmanspacher H. Quantum Approaches to Consciousness.Stanford Encyclopedia of Philosophy; 2004. [Google Scholar]
  24. ↑ Hameroff S. How quantum brain biology can rescue conscious free will. Front. Integr. Neurosci. 2012;6:93. doi: 10.3389/fnint.2012.00093. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
Retrieved from "https://www.masticationpedia.org/index.php?title=Store:EEMIfr03&oldid=15116"