Bereiten Sie zunächst einen Magnetresonanztomographen oder MRT-Scanner vor und testen Sie dessen Funktionsfähigkeit. Stellen Sie alle Parameter für die T1-gewichtete Scansequenz ein. Positionieren Sie den Teilnehmer, um mit dem Scannen zu beginnen.
Stellen Sie als Nächstes die Sequenzparameter ein, um funktionale MRT-Bilder mit gradientenechoplanarer Bildgebung unter Verwendung einer 8-Kanal-Sensorkopfspule zu erhalten. Starten Sie die funktionelle MRT-Datenerfassung, während der Teilnehmer chantet, Amitabha Buddha "chantet", Santa Claus" und sich in einem Ruhezustand befindet. Markteinführung der Leipziger Software für Bildverarbeitungs- und statistische Inferenzalgorithmen.
Führen Sie zunächst eine Normalisierung der Signalintensität, eine Bewegungskorrektur und eine räumliche Normalisierung in den MNI-Raum durch. Führen Sie dann eine räumliche Glättung mit voller Breite bei halben maximal sechs Millimetern durch und stellen Sie die zeitliche Hochpassfilterung mit einer Grenzfrequenz von 1 x 90 Hertz ein, um niederfrequente Drifts in der funktionellen MRT-Zeitreihe zu entfernen. Regression von Kovariaten, die nicht von Interesse sind, wie z. B. globale Signalschwankungen und Bewegungsparameter aus den Daten für jede Scansequenz, die den drei Bedingungen entspricht.
Wenden Sie schließlich das Eigenvektor-Zentralitätsmapping oder ECM an, um die funktionelle Konnektomik des gesamten Gehirns mit den einflussreichsten Knoten innerhalb eines Netzwerks zu untersuchen. Subtrahieren Sie die ECM-Bilder von zwei Bedingungen voneinander, um das Kontrastbild zu erzeugen. Die Ergebnisse der funktionellen MRT-Analyse zeigten, dass der stärkste Unterschied in der Eigenvektorzentralität zwischen religiösem und nicht-religiösem Gesang überwiegend im posterioren cingulären Kortex zu finden war.
Post-hoc-Analysen zeigten, dass religiöses Chanten eine höhere Delta-Power induzierte als nicht-religiöses Chanten und Ruhebedingungen.
