Pour commencer, préparez un scanner d’imagerie par résonance magnétique ou d’IRM et testez son fonctionnement. Définissez tous les paramètres de la séquence de balayage pondérée T1. Positionnez le participant pour commencer le balayage.
Ensuite, réglez les paramètres de séquence pour obtenir des images IRM fonctionnelles avec imagerie planaire à écho de gradient à l’aide d’une bobine de tête de détection à 8 canaux. Démarrez l’acquisition fonctionnelle des données IRM pendant que le participant chante, Bouddha Amitabha « chante, Père Noël » et est dans un état de repos. Lancez le logiciel d’algorithme de traitement d’images et d’inférence statistique de Leipzig.
Tout d’abord, effectuez la normalisation de l’intensité du signal, la correction du mouvement et la normalisation spatiale dans l’espace MNI. Ensuite, effectuez un lissage spatial sur toute la largeur à la moitié de six millimètres maximum, et réglez le filtrage passe-haut temporel avec une fréquence de coupure de 1 par 90 hertz pour supprimer les dérives de basse fréquence dans les séries temporelles fonctionnelles de l’IRM. Régressez les covariables sans intérêt, telles que les fluctuations globales du signal et les paramètres de mouvement, à partir des données de chaque séquence de balayage correspondant aux trois conditions.
Enfin, appliquez la cartographie de centralité des vecteurs propres ou ECM pour étudier la connectomique fonctionnelle du cerveau entier avec les nœuds les plus influents au sein d’un réseau. Soustrayez les images ECM de deux conditions l’une de l’autre pour produire l’image de contraste. Les résultats de l’analyse fonctionnelle de l’IRM ont indiqué que la plus forte différence de centralité du vecteur propre entre les chants religieux et non religieux était principalement située dans le cortex cingulaire postérieur.
L’analyse a posteriori a montré que les chants religieux induisaient une puissance delta plus élevée que les chants non religieux et les conditions de repos.
