Name: Anwendung von Granger Kausalität Analyse des gerichteten funktionalen Zusammenhangs in der Alzheimer-Krankheit und Mild Cognitive Impairment (Video) | JoVE Journal
Uploaded: 2017-08-07T15:00:00.000+00:00
Duration: 8 min 43 s
Description: Erfahren Sie, wie Granger-Kausalitätsanalyse gerichtete funktionale Konnektivität im Gehirn bei Alzheimer-Erkrankung untersucht. Diese Methode nutzt fMRT-Daten, um objektive Biomarker für Krankheitsschwere zu etablieren.

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

Die Autoren danken Gongjun JI für Computer-Software-Support. Diese Forschung wurde teilweise unterstützt von der National Natural Science Foundation of China (Nr. 81201156, 81271517); die Zhejiang Provincial Natural Science Foundation of China (No. LY16H180007, LY13H180016, 2013C33G1360236), und der Science Foundation aus der Gesundheitskommission der Provinz Zhejiang (Nr. 2013RCA001, 201522257).

Diese Studie wurde von der Ethikkommission des Volkskrankenhauses der Provinz Zhejiang genehmigt. Jeder eingeschriebene Proband unterschrieb eine schriftliche Einverständniserklärung.
1. Klassifizierung und Screening von Proben
<ol>
	<li>Diagnostizieren und Einteilen von 116 Patienten in AD- und MCI-Gruppen. 
	HINWEIS: Verwenden Sie die Diagnosekriterien des National Institute of Neurological and Communicative Disorders and Stroke aus dem Jahr 2011 und der Alzheimer's Disease and Related Disorders Association (NINCDS-ADRDA) sowie die Kriterien der Mini-Mental State Examination (MMSE) zur Identifizierung und Klassifizierung von MCI, die in Yu et al. ausführlich beschrieben werden.10</li>
	<li>Wählen Sie Teilnehmer in der gesunden Kontrollgruppe aus. 
	HINWEIS: Alter, Geschlecht und Bildungsniveau der Kontrollgruppe wurden mit den Patienten in den MCI- und AD-Gruppen abgeglichen.</li>
	<li>Bewerten Sie alle Fächer mit MMSE10.</li>
	<li>Schließen Sie die Probanden aus, die die Einschlusskriterien nicht erfüllt haben. Für alle Probanden werden die Ausschlusskriterien in Yu et al. genannt.10</li>
	<li>Verwenden Sie MRT, um Probanden zu scannen; schließen Sie Probanden mit unbrauchbaren Daten aufgrund von Kopfbewegungen aus. 
	HINWEIS: Letztendlich untersuchten wir 26 Patienten mit MCI, 32 Patienten mit AD und 58 Kontrollpersonen.</li>
</ol>
2. Erfassung von Neuroimaging
<ol>
	<li>Entfernen Sie metallische und magnetische Gegenstände, bevor Sie das 3,0 T MRT-Labor betreten.</li>
	<li>Installieren Sie eine MRT-Empfangsspule am Magnetresonanz-Scanbett. Die Empfangsspule ist eine 8-Kanal-Phased-Array-Spule des Gehirns.</li>
	<li>Weisen Sie den Teilnehmer an, sich auf das Bett zu legen und mit vorgeschobenem Kopf und der Längsachse des Körpers entlang der Längsachse des Bettes in Rückenlage zu bleiben. Platzieren Sie den Kopf des Teilnehmers auf der Halterung der Spule und stellen Sie sicher, dass die Orbitomeatallinie senkrecht zum Bett steht.</li>
	<li>Weisen Sie den Teilnehmer an, die oberen Gliedmaßen seitlich am Körper zu platzieren, die Augen geschlossen zu halten, an nichts Bestimmtes zu denken und sich während des Scans so wenig wie möglich zu bewegen. Legen Sie Schaumstoffpolster im beidseitigen Schläfenbereich auf den Kopf, um Kopfbewegungen zu verhindern, und stellen Sie Kopfhörer bereit, um das Scannergeräusch für den Teilnehmer zu reduzieren. 
	HINWEIS: Die Abmessungen des Schaumstoffpolsters sind: langer Durchmesser = 13 cm, kurzer Durchmesser = 10 cm, die dickste Dicke = 7 cm, die dünnste Dicke = 3 cm, durchschnittliche Dicke = 5 cm.</li>
	<li>Passen Sie die Position des Kopfes über das Positionslicht so an, dass sich der sagittale Positionierungscursor in der Mittellinie des Gesichts befindet und der Achsenpositionierungscursor parallel zum lateralen Canthus ist. Verschieben Sie dann das Bett, um den Cursor zur Positionierung der Achse auf den Augenbrauen oder 2 cm darunter zu halten.</li>
	<li>Bewegen Sie den Kopf in die Mitte des Magneten. Führen Sie einen fMRT-Scan des Gehirns durch, einschließlich Gradienten-Echo-Planar-Bildgebung (EPI-BOLD) und 3D-T1-MPRAGE-Bildgebung. 
	HINWEIS: Verwenden Sie die folgenden Parameter: 
	EPI-BOLD: TR/TE = 2.000/30 ms, Schichtdicke/Schichtabstand = 3,2/0,8 mm, 31 Schichten, Matrix = 64 x 64, FOV = 220 x 220 mm, Voxelgröße = 3 x 3 x 4 mm, Flip-Winkel = 90 °, Scanzeit von 484 s und insgesamt 240 Scanbilder. 
	3D-T1-MPRAGE-Bildgebung: TR/TE = 8,5/3,2 ms, Flip-Winkel = 15 °, Sichtfeld = 250 x 250 mm, Matrix = 256 x 256, Schichtnummer = 176, Schichtdicke/-spalt = 1/0 mm, Scanzeit von 353 s und insgesamt 192 Scanbilder.</li>
	<li>Schützen Sie den Patienten, wenn er am Ende des Scans das Bett verlässt.</li>
</ol>
3. Vorverarbeitung von Daten
HINWEIS: Analysieren Sie die Rohdaten für Gehirnfunktionen im Ruhezustand mit dem Resting-State fMRI (rs-fMRI) Data Analysis Toolkit plus (RESTplus).
<ol>
	<li>Öffnen Sie RESTplus über MATLAB und klicken Sie mit der linken Maustaste auf Pipeline.</li>
	<li>Importieren Sie die relevanten Dateien in RESTplus. Wählen Sie das Arbeitsverzeichnis und dann die Startverzeichnisse EPI und T1 aus.</li>
	<li>Konvertieren Sie DICOM-Dateien in NIFTI. Markieren Sie das Kontrollkästchen DICOM zu NIFTI in der Vorverarbeitung und aktivieren Sie die Parameter EPI DICOM zu NIFTU und T1 DICOM zu NIFTI.</li>
	<li>Entfernen Sie die ersten 10 Zeitpunkte, indem Sie die Option Erste n Zeitpunkte entfernen deaktivieren und den Parameter n auf 10 setzen.</li>
	<li>Stellen Sie das Slice-Timing gemäß den rs-fMRI-Parametern ein. Aktivieren Sie das Kontrollkästchen Slice-Timing. Stellen Sie die Schichtnummer entsprechend den rs-fMRT-Parametern der Studie ein. Geben Sie die Slice-Reihenfolge ein. 
	HINWEIS: Die Erfassung der Daten jeder Schicht im Gehirnscan erfolgt nicht zum gleichen Zeitpunkt und muss daher auf den gleichen Zeitpunkt kalibriert werden.</li>
	<li>Korrigieren Sie die Zeit und die Kopfbewegung. Kreuzen Sie Realign. an
	HINWEIS: Das Ausschlusskriterium für übermäßige Kopfbewegung war >2,0 mm Translation oder >2,0 ° Drehung in eine beliebige Richtung. In RESTplus ist dies ein Standardparameter (Linksklick auf die Option 'Neu ausrichten').</li>
	<li>Führen Sie eine räumliche Normalisierung durch, indem Sie die einheitliche Segmentierung des T1-Bildes verwenden und alle Köpfe auf denselben Raum standardisiert haben. Markieren Sie Normalisieren und lassen Sie die Standardparameter unten. Wählen Sie die Option Normalisieren mithilfe der einheitlichen Segmentierung des T1-Bildes und der europäischen Parameter aus. 
	HINWEIS: Berechnen Sie die rs-fMRT-Bilder mit Voxeln von 3 × 3 × 3 mm, und andere Parameter im RESTplus sind Standard, klicken Sie einfach mit der linken Maustaste auf die Option "Normalisieren mit Verwendung der einheitlichen Segmentierung des T1-Bildes".</li>
	<li>Führen Sie die räumliche Glättung mit einem isotropen Gaußschen Kern mit einer vollen Breite bei halbem Maximum (FWHM) von 6 mm durch. Markieren Sie Glätten.</li>
	<li>Entfernen Sie den linearen Trend, indem Sie den Haken bei Detrend setzen.</li>
	<li>Regression von Signalen von störenden Regressoren (WM, CSF, Global), um das Signal-Rausch-Verhältnis zu erhöhen. Kreuzen Sie die Regression der Interferenzkovariaten und die folgenden Parameter an: 6 Kopfbewegungsparameter, globales mittleres Signal, Signal der weißen Substanz und Liquorsignal. 
	HINWEIS: Während dieses Schritts setzen Sie den 'Polynom-Trend' als Standard auf 1 und wählen Sie die '6 Kopfbewegungsparameter', die 'Störregressoren (WM, CSF, Global)' und 'Mittelwert zurück' als Standard.</li>
	<li>Verwenden Sie die Bandpassfilterung, um Signale zwischen 0,01 und 0,08 Hz zu speichern. Entfernen Sie hochfrequentes physiologisches Rauschen und niederfrequente Drift. Aktivieren Sie Filter.</li>
</ol>
4. Gerichtete Konnektivitätsanalyse
HINWEIS: Führen Sie GCA in Kombination mit den BOLD-Signalen für jedes Voxel im gesamten Gehirn durch, nachdem Sie die durchschnittliche BOLD-Signalintensität im Seed-Bereich extrahiert haben.
<ol>
	<li>Führen Sie die voxelweise GCA mithilfe der REST-GCA in der REST-Toolbox durch. Aktivieren Sie im Kästchen für die Nachbearbeitung das Häkchen bei GCA.</li>
	<li>Setzen Sie die 'order' als Standard auf 1. Wählen Sie die Parameter in der Eingabe aus.</li>
	<li>Definieren Sie den ROI und identifizieren Sie Seed Points of Interest im PCC. Wählen Sie ROI definieren und dann den sphärischen ROI aus. Wählen Sie Weiter aus. Legen Sie die Mittelpunktkoordinaten und den Radius des Seed-ROI basierend auf den bekannten Daten fest und wählen Sie OK aus. 
	HINWEIS: Ein ROI für das DMN wurde am PCC platziert (Zentrierung bei x = 0, y = -53, z = 26 mit Radius = 6 mm), wie in einer früheren Studie13.</li>
	<li>Wählen Sie Ausführen und OK aus, um das Programm auszuführen.</li>
	<li>Sucht nach Ordnern mit den Namen ZGCA und GCA nach der Verarbeitung relevanter Dateidaten. Sortieren Sie die Dateien von ZGCA und klassifizieren Sie sie entsprechend in vier Unterordner, xx, xy, yx, yy. 
	HINWEIS: Verwenden Sie später hauptsächlich die Unterordner xy und yx. Die drei Datensätze von Dateien ('AD', 'MCI', 'NC') werden alle gemäß den Schritten 3.1 - 4.5 oben verarbeitet und sortiert.</li>
	<li>Öffnen Sie RESTplus über MATLAB und klicken Sie mit der linken Maustaste auf Statistische Analyse. Klicken Sie mit der linken Maustaste auf REST Two-Sample T-Test.</li>
	<li>Benennen Sie das Ausgabeergebnis als T1xy, und legen Sie das Ausgabeverzeichnis fest. Klicken Sie mit der linken Maustaste auf Gruppenbilder hinzufügen, um den Unterordner xy im Ordner AD-Ergebnisse und den Unterordner xy im Ordner NC-Ergebnisse zu öffnen.</li>
	<li>Klicken Sie in der Option "Datei maskieren" mit der linken Maustaste, um die Unterdatei "BrainMask_05_61*73*61" im Ordner "mask" zu öffnen.</li>
	<li>Wählen Sie Compute aus, um das Programm auszuführen.</li>
	<li>Benennen Sie das Ausgabeergebnis als T2xy, und legen Sie das Ausgabeverzeichnis fest. Klicken Sie mit der linken Maustaste auf Gruppenbilder hinzufügen, um den Unterordner xy im Ordner AD Results und den Unterordner xy im Ordner MCI Results zu öffnen. Wiederholen Sie die Schritte 4.8 - 4.9.</li>
	<li>Benennen Sie das Ausgabeergebnis als T3xy, und legen Sie das Ausgabeverzeichnis fest. Klicken Sie mit der linken Maustaste auf Gruppenbilder hinzufügen, um den Unterordner xy im Ordner MCI Results und den Unterordner xy im Ordner NC Results zu öffnen. Wiederholen Sie die Schritte 4.8 - 4.9.</li>
	<li>Benennen Sie das Ausgabeergebnis als T1yx, und legen Sie das Ausgabeverzeichnis fest. Klicken Sie mit der linken Maustaste auf Gruppenbilder hinzufügen, um den Unterordner yx im Ordner AD Results und den Unterordner yx im Ordner NC Results zu öffnen. Wiederholen Sie die Schritte 4.8 - 4.9.</li>
	<li>Benennen Sie das Ausgabeergebnis als T2yx und legen Sie das Ausgabeverzeichnis fest. Klicken Sie mit der linken Maustaste auf Gruppenbilder hinzufügen, um den Unterordner yx im Ordner AD Results und den Unterordner yx im Ordner MCI Results zu öffnen. Wiederholen Sie die Schritte 4.8 - 4.9.</li>
	<li>Benennen Sie das Ausgabeergebnis als T3yx und legen Sie das Ausgabeverzeichnis fest. Klicken Sie mit der linken Maustaste auf Gruppenbilder hinzufügen, um den Unterordner yx im Ordner MCI Results und den Unterordner yx im Ordner NC Results zu öffnen. Wiederholen Sie die Schritte 4.8 - 4.9.</li>
	<li>Rufen Sie abschließend die sechs Ergebnisdateien ab, indem Sie die Schritte 4.6 - 4.14 befolgen und mit der linken Maustaste auf den Viewer von RESTplus klicken, um das Ergebnis anzuzeigen. Importieren Sie die Vorlage mit dem Namen ch2 in Underlay.</li>
	<li>Suchen Sie die sechs Ergebnisdateien im Ausgabeverzeichnis und füllen Sie das Overlay nacheinander aus. Rufen Sie das endgültige Ergebnisdiagramm und die sechs Ergebnisdateien ab, die den sechs Diagrammen entsprechen.</li>
	<li>Verwenden Sie Statistical Product and Service Solutions (SPSS), um die Daten aus dem vorherigen Schritt zu verarbeiten.
	<ol>
		<li>Präsentieren Sie stetige Variablen als Mittelwerte und Standardabweichungen (SD).</li>
		<li>Präsentieren Sie kategoriale Variablen als Zahlen und Prozentsätze und verwenden Sie dann den Chi-Quadrat-Test. 
		HINWEIS: Alle p-Werte von <0,05 wurden als statistisch signifikant angesehen.</li>
	</ol>
	</li>
</ol>

<ol><li>Delbeuck, X., Van der Linden, M., Collette, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Alzheimer%27s+disease+as+a+disconnection+syndrome%3F%5BTitle%5D)+AND+%22Neuropsychol+Rev%22%5BJournal%5D)">Alzheimer's disease as a disconnection syndrome?</a> Neuropsychol Rev. 13 (2), 79-92 (2003).</li>
<li>Wang, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+functional+connectivity+in+early+Alzheimer%27s+disease%3A+a+resting-state+fMRI+study%5BTitle%5D)+AND+%22Hum+Brain+Mapp%22%5BJournal%5D)">Altered functional connectivity in early Alzheimer's disease: a resting-state fMRI study.</a> Hum Brain Mapp. 28 (10), 967-978 (2007).</li>
<li>Zhong, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+effective+connectivity+patterns+of+the+default+mode+network+in+Alzheimer%27s+disease%3A+an+fMRI+study%5BTitle%5D)+AND+%22Neurosci+Lett%22%5BJournal%5D)">Altered effective connectivity patterns of the default mode network in Alzheimer's disease: an fMRI study.</a> Neurosci Lett. 578, 171-175 (2014).</li>
<li>Gusnard, D. A., Raichle, M. E., Raichle, M. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Searching+for+a+baseline%3A+functional+imaging+and+the+resting+human+brain%5BTitle%5D)+AND+%22Nat+Rev+Neurosci%22%5BJournal%5D)">Searching for a baseline: functional imaging and the resting human brain.</a> Nat Rev Neurosci. 2 (10), 685-694 (2001).</li>
<li>Greicius, M. D., Krasnow, B., Reiss, A. L., Menon, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+connectivity+in+the+resting+brain%3A+a+network+analysis+of+the+default+mode+hypothesis%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+U+S+A%22%5BJournal%5D)">Functional connectivity in the resting brain: a network analysis of the default mode hypothesis.</a> Proc Natl Acad Sci U S A. 100 (1), 253-258 (2003).</li>
<li>Ries, M. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Task-dependent+posterior+cingulate+activation+in+mild+cognitive+impairment%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Task-dependent posterior cingulate activation in mild cognitive impairment.</a> NeuroImage. 29 (2), 485-492 (2006).</li>
<li>Braak, H., Braak, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neuropathological+stageing+of+Alzheimer-related+changes%5BTitle%5D)+AND+%22Acta+Neuropathol%22%5BJournal%5D)">Neuropathological stageing of Alzheimer-related changes.</a> Acta Neuropathol. 82 (4), 239-259 (1991).</li>
<li>Liao, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluating+the+effective+connectivity+of+resting+state+networks+using+conditional+Granger+causality%5BTitle%5D)+AND+%22Biol+Cybern%22%5BJournal%5D)">Evaluating the effective connectivity of resting state networks using conditional Granger causality.</a> Biol Cybern. 102 (1), 57-69 (2010).</li>
<li>Miao, X., Wu, X., Li, R., Chen, K., Yao, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+connectivity+pattern+of+hubs+in+default-mode+network+with+Alzheimer%27s+disease%3A+an+Granger+causality+modeling+approach%5BTitle%5D)+AND+%22PloS+one%22%5BJournal%5D)">Altered connectivity pattern of hubs in default-mode network with Alzheimer's disease: an Granger causality modeling approach.</a> PloS one. 6 (10), e25546(2011).</li>
<li>Yu, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Directed+functional+connectivity+of+posterior+cingulate+cortex+and+whole+brain+in+Alzheimer%27s+disease+and+mild+cognitive+impairment%5BTitle%5D)+AND+%22Curr+Alzheimer+Res%22%5BJournal%5D)">Directed functional connectivity of posterior cingulate cortex and whole brain in Alzheimer's disease and mild cognitive impairment.</a> Curr Alzheimer Res. , (2016).</li>
<li>Kaminski, M., Ding, M., Truccolo, W. A., Bressler, S. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluating+causal+relations+in+neural+systems%3A+granger+causality%2C+directed+transfer+function+and+statistical+assessment+of+significance%5BTitle%5D)+AND+%22Biol+Cybern%22%5BJournal%5D)">Evaluating causal relations in neural systems: granger causality, directed transfer function and statistical assessment of significance.</a> Biol Cybern. 85 (2), 145-157 (2001).</li>
<li>Zang, Z. X., Yan, C. G., Dong, Z. Y., Huang, J., Zang, Y. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Granger+causality+analysis+implementation+on+MATLAB%3A+a+graphic+user+interface+toolkit+for+fMRI+data+processing%5BTitle%5D)+AND+%22J+Neurosci+Methods%22%5BJournal%5D)">Granger causality analysis implementation on MATLAB: a graphic user interface toolkit for fMRI data processing.</a> J Neurosci Methods. 203 (2), 418-426 (2012).</li>
<li>Hedden, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Disruption+of+functional+connectivity+in+clinically+normal+older+adults+harboring+amyloid+burden%5BTitle%5D)+AND+%22J+Neurosci%22%5BJournal%5D)">Disruption of functional connectivity in clinically normal older adults harboring amyloid burden.</a> J Neurosci. 29 (40), 12686-12694 (2009).</li>
<li>Liao, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Small-world+directed+networks+in+the+human+brain%3A+multivariate+Granger+causality+analysis+of+resting-state+fMRI%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Small-world directed networks in the human brain: multivariate Granger causality analysis of resting-state fMRI.</a> NeuroImage. 54 (4), 2683-2694 (2011).</li>
<li>Liao, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluating+the+effective+connectivity+of+resting+state+networks+using+conditional+Granger+causality%5BTitle%5D)+AND+%22Biol+Cybern%22%5BJournal%5D)">Evaluating the effective connectivity of resting state networks using conditional Granger causality.</a> Biol Cybern. 102 (1), 57-69 (2010).</li>
<li>Zhang, H. Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Detection+of+PCC+functional+connectivity+characteristics+in+resting-state+fMRI+in+mild+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Behav+Brain+Res%22%5BJournal%5D)">Detection of PCC functional connectivity characteristics in resting-state fMRI in mild Alzheimer's disease.</a> Behav Brain Res. 197 (1), 103-108 (2009).</li>
<li>Deshpande, G., Hu, X., Stilla, R., Sathian, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effective+connectivity+during+haptic+perception%3A+a+study+using+Granger+causality+analysis+of+functional+magnetic+resonance+imaging+data%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Effective connectivity during haptic perception: a study using Granger causality analysis of functional magnetic resonance imaging data.</a> NeuroImage. 40 (4), 1807-1814 (2008).</li>
<li>Bressler, S. L., Seth, A. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Wiener-Granger+causality%3A+a+well+established+methodology%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Wiener-Granger causality: a well established methodology.</a> NeuroImage. 58 (2), 323-329 (2011).</li>
</ol>

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

Dieser Bericht stellt ein Verfahren zum Vergleich der gerichteten funktionelle Verknüpfung von PCC an das ganze Gehirn und aus dem gesamten Gehirn in die PCC zwischen AD, MCI und der Kontrollgruppe. Darüber hinaus ist ein wichtiger Schritt in diesem Prozess der Klassifizierung und Screening der Probe vor dem Experiment. Somit sind die Klassifizierung und screening-Kriterien entscheidend, da die Genauigkeit der Ergebnisse beeinflusst werden kann, wenn sie falsch sind. Wie im Protokoll aufgeführt, verwendeten wir 2011-NINC...

AD ist eine degenerative Erkrankung des zentralen Nervensystems, die Histopathologie, Elektrophysiologie und Neuroimaging1diagnostiziert werden können. Die Speicher-bezogene DMN ist ein lebenswichtiges System der interagierenden Hirnregionen zugeordnete AD, und seine abnormale Funktion ist charakteristisch für AD2,3. Die PCC ist eine wichtige Region des traditionellen Standardnetzwerk im Ruhezustand und spielt entscheidende Rolle im episodischen Gedächtnis, räumliche Aufmerksamkeit, Selbstevaluation und andere kognitive Funktionen4,5,6,7. Darüber hinaus möglicherweise eine bildgebende Marker für die Überwachung der AD fortschreiten. Verwendung von GCA fanden Liao Et Al. , dass die PCC eine Region von mehreren Cytoarchitektonik mit mehreren Verbindungen ist und eine wichtige Rolle im funktionalen Gehirn Struktur8 spielt. Zhong Et Al. berichtet, dass die PCC ein Convergence Centers, die Interaktionen von den meisten anderen Regionen innerhalb der DMN3erhalten. Darüber, Miao Et Al. gezeigt, dass in den Regionen DMN Hub der PCC die größten kausale Wirkung-Beziehung mit anderen Knoten9hat. Zusammen, studiert alles, was diese deutet darauf hin, dass die gerichtete Verbindung des PCC wertvoll in der AD-Forschung ist und der PCC weiterentwickelt werden muss als eine wichtige Region der DMN vertiefte.
Die bisherigen Studien waren die Konnektivität zwischen der PCC und anderen Regionen innerhalb der DMN beschränkt; jedoch wurden die Änderungen in gezielte funktionelle Verknüpfung zwischen den PCC und Gehirn Regionen außerhalb der DMN sowie deren Einfluss auf AD erforschten10noch nicht. Unsere Studie untersucht diese unerforschte funktionelle Konnektivität in normalen gesunden Kontrollen, Patienten mit MCI und Patienten mit AD. Durch die Beobachtung der gerichteten Verbindungen zwischen der PCC und ganze Hirnregionen, wollten wir die funktionelle Veränderungen im Gehirn im Zusammenhang mit AD Fortschreiten zu erhellen, und schaffen damit eine neuartige objektive Grundlage für die Beurteilung der Schwere der Erkrankung.
Funktionelle Verknüpfung bezieht sich auf eine interregionale Interaktion, die durch synchrone Schwankungen in Niederfrequenz (LFFs) dargestellt werden kann im zerebralen Blut Sauerstoff Ebene abhängige (BOLD) fMRT Signal. Daher, um die funktionelle Verknüpfung zwischen den PCC und anderen Gehirnregionen zu beobachten, analysierten wir die funktionelle Verknüpfung zwischen den PCC und das ganze Gehirn-Netzwerk von fMRI GCA, mit der PCC als die Region von Interesse (ROI). Diese Technik stammt direkt das grundsätzliche Verhältnis der einzelnen Knoten anhand von Neuroimaging11erhalten. Vor kurzem wurde GCA Elektroenzephalogramm (EEG) und fMRI-Studien offenbaren die kausale Effekte unter Gehirn Regionen12angewendet. Alle diese Studien gezeigt, dass die GCA-Technik optimal für den ursächlichen Zusammenhang der einzelnen Knoten in das Gehirn zu erkennen sein könnte.

<table><tbody><tr><td>116 Patienten</td><td>Volk der Provinz Zhejiang Diese</td><td></td> <td>Studie wurde von der Ethikkommission des Volkes der Provinz Zhejiang genehmigt. s Krankenhaus. Jeder eingeschriebene Proband unterschrieb eine schriftliche Einverständniserklärung.</td></tr><tr><td>Siemens Trio 3.0 T MRT-Scanner</td><td>Siemens, Erlangen, Deutschland</td><td>20571</td><td>Ausgestattet mit AudioComfort, das das akustische Geräusch um bis zu 90 % reduziert; Bietet hohe Leistung bei niedrigem Geräuschpegel; Ultraleichte Spule; Einzigartiges Design der MRT-Sequenz; Unterstützt bis zu 400 Pfund ohne Einschränkungen.</td></tr><tr><td>RESTplus</td><td>Hangzhou Normal University, Hangzhou, Zhejiang, China</td><td>20160122</td><td>RESTplus hat sich aus REST (Resting-State fMRI Data Analysis Toolkit) entwickelt, einem praktischen Toolkit zur Berechnung der funktionalen Konnektivität (FC), der regionalen Homogenität (ReHo), der Amplitude der niederfrequenten Fluktuation (ALFF), der fraktionierten ALFF (fALFF), der Grangener-Kausalität, der Gradzentralität, der voxelgespiegelten homotopen Konnektivität (VMHC) und der Durchführung statistischer Analysen.</td></tr><tr><td>DPARSF</td><td>Hangzhou Normal University, Hangzhou, Zhejiang, China</td><td>130615</td><td>Data Processing Assistant for Resting-State fMRI (DPARSF) ist eine praktische Plug-in-Software innerhalb von DPABI, die auf SPM basiert. Sie müssen nur Ihre DICOM-Dateien anordnen und auf ein paar Schaltflächen klicken, um die Parameter einzustellen, DPARSF liefert dann alle vorverarbeiteten Daten, die funktionale Konnektivität, ReHo, ALFF/fALFF, die Gradzentralität und die Voxel-gespiegelte homotope Konnektivität (VMHC).</td></tr><tr><td>SPSS</td><td>SPSS Inc., Chicago, IL,</td> <td>USA-SPSS</td> <td>bietet detaillierte Analyseoptionen, um Ihre Daten genauer zu untersuchen und Trends zu erkennen, die Sie möglicherweise nicht bemerkt haben.</td></tr></tbody></table>

anwendung von granger kausalität analyse des gerichteten funktionalen zusammenhangs in der alzheimer-krankheit und mild cognitive impairment

Application of Granger Causality Analysis of the Directed Functional Connection in Alzheimer's Disease and Mild Cognitive Impairment

Beeinträchtigt funktionelle Verknüpfung in der Standard-Modus-Netzwerk (DMN) kann das Fortschreiten der Alzheimer-Krankheit (AD) beteiligt werden. Die hinteren cingulären Kortex (PCC) ist ein potenzieller bildgebenden Marker für Überwachung das Fortschreiten der AD. Frühere Studien nicht auf die funktionelle Verknüpfung zwischen der PCC und Knoten in Regionen außerhalb der DMN konzentrieren, aber unsere Studie ist ein Versuch, diese übersehen Funktionszusammenhänge zu erkunden. Für die Datenerhebung, verwendeten wir funktionelle Magnetresonanztomographie (fMRT) und Granger Kausalität Analyse (GCA). fMRI bietet eine nicht-invasive Methode zur Untersuchung der dynamischen Wechselwirkungen zwischen verschiedenen Gehirnregionen. GCA ist ein statistischer Hypothesentest zur Feststellung, ob einmalige Serie bei der Vorhersage von anderen nützlich ist. In einfachen Worten, es wird danach beurteilt, vergleicht man die "alle Informationen auf den letzten Moment, die Verteilung der Wahrscheinlichkeit von X zu diesem Zeitpunkt" und die "bezeichnet alle Informationen auf den letzten Moment außer Y, die Verteilung der Wahrscheinlichkeit von X zu diesem Zeitpunkt", um festzustellen, ob eine kausale Beziehung zwischen Y und X. Diese Definition basiert auf die vollständige Informationsquelle und stationäre chronologischer Reihenfolge. Der wichtigste Schritt dieser Analyse ist mit X und Y die Regressionsgleichung und zeichnen eine kausale Beziehung durch einen hypothetischen Test. Da GCA kausale Effekte messen kann, haben wir es untersuchen die Anisotropie der funktionelle Konnektivität und erkunden die Hub-Funktion des PCC. Hier wir abgeschirmt 116 Teilnehmer für MRI Scan, und wir nach Vorverarbeitung der Daten aus Neuroimaging, GCA verwendet, um den ursächlichen Zusammenhang der einzelnen Knoten ableiten. Schließlich schlossen wir, dass die gerichtete Verbindung zwischen den Mild Cognitive Impairment (MCI) und AD Gruppen, sowohl aus der PCC auf das ganze Gehirn das gesamte Gehirn in die PCC erheblich unterscheidet.

Demografische Informationen
Tabelle 1 zeigt die Merkmale der Probanden. Alle Probanden hatten mindestens einen Schulabschluss der Sekundarstufe I oder höher. Alter, Geschlecht und Bildungsniveau waren zwischen den drei Gruppen vergleichbar (P &#62;0,05), während die MMSE-Werte signifikant unterschiedlich waren (p &#60;0,01).
Gerichtete funk...

Basierend auf ruhenden Zustand funktionelle Magnetresonanztomographie mit Granger Kausalität Analyse, untersuchten wir die Änderungen in die gezielte funktionelle Verknüpfung zwischen den hinteren cingulären Kortex und ganze Gehirn bei Patienten mit Alzheimer-Krankheit (AD), Patienten mit Mild Cognitive Impairment (MCI) und gesunden Kontrollpersonen.

Anwendung von Granger Kausalität Analyse des gerichteten funktionalen Zusammenhangs in der Alzheimer-Krankheit und Mild Cognitive Impairment

Impaired functional connectivity in the Default Mode Network (DMN) may be involved in the progression of Alzheimer&#39;s Disease (AD). The Posterior ...

Das übergeordnete Ziel dieser Granger-Kausalitätsanalyse besteht darin, die gerichtete funktionelle Konnektivität im Gehirn in Bezug auf den Fortschritt der Alzheimer-Krankheit zu untersuchen und dadurch eine neuartige objektive Grundlage zur Beurteilung des Schweregrads der Erkrankung zu schaffen. Diese Methode kann helfen, zentrale Fragen im Bereich der Alzheimer-Forschung zu beantworten, beispielsweise die gerichtete Konnektivität zwischen dem PCC und gesamten Hirnregionen. Der Hauptvorteil dieser Technik liegt darin, dass sie die kausalen Effekte von fMRT-Zeitreihen misst und die Dynamik sowie die Richtungen der Signalübertragung aufzeigt.Die Bedeutung dieser Technik erstreckt sich auf die Diagnose des Fortschreitens der Alzheimer-Krankheit, da sie die gerichtete funktionelle Konnektivität zwischen Alzheimer-Demenz, leichter kognitiver Beeinträchtigung und Kontrollgruppen vergleicht. Da diese Methode Einblicke in die Skalierung der gerichteten funktionellen Konnektivität bei Alzheimer geben kann, ist sie auch auf andere Systeme wie elektroenzephalographische Studien anwendbar. Im Allgemeinen werden Personen, die mit dieser Methode nicht vertraut sind, Schwierigkeiten haben, wenn sie mit der Bedienung der Software nicht vertraut sind.Wir müssen zuerst hier für das Semester hinzufügen und anschließend bewerten wir die bisherigen Literaturquellen zur Granger-Ursache-Analyse. Bei der praktischen Demonstration dieser Methode ist dies entscheidend, da es mehrere Aspekte gibt, die über das hinausgehen, was im Text schriftlich festgehalten werden kann. Öffnen Sie zunächst RESTplus über die Software und klicken Sie links auf Pipeline.Importieren Sie die relevanten Dateien in RESTplus. Wählen Sie das Arbeitsverzeichnis sowie die Startverzeichnisse für EPI und T1 aus. Aktivieren Sie anschließend das Kontrollkästchen DicomToNifti unter „Vorverarbeitung“, um Dicom-Dateien in Nifti-Dateien umzuwandeln.Wählen Sie die Parameter EPI Dicom zu Nifiti und T1 zu Nifiti aus. Entfernen Sie die ersten 10 Zeitpunkte, indem Sie RemoveFirstTimePoints aktivieren und den Endparameter auf 10 setzen. Aktivieren Sie anschließend das Kontrollkästchen für die Schichtzeittakung.Stellen Sie die Schnittanzahl gemäß den RS-fMRT-Parametern der Studie ein und geben Sie die Schnittreihenfolge ein. Aktivieren Sie die Option Realign, um Zeit- und Kopfbewegungen zu korrigieren. Führen Sie anschließend die räumliche Normalisierung durch, indem Sie Normalize aktivieren, und belassen Sie die Standardparameter unten unverändert.Verwenden Sie die T1-Bild-vereinheitlichte Segmentierung und alle Köpfe, die durch Auswahl der Parameter auf denselben Raum standardisiert wurden. Normalisieren Sie mithilfe der T1-Bild-vereinheitlichten Segmentierung und des europäischen Standards. Wählen Sie anschließend Glätten, um eine räumliche Glättung unter Verwendung eines isotropen Gauß-Kernels mit einer Halbwertsbreite von 6 mm durchzuführen.Entfernen Sie den linearen Trend, indem Sie „Detrend“ auswählen. Wählen Sie die Regressionsanalyse für Störfaktoren-Kovariaten aus, und zwar für die folgenden sechs Kopfbewegungsparameter, das globale Mittelsignal, das Weißer-Stoff-Signal sowie das Liquor-Cerebrospinalis-Signal, um das Signal-Rausch-Verhältnis zu verbessern. Wählen Sie abschließend den Filter, um Signale zwischen 0,01 und 0,08 Hertz beizubehalten.Entfernen Sie hochfrequente physiologische Störungen sowie niederfrequente Drifts. Beginnen Sie mit der vokselweisen Granger-Kausalitätsanalyse (GCA) unter Verwendung der REST-GCA in der REST-Toolbox. Im Feld Nachbearbeitung aktivieren Sie GCA.Legen Sie die Reihenfolge in der Standardeinstellung auf eins fest. Wählen Sie „ROI definieren“ und anschließend die sphärische ROI, um den interessierenden Bereich festzulegen. Wählen Sie weiter.Identifizieren Sie die interessierenden Ausgangspunkte im hinteren singulären Kortex (PCC) durch Festlegung der Mittelkoordinaten und des Radius der Ausgangs-ROI basierend auf den bekannten Daten und wählen Sie „OK“. Klicken Sie dann auf „Ausführen“ und „OK“, um das Programm zu starten. Suchen Sie anschließend nach Verzeichnissen mit den Namen ZGCA und GCA nach der Verarbeitung der entsprechenden Dateidaten. Sortieren Sie die Dateien von ZGCA aus und klassifizieren Sie sie entsprechend in vier Unterordner, XX, XY, YX, YY.Öffnen Sie in der Software RESTplus und klicken Sie auf „Statistical Analysis“ links. Klicken Sie links auf „REST Two-Sample T-Test“. Benennen Sie das Ausgabergebnis als T1XY und legen Sie das Ausgabeverzeichnis fest.Klicken Sie mit der linken Maustaste auf „Gruppenbilder hinzufügen“, um den XY-Unterordner im AD-Ergebnisordner und den XY-Unterordner im NC-Ergebnisordner zu öffnen. Klicken Sie anschließend mit der linken Maustaste, um die BrainMask-Unterdatei im Maskierungsordner zu öffnen. Wählen Sie dann „Berechnen“, um das Programm auszuführen.Benennen Sie die Ausgabedaten als T2XY und legen Sie das Ausgabeverzeichnis fest. Klicken Sie mit der linken Maustaste auf „Gruppenbilder hinzufügen“, um den XY-Unterordner im AD-Ergebnisordner zu öffnen. Und den XY-Unterordner im MCI-Ergebnisordner.Wiederholen Sie die Berechnung der Gehirnmaskendatei, um Ergebnisdateien für T3XY, T1YX, T2YX und T3YX zu erhalten, insgesamt sechs Dateien. Klicken Sie im Viewer von RESTplus mit der linken Maustaste, um die resultierenden Dateien anzusehen. Importieren Sie die Vorlage mit dem Namen Ch2 in die Unterlage.Schließlich finden Sie die sechs resultierenden Dateien im Ausgabeverzeichnis und füllen nacheinander die Overlays aus. Erstellen Sie das endgültige Diagramm mithilfe der sechs Ausgabedateien. Nachdem zunächst die aktiven Knoten im gesamten Gehirn identifiziert wurden, wurde die GCA-Technologie verwendet, um die gerichtete funktionelle Konnektivität vom PCC zum gesamten Gehirn zu bestimmen.Und vom gesamten Gehirn zum PCC in den AD-, MCI- und Kontrollgruppen. Die gerichtete Konnektivität vom gesamten Gehirn zum PCC war in der AD-Gruppe im Vergleich zur normalen Kontrollgruppe erhöht und hauptsächlich auf die bilateralen Kleinhirnregionen außerhalb des DMN fokussiert. Die gerichtete Konnektivität vom PCC zum gesamten Gehirn war in der AD-Gruppe im Vergleich zu den Kontrollen signifikant vermindert, wobei die wichtigsten betroffenen Regionen, wie das rechte Präkuneus und der linke mediale frontale Gyrus, zum DMN gehörten.Während es Meistern vorbehalten ist, kann diese Technik bei ordnungsgemäßer Durchführung in 14 Stunden durchgeführt werden. Bei der Durchführung dieses Verfahrens ist es wichtig zu beachten, dass alle Datei- und Bildnamen in Englisch sein müssen und keine Leerzeichen enthalten dürfen. Nach ihrer Entwicklung ebnete diese Technik den Forschern auf dem Gebiet der funktionellen MRT den Weg, um die gerichtete fraktionale Konnektivität beim Fortschreiten der Alzheimer-Krankheit zu untersuchen.Nachdem Sie sich dieses Video angesehen haben, sollten Sie ein gutes Verständnis dafür haben, wie man die gerichtete fraktionale Konnektivität im Gehirn in Bezug auf den Fortschritt der Alzheimer-Krankheit (AD) untersucht. Dadurch wird eine enge objektive Grundlage zur Beurteilung der Schwere der Erkrankung geschaffen.

application-granger-causality-analysis-directed-functional-connection

Research

Forschung

JoVE Journal

Medicine

Medizin

Die Methodik zur Erfassung der High-Density-Ereignis im Zusammenhang mit möglichen Daten, während Patienten mit Alzheimer-Krankheit führen eine Anerkennung Gedächtnisaufgabe überprüft wird. Dieses Protokoll umfasst unterliegen, Qualitätssicherung, Datenerhebung und Datenanalyse.

Die Untersuchung der Eigenschaften des episodischen Gedächtnisses mit Event-related potentials bei Patienten mit Alzheimer-Krankheit

Multivariate Techniken einschließlich Hauptkomponentenanalyse (PCA) verwendet worden, um Signatur-Muster der regionalen Umstellung der funktionalen Gehirn Bilder zu identifizieren. Wir haben einen Algorithmus, um reproduzierbare Netzwerk Biomarker für die Diagnose von neurodegenerativen Erkrankungen, Beurteilung des Fortschreitens der Krankheit, und objektive Bewertung der Auswirkungen der Behandlung in Patientengruppen identifizieren entwickelt.

Identification of Disease-bezogene räumliche Kovarianz Patterns mit Neuroimaging Daten

Dieses Video stellt eine Methode zur Untersuchung altersbedingter Veränderungen der funktionellen Konnektivität der kognitiven Steuerungsnetzwerke durch gezielte Aufgaben / Prozesse beschäftigt. Die Technik basiert auf multivariate Analyse von fMRI-Daten.

Eine Methode zur Untersuchung altersbedingte Unterschiede in der Funktions Konnektivität der kognitiven Kontrolle Networks Verbunden mit Performance-Dimensional Change Card sortieren

Dieser Artikel beschreibt den 4-Berge-Test (4MT), einen Hippocampus-abhängigen Test des arbeitenden allozentrischen räumlichen Gedächtnisses. Der Hippocampus ist früh in der Alzheimer-Krankheit (AD) betroffen, und dieser Artikel beschreibt die 4MT-Methodik und die Ergebnisse von Patiententests, die den Wert der 4MT bei der Diagnose von Prädemenz AD zeigen.

Die 4-Berge-Test: Ein kurzer Test des räumlichen Gedächtnisses mit hoher Empfindlichkeit für die Diagnose von Pre-Demenz Alzheimer-Krankheit

Dieses Manuskript beschreibt das Implementieren eines psychophysiologischen Interaktionsanalyse um Aufgabe-abhängige Änderungen in funktionelle Verknüpfung zwischen einem ausgewählten Samen Region und Voxel in anderen Regionen des Gehirns sichtbar zu machen. Psychophysiologische Interaktionsanalyse ist eine beliebte Methode zur Aufgabe Auswirkungen auf Gehirn-Konnektivität, unterscheidet sich von traditionellen Univariate Aktivierung Auswirkungen zu untersuchen.

Generalisierte psychophysiologische (PPI) Interaktionsanalyse des Speichers im Zusammenhang mit Konnektivität bei Personen auf genetischen Risiko für die Alzheimer-Krankheit

Die Netzhaut teilt prominente Ähnlichkeiten mit dem Gehirn und stellt damit ein einzigartiges Fenster zum Gefäßsystem und neuronale Struktur im Gehirn nicht-invasiv zu untersuchen. Dieses Protokoll beschreibt eine Methode, um Demenz mit bildgebenden Verfahren in der Netzhaut zu studieren. Diese Methode kann potenziell in Diagnostik und Risikoabschätzung von Demenz helfen.

Retinale Bildgebung bei der Demenz zu studieren

Wir präsentieren in vivo elektrophysiologische Aufzeichnung des lokalen Feldpotentials (LFP) in bilateraler sekundärer motorischer Kortex (M2) von Mäusen, die zur Bewertung der Hemisphärenlateralisierung angewendet werden können. Die Studie ergab veränderte Synchronisationsniveaus zwischen dem linken und rechten M2 in APP/PS1-Mäusen im Vergleich zu WT-Kontrollen.

Bewertung der Hemisphärenlateralisierung mit bilateraler lokaler Feldpotentialaufzeichnung im sekundären Motorcortex von Mäusen

Klinische Bewertungsskalen sind nicht sensitiv genug für kognitive Dysfunktionen bei hochfunktionalen Schlaganfallpatienten. Das Dual-Task-Paradigma bietet Vorteile und Potenziale bei der Beurteilung und dem kognitiven Training kognitiver Dysfunktionen. Die vorliegende Studie schlägt ein Dual-Task-Stroop-Paradigma vor, um kognitive Dysfunktionen bei hochfunktionalen Schlaganfallpatienten zu identifizieren.

Dual-Task-Stroop-Paradigma zur Erkennung kognitiver Defizite bei hochfunktionalen Schlaganfallpatienten

In dieser Arbeit wird ein integrativer Ansatz zur Untersuchung des funktionellen Netzwerks für die räumliche Navigation im menschlichen Gehirn vorgestellt. Dieser Ansatz umfasst eine groß angelegte metaanalytische Datenbank für Neuroimaging, funktionelle Magnetresonanztomographie im Ruhezustand sowie Netzwerkmodellierung und graphentheoretische Techniken.

Modellierung des funktionalen Netzwerks für die räumliche Navigation im menschlichen Gehirn

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)

DeepOmicsAE ist ein Workflow, der sich auf die Anwendung einer Deep-Learning-Methode (d. h. eines Autoencoders) konzentriert, um die Dimensionalität von Multi-Omics-Daten zu reduzieren, und bietet eine Grundlage für Vorhersagemodelle und Signalisierungsmodule, die mehrere Schichten von Omics-Daten darstellen.

DeepOmicsAE: Darstellung von Signalmodulen bei der Alzheimer-Krankheit mit Deep-Learning-Analyse von Proteomik, Metabolomik und klinischen Daten

Erfahren Sie, wie Granger-Kausalitätsanalyse gerichtete funktionale Konnektivität im Gehirn bei Alzheimer-Erkrankung untersucht. Diese Methode nutzt fMRT-Daten, um objektive Biomarker für Krankheitsschwere zu etablieren.

Anwendung von Granger Kausalität Analyse des gerichteten funktionalen Zusammenhangs in der Alzheimer-Krankheit und Mild Cognitive Impairment (Video) | JoVE Journal

Anwendung von Granger Kausalität Analyse des gerichteten funktionalen Zusammenhangs in der Alzheimer-Krankheit und Mild Cognitive Impairment

Weitere Videos entdecken