Name: Mit Informations Konnektivität, um das synchrone Entstehung von fMRI Multi-Voxel-Informationen Auf Zeit messen (Video) | JoVE Journal
Uploaded: 2014-07-01T13:00:00.000+00:00
Duration: 7 min 12 s
Description: Lernen Sie die Messung von Informations-Konnektivität zwischen Hirnregionen mittels fMRI-Multi-Voxel-Mustern über Zeit. Diese Methode deckt Netzwerke auf, die traditionelle funktionelle Konnektivität nicht erfasst.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Wir danken Jim Haxby und Kollegen für die Bereitstellung ihrer Daten für weitere Analysen. Marc N. Coutanche wurde durch ein Stipendium des Howard Hughes Medical Institute. Diese Arbeit wurde vom NIH Zuschüsse R0i DC009209-und R01-EY02171701 Sharon L. Thompson-Schill ausgezeichnet unterstützt.

1. Vorbereiten des fMRI-Daten Hinweis: Nach der Durchführung einer fMRI-Scan, Pre-Prozess die gesammelten Daten mit Hilfe der in den meisten fMRI-Software-Pakete vor Beginn dieses Protokoll Werkzeuge (obwohl räumliche Glättung sollten vermieden oder minimiert werden, um Multi-Voxel-Muster erhalten werden.) Ein Beispiel eines geeigneten Datensatzes in einer früheren Anmeldung des Verfahrens 7 beschrieben. <ol><li> Bewegung entfernen und meine weißen Substanz Signale aus der Zeitreihe der vorverarbeiteten fMRI-Daten durch die Erstellung eines Regressionsmodells mit Prädiktoren für die Bewegungsparameter (Roll-, Nick-, Gier-, x, y, z) und meine weißen Substanz Signal. Führen Sie die unten Analysen auf die resultierenden Residuen (dh die verbleibende Varianz). </li><li> Importieren Sie die erzeugten Residuen in ein Analysepaket (zB MATLAB, Python). Die Open-Source-Informations Konnektivität Toolbox (http://www.informationalconnectivity.org) können fMRI-Daten in MATLAB importieren. </li><li> Z-Score each-Voxel-Zeitreihen. </li><li> Trennen Zeitpunkten der Datenmenge in unabhängige Sätze (&#39;Falten&#39;), wie verschiedene Scanner läuft. Hinweis: Die Verwendung Scanner läuft gewährleistet Unabhängigkeit zwischen Falten, die sonst schwierig sein kann, um zu gewährleisten (zum Beispiel könnte Abhängigkeiten zwischen den Zeitpunkten eines Lauf während der Pre-Processing erstellt werden). Läuft könnten zusammen gruppiert werden, um die Anzahl der Falten (z. B. gerade und ungerade Läufe 2) zu reduzieren, wenn auch mit einzelnen Läufe werden mehr Trainingsdaten zu geben. </li><li> Erstellen Sie eine Aufzeichnung der Zustand Etiketten mit Zeitpunkten durch die Erzeugung eines Vektors von Etiketten, die Bedingung N Zeitpunkten lange verbunden. </li><li> Verschieben Sie die Bedingung Etiketten vorwärts in die jeweils durch eine Anzahl von Zeiten-zu-Wiederholung (TRS) entspricht 5 Sek. laufen, um für die hämodynamischen Verzögerung zwischen Ereignissen und aufgezeichnet fMRI-Signale berücksichtigen. </li></ol> 2. Wählen und Analysieren eines Seed Region <ol><li> Wählen Sie eine Seed-Region durch Isolierung eine anatomischeal-Bereich, funktionell lokalisierten Bereich oder Top-Performance &quot;Informations Brain Mapping&quot; 10 Scheinwerfer. Hinweis: Die Schritte 2,2-4,2 kann unten durch die Open-Source-Informations Connectivity MATLAB Toolbox durchgeführt werden ( <a href="http://www.informationalconnectivity.org">http://www.informationalconnectivity.org</a> ). </li><li> Vergleichen Sie die MVP jedem Zeitpunkt zu einer prototypischen MVP für jede Bedingung (Hinweis: Dies ist der gleiche Ansatz wie in der beliebten Korrelation-basierte nächste Nachbar Klassifikator 2 verwendet wird). Abbildung 1 (oben) zeigt ein Beispiel aus dem wirklichen Daten gesammelt Teilnehmer angesehen Blöcke von vier Typen von Menschen geschaffenen Objekte. <ol><li> Berechnen Sie eine prototypische (Mittelwert) MVP für jeden Zustand, der durch Mittelung der Zeitpunkte von jeder Bedingung in all-aber-ein-fach. Das sind die Daten &quot;Ausbildung&quot; für jede Falte (zB für 2-fach von 5, Mittelwert-MVPs werden von Zeitpunkten in Falten 1, 3, 4, berechnet, und 5). </li><li> Korrelieren jeden Zeitpunkt &#39;, S MVP mit dem Mittelwert-MVP jeder Bedingung aus den Trainingsdaten. Dies gibt jedem Zeitpunkt ein Korrelationswert für jede Bedingung (Anmerkung: die Bedingung mit der höchsten Korrelation wäre hier die Vorhersage des beliebten Korrelation basierend MVPA Klassifikator 2 sein) </li><li> Fisher-Transformation die r-Werte in z-Scores. </li></ol></li><li> Quantifizieren &quot;MVP Unterscheidbarkeit &#39;für jeden Zeitpunkt: Zunächst identifizieren die Korrelation von 2.2.3, die die Beziehung zwischen dem Zeitpunkt der MVP und der mittleren-MVP der betreffenden Zeitpunkt den Zustand darstellt und subtrahiert dann die höchste der verbleibenden Korrelationen (dh&quot; Korrelation mit der richtigen Zustand &quot;minus&quot; maximale Korrelation mit einer falschen Voraussetzung). Das Ergebnis ist, dass Zeitpunkt MVP Unterscheidbarkeit. Eine alternative (und gültigen) Ansatz wäre es, die durchschnittliche Korrelation der falschen Bedingungen zu subtrahieren. Hinweis: Das vorgeschlagene Konzept hat die intuitive vorteilge, die mit positiven Werten Unterscheidbarkeit Zeitpunkten korrekt durch die Korrelation auf Basis klassiert, während die Zeitpunkte mit negativen Werten werden nicht korrekt vorhergesagt. Ein Beispiel der erhaltenen Werte ist in Fig. 1 (unten) gezeigt. Die Schritte bis zu diesem Punkt sind in den folgenden Formeln eingefangen. <img alt="2.3 Gleichungen" fo:content-width="4.5in" src="/files/ftp_upload/51226/51226_2.3_equations.jpg" /> X ein normierter 1-für-m Zeilenvektor mit m Voxel Aktivierung Werte zum Zeitpunkt n-Punkt-, Y ein normierter 1-für-m Zeilenvektor der mittleren Trainingsmuster für die korrekte (c) oder falsch (i) Bedingungen für Zeit-Punkt-n. Die artanh Funktion gilt die Fisher z-Transformation. </li></ol> 3. Berechnen eines Zeitreihen von MVP Unterscheidbarkeit für jeden Search <ol><li> Führen Sie eine Such Analyse 10: Eine dreidimensionale cGlanz um jedes Voxel wiederum (a &#39;Such). </li><li> Wiederholen Sie die Schritte 2.2 und 2.3 für jeden Such, so dass jeder Scheinwerfer eine Zeitreihe von Werten MVP Unterscheidbarkeit (einen pro Zeitpunkt). </li></ol> 4. Berechnen Informations Konnektivität zwischen der Seed-und Suchscheinwerfer <ol><li> Korrelieren des Samens MVP Unterscheidbarkeit Zeitreihen (ab 2.3) mit Zeitreihen Unterscheidbarkeit der einzelnen Suchscheinwerfer (ab 3.2) mit Spearman-Rang-Korrelation. Die resultierende r s-Wert ist der IC zwischen dem Saatgut-und Suchscheinwerfer. </li><li> Weisen Sie jedem Such IC Wert auf zentralen Voxel der Suchscheinwerfer und schreiben Sie die resultierende individuelle Gehirn Karte. </li></ol> 5. Berechnen Gruppe Statistische Karte <ol><li> Wenn die Daten nicht bereits in standardisierten Raum (zB Talairach oder MNI), verwandeln Teilnehmer IC-Karten in den gleichen Raum. </li><li> Optional glatt die Personen &amp;# 39; Such Karten. </li><li> Erstellen Sie eine Gruppe mit einem statistischen Karte eine Möglichkeit t-Test, ob jedes Such IC-Wert ist deutlich größer als Null. </li></ol> 6. Testen Bedeutung Hinweis: Zahlreiche Ansätze zur Bestimmung statistische Signifikanz der fMRI-Gruppe Karten existieren. Als eine Permutation Test kann mit minimalen Annahmen Bedeutung zu bestimmen, während die Bilanzierung von der Datenmenge Glättungspegel (wie jeder Karte vertauscht Gruppe erfährt die gleiche Verarbeitung), wird diese Option im Folgenden erläutert. <ol><li> Für jede der 1.000 Permutationen, zufällig mischen MVP-Unterscheidbarkeit Werte des Samens in der Zeitreihe. Halten benachbarten Zeitpunkten mit Zeitkorrelationen (wie Zeitpunkte innerhalb des gleichen Blocks) zusammen (zum Beispiel durch Umstellblöcken anstatt benachbarten TRS). </li><li> Berechnen Einzelnen IC-Karten für jede Permutation (Schritt 4). </li><li> Generieren 1.000 Karten vertauscht Gruppe: RandomlŸ Wählen Sie einen vertauschten IC-Karte von jedem Teilnehmer und führen eine Gruppe Test auf dieser zufälligen Satz (Schritt 5). </li><li> Threshold jeder Gruppe vertauscht Karte an einem gewünschten Schwellenwert (zB p &lt;0,001) und entpacken Sie die maximale Clustergröße von der Landkarte. </li><li> Sortieren Sie die resultierende maximale 1000-Cluster-Volumes identifizieren und die Clustergröße bei den 95-Perzentil (zB die 50. größte für 1000 Permutationen). </li><li> Tragen Sie die Schwelle in 6,4 verwendet (z. B. p &lt;0,001) und die minimale Clustergröße von 6,5 auf der realen (nicht vertauscht) IC Gruppe Karte, um es zu p &lt;0,05 Cluster-korrigiert. Da jede Karte vertauscht stützt sich auf die gleichen MVP Unterscheidbarkeit Werte (in einer anderen Reihenfolge), unterstreicht diese Bedeutung Karte Regionen mit mehr synchron Unterscheidbarkeit Werte als durch Zufall zu erwarten. </li></ol>

<ol><li>Norman, K. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Beyond+mind-reading%3A+multi-voxel+pattern+analysis+of+fMRI+data%5BTitle%5D)+AND+%22Trends+Cogn+Sci%22%5BJournal%5D)">Beyond mind-reading: multi-voxel pattern analysis of fMRI data.</a> Trends Cogn Sci. 10 (9), 424-430 (2006).</li>
<li>Haxby, J. V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Distributed+and+overlapping+representations+of+faces+and+objects+in+ventral+temporal+cortex%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Distributed and overlapping representations of faces and objects in ventral temporal cortex.</a> Science. 293 (5539), 2425-2430 (2001).</li>
<li>Tong, F., Pratte, M. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Decoding+patterns+of+human+brain+activity%5BTitle%5D)+AND+%22Annu+Rev+Psychol%22%5BJournal%5D)">Decoding patterns of human brain activity.</a> Annu Rev Psychol. 63, 483-509 (2012).</li>
<li>Coutanche, M. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Distinguishing+multi-voxel+patterns+and+mean+activation%3A+Why%2C+how%2C+and+what+does+it+tell+us%5BTitle%5D)+AND+%22Cogn+Affect+Behav+Neurosci%22%5BJournal%5D)">Distinguishing multi-voxel patterns and mean activation: Why, how, and what does it tell us.</a> Cogn Affect Behav Neurosci. 13 (3), (2013).</li>
<li>Biswal, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+connectivity+in+the+motor+cortex+of+resting+human+brain+using+echo-planar+mri%5BTitle%5D)+AND+%22Magn+Res+Med%22%5BJournal%5D)">Functional connectivity in the motor cortex of resting human brain using echo-planar mri.</a> Magn Res Med. 34 (4), 537-541 (1995).</li>
<li>Friston, K. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Psychophysiological+and+modulatory+interactions+in+neuroimaging%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Psychophysiological and modulatory interactions in neuroimaging.</a> Neuroimage. 6 (3), 218-229 (1997).</li>
<li>Coutanche, M. N., Thompson-Schill, S. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Informational+Connectivity%3A+Identifying+synchronized+discriminability+of+multi-voxel+patterns+across+the+brain%5BTitle%5D)+AND+%22Front+Hum+Neurosci%22%5BJournal%5D)">Informational Connectivity: Identifying synchronized discriminability of multi-voxel patterns across the brain.</a> Front Hum Neurosci. 7 (15), 1-14 (2013).</li>
<li>Chiu, Y. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Tracking+cognitive+fluctuations+with+multivoxel+pattern+time+course+%28MVPTC%29+analysis%5BTitle%5D)+AND+%22Neuropsychologia%22%5BJournal%5D)">Tracking cognitive fluctuations with multivoxel pattern time course (MVPTC) analysis.</a> Neuropsychologia. 50 (4), 479-486 (2012).</li>
<li>Nelissen, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Frontal+and+parietal+cortical+interactions+with+distributed+visual+representations+during+selective+attention+and+action+selection%5BTitle%5D)+AND+%22J+Neurosci%22%5BJournal%5D)">Frontal and parietal cortical interactions with distributed visual representations during selective attention and action selection.</a> J Neurosci. 33 (42), 16443-16458 (2013).</li>
<li>Kriegeskorte, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Information-based+functional+brain+mapping%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+U+S+A%22%5BJournal%5D)">Information-based functional brain mapping.</a> Proc Natl Acad Sci U S A. 103 (10), 3863-3868 (2006).</li>
<li>Cox, R. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((AFNI%3A+software+for+analysis+and+visualization+of+functional+magnetic+resonance+neuroimages%5BTitle%5D)+AND+%22Comput+Biomed+Res%22%5BJournal%5D)">AFNI: software for analysis and visualization of functional magnetic resonance neuroimages.</a> Comput Biomed Res. 29 (3), 162-173 (1996).</li>
<li>Fischl, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cortical+surface-based+analysis.+II%3A+Inflation%2C+flattening%2C+and+a+surface-based+coordinate+system%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system.</a> Neuroimage. 9 (2), 195-207 (1999).</li>
<li>Jimura, K., Poldrack, R. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Analyses+of+regional-average+activation+and+multivoxel+pattern+information+tell+complementary+stories%5BTitle%5D)+AND+%22Neuropsychologia%22%5BJournal%5D)">Analyses of regional-average activation and multivoxel pattern information tell complementary stories.</a> Neuropsychologia. 50 (4), 544-552 (2012).</li>
<li>Coutanche, M. N., Thompson-Schill, S. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+advantage+of+brief+fMRI+acquisition+runs+for+multi-voxel+pattern+detection+across+runs%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">The advantage of brief fMRI acquisition runs for multi-voxel pattern detection across runs.</a> Neuroimage. 61 (4), 1113-1119 (2012).</li>
<li>Coutanche, M. N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-voxel+pattern+analysis+of+fMRI+data+predicts+clinical+symptom+severity%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Multi-voxel pattern analysis of fMRI data predicts clinical symptom severity.</a> Neuroimage. 57 (1), 113-123 (2011).</li>
</ol>

Die Autoren erklären, dass sie keine konkurrierenden finanziellen Interessen haben.

Informativ Konnektivität hat MVPA-Empfindlichkeit auf verteilten Musterinformationen und gibt eine Möglichkeit, zwischen-Region Wechselwirkungen durch eine Konnektivität Ansatz zu studieren. MVPA und Standard univariate Analysen kann jeder zeigen, die Beteiligung der verschiedenen Regionen, manchmal mit wenig Überschneidungen zwischen ihrer Ergebnisse 1 3. Als Verfahren, die auf diese Analyse Ansätze zieht erwartet, IC und FC geben auch ergänzende Ergebnisse 7. Die Entscheidung, ob IC beschäftigen wird letztlich von den Bedingungen, unter Untersuchung und die theoretischen Fragen, die gestellt. Design-Überlegungen, die Auswirkungen, ob MVPA auf einem Datensatz durchgeführt, wird auch beeinflussen, ob IC verwendet wird. Studien mit IC ausdrücklich konzipiert werden wollen, Empfehlungen für MVPA 1 4 folgen, und gleichzeitig sicherzustellen, dass die Studie-Level-Daten können aus dem gesamten Zeitverlauf des Scans extrahiert werden. Bei der Prüfungund Berichts IC Ergebnisse ist es wichtig, dass die Scheinwerfer Überlappung mit dem Samen entfernt werden, um Rund vermeiden. Wenn zusätzlich zum direkten Vergleich IC und FC Ergebnisse empfiehlt es sich, auch ein FC-Analyse auf der Basis des Durchschnitts Aktivierung der Scheinwerfer, nicht nur die Voxel zu vergleichen. Diese zusätzliche Analyse kann sicherstellen, daß die Unterschiede zwischen den Ergebnissen nicht aufgrund von Unterschieden in der Höhe der Signal-zu-Rauschen im Vergleich zu Scheinwerfern Voxel. Das hier beschriebene Verfahren konzentriert sich hauptsächlich auf einer explorativen Analyse beschäftigt Scheinwerfer. Es ist erwähnenswert, dass durch den Austausch mit den Regionen Scheinwerfer-of-Interest-, IC können auch Regionen, die ausgewählt werden, eine vorherige i vergleichen. Die aktuelle Unterscheidbarkeit metric - Vergleich eines MVP Korrelation für den &quot;wahren&quot; Zustand der Korrelation für die maximale alternativen Zustand - ist auch veränderbar. Viele Maschinenlern Klassifizierer haben Vorhersage Gewichte für different Klassen, die sich leicht ersetzen könnte hier die Korrelationsvergleiche durchgeführt (z. B. die &quot;Vertrauen&quot; von einem Klassifizierer über die Zeit zu verfolgen). IC hat eine Vielzahl von Anwendungsmöglichkeiten. Abgesehen davon, dass eine primäre Analyse zur Informationsnetze zu untersuchen, kann eine sekundäre Folge IC-Analyse zu einer MVPA Such sein. MVPA Such Karten sind wertvoll für das Verständnis, welche Regionen können verschiedene Bedingungen unterscheiden, sind aber in der Regel nicht in verschiedene Netzwerke gebrochen. Der IC-Ansatz kann hier helfen, durch die Enthüllung, welche der Scheinwerfer haben Synchron Unterscheidbarkeit setzt. Schließlich können IC-Karten aus verschiedenen Aufgaben, um Netzwerke zu verstehen Aufgabe verglichen werden, und die Patienten können auf die Kontrollen im Vergleich zu besser verstehen, wie Multi-Voxel Differenzen 1 5 sind auf der Netzebene manifestieren.

Das Ziel der hier beschriebenen Analyseverfahren, um die Verbindung zwischen den Gehirnregionen, basierend auf Schwankungen in ihrer Multi-Voxelinformationen messen. Fortschritte in der funktionellen Magnetresonanztomographie (fMRI) Analyse-Techniken haben gezeigt, dass eine große Menge von Informationen innerhalb von Blut-Sauerstoff-Level-abhängigen (BOLD) Aktivitätsmuster, die über mehrere Voxel 1-3 verteilt sind, enthalten sein. Eine Reihe von Techniken, die empfindlich auf multivariate Informationen sind - wie Multi-Voxel-Muster-Analyse (MVPA) bekannt - ist verwendet worden, um zu zeigen, dass die Bedingungen unterscheiden kann MVPs trotz nicht zu unterscheiden univariate Antworten 1,2,4 haben. Standard-Analysen, die univariate Antworten vergleichen, können unempfindlich gegenüber dieser Multi-Voxel-Informationen sein. Mehrere Gehirnregionen werden aktiviert, wenn Menschen verarbeiten Reize und kognitiven Operationen durchführen. Funktionelle Konnektivität (FC) ist eine Methode, die üblicherweise zur untersuchenTor wie funktionalen Netzwerke 5,6. In seiner einfachsten Form, quantifiziert FC Co-Aktivierung oder Synchronisation zwischen verschiedenen Voxel oder Regionen. FC wurde verwendet, um funktionell mit Gehirnnetzwerken mit großem Erfolg zu identifizieren. Für viele Regionen und Konditionen, aber eindimensionale Antworten spiegeln nicht alle verfügbaren Informationen im BOLD-Aktivität. FC-Techniken, die sich dynamisch verändernden univariate Antwortstufen verfolgen kann die Empfindlichkeit üblichen Schwankungen in Multi-Voxel-Informationen fehlen. Die Analysemethode hier vorgestellten Informations Konnektivität (IC, zuerst in einer aktuellen Arbeit 7 beschrieben), eine Lücke zwischen MVPA und FC-Konnektivität durch Messung mit einer Metrik, die empfindlich auf Multi-Voxel-Informationen über die Zeit ist. Während FC-Tracks dynamisch verändernden univariate Aktivierung, Titeln IC dynamisch verändernden MVP Unterscheidbarkeit - ein Maß dafür, wie gut ein MVP wahren Zustand kann bei (falscher) Alternativen zu unterscheiden. Wichtig ist, dass in ter gleichen Weise, dass verschiedene Regionen finden Sie ähnliche Niveaus der univariaten Antworten auf eine Bedingung trotz Durchführung verschiedene Berechnungen (z. B. visuelle Verarbeitung oder Aktionsplanung, wenn eine Person sieht Mann aus Objekten) zeigen, kann verschiedene Regionen haben auch ähnliche (und synchronisiert) Ebenen der MVP Unterscheidbarkeit, während sie Bedingungen anders zu verarbeiten. Eine aktuelle Untersuchung zeigte, dass IC kann die interregionale Konnektivität, die nicht mit einer Standard-FC Ansatz 7 nachweisbar offenbaren. Die Ermittler können daher IC Wechselwirkungen zwischen Hirnregionen zu untersuchen, wie die Teilnehmer reagieren auf Reize, die Bedingungen oder charakteristische Muster verteilt haben. IC unterscheidet sich von mehreren neueren Konnektivität Anwendungen, die Schwankungen in der univariaten Aktivierung in Bezug auf die Klassifikationsergebnisse 8, 9 untersucht. Im Gegensatz zu diesen Ansätzen erkennt IC synchrone Multi-Voxel-Muster Unterscheidbarkeit zwischen den Regionen.

<table><tbody><tr><td>MATLAB-Softwarepaket</td><td>MathWorks</td><td></td><td></td></tr><tr><td>AFNI-Softwarepaket</td><td>NIMH</td><td></td><td></td></tr></tbody></table>

mit informations konnektivität, um das synchrone entstehung von fmri multi-voxel-informationen auf zeit messen

Using Informational Connectivity to Measure the Synchronous Emergence of fMRI Multi-voxel Information Across Time

Es wird nun klar, dass diese Bedingung relevanten Informationen innerhalb verteilter Muster der funktionellen Magnetresonanztomographie (fMRI) die Gehirnaktivität vorhanden sein, auch für die Bedingungen mit einem ähnlichen univariate Aktivierung. Multi-Voxel-Muster (MVP)-Analyse wurde verwendet, um diese Informationen mit großem Erfolg zu entschlüsseln. FMRI Ermittler auch oft versuchen zu verstehen, wie Hirnregionen interagieren miteinander verbundene Netzwerke, und verwenden Sie funktionelle Konnektivität (FC) in Regionen, die Antworten über die Zeit korreliert zu identifizieren. Ebenso wie univariate Analysen können unempfindlich, um Informationen in MVPs sein kann, kann nicht vollständig FC charakterisieren die Gehirn-Netzwerke, die mit charakteristischen Bedingungen MVP Signaturen verarbeiten. Die hier beschriebene Methode, Informations-Konnektivität (IC) können Regionen mit entsprechenden Veränderungen in der MVP-Unterscheidbarkeit über die Zeit zu identifizieren und enthüllt Konnektivität, die nicht zugänglich ist FC. Das Verfahren kann Sondierungs sein, mit Hilfe von Scheinwerfern, Saatgut-conn identifizierenektiert Gebieten oder geplant, zwischen vorher ausgewählten Regionen von Interesse. Die Ergebnisse können Netzwerke von Regionen, die MVP-bezogene Prozessbedingungen zu klären, kann Zusammenbruch MVPA Such Karten in separate Netzwerke oder können über Aufgaben und Patientengruppen verglichen werden.

Die IC Ergebnisse können nun mit den Prüfer bevorzugte fMRT-Analyse-Software-Paket angezeigt werden. Abbildung 2 zeigt IC Ergebnisse, aus Blöcken von visuell dargestellt berechnet Mann gemacht Objekte (weitere Informationen in der zugehörigen Publikation 7). Die IC-Analyse ist für die Bedingungen bekannt, MVPs verbunden waren besonders wertvoll: Bedingungen mit charakteristischen MVPs, aber ohne Unterschiede in der univariaten Antworten sind eher Unterschiede zwischen IC und FC haben (mit Daten, die als Teilnehmer aufgenommen wurde, veranschaulicht haben, haben verschiedene Arten von Menschen in Abbildung 3 vorgenommen Objekte). Abbildung 4 zeigt, dass mit erheblichen Mehr Voxel Informationen können hohe IC haben, aber weniger gut in FC Ergebnisse dargestellt Scheinwerfer. <img alt="Figur 1" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig1highres.jpg" width = &quot;500&quot; /&gt; .. Abbildung 1: Beispiele für Muster Unterscheidbarkeit im Laufe der Zeit. Oben: Die Substrate der MVP Unterscheidbarkeit von einem Gegenstand in Haxby et al (2001) 2, wie in Coutanche &amp; Thompson-Schill (2013) analysierte 7. Die blaue Linie zeigt die z-erzielte Korrelation zwischen Zeit-Punkte &quot;MVPs und der mittleren (&quot; Ausbildung &quot;)-Muster der richtigen Klasse. Die grünen Linien stellen die MVPs &quot;Korrelationen mit drei Fehl Klassen. Unten: Muster Unterscheidbarkeit ist der Unterschied zwischen Korrelationen für die richtige Klasse und höchste falsche Klasse. Zeitpunkte mit positiven Muster Unterscheidbarkeit Werte würden korrekt durch eine Korrelation-basierten Klassifikator klassifiziert werden. Abbildung ursprünglich in Coutanche &amp; Thompson-Schill (2013) 7 veröffentlicht. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig1highres.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Figur sehen</a>. <img alt="Figur 2" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig2highres.jpg" width="500" /> Beispiel Konnektivität Abbildung 2 Karten.. Jede Zeile zeigt Regionen wesentlich zu einem Samen (in blau dargestellt) verbunden. Die Signifikanz wird durch eine Gruppe t-Test (p &lt;0,001) mit mindestens Clustergröße von Permutation Tests bestimmt. Die Ergebnisse werden mit IC AFNI 1 1 auf mit Freesurfer 1 2 produziert Oberflächenkarten angezeigt. Abbildung von Coutanche &amp; Thompson-Schill (2013) 7 modifiziert. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig2highres.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.</a> <img alt="Fig. 3" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig3highres.jpg" width="500" /> Abbildung. 3 Synchronized MVP Unterscheidbarkeit gegenüber Aktivierung bedeuten Beispiele MVP Unterscheidbarkeit in zwei Regionen mit Synchron MVP Unterscheidbarkeit (dh Informations-Konnektivität), ohne Synchron mittlere Aktivierung (dh funktionelle Konnektivität). Daten stammen von einem Gegenstand aus Haxby et al. (2001) 2, wie in Coutanche &amp; Thompson-Schill (2013) analysierte 7. Diese Datenpunkte wurden gesammelt, während das Subjekt angesehen visuelle Darstellungen von Menschen geschaffenen Objekte, die unterscheidbar von Multi-Voxel-Muster sind, aber nicht, dass Antworten. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig3highres.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.</a> <img alt="Fig. 4" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig4highres.jpg" width="500" /> Abbildung 4. Beispiel IC und FC Werte zwischen einem Samen in der left spindelförmigen Gyrus und Scheinwerfer über das Gehirn. Informativ und funktionelle Konnektivität Stärken (z-Achse) zwischen einem Samen und Scheinwerfer, in Bezug auf jedes Such mittlere Antwort (x-Achse) und MVPA Klassifikationsgenauigkeit (y-Achse) bis vier gezeigt Arten von Menschen gemachte Objekte (Chance = 25%). Scheinwerfer teilen Voxel mit der Seed-Region wurden entfernt. Die IC-Graph enthält Beispiele für Scheinwerfer mit starker Konnektivität, die hohe Leistung, sondern Einstufung niedrigen mittleren Reaktionszeiten, die Sie in einem typischen FC-Ansatz (gesehen von der Lücke in der linken oberen Oktanten der rechten Grafik) nicht aufgenommen werden können. Abbildung ursprünglich in Coutanche &amp; Thompson-Schill (2013) 7 veröffentlicht. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig4highres.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.</a>

Informationelle Konnektivität misst die Entsprechung zwischen Zeitverläufen von Multi-Voxel-Informationen über verschiedene Gehirnregionen hinweg. Zeitreihen zur Unterscheidbarkeit von Multi-Voxel-Mustern werden aus Regionen extrahiert und verglichen, wodurch Netzwerke sichtbar werden, die in einem typischen funktionalen Konnektivitätsansatz nicht identifiziert werden.

Mit Informations Konnektivität, um das synchrone Entstehung von fMRI Multi-Voxel-Informationen Auf Zeit messen

It is now appreciated that condition-relevant information can be present within distributed patterns of functional magnetic resonance imaging (fMRI) brain ...

Das übergeordnete Ziel dieses Verfahrens besteht darin, die Konnektivität zwischen Gehirnregionen anhand von Veränderungen ihrer räumlich verteilten Aktivitätsmuster über die Zeit zu messen. Dies wird erreicht, indem zunächst eine Seed-Region ausgewählt wird. Anschließend wird die Diskriminierbarkeit des Multi-Voxel-Musters für jeden Zeitpunkt sowohl für die Seed-Region als auch für jede Suchleuchte oder interessierende Region berechnet.Der letzte Schritt besteht darin, die Diskriminierbarkeits-Zeitreihe der Seed-Region mit jedem Suchfeld zu korrelieren. Letztendlich wird die informationsbasierte Konnektivität verwendet, um Verbindungen zwischen Regionen aufzudecken, die Informationen entlang von Voxelmustern enthalten. Der Hauptvorteil dieser Technik im Vergleich zu anderen, wie beispielsweise der funktionellen Konnektivität, liegt darin, dass sie Konnektivität anhand von Bedingungen nachweisen kann, die sich nicht in der Immunantwort unterscheiden, aber eine eindeutige multivariate Signatur aufweisen.Nun, ich hatte die Idee zu dieser Methode zunächst, nachdem mir bewusst wurde, dass viele Verknüpfungstechniken Informationen ignorieren, die ausschließlich in mehreren Voxel-Aktivitätsmustern enthalten sind. So wie wir heute wissen, dass univariate Ansätze völlig unempfindlich gegenüber Informationen sind, die in mehreren Voxel-Aktivitätsmustern enthalten sind, entfernen Sie zu Beginn des Verfahrens die Bewegungs- und mittlere weiße-Materie-Signale aus der Zeitreihe der vorverarbeiteten FMRI-Daten, indem Sie ein Regressionsmodell mit Prädiktoren für Bewegungsparameter und mittleres Signal der weißen Materie erstellen. Führen Sie anschließend die folgende Analyse an den resultierenden Residuen durch.Importieren Sie die generierten Residuen mithilfe einer Analyse-Software wie MATLAB oder Python in ein Auswerteprogramm, beispielsweise mit der open-source-Informationskonnektivitäts-Toolbox für MATLAB. Danach transformieren Sie die Zeitreihe jedes Voxel in zco. Teilen Sie die Zeitpunkte der Datensätze in unabhängige Mengen auf, beispielsweise verschiedene Scanner-Durchläufe.Erstellen Sie anschließend eine Aufzeichnung der den Zeitpunkten zugeordneten Bedingungslabels, indem Sie einen Vektor aus Bedingungslabels generieren. Dieser Vektor hat eine Länge, die den Endzeitpunkten entspricht, und die Bedingungslabels werden in jedem Durchlauf um eine Anzahl von Zeitschritten nach vorne verschoben, die fünf Sekunden entspricht, um die hämodynamische Verzögerung zwischen Ereignissen und den aufgezeichneten fMRT-Signalen zu berücksichtigen. Um eine Seed-Region auszuwählen, isolieren Sie einen anatomischen Bereich, indem Sie Voxel in Ihrer bevorzugten Software auswählen oder mithilfe eines beschrifteten Atlas, durch funktionelle Lokalisierung einer Region oder durch Auswahl einer hochperformanten Informations-Karten-Suchfeld-Analyse.Vergleichen Sie anschließend den MVP zu jedem Zeitpunkt. Weisen Sie auf einen prototypischen MVP für jede Bedingung hin. Verwenden Sie dazu die Open-Source-Toolbox für informationsbasierte Konnektivität in MATLAB.Berechnen Sie ein prototypisches MVP für jede Bedingung, indem Sie die Zeitpunkte jeder Bedingung in allen bis auf einen Fold mitteln. Korrelieren Sie anschließend das MVP jedes Zeitpunkts mit dem mittleren MVP jeder Bedingung aus den Trainingsdaten. Dies ergibt für jeden Zeitpunkt einen Korrelationswert von 0,1 für jede Bedingung.Beachten Sie, dass die Bedingung mit der höchsten Korrelation hier die Vorhersage des gängigen, auf Korrelation basierenden MVPA-Klassifikators darstellt. Anschließend. Quantifizieren Sie die MVP-DISKRIMINIERBARKEIT für jeden Zeitpunkt, indem Sie zunächst diejenige Korrelation identifizieren, die die Bedingung zu diesem Zeitpunkt repräsentiert, und danach die höchste der verbleibenden Korrelationen subtrahieren.Das Ergebnis ist die MVP-Diskriminierbarkeit für jeden Zeitpunkt. Um eine Search-Light-Analyse durchzuführen, platzieren Sie einen dreidimensionalen Cluster um jedes VLE. Wiederholen Sie anschließend den vorherigen Schritt für jedes Search Light, sodass jedes Search Light eine Zeitreihe von MVP-Diskriminierbarkeitswerten erhält.Korrelieren Sie nun die MVP-Diskriminierbarkeits-Zeitreihe des Seed mit der DISKRIMINIERBARKEITS-Zeitreihe jedes Suchlichts. Mithilfe der Rangkorrelation nach Spearman ergibt sich der resultierende RS-Wert als der IC zwischen dem Seed und dem Suchlicht. Weisen Sie anschließend jedem Suchlicht seinen IC-Wert dem zentralen Voxel des Suchlichts zu und speichern Sie die resultierende individuelle Gehirnkarte ab.Wenn die Daten noch nicht im standardisierten Raum vorliegen, transformieren Sie die IC-Karten der Teilnehmer in denselben Raum. Optional können die Searchlight-Karten der einzelnen Personen geglättet werden. Diese Abbildung zeigt Beispiele der MVP-DISKRIMINIERBARKEIT in zwei Regionen mit synchroner MVP-Diskriminierbarkeit ohne synchrone mittlere Aktivierung.Diese Datenpunkte wurden erhoben, während der Proband visuelle Darbietungen von vom Menschen geschaffenen Objekten betrachtete, die sich durch Muster aus mehreren Voxel unterscheiden lassen, nicht jedoch durch mittlere Antworten. Dargestellt ist hier ein Beispiel für die IC- und FC-Werte zwischen einem Seed im linken Seitenansichtsbereich des Gyrus form und Suchfeldern über das Gehirn verteilt. Die Stärken der informativen und funktionellen Konnektivität sind auf der Z-Achse angegeben, bezogen auf die mittlere Antwort jedes Suchfelds auf der X-Achse und die MVPA-Klassifizierungsgenauigkeit auf der Y-Achse. Die obere linke Ecke des IC-Diagramms zeigt suchfeldbasierte informative Verbindungen mit hoher Klassifizierungsleistung, jedoch niedrigen mittleren Antwortniveaus.Die Lücke in der oberen linken Ecke der FC-Grafik zeigt, dass diese verbundenen Suchleuchten bei einem typischen FC-Ansatz nicht erfasst werden. Hier ist ein Beispiel für die Konnektivitätskarten. Jede Zeile zeigt die Regionen, die signifikant mit einem Seed verbunden sind. Die Signifikanz wird durch einen Gruppen-t-Test mit minimaler Clustergröße aus Permutationstests bestimmt.Die IC-Ergebnisse werden hier mithilfe von Akne-auf-Oberflächen-Karten dargestellt, die mit FreeSurfer nach dieser Vorgehensweise erstellt wurden. Weitere Analysen, wie beispielsweise die funktionelle Konnektivität, können durchgeführt werden, um zusätzliche Fragen zu beantworten, etwa ob Bedingungen durch multivoxelare Muster eindeutig miteinander verbunden sind oder ob sie auch in ihren mittleren Antworten synchron sind. Nachdem Sie dieses Video angesehen haben, sollten Sie ein gutes Verständnis dafür haben, wie die Konnektivität zwischen Regionen basierend auf ihren Multi-Mustern gemessen werden kann.Vielen Dank fürs Zuschauen.

using-informational-connectivity-to-measure-synchronous-emergence

Research

Forschung

JoVE Journal

Neuroscience

Neurowissenschaften

Wir haben eine Methode zur gleichzeitigen funktionellen Kernspintomographie und elektrophysiologischen Aufnahme in das Nagetier Gehirn entwickelt, eine Plattform für die Untersuchung der Beziehung zwischen neuronaler Aktivität und der Blutoxygenierung level dependent (BOLD) MRT-Signal.

Gleichzeitige fMRI und Elektrophysiologie in der Nager Gehirn

Dieser Artikel zeigt ein experimentelles Design, in der Ganzkörper-animierte Charaktere in Verbindung mit der funktionellen Magnetresonanztomographie (fMRI), um die neuronalen Korrelate des Beobachtens virtuellen sozialen Interaktionen zu untersuchen verwendet werden.

Brain Imaging Untersuchung der neuronalen Korrelate von Observing virtuellen sozialen Interaktionen

Das Default Mode Network (DMN) in Temporallappen-Epilepsie (TLE) ist im Ruhezustand des Gehirns mit Seed-basierte funktionelle Konnektivität MRI (fcMRI) analysiert.

Netzwerkanalyse des Default Mode Netzwerk mit Functional MRI-Konnektivität in Temporallappen-Epilepsie

Die MRT mit funktioneller Konnektivität im Ruhezustand hat Anomalien bei Patienten mit einer Vielzahl von neuropsychiatrischen Störungen identifiziert, einschließlich Epilepsie aufgrund von Fehlbildungen der kortikalen Entwicklung. Die transkranielle Magnetstimulation in Kombination mit dem EEG kann zeigen, dass Patienten mit Epilepsie in Regionen mit abnormaler Konnektivität eine kortikale Übererregbarkeit aufweisen.

Ein Multimodal Imaging- und Stimulations-basierte Verfahren zur Bewertung der Connectivity-bezogenen Erregbarkeit des Gehirns bei Patienten mit Epilepsie

Eine EEG-fMRT multimodale bildgebende Methode, bekannt als die raumzeitlichen fMRI eingeschränkt EEG Quelle bildgebendes Verfahren, wird hier beschrieben. Die vorgestellte Methode beschäftigt bedingt aktiv fMRI Sub-Maps oder Prioren, EEG Quelle Lokalisierung in einer Art und Weise zu führen, das verbessert die räumliche Spezifität und fehlerhafte Ergebnisse begrenzt.

Gleichzeitige EEG und funktionelle MRT-Aufnahme und Integration Analyse für dynamische kortikale Aktivität Imaging

Die beschriebene Vorgehensweise zielt darauf ab festzustellen, in welchen Momenten des Paradigmas (zeitliche Perspektive) und zwischen welchen Regionen (räumliche Perspektive), bedeutende Umgestaltungen in funktionelle Verknüpfung auf funktionelle Kernspintomographie auftreten Aufnahmen bei denen ein Mal gesperrt Reiz gespielt wird.

Dynamische Inter Thema funktionelle Verknüpfung zeigt Moment zum Gehirn Netzwerkkonfigurationen angetrieben durch kontinuierliche oder Kommunikation Paradigmen

Das Protokoll zur Durchführung von fNIRS-Hyperscanning-Experimenten an kollaborativen Lerndyaden in einer naturalistischen Lernumgebung wird skizziert. Darüber hinaus wird eine Pipeline zur Analyse der Inter-Brain Synchrony (IBS) von sauerstoffhaltigen Hämoglobin (Oxy-Hb) -Signalen vorgestellt.

Inter-Brain Synchrony im offenen kollaborativen Lernen: Eine fNIRS-Hyperscanning-Studie

Die Dynamik zwischen gekoppelten Gehirnen von Individuen wurde zunehmend durch Inter-Brain-Synchronisation (IBS) dargestellt, wenn sie miteinander koordiniert werden, meist unter Verwendung von simultanen Aufzeichnungssignalen von Gehirnen (nämlich Hyperscanning) mit fNIRS. In fNIRS-Hyperscanning-Studien wurde IBS aufgrund seines Vorteils bei der Erweiterung von Zeitreihen in einen Zeit-Frequenz-Raum, in dem Oszillationen auf sehr intuitive Weise beobachtet werden können, üblicherweise durch...

So berechnen und validieren Sie die Synchronisation zwischen Gehirnen in einer fNIRS-Hyperscanning-Studie

Dieses Protokoll beschreibt die partielle Wavelet-Transformationskohärenz (pWTC) zur Berechnung des zeitverzögerten Musters der zwischenmenschlichen neuronalen Synchronisation (INS), um die Richtung und das zeitliche Muster des Informationsflusses während der sozialen Interaktion abzuleiten. Die Wirksamkeit von pWTC bei der Entfernung der Störfaktoren der Signalautokorrelation auf INS wurde durch zwei Experimente bewiesen.

Messung des direktionalen Informationsflusses in fNIRS-Hyperscanning-Daten mit der Partial-Wavelet-Transformationskohärenzmethode

Wir stellen eine Methode zur gleichzeitigen Erfassung von fMRT- und fNIRS-Signalen von denselben Probanden mit Ganzkopf-fNIRS-Abdeckung vor. Das Protokoll wurde mit drei jungen Erwachsenen getestet und kann für die Datenerhebung für Entwicklungsstudien und klinische Populationen angepasst werden.

Gleichzeitige Datenerfassung von fMRT- und fNIRS-Messungen unter Verwendung eines Ganzkopf-Optodenarrays und Kurzstreckenkanälen

Die Wavelet-Transformationskohärenz (WTC) ist eine gängige Methode zur Bewertung der Kopplung zwischen Signalen, die in Hyperscanning-Studien der funktionellen Nahinfrarotspektroskopie (fNIRS) verwendet wird. In dieser Arbeit wird ein Werkzeugkasten zur Beurteilung der Richtungsabhängigkeit der Signalwechselwirkung vorgestellt.

Neuer Rahmen für das Verständnis der hirnübergreifenden Kohärenz in funktionellen Hyperscanning-Studien der Nahinfrarotspektroskopie (fNIRS)

Lernen Sie die Messung von Informations-Konnektivität zwischen Hirnregionen mittels fMRI-Multi-Voxel-Mustern über Zeit. Diese Methode deckt Netzwerke auf, die traditionelle funktionelle Konnektivität nicht erfasst.

Mit Informations Konnektivität, um das synchrone Entstehung von fMRI Multi-Voxel-Informationen Auf Zeit messen

Weitere Videos entdecken