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

Dank unserer Methode können die Momente in der Zeit, in denen funktionelle Gehirnspiele themenübergreifend synchronisiert werden, bestimmt und visualisiert werden. Der Hauptvorteil unseres Ansatzes ist seine Fähigkeit, Veränderungen in intersubjektfunktionalen Gehirnreaktionen dynamisch auf statistisch fundierte Weise zu verfolgen. Unsere Pipeline ermöglicht die Beurteilung der Synchronität zwischen Funktionssignalen verschiedener Probanden.

Und dies kann dann zwischen verschiedenen Bevölkerungsgruppen wie gesunden Kontrollen und von Krankheiten und Störungen wie Autismus und Schizophrenie betroffenen Personen verglichen werden. Unsere Methode kann jeder Forschung zugute kommen, die die Synchronität zwischen verschiedenen Zeitkursen dynamisch nachverfolgen möchte. Und dies kann auch auf andere bildgebende Modalitäten wie Elektroenzephalographie angewendet werden.

Die visuelle Demonstration der Methode ermöglicht es neuen Benutzern, die verschiedenen Verarbeitungsschritte der Methode sowie die Funktionalität der grafischen Benutzeroberfläche zu verstehen. Demonstriert wird das bildgebende Verfahren von Roberto Martuzzi, dem führenden MRT-Betreiber unseres Forschungszentrums. Für jeden Freiwilligen, der in der Analyse berücksichtigt werden soll, führen Sie mindestens eine funktionelle Magnetresonanztomographie oder fMRI-Sitzung durch, bei der der gescannte Freiwillige dem zeitgeloggten Paradigma des Interesses und einer funktionellen Bildgebungssitzung unterzogen wird, in der der gescannte Freiwillige mit geschlossenen Augen im Scanner ruht und angewiesen wird, nicht einzuschlafen.

Dann erwerben Sie ein strukturelles MRT-Volumen. Um das erste vorverarbeitende grafische Benutzeroberflächenfenster zu öffnen, geben Sie JOVE_GUI1 in das MATLAB-Terminal ein. Klicken Sie dann auf fMRI-Daten eingeben, wählen Sie die entsprechenden neu ausgerichteten Funktionsvolumes aus und geben Sie die Wiederholungszeit der Daten in Sekunden im dedizierten bearbeitbaren Textfenster ein.

Klicken Sie auf T1-Daten eingeben, und wählen Sie die drei entsprechenden probabilistischen Gewebetyp-Volumes aus. Klicken Sie auf Bewegungsdatei eingeben, und wählen Sie die Textdatei aus, die die Bewegungsparameter aus der Sitzung von Interesse enthält. Wählen Sie dann aus, ob die Daten detrendiert werden sollen und welche Kovariaten zurückgefiltert werden sollen.

Um die Daten vorab zu verarbeiten, klicken Sie auf Vorverarbeitung, und warten Sie, bis die Anzeige im Fenster angezeigt wird. Die Daten können anders vorverarbeitet werden, indem Sie die Optionen ändern und erneut auf die Schaltfläche Vorverarbeitung klicken. Geben Sie als Nächstes JOVE_GUI2 in das MATLAB-Terminal ein, um das zweite fenster der vorverarbeitunggrafischen Benutzeroberfläche zu öffnen, und klicken Sie auf Daten auswählen, um die vorverarbeitete Datendatei auszuwählen.

Klicken Sie auf Atlas auswählen, und wählen Sie die Neuroimaging Informatics Technology Initiative oder NIFTI-Datei aus, die den Atlas darstellt, der für die Paketierung verwendet werden soll. Klicken Sie auf Inverse Warp auswählen, und wählen Sie die NIFTI-Datei aus, die das Verformungsfeld vom Montreal Neurological Institute zum nativen Raum darstellt. Klicken Sie dann auf fMRI-Volume und wählen Sie eines der fMRI-Datenvolumes aus.

Um die Informationen zum Schrubben in die Liste des Schrubbentyps einzugeben, wählen Sie die Anzahl der Frames aus, die vor und nach den markierten Frames herausgeschrubbt werden sollen. Geben Sie im Textfenster des Schrubbenschwellenwerts den Frame-Schwellenwert für die Verschiebung ein, ab dem ein fMRI-Volumen in Millimetern geschrubbt werden soll. Geben Sie dann die Größe des Schiebefensters W ein, das für die Inter-Subjection Functional Correlation- oder ISFC-Berechnungen in Wiederholungszeiten verwendet werden soll, und klicken Sie auf Plot, um die indikativen Atlas-Zeitkurse vor und nach den Scrubbing- und Filterschritten anzuzeigen.

Geben Sie für ISFC-Berechnungen im Schiebefenster ISFC-Berechnungen JOVE_GUI3 in das MATLAB-Terminal ein, um das erste ISCF-bezogene grafische Benutzeroberflächenfenster zu öffnen, und klicken Sie auf Daten laden, um alle entsprechenden Datendateien auszuwählen. Wählen Sie aus, ob die ausgewählten Sitzungssegmente einer Phasenzufallsazufallsbildung unterzogen werden sollen, und geben Sie die Fenstergröße in Wiederholungszeiten ein, über die Konnektivitätsmessungen berechnet werden sollen, sowie die Schrittgröße in Wiederholungszeiten, um die aufeinanderfolgende Fenster verschoben werden sollen. Ändern Sie die Tabelle Sitzungstypen, um anzugeben, welche der geladenen Sitzungssegmente unter derselben experimentellen Bedingung erfasst wurden, indem Sie die Zahl der Ganzzahlen von eins bis zu 1 erhöhen, um die verschiedenen Segmenttypen zu markieren.

Geben Sie in den entsprechenden bearbeitbaren Textfenstern die Anzahl der Bootstrapping-Falten ein, über die die ISFC-Berechnungen ausgeführt werden sollen, sowie die Anzahl der Themen, die die Referenzgruppe für jede Falte von ISFC-Berechnungen bilden sollen. Geben Sie im Abschnitt "Timing-Parameter" die Spezifikationen ein, welche Teilgruppe der Zeitkurse analysiert werden soll, und klicken Sie auf Plot, um die ISFC-Berechnungen durchzuführen. Die Displays werden im Laufe der Zeit zusammen mit der Anzahl der verstrichenen Bootstrapping-Falten schrittweise aktualisiert.

Um das zweite ISFC-bezogene grafische Benutzeroberflächenfenster zu öffnen, geben Sie JOVE_GUI4 in das MATLAB-Terminal ein. Um die stimulusbezogenen ISFC-Ausgabedateien auszuwählen, klicken Sie auf ISFC-Daten laden und die stimulusbezogenen ISFC-Ausgabedateien auswählen. Um die NULL-ISFC-Ausgabedateien auszuwählen, klicken Sie auf Null-Daten laden, und wählen Sie je nach verwendetem Nulldatengenerierungsschema entweder den Ruhezustand ISFC oder die phasenrandomisierten STIMULUS-bezogenen ISFC-Ausgabedateien aus.

Klicken Sie dann auf Codebook laden, und wählen Sie die Codebookdatei aus. Geben Sie im entsprechenden bearbeitbaren Textfenster den Alphawert in Prozent ein, zu dem die ISFC-Zeitkurse als Schwellenwert für die Hervorhebung wichtiger Änderungen hervorgehoben werden sollen. Um eine Nullverteilung zu erstellen, klicken Sie auf Plot, um den ISFC-Schwellenwertprozess zu initiieren, für den alle verfügbaren NULL-ISFC-Messungen für eine bestimmte Verbindung aggregiert werden und nach dem die stimulusbezogenen ISFC-Messungen entsprechend dem ausgewählten Alphawert als Schwellenwerte gesetzt werden.

Um die räumlichen ISFC-Muster zu verschiedenen Zeitpunkten zu visualisieren, ziehen Sie den Schieberegler unter das ISFC-Ausflugsdiagramm. In diesen repräsentativen Sitzungen wurde der bewertete Film von fünf bis 353 Sekunden mit einem Ruhezustandssegment nach dem Film von 386 bis 678 Sekunden angezeigt. Darüber hinaus wurde für jedes Thema eine 310 Sekunden ausschließlich ruhende Staatssitzung erworben.

ISFC-Zeitkurse wurden bei Fensterlängen von W 10 und W 5 Wiederholungszeiten für drei verschiedene repräsentative Verbindungen generiert, die eine Region mit einer Region, die die Reaktionshemmung vermittelt, und einer anderen, die an der Erwartung von bewegten Objekten, der sensorischen Koordination oder der Verarbeitung von Wortbedeutungen beteiligt ist. Das Rauschen ist bei W 5 Wiederholungszeiten größer und zeitlich gesperrte ISFC-Änderungen werden in den Verbindungs-Eins- und Zwei Filmbeobachtungszeitkursen beobachtet. Hier wird der Anteil der Probanden, die statistisch signifikante zeitgesperrte ISFC-Transienten zeigen, für die gleichen drei Verbindungen angezeigt.

Die Transienten sind bei größeren Fensterlängen zahlreicher, da robustere ISFC-Messungen die Extraktion erleichtern und bei größeren Alphawerten mehr Fehlalarme erkannt werden. In diesen repräsentativen Daten war insbesondere ein Filmauszug an der Reaktionshemmung im Zusammenhang mit bewegten Objekten beteiligt und führte zu weit verbreiteten ISFC-Änderungen. Die Fensterlänge sollte weder zu kurz für robuste Schätzungen noch zu lang sein, um die ISFC-Dynamik zu erfassen.

Und ein ausreichend strenger Alphawert sollte verwendet werden, um falsch positive Werte zu begrenzen. ISFC-Messungen können zur Untersuchung spezieller zeitlicher Merkmale in ganze ISFC-Zustände des Gehirns gruppiert werden. Signifikante ISFC-Transienten können auch als Diagramm dargestellt werden, das den Informationsfluss reflektiert.