Name: Conectividad funcional entre sujeto dinámico revela configuraciones de red del cerebro momento impulsadas por el continuo o paradigmas de la comunicación (Video) | JoVE Journal
Uploaded: 2019-03-21T13:30:00.000+00:00
Duration: 8 min 36 s
Description: Aprende a rastrear la conectividad funcional cerebral dinámica mediante fMRI entre sujetos. Este método permite visualizar sincronización neural y comparar poblaciones sanas con pacientes de autismo o esquizofrenia.

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

Este trabajo fue financiado en parte por cada uno de los siguientes: la Swiss National Science Foundation (grant número 205321_163376 a DVDV), la Fundación de Bertarelli (a TB y DVDV), el centro de la proyección de imagen biomédica (CIBM) y la Agencia Nacional de investigación () tempofront número de concesión 04701 a ALG). Los autores agradecemos Roberto Martuzzi y Giulia Preti por su contribución al contenido de vídeo de esta obra como, respectivamente, el operador de MRI y analizan voluntarios.

Los autores no tienen nada que revelar.

En un conjunto de datos de sujetos sanos, demostramos cómo síncronos Cruz-tema aumentos y disminuciones en FC, los transitorios de la ISFC, encontraría temporal localizada de la película señales, suministro de información que va más allá de una descripción estática. Aunque el uso de cross-tema de correlación medidas permite centrar el análisis en reconfiguraciones funcionales basada en el estímulo, también uno debe ser consciente que limita los resultados a los efectos que se comparten entre la población estudiada: por lo tanto, bajo nivel procesamiento sensorial se espera que sea sobre-representado en comparación con el proceso frontal40. Para saltarse esta limitación, nuevos métodos que también tienen la habilidad de extraer las regiones que más fuertemente varían temas están siendo desarrollados41.
Otra limitación de la metodología introducida se presenta desde el aspecto de ventana de deslizamiento, como resolución temporal de los cursos de tiempo transitoria del ISFC es baja en comparación con enfoques frame-wise15. Como hemos mostrado, es necesario una relación inversa entre la longitud de una ventana lo suficientemente baja para resolver correctamente reconfiguraciones ISFC dinámicos, y estima un tamaño lo suficientemente grande como para obtener robustas. Dos pasos críticos en nuestro marco de aseguran que los transitorios ISFC extraídos reflejan cambios que realmente ocurren en conectividad: primero, el filtrado de paso alto de evolución temporal regional con el inverso de la longitud de ventana32; en segundo lugar, el uso de datos del estado de reclinación del ISFC para la generación de una distribución nula relevante, con parámetros de adquisición idénticos en comparación con los datos relacionados con el estímulo. Por supuesto, este último también requiere un tiempo más largo de la adquisición global, por lo que pueden recolectar datos de estado de reposo sobre sesiones relacionadas con el estímulo. Como una alternativa para evitar las grabaciones adicionales de estado descansando, también ofrecemos la posibilidad de generar datos aleatorizado de fase de los cursos relacionados con el estímulo del momento, un enfoque de uso frecuente en análisis de conectividad funcional dinámico 23 , 24. evaluación continua en un subconjunto de sesiones reveló que aunque el método nulo estado de descanso es más conservadora, y por lo tanto menos propenso a falsos positivos, los patrones globales de detección de excursión ISFC fueron similares en ambos regímenes (ver Adicional 5 de la figura).
<img alt="Supplementary Figure 5" src="/files/ftp_upload/59083/59083sfig5.jpg"> Suplementario Figura 5: excursiones detección del ISFC a través de métodos de generación de datos null. Estado de reposo (parcelas de la columna de la izquierda, azul) o métodos de generación datos null fase aleatorización (parcelas de la columna de la derecha, rojo), porcentaje de excursiones ISFC extraído a través de conexiones. Las parcelas de abajo son un detalle de las conexiones de las tres primeras regiones del cerebro considerado. Error representa la desviación estándar a través de temas. <a href="https://www.jove.com/files/ftp_upload/59083/59083sfig5large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
La duración de las adquisiciones del estado de reposo se refiere realmente a un parámetro crítico de los análisis: el valor de α. Ejemplificado por encima, una elección demasiado indulgente dará lugar a una gran cantidad de falsos positivos en los transitorios ISFC detectados. Cuanto mayor sea la cantidad de datos de estado de descanso, los más exigentes índice posible de falso positivos, porque umbral puede basarse en valores más extremos de la distribución nula. Como indicación, para n = 299 regiones atlas aquí y dada nuestra cuenta de 5.762 puntos de datos de estado de descanso, en el mejor podríamos alcanzar un valor de α cerca de 0.01% (véase el paso 5.2.6 detalles matemáticos).
Otro de los puntos clave relativos a cualquier análisis de fMRI está en la eliminación rigurosa de posibles artefactos relacionados con el movimiento de los datos analizados30,42. En particular, si se desea aplicar la tubería introducida a las poblaciones enfermas exhibiendo marcado movimiento en el scanner, recomendamos que en la parte superior incluyendo variables de movimiento como covariables en los análisis estadísticos realizados, procesamiento adicional pasos se ejecutan, como wavelet denoising43 o44de ICA-AROMA. Grupo de comparación, por ejemplo para comparar transitorios ISFC entre un sano y un grupo enfermo, se puede fácilmente realizar paralelamente el enfoque descrito en ambos grupos de interés (véase Bolton et al.25 un ejemplo en una población diagnosticada con trastornos del espectro autista). Sin embargo, una diferencia entre los grupos puede surgir entonces en dos configuraciones distintas: (1) un ISFC ausente cambios en un grupo, o (2) una evolución más heterogénea en ese grupo. Para separar esos dos factores, la tubería se debe ejecutar una vez más para el grupo enfermo, utilizando al tema sano establecer como grupo de referencia en el paso de bootstrapping. El primer caso aún daría lugar a una respuesta ausente, mientras que este último no lo haría.
Encima de lo que aquí descrito, la metodología introducida también abre prometedoras avenidas futuras: de un lado analítico, mapas transitorias ISFC podrían verse como gráficos de cerebro de qué métricas cuantificar cerebro conectividad podría ser derivado45, o dinámica ISFC Estados podrían obtenidos mediante métodos de clustering y evaluados en términos de sus características espaciales y temporales17,46. Además, uno también podría considerar el uso de herramientas de medición de conectividad más sofisticados que el coeficiente de correlación de Pearson para revelar las partes más sutiles de FC47,48.
Desde el lado experimental, la aplicación de nuestra línea de tubería en un conjunto más amplio de los paradigmas es una perspectiva prometedora: por ejemplo, en lugar de una película como el estudiado aquí, uno podría considerar utilizar un pedazo de música49 o una historia narrativa13, 50 de estímulo tiempo-bloqueada. Alternativamente, se podría incluso ser visualizada, a través de hyperscanning51, para comunicación social naturalista52,53.

La proyección de imagen de resonancia magnética funcional (fMRI) se ha convertido en la herramienta de la opción no invasiva vigilar los cambios en la actividad cerebral que resulta de la estimulación externa. Más específicamente, vivo interés ha surgido sobre la comprensión de la interdependencia estadística entre campos de tiempo de activación regional, conocido como conectividad funcional (CF)1 y normalmente se calcula como correlación de Pearson coeficiente. Contemplación de funcionales en el cerebro ha demostrado ampliamente a configurar en función de la tarea subyacente2,3,4.
Por separado se han seguido dos direcciones analíticas para ir más allá de esta caracterización introductoria: por un lado, se observó la respuesta inducida en una región del cerebro determinada por un estímulo tiempo-bloqueada correlacionar fuertemente en distintas materias5 . Cuantificar este inter-tema correlación (ISC) mostró potencial para refinar nuestra comprensión de la cognición6,7,8,9 y cerebro trastornos10,11 . Además, este enfoque correlacional cross-tema se extendió también a la evaluación de sincronicidad entre las regiones12, en lo que se conoce como el enfoque de la correlación funcional entre sujeta (ISFC)13.
Por otra parte, el sabor dinámico de reconfiguraciones FC empezó a recibir mayor atención (ver Hutchison et al14, Preti, Bolton y Van De Ville15,16 del Castillo Gonzales y Bandettini para revisiones recientes en la Estado de descanso y basada en tareas los lados de esta pregunta). En particular, todo cerebro FC cambios con el tiempo pueden ser rastreados a través de medidas de correlación consecutiva durante una ventana temporal poco a poco desplazado17,18, revelar información adicional en el contexto de tareas conductuales 19,20.
Aquí, presentamos un marco metodológico que combina las dos avenidas. De hecho, calculamos ISFC en ventana corredera de moda para seguir la evolución de la sincronicidad entre las regiones entre los sujetos expuestos a un paradigma naturalistico tiempo-bloqueada. Con el aspecto de la Cruz-tema del método, los análisis se centran en efectos basados en el estímulo, mientras que cambios espontáneos fMRI (que son sin correlación a través de temas) son fuertemente amortiguados. Esto es importante porque los patrones de actividad estado descansando y evocado por tarea se entienden cada vez más caracterizado por distintas propiedades21,22.
En cuanto al componente dinámica del método, permite una caracterización más completa y precisa de los estímulos de la tarea, particularmente cuando un paradigma naturalistico en la que se combinan un conjunto diverso de estímulos (auditivos, visuales, sociales, etc.) con el tiempo de sondeo. Además, como el sonido evaluación estadística de las fluctuaciones dinámicas significativas ha sido acaloradamente debatida23,24, nuestro enfoque toma especial cuidado este aspecto de los análisis aislando cambios significativos de la ISFC a través de comparación con datos nulos adecuados.
Ilustramos el método en un conjunto de sujetos sanos expuestos a un estímulo audiovisual de la película, para quienes nos muestran que el ISFC temporal y espacial cambiar perfiles derivados de película localizada los intervalos se pueden extraer con precisión. De esta manera, se describe también la influencia de los principales parámetros analíticos a ser seleccionado por el usuario. Los resultados presentados se basan en la parte de datos anteriormente publicados25,26.

<table><tbody><tr><td>Freesurfer versión 6.0</td><td>Laboratorio de Neuroimagen Computacional, Centro Martinos de Imágenes Biomédicas, Boston (MA), EE. UU</td><td>. https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall</td><td>Una caja de herramientas compatible con MATLAB que permite llevar a cabo varios pasos de procesamiento, visualización y análisis de datos de imágenes de resonancia magnética funcional</td></tr><tr><td>MATLAB_R2017a</td><td>MathWorks</td><td>https://ch.mathworks.com/downloads/</td><td>Versión de trabajo del software computacional MATLAB (se debe utilizar la versión 2014a o más reciente)</td></tr><tr><td>Mapeo estadístico paramétrico versión 12.0 (SPM12)</td><td>Wellcome Trust Center for Neuroimaging, University College London, Londres, Reino Unido</td><td>https://www.fil.ion.ucl.ac.uk/spm/software/spm12/</td> <td>Una caja de herramientas compatible con MATLAB que permite realizar análisis estadísticos sobre datos de imágenes de resonancia magnética funcional</td></tr><tr><td>Escáner de resonancia magnética Tim-Trio 3 T</td><td>Siemens</td><td>https://www.healthcare.siemens.ch/magnetic-resonance-imaging/for-installed-base-business-only-do-not-publish/magnetom-trio-tim</td><td>Escáner de imágenes por resonancia magnética en el que se registra la actividad cerebral funcional de los sujetos (a 3 T)</td></tr></tbody></table>

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

Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms

Basada en la tarea de resonancia magnética funcional tiene gran potencial para comprender cómo nuestro cerebro reacciona a los diferentes tipos de estimulación; sin embargo, esto se logra a menudo sin tener en cuenta la faceta dinámica de procesamiento funcional y salidas analíticas típicamente representan influencias combinadas de efectos basados en la tarea y las fluctuaciones espontáneas subyacentes de actividad cerebral. Aquí, presentamos una nueva tubería metodológica que puede ir más allá de estas limitaciones: el uso de un esquema analítico de ventana corredera permite el seguimiento de cambios funcionales en el tiempo, y a través de mediciones correlacionales transversal-tema, el enfoque puede aislar los efectos puramente relacionados con el estímulo. Gracias a un proceso riguroso de la umbralización, cambios significativos en la correlación funcional entre sujeto pueden extraerse y analizados.
En un conjunto de sujetos sanos que se sometieron a estimulación audio-visual naturalista, demostramos la utilidad del enfoque atando las reconfiguraciones funcionales revelados a señales particulares de la película. Nos muestran cómo, a través de nuestro método, uno puede captar ya sea un perfil temporal de la actividad cerebral (la evolución de una determinada conexión), o centrarse en una espacial instantánea en un momento clave. Ofrecemos una versión públicamente disponible de la tubería entera y describir su utilización y la influencia de los parámetros claves paso a paso.

Aquí, consideramos n = 15 sujetos (TD) por lo general en vías de desarrollo para los cuales se obtuvo consentimiento informado por escrito. Todos eran varones diestros (23.42 ± 7,8 años). El paradigma elegido fue un documental científico audiovisual a los jóvenes sobre los peligros de la exposición al sol. Contiene una gran variedad de estímulos visuales, auditivos y sociales y puede ser visto en https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study.
Hemos adquirido dos sesiones por tema (carrera1 y carrera2) en que fue exhibida la película cuota de 5 a 353 s (5,8 min de duración). Un segmento de estado de reclinación también seguido de 386 a 678 s (4,9 min de duración). Además, adquirió una sesión únicamente descansando-estado (carrera3) para cada asignatura (excepto uno que sufría de claustrofobia), duradero para 310 s (5,2 min). Escenas de la película de ejemplo y la sincronización de los datos adquiridos se resumen en la figura 1A. Lo importante, el protocolo de adquisición no fue óptimo en el sentido que estado descansando los registros adquiridos justo después de la exposