Name: Usando Informativo Conectividad para Medir la Aparición síncrono de fMRI multi-voxel información a través del tiempo (Video) | JoVE Journal
Uploaded: 2014-07-01T13:00:00.000+00:00
Duration: 7 min 12 s
Description: Aprende a medir la conectividad cerebral mediante patrones de actividad multi-voxel en datos de fMRI. Este método revela redes neuronales que los análisis tradicionales no detectan.

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

playerTrialDesktop

Damos las gracias a Jim Haxby y sus colegas para tomar sus datos disponibles para otros análisis. Marc N. Coutanche fue financiado por una beca de investigación del Instituto Médico Howard Hughes. Este trabajo fue apoyado por subvenciones del NIH R0I-DC009209 y R01-EY02171701 otorgado a Sharon L. Thompson-Schill.

1. Prepare los datos fMRI Nota: Después de realizar una exploración de resonancia magnética funcional, pre-procesar los datos recopilados utilizando las herramientas disponibles en la mayoría de los paquetes de software de fMRI antes de iniciar este protocolo (aunque suavizado espacial debe evitar o reducir al mínimo para conservar patrones multi-voxel). Un ejemplo de un conjunto de datos adecuado se describe en una solicitud anterior del método 7. <ol><li> Retire el movimiento y la media de las señales de la materia blanca de la serie temporal de datos de la fMRI pre-procesados ​​mediante la creación de un modelo de regresión con los predictores de los parámetros de movimiento (balance, cabeceo, guiñada, x, y, z) y la media de la señal de la sustancia blanca. Llevar a cabo los análisis a continuación en los residuos resultantes (es decir, la varianza restante). </li><li> Importe los residuos generados en un paquete de análisis (por ejemplo, MATLAB, Python). El código abierto Informativo Conectividad Toolbox (http://www.informationalconnectivity.org) puede importar datos de la fMRI en MATLAB. </li><li> Eac Z-scoreseries de tiempo h del voxel. </li><li> Separar los puntos de tiempo del conjunto de datos en conjuntos independientes (&quot;pliegues&quot;), tales como diferentes carreras del escáner. Nota: El uso ejecuta el rastreador garantiza la independencia entre los pliegues, que de otra manera puede ser difícil garantizar (por ejemplo, se podrían crear dependencias entre los puntos de tiempo de un plazo durante el pre-procesamiento). Se ejecuta podrían agruparse para reducir el número de pliegues (por ejemplo, pares e impares carreras 2), aunque el uso de los análisis individuales dará más datos de entrenamiento. </li><li> Crear un registro de las etiquetas de condiciones asociadas a los puntos de tiempo mediante la generación de un vector de etiquetas de condición que es N puntos de tiempo largo. </li><li> Cambie las etiquetas de condiciones adelante en cada uno dirigido por un número de veces-a la repetición (TR) equivalente a 5 segundos, con el fin de tener en cuenta el retraso de hemodinámica entre los eventos y señales fMRI grabados. </li></ol> 2. Seleccionar y analizar una región de Semillas <ol><li> Seleccione una región de semillas mediante el aislamiento de un anatómicoal área, región funcionalmente localizada o superior rendimiento &quot;Asignación de información de cerebros» reflectores 10. Nota: Los pasos 2.2 hasta 4.2 a continuación se puede realizar mediante la conectividad Informativo de código abierto MATLAB Toolbox ( <a href="http://www.informationalconnectivity.org">http://www.informationalconnectivity.org</a> ). </li><li> Compare el MVP de cada punto de tiempo a un MVP prototípico para cada condición (Nota: este es el mismo enfoque que el utilizado en el popular clasificador del vecino más cercano basado en la correlación 2). Figura 1 (superior) da un ejemplo de datos reales recopilados como participantes veían bloques de cuatro tipos de objetos hechos por el hombre. <ol><li> Calcular una (media) MVP prototípico para cada condición promediando los puntos de tiempo de cada condición en todo-pero-un rebaño. Estos son los datos &quot;formación&quot; para cada pliegue (por ejemplo, para el doblez 2 de 5, significados MVPs se calculan a partir de momento en los pliegues 1, 3, 4, y 5). </li><li> Relacionar cada punto de tiempo &#39;; S MVP con la media-MVP de cada estado de los datos de entrenamiento. Esto le dará a cada punto de tiempo un valor de correlación para cada condición (Nota: el estado con la mayor correlación en este caso sería la predicción de la correlación populares clasificador basado AFMV 2) </li><li> Fisher-a transformar los valores r de las puntuaciones z. </li></ol></li><li> Cuantificar &#39;MVP discriminabilidad&#39; para cada punto de tiempo: En primer lugar identificar la correlación de 2.2.3 que representa la relación entre el MVP del punto de tiempo y la media-MVP de la condición de que punto de tiempo, y luego restar el más alto de las correlaciones restantes (es decir, la correlación &quot;con correcta condiciones &#39;menos&#39; máxima correlación con una condición incorrecta &#39;). El resultado es MVP discriminabilidad de que punto de tiempo. Un enfoque alternativo (y válida) sería la de restar la correlación promedio de las condiciones incorrectas. Nota: El enfoque propuesto tiene la Advanta intuitivage que los puntos de tiempo con valores de discriminabilidad positivas se clasifican correctamente por el clasificador correlación basada, mientras que los puntos de tiempo con valores negativos no se predicen correctamente. Un ejemplo de los valores resultantes se muestra en la Figura 1 (abajo). Los escalones para llegar a este punto se capturan en las siguientes fórmulas. <img alt="2.3 ecuaciones" fo:content-width="4.5in" src="/files/ftp_upload/51226/51226_2.3_equations.jpg" /> X es un vector fila normalizado 1-por-m con valores de activación m voxel en punto de tiempo N, Y es un vector fila normalizado 1-por-m del patrón de entrenamiento media para el correcto (c) o (i) las condiciones incorrectas para punto de tiempo n. La función artanh aplica la transformada z de Fisher. </li></ol> 3. Calcular una serie de tiempo de MVP discriminabilidad para cada Searchlight <ol><li> Realizar un análisis de reflector 10: Coloque un c tridimensionalbrillo alrededor de cada voxel a su vez (a &#39;reflector&#39;). </li><li> Repita los pasos 2.2 y 2.3 para cada foco de búsqueda, de modo que cada reflector tiene una serie de tiempo de los valores de discriminabilidad MVP (uno por punto de tiempo). </li></ol> 4. Calcular Informativo de conectividad entre la semilla y reflectores <ol><li> Correlacionar MVP series temporales discriminabilidad de la semilla (de 2,3) con series de cada reflector discriminabilidad tiempo (de 3,2), utilizando de Spearman de correlación de rangos. El valor resultante r s es la IC entre la semilla y el reflector. </li><li> Asignar valor IC de cada reflector para voxel central del reflector y escribir mapa cerebral del individuo resultante. </li></ol> 5. Calcular Group Mapa de Estadística <ol><li> Mapas IC Si los datos no están ya en el espacio normalizado (por ejemplo, Talairach o MNI), transforman los participantes en el mismo espacio. </li><li> Opcionalmente suavizar los individuos y# 39; mapas reflector. </li><li> Crear un mapa estadístico de grupo mediante un t-test de una manera para que si el valor IC de cada reflector es significativamente mayor que cero. </li></ol> 6. Importancia Prueba Nota: Existen numerosos métodos para determinar la significación estadística de los mapas de grupos de fMRI. Como prueba de permutación se puede determinar la significación de las hipótesis mínimas, mientras que representan el nivel del conjunto de datos de suavizado (como cada mapa grupo permutado sufre el mismo proceso), esta opción se describe a continuación. <ol><li> Para cada uno de 1000 permutaciones, baraja al azar valores MVP-discriminabilidad de la semilla a través de la serie de tiempo. Mantenga los puntos de tiempo adyacentes con autocorrelaciones temporales (tales como puntos de tiempo dentro del mismo bloque) juntos (por ejemplo, por el intercambio de bloques en lugar de los TR adyacentes). </li><li> Calcular los mapas individuales de CI para cada permutación (paso 4). </li><li> Generar 1.000 mapas grupo permutados: randomly seleccione una mapa permutada IC de cada participante y llevar a cabo una prueba de grupo en este juego de azar (paso 5). </li><li> Umbral de cada mapa grupo permutado en un umbral deseado (por ejemplo, p &lt;0,001) y extraer el tamaño máximo de clúster desde el mapa. </li><li> Ordenar el resultado 1,000 volúmenes de máxima racimo e identificar el tamaño del clúster en el percentil 95 (por ejemplo, la 50 ª más grande de 1000 permutaciones). </li><li> Aplicar el umbral utilizado en 6.4 (por ejemplo, p &lt;0,001) y el tamaño mínimo del conglomerado de 6,5 a la (no-permutada) IC mapa de grupo real con el fin de que sea corregida clúster para p &lt;0,05. Debido a que cada mapa permutado se basa en los mismos valores de discriminabilidad MVP (en un orden diferente), este mapa importancia resalta las regiones con los valores más discriminabilidad síncronos lo esperado por azar. </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>

