Per iniziare, prepara una risonanza magnetica o uno scanner MRI e testane la funzionalità. Impostare tutti i parametri per la sequenza di scansione pesata T1. Posizionare il partecipante per iniziare la scansione.
Successivamente, impostare i parametri di sequenza per ottenere immagini MRI funzionali con imaging ecoplanare a gradiente utilizzando una bobina di testa di rilevamento a 8 canali. Avviare l'acquisizione dei dati della risonanza magnetica funzionale mentre il partecipante sta cantando, Amitabha Buddha "cantando, Babbo Natale" ed è in uno stato di riposo. Avvia il software per l'elaborazione delle immagini e l'algoritmo di inferenza statistica di Lipsia.
Innanzitutto, eseguire la normalizzazione dell'intensità del segnale, la correzione del movimento e la normalizzazione spaziale nello spazio MNI. Quindi, eseguire il livellamento spaziale con larghezza completa a metà massimo di sei millimetri e impostare il filtraggio passa-alto temporale con una frequenza di taglio di 1 per 90 hertz per rimuovere le derive a bassa frequenza nella serie temporale funzionale della risonanza magnetica. Elimina le covariate di nessun interesse, come le fluttuazioni globali del segnale e i parametri di movimento, dai dati per ogni sequenza di scansione corrispondente alle tre condizioni.
Infine, applicare la mappatura della centralità degli autovettori o ECM per studiare la connettomica funzionale dell'intero cervello con i nodi più influenti all'interno di una rete. Sottrarre le immagini ECM di due condizioni l'una dall'altra per produrre l'immagine di contrasto. I risultati dell'analisi della risonanza magnetica funzionale hanno indicato che la differenza più forte nella centralità degli autovettori tra il canto religioso e quello non religioso era prevalentemente situata nella corteccia cingolata posteriore.
L'analisi post hoc ha mostrato che il canto religioso induce una potenza delta più elevata rispetto al canto non religioso e alle condizioni di riposo.
