利用信息连接性测量fMRI多体素信息随时间的同步出现

本实验的总体目标是通过测量大脑区域随时间变化的分布式活动模式，来评估脑区间功能连接性。该方法首先选择一个种子区域，然后针对种子区域以及每个搜索光斑或感兴趣区域，在每个时间点计算多体素模式的可分辨性。

最后一步是将种子区域的可分辨性时间序列与每个搜索光斑进行相关分析。最终，信息连接性用于揭示那些在体素模式中包含信息的脑区之间的连接性。该方法相较于功能连接性等其他技术的主要优势在于，它能够利用在免疫反应上无差异但具有独特多变量特征的条件来检测连接性。

实际上，我最初是在意识到许多连接性分析技术忽略了仅存在于多体素活动模式中的信息时，产生了这种方法的想法。正如我们现在所知，单变量方法完全无法检测多体素活动模式中所包含的信息。开始此操作时，通过构建包含运动参数和平均白质信号作为预测因子的回归模型，从预处理后的fMRI数据时间序列中去除运动和平均白质信号的影响。然后对得到的残差进行后续分析。

使用例如开源的信息连接 MATLAB 工具箱等分析软件包（如 MATLAB 或 Python）导入生成的残差。随后，将每个体素的时间序列转换为 z 分数。将数据集的时间点划分为独立的数据集，例如不同的扫描仪运行次数。

然后，通过生成一个与时间点相对应的条件标签向量，来记录各时间点关联的条件标签。该向量的长度等于结束时间点的数量，在每次运行中将条件标签向前移动若干时间点，移动次数相当于五秒钟，以校正事件发生与记录的fMRI信号之间的血流动力学延迟。为选择种子区域，可通过在偏好的软件中选取体素、使用带有标注的图谱进行功能定位，或选取信息脑图谱搜索中表现最优的局部区域来分离出特定的解剖区域。

然后比较每个时间点的MVP。为每种条件指出一个典型的MVP。使用开源的信息连接性MATLAB工具箱。

通过在除一个折外的所有折中对每个条件的时间点进行平均，计算出每个条件的典型MVP。接着，将每个时间点的MVP与训练数据中每个条件的平均MVP进行相关性分析。这将为每个条件的每个时间点提供一个0.1的相关性值。

请注意，此处相关性最高的条件即为基于流行相关性方法的MVPA分类器的预测结果。随后，通过首先确定代表该时间点条件的相关性，再减去其余相关性中的最大值，来量化每个时间点的MVP可分辨性（MVP DISCRIMINABILITY）。

结果是每个时间点的MVP可分辨性。为了进行搜索光分析，在每个vle周围放置一个三维聚类。依次对每个搜索光重复上述步骤，使得每个搜索光都具有一条MVP可分辨性值的时间序列。

现在将种子点的MVP可分辨性时间序列与每个搜索球的可分辨性时间序列进行关联。使用斯皮尔曼等级相关，得到的RS值即为种子点与搜索球之间的IC值。然后将每个搜索球的IC值赋给该搜索球的中心体素，并输出该个体的脑图谱。

如果数据尚未处于标准化空间，则将被试的独立成分图谱转换至同一空间。可选择对个体的搜索光斑图谱进行平滑处理。该图展示了在两个脑区中多变量模式可分辨性的示例，这两个区域具有同步的多变量模式可分辨性，但无同步的平均激活。

这些数据点是在受试者观看人造物体的视觉呈现时采集的，这些物体可通过多体素模式区分，但无法通过平均反应区分。此处展示的是左侧梭状回视野内一个种子点与全脑搜索光束之间的IC（信息连接）和FC（功能连接）值示例。信息连接和功能连接强度在Z轴上表示，X轴为每个搜索光束的平均反应，Y轴为MVPA分类准确率；IC图的左上角显示了具有高分类性能但平均反应水平较低的信息连接搜索光束。

FC 图左上角的空白区域表明，在典型的 FC 分析方法中，这些相互连接的搜索灯并未被检测到。以下是连接性图谱的一个示例。每一行显示了与种子区域显著连接的脑区，显著性由基于置换检验的最小簇大小确定的组水平 T 检验判定。

IC 结果在此处通过使用 FreeSurfer 生成的表面图进行展示。按照此流程，还可以进行其他分析，例如功能连接性分析，以探讨更多问题：不同条件是否通过多体素模式独特连接，或者它们的平均反应是否也具有同步性。因此，在观看本视频后，您应能充分理解如何基于多体素模式来测量脑区间连接性。

感谢观看。