Los autores declaran que no tienen intereses financieros contrapuestos.

Conectividad Informativo tiene una sensibilidad de moderada a vigorosa a la información distribuida patrón, y le da la capacidad para estudiar las interacciones entre regiones a través de un enfoque de la conectividad. MVPA y análisis univariados estándar pueden revelar cada uno la participación de regiones distintas, a veces con poca superposición entre los resultados 1 3. Como era de esperar de un método que se basa en estos enfoques de análisis, IC y FC también dan resultados complementarios 7. La decisión de si se debe emplear IC en última instancia, dependerá de las condiciones que se investigan y las cuestiones teóricas que se plantean. Las consideraciones de diseño que afectan ya sea MVPA se lleva a cabo en un conjunto de datos también afectarán si se utiliza IC. Los estudios diseñados con IC explícitamente en cuenta querrán seguir las recomendaciones para MVPA 1 4, al tiempo que garantiza que los datos a nivel de ensayo se pueden extraer de todo timecourse de la exploración. Al examinary informar de los resultados de IC, es importante que los reflectores se solapan con la semilla se retiran, para evitar la circularidad. Además, si la comparación directamente IC y FC resultados, se recomienda también para comparar un análisis FC basado en la activación media de reflectores, en lugar de sólo vóxeles. Este análisis adicional puede asegurar que cualquier diferencia entre los resultados no son debido a las diferencias en los niveles de señal-ruido en los reflectores frente voxels. El procedimiento descrito se centra principalmente en un análisis exploratorio empleando reflectores. Vale la pena señalar que mediante la sustitución de reflectores con regiones de intereses, IC también puede comparar regiones que se han seleccionado un prior i. La corriente métrica discriminabilidad - comparar la correlación de un MVP de la &quot;verdadera&quot; condición a la correlación para la condición de máxima alternativo - también es modificable. Muchos clasificadores aprendizaje automático tienen pesos de predicción para diffclases Erent, que podrían reemplazar fácilmente las comparaciones de correlación realizados aquí (por ejemplo, para rastrear la &quot;confianza&quot; de un clasificador con el tiempo). IC tiene una variedad de usos potenciales. Además de ser un análisis primario para investigar las redes de información, IC puede ser un análisis de seguimiento secundaria a un reflector AFMV. Mapas reflector MVPA son valiosas para la comprensión de que las regiones pueden distinguir diferentes condiciones, pero no se suelen dividir en diferentes redes. El enfoque de IC puede ayudar aquí, al revelar qué conjuntos de reflectores tienen discriminabilidad síncrona. Finalmente, mapas IC de diferentes tareas se pueden comparar con el fin de entender las redes de tareas, y los pacientes pueden ser comparados con los controles para entender mejor cómo las diferencias de múltiples voxel 1 5 se manifiestan a nivel de red.

El objetivo del método de análisis descrito aquí es medir la conectividad entre las regiones del cerebro sobre la base de las fluctuaciones en la información multi-voxel. Los avances en las imágenes de resonancia magnética funcional (fMRI) técnicas de análisis han revelado que una gran cantidad de información puede estar contenida dentro de (BOLD) patrones de actividad a nivel de la sangre-oxigenación-dependientes que son distribuidos a través de varios voxels 1-3. Un conjunto de técnicas que son sensibles a la información multivariante - conocido como el análisis del patrón multi-voxel (MVPA) - se ha utilizado para demostrar que las condiciones pueden tener MVPs distinguibles a pesar de tener respuestas indistinguibles univariados 1,2,4. Análisis estándar, que comparan las respuestas univariantes, pueden ser insensibles a esta información multi-voxel. Múltiples regiones cerebrales participan en que los humanos procesan estímulos y realizar operaciones cognitivas. La conectividad funcional (FC) es un método empleado comúnmente para investigarcompuerta tales redes funcionales 5,6. En su forma más básica, el FC cuantifica co-activación, o la sincronía, entre los diferentes elementos de imagen volumétrica o regiones. FC ha sido utilizado para identificar las redes cerebrales funcionalmente conectados con mucho éxito. Para muchas regiones y las condiciones, sin embargo, las respuestas univariantes no reflejan toda la información disponible dentro de la actividad BOLD. Técnicas FC que siguen cambiando dinámicamente los niveles de respuesta univariados pueden carecer de la sensibilidad a las fluctuaciones habituales en la información multi-voxel. El método de análisis que aquí se presenta, la conectividad de información (IC; primero se describe en un artículo reciente 7), elimina la brecha entre MVPA y FC, mediante la medición de la conectividad con una métrica que es sensible a la información multi-voxel a través del tiempo. Mientras FC pistas que cambia dinámicamente la activación univariado, IC pistas que cambia dinámicamente MVP discriminabilidad - una medida de lo bien que la verdadera condición de un MVP se puede distinguir de las alternativas (incorrectos). Es importante destacar que, en tél mismo modo en que las diferentes regiones puede mostrar niveles similares de respuestas univariantes a una condición a pesar de realizar cálculos diferentes (por ejemplo, el procesamiento visual o de planificación de acciones cuando una persona ve los objetos hechos por el hombre), distintas regiones también pueden tener niveles similares (y sincronizados) de MVP discriminabilidad mientras que las condiciones del proceso de manera diferente. Una investigación reciente demostró que la CI puede revelar la conectividad inter-regional que no es detectable con un enfoque estándar FC 7. Por lo tanto, los investigadores pueden usar IC para investigar las interacciones entre las regiones del cerebro mientras los participantes responden a las condiciones o estímulos que tienen los patrones de distribución característicos. IC es distinta de varias aplicaciones de conectividad recientes que examinaron las fluctuaciones en la activación univariable en relación con los resultados de clasificación 8, 9. A diferencia de estos enfoques, IC detecta sincrónica multi-voxel patrón discriminabilidad entre regiones.

<table><tbody><tr><td>Paquete de software MATLAB</td><td>Paquete de software MathWorks</td><td></td><td></td></tr><tr><td>AFNI</td><td>NIMH</td><td></td><td></td></tr></tbody></table>

usando informativo conectividad para medir la aparición síncrono de fmri multi-voxel información a través del tiempo

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

En la actualidad se aprecia que la información relevante condición puede estar presente dentro de los patrones de distribución de imágenes de resonancia magnética funcional (fMRI) de la actividad cerebral, incluso para condiciones con niveles similares de activación univariado. Patrón multi-voxel (MVP) el análisis se ha utilizado para decodificar esta información con gran éxito. Investigadores FMRI también a menudo tratan de entender cómo las regiones del cerebro interactúan en las redes interconectadas, y el uso de la conectividad funcional (CF) para identificar las regiones que se han correlacionado las respuestas en el tiempo. Del mismo modo que los análisis univariados pueden ser insensibles a la información en los MVP, FC no podrá caracterizar completamente las redes cerebrales que procesan las condiciones con firmas MVP característicos. El método descrito aquí, la conectividad de información (IC), puede identificar las regiones con los cambios correlativos en el MVP-discriminabilidad a través del tiempo, revelando la conectividad que no es accesible para FC. El método puede ser exploratoria, utilizando reflectores para identificar las semillas-connáreas eja, o previstas, entre las regiones de intereses pre-seleccionados. Los resultados se pueden dilucidar las redes de regiones que procesan las condiciones relacionadas con el MVP, puede descomponerse mapas reflector MVPA en redes separadas, o se pueden comparar entre las tareas y los grupos de pacientes.

Los resultados de IC ahora se pueden visualizar utilizando el paquete de software de análisis de fMRI preferido por el investigador. Figura 2 muestra los resultados de IC, calculados a partir de bloques de hombre presentado visualmente hechos los objetos (detalles en la publicación asociada 7). El análisis de IC es particularmente valioso para las condiciones que se sabe han asociado MVPs: Condiciones de MVPs característicos, pero sin diferencias en las respuestas univariantes, son más propensos a tener distinciones entre IC y FC (ilustrado con datos que se registraron como participantes visto diferentes tipos de hombre realizado objetos en la Figura 3). Figura 4 muestra que los reflectores con información significativa multi-voxel puede tener un alto CI, pero no están tan bien representados en los resultados de FC. <img alt="Figura 1" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig1highres.jpg" width = &quot;500&quot; /&gt; .. Figura 1 Ejemplos de patrón discriminabilidad lo largo del tiempo superior:. Los sustratos de MVP discriminabilidad calculado a partir de un sujeto en Haxby et al (2001) 2, como se analiza en Coutanche y Thompson-Schill (2013) 7. La línea azul muestra la correlación z-anotado entre &#39;MVPs y la media de duración puntos patrón de la clase correcta (&quot;formación&quot;). Las líneas verdes representan correlaciones los MVPs &#39;con tres clases incorrectos. Abajo: discriminabilidad Patrón es la diferencia entre las correlaciones para la clase correcta y la clase más alta correctos. Puntos de tiempo con valores patrón discriminabilidad positivos serían clasificadas correctamente por un clasificador basado en la correlación. Figura publicado originalmente en Coutanche y Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig1highres.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta cifra</a>. <img alt="Figura 2" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig2highres.jpg" width="500" /> Figura 2. Mapas conectividad Ejemplo. Cada fila muestra regiones conectadas de manera significativa a una semilla (que se muestra en azul). Importancia se determina por una prueba t (p &lt;0,001) del grupo con el tamaño mínimo del conglomerado a partir de pruebas de permutación. Los resultados de IC se muestran utilizando AFNI 1 1 en los mapas de superficie producidos con FreeSurfer 1 2. La figura es una modificación de Coutanche y Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig2highres.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a> <img alt="Figura 3" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig3highres.jpg" width="500" /> Figura. 3 Synchronized MVP discriminabilidad comparó a significar la activación Ejemplos de MVP discriminabilidad en dos regiones con discriminabilidad MVP síncrona (es decir, la conectividad de información) sin activación sincrónica media (es decir, la conectividad funcional).; datos proceden de una asignatura de Haxby et al. (2001) 2, como se analiza en Coutanche y Thompson-Schill (2013) 7. Se recogieron Estos puntos de datos, mientras que el sujeto considera presentaciones visuales de los objetos hechos por el hombre, que se distinguen por los patrones de multi-voxel, pero no significan respuestas. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig3highres.jpg" target="_blank">Por favor, haga clic aquí para ver una versión más grande de esta figura.</a> <img alt="Figura 4" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig4highres.jpg" width="500" /> Figura 4. Ejemplo IC y los valores de CF entre una semilla en la LEFcircunvolución t fusiformes y reflectores de todo el cerebro. Informativo y fortalezas conectividad funcional (Z-ejes) se muestran entre una semilla y reflectores, con respecto a la respuesta media de cada reflector (eje x) y AFMV precisión de la clasificación (eje y) a cuatro tipos de objetos hechos por el hombre (por azar = 25%). Se eliminaron los reflectores compartiendo voxels con la región de la semilla. El gráfico de IC incluye ejemplos de reflectores con conectividad fuerte que tienen un alto rendimiento de la clasificación, pero los bajos niveles de respuesta media, que no son recogidos en un enfoque FC típica (visto por el hueco en el octante superior izquierda del gráfico de la derecha). Figura publicado originalmente en Coutanche y Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig4highres.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>

La conectividad informativa mide la correspondencia entre los cursos temporales de información multi-vóxel a través de diferentes regiones del cerebro. Las series temporales de discriminabilidad de patrones de múltiples vóxeles se extraen de regiones y se comparan, revelando redes que no se identifican en un enfoque de conectividad funcional típico.

Usando Informativo Conectividad para Medir la Aparición síncrono de fMRI multi-voxel información a través del tiempo

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

El objetivo general de este procedimiento es medir la conectividad entre regiones cerebrales basándose en los cambios en sus patrones de actividad distribuida a lo largo del tiempo. Esto se logra primero seleccionando una región semilla. A continuación, se calcula la discriminabilidad del patrón multivoxeles para cada punto temporal en la región semilla y en cada searchlight o región de interés.El paso final consiste en correlacionar la serie temporal de discriminabilidad de la región semilla con cada searchlight. En última instancia, la conectividad informativa se utiliza para revelar la conectividad entre regiones que poseen información contenida a través de patrones de vóxeles. Bueno, la ventaja principal de esta técnica frente a otras, como la conectividad funcional, es que puede detectar conectividad utilizando condiciones que no difieren en la respuesta inmune, pero que sí presentan una firma multivariada única.Bueno, tuve por primera vez la idea de este método al darme cuenta de que muchas técnicas de conectividad ignoran información que solo se encuentra en patrones de actividad multivoxel. Así como ahora sabemos que los enfoques univariados son completamente ciegos a la información contenida en patrones de actividad multivoxel, para comenzar este procedimiento, elimine las señales de movimiento y de materia blanca media de la serie temporal de los datos de fMRI preprocesados creando un modelo de regresión con predictores para los parámetros de movimiento y la señal promedio de materia blanca. Luego, realice el siguiente análisis sobre los residuos resultantes.Importe los residuos generados a un paquete de análisis como MATLAB o Python, utilizando, por ejemplo, la caja de herramientas gratuita de conectividad informativa para MATLAB. Después de eso, transforme la serie temporal de cada vóxel a zco. Separe los puntos temporales de los conjuntos de datos en conjuntos independientes, como diferentes ejecuciones del escáner.Luego, cree un registro de las etiquetas de condición asociadas con los puntos temporales generando un vector de etiquetas de condición. Es decir, puntos temporales finales largos, desplace las etiquetas de condición hacia adelante en cada ejecución por un número de repeticiones equivalente a cinco segundos para tener en cuenta el retraso hemodinámico entre los eventos y las señales de fMRI registradas. Para seleccionar una región semilla, aísle un área anatómica seleccionando vóxeles en su software preferido o mediante una función de atlas etiquetado, localizando funcionalmente una región o seleccionando una búsqueda de ventana móvil con alto rendimiento en mapeo cerebral de información.Luego compare el PMV de cada momento. Señale un PMV prototípico para cada condición. Utilizando la caja de herramientas gratuita de conectividad informativa para MATLAB.Calcule un MVP prototípico para cada condición promediando los puntos de tiempo de cada condición en todos los pliegues excepto uno. A continuación, correlacione el MVP de cada punto de tiempo con el MVP medio de cada condición proveniente de los datos de entrenamiento. Esto proporcionará un valor de correlación de 0,1 para cada condición en cada punto de tiempo.Téngase en cuenta que la condición con la mayor correlación aquí sería la predicción del clasificador MVPA basado en la correlación popular. Posteriormente, cuantifique la DISCRIMINABILIDAD MVP para cada punto temporal identificando primero la correlación que representa la condición de ese punto temporal y luego restando la más alta de las correlaciones restantes.El resultado es la discriminabilidad del MVP para cada punto temporal. Para realizar un análisis de búsqueda local, coloque un cúmulo tridimensional alrededor de cada vle. A su vez, repita el paso anterior para cada búsqueda local, de modo que cada una tenga una serie temporal de valores de discriminabilidad del MVP.Ahora correlacione la serie temporal de discriminabilidad MVP de la semilla con la serie temporal de DISCRIMINABILIDAD de cada searchlight. Utilizando la correlación de rangos de Spearman, el valor RS resultante es la IC entre la semilla y el searchlight. Luego, asigne el valor de IC de cada searchlight al vóxel central del searchlight y genere el mapa cerebral individual resultante.Si los datos aún no están en un espacio estandarizado, transforme los mapas de IC del participante al mismo espacio. Opcionalmente, suavice los mapas de búsqueda individual. Esta figura muestra ejemplos de DISCRIMINABILIDAD MVP en dos regiones con discriminabilidad MVP sincrónica sin activación media sincrónica.Estos puntos de datos se recopilaron mientras el sujeto observaba presentaciones visuales de objetos artificiales, que son distinguibles por patrones multivoxeles, pero no por respuestas medias. Y aquí se muestra un ejemplo de los valores de IC y FC entre una semilla en las vistas izquierdas del giro de la forma y las búsquedas circulares en todo el cerebro. Las intensidades de conectividad informativa y funcional se indican en el eje Z con respecto a la respuesta media de cada búsqueda circular en el eje X y la precisión de clasificación MVPA en el eje Y; la esquina superior izquierda del gráfico de IC muestra búsquedas circulares informativamente conectadas con alto rendimiento de clasificación, pero bajos niveles de respuesta media.El hueco en la esquina superior izquierda del gráfico de FC muestra que estos focos de búsqueda conectados no se están detectando mediante un enfoque típico de FC. A continuación se muestra un ejemplo de los mapas de conectividad. Cada fila muestra las regiones que están significativamente conectadas a una semilla. La significancia se determina mediante una prueba T grupal con tamaño mínimo de clúster a partir de pruebas de permutación.Los resultados de IC se muestran aquí mediante mapas de acné en la superficie generados con FreeSurfer siguiendo este procedimiento. Se pueden realizar otros análisis, como la conectividad funcional, para formular preguntas adicionales, como si las condiciones están conectadas de forma única mediante patrones multivoxeles o si también son sincrónicas en sus respuestas medias. Así, tras ver este video, deberías tener una buena comprensión de cómo medir la conectividad entre regiones basándose en sus patrones multivoxeles.Gracias por ver.

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

Research

Investigación

JoVE Journal

Neuroscience

Neurociencia

Hemos desarrollado un método de traducción simultánea de imágenes de resonancia magnética funcional y de registro electrofisiológico en el cerebro de roedores, proporcionando una plataforma para la investigación de la relación entre la actividad neuronal y el nivel de oxigenación de la sangre depende de (BOLD) señal de resonancia magnética.

FMRI simultánea y electrofisiología en el cerebro de roedores

En este artículo se muestra un diseño experimental en el que todo el cuerpo los personajes animados se utilizan en combinación con la resonancia magnética funcional (fMRI) para investigar los correlatos neurales de la observación de las interacciones sociales virtuales.

La investigación del cerebro imágenes de los correlatos neurales de Observación de las interacciones sociales virtuales

El modo de red por defecto (DMN) en epilepsia del lóbulo temporal (ELT) se analiza en el estado de reposo del cerebro mediante la conectividad funcional basado en la semilla MRI (fcMRI).

Análisis de red de la red de modo predeterminado Usando Funcional Conectividad RM en epilepsia del lóbulo temporal

La resonancia magnética de conectividad funcional en estado de reposo ha identificado anomalías en pacientes con una amplia gama de trastornos neuropsiquiátricos, incluida la epilepsia debida a malformaciones del desarrollo cortical. La estimulación magnética transcraneal en combinación con el EEG puede demostrar que los pacientes con epilepsia tienen hiperexcitabilidad cortical en regiones con conectividad anormal.

Un método multimodal Imaging- y basados ​​en la estimulación de evaluar relacionados con la conectividad cerebral excitabilidad en pacientes con epilepsia

Aquí se describe un multimodal de EEG-fMRI método, conocido como la fuente de EEG de la fMRI limitado espacio-temporal método, la proyección de imagen de la proyección de imagen. El método presentado emplea sub-mapas condicional-active fMRI o priores, para guiar la localización de la fuente de EEG de una manera que mejora la especificidad espacial y limita los resultados erróneos.

Concurrente EEG y MRI funcional grabación y análisis de integración de la proyección de imagen dinámica actividad Cortical

El objetivo del enfoque descrito es determinar en qué momentos del paradigma (perspectiva temporal) y entre las regiones (perspectiva espacial), reconfiguraciones significativas en conectividad funcional se producen en la proyección de imagen de resonancia magnética funcional grabaciones durante el cual un estímulo tiempo-bloqueada se juega.

Conectividad funcional entre sujeto dinámico revela configuraciones de red del cerebro momento impulsadas por el continuo o paradigmas de la comunicación

Se describe el protocolo para realizar experimentos de hiperescaneo fNIRS en díadas de aprendizaje colaborativo en un entorno de aprendizaje naturalista. Además, se presenta una tubería para analizar la sincronía intercerecere (SII) de las señales de hemoglobina oxigenada (Oxy-Hb).

Sincronización intercerebros en el aprendizaje colaborativo abierto: un estudio fNIRS-Hyperscanning

La dinámica entre los cerebros acoplados de los individuos ha sido representada cada vez más por la sincronización intercerebral (SII) cuando se coordinan entre sí, principalmente utilizando señales de registro simultáneo de cerebros (es decir, hiperescaneo) con fNIRS. En los estudios de hiperescaneo de fNIRS, el SII se ha evaluado comúnmente a través del método de coherencia de transformada de wavelet (WTC) debido a su ventaja en la expansión de series de tiempo en el espacio de frecuencia de...

Cómo calcular y validar la sincronización intercerebral en un estudio de hiperescaneo fNIRS

Este protocolo describe la coherencia de la transformada de wavelet parcial (pWTC) para calcular el patrón de retraso en el tiempo de la sincronización neuronal interpersonal (INS) para inferir la dirección y el patrón temporal del flujo de información durante la interacción social. La efectividad de pWTC en la eliminación de los factores de confusión de la autocorrelación de señales en INS fue probada por dos experimentos.

Medición del flujo de información direccional en datos fNIRS-Hyperscanning utilizando el método de coherencia de transformada de wavelet parcial

Presentamos un método para recolectar simultáneamente señales de fMRI y fNIRS de los mismos sujetos con cobertura de fNIRS en toda la cabeza. El protocolo ha sido probado con tres adultos jóvenes y puede adaptarse para la recopilación de datos para estudios de desarrollo y poblaciones clínicas.

Recopilación simultánea de datos de mediciones de fMRI y fNIRS utilizando una matriz de optodos de cabeza completa y canales de corta distancia

La coherencia de la transformada wavelet (WTC) es una metodología común para evaluar el acoplamiento entre señales que se utiliza en los estudios de hiperbarrido de espectroscopia funcional de infrarrojo cercano (fNIRS). En este trabajo se presenta una caja de herramientas para evaluar la direccionalidad de la interacción de la señal.

Nuevo marco para comprender la coherencia entre cerebros en estudios de hiperexploración de espectroscopia funcional de infrarrojo cercano (fNIRS)

Aprende a medir la conectividad cerebral mediante patrones de actividad multi-voxel en datos de fMRI. Este método revela redes neuronales que los análisis tradicionales no detectan.

Usando Informativo Conectividad para Medir la Aparición síncrono de fMRI multi-voxel información a través del tiempo

Explorar más videos