Para começar, prepare uma ressonância magnética ou scanner de ressonância magnética e teste sua funcionalidade. Defina todos os parâmetros para a sequência de varredura ponderada em T1. Posicione o participante para iniciar a digitalização.
Em seguida, defina os parâmetros de sequência para obter imagens de ressonância magnética funcionais com imagem ecoplanar gradiente usando uma bobina de detecção de 8 canais. Inicie a aquisição de dados de ressonância magnética funcional enquanto o participante está cantando, Buda Amitabha "cantando, Papai Noel" e está em estado de repouso. Inicie o software de algoritmo de processamento de imagem e inferência estatística de Leipzig.
Primeiro, execute a normalização da intensidade do sinal, correção de movimento e normalização espacial para o espaço MNI. Em seguida, realize a suavização espacial com largura total na metade do máximo de seis milímetros e defina a filtragem passa-alta temporal com uma frequência de corte de 1 por 90 hertz para remover desvios de baixa frequência na série temporal de ressonância magnética funcional. Regressar covariáveis sem interesse, como flutuações globais de sinal e parâmetros de movimento dos dados para cada sequência de varredura correspondente às três condições.
Finalmente, aplique o mapeamento de centralidade de autovetor ou ECM para investigar a conectômica funcional de todo o cérebro com os nós mais influentes dentro de uma rede. Subtraia as imagens ECM de duas condições uma da outra para produzir a imagem de contraste. Os resultados da análise de ressonância magnética funcional indicaram que a maior diferença na centralidade do autovetor entre o canto religioso e não religioso estava predominantemente situada no córtex cingulado posterior.
A análise post hoc mostrou que o canto religioso induziu maior potência delta do que o canto não religioso e as condições de descanso.
