Para comenzar, prepare un escáner de imágenes por resonancia magnética o resonancia magnética y pruebe su funcionalidad. Establezca todos los parámetros para la secuencia de escaneo ponderada T1. Coloque al participante para comenzar el escaneo.
A continuación, configure los parámetros de secuencia para obtener imágenes de resonancia magnética funcionales con imágenes ecoplanas de gradiente utilizando una bobina de cabeza de detección de 8 canales. Inicie la adquisición de datos de resonancia magnética funcional mientras el participante está cantando, Buda Amitabha "cantando, Santa Claus" y está en estado de reposo. Inicie el software de algoritmo de inferencia estadística y procesamiento de imágenes Leipzig.
Primero, realice la normalización de la intensidad de la señal, la corrección del movimiento y la normalización espacial en el espacio MNI. A continuación, lleve a cabo el suavizado espacial con ancho completo a medio máximo de seis milímetros y establezca el filtrado de paso alto temporal con una frecuencia de corte de 1 por 90 hercios para eliminar las derivas de baja frecuencia en la serie temporal de resonancia magnética funcional. Regrese las covariables que no tengan interés, como las fluctuaciones globales de la señal y los parámetros de movimiento, a partir de los datos de cada secuencia de exploración correspondiente a las tres condiciones.
Por último, aplique el mapeo de centralidad de vectores propios o ECM para investigar la conectómica funcional de todo el cerebro con los nodos más influyentes dentro de una red. Reste las imágenes ECM de dos condiciones entre sí para producir la imagen de contraste. Los resultados del análisis de resonancia magnética funcional indicaron que la diferencia más fuerte en la centralidad del vector propio entre el canto religioso y el no religioso se situó predominantemente en la corteza cingulada posterior.
El análisis post hoc mostró que el canto religioso indujo una mayor potencia delta que el canto no religioso y las condiciones de descanso.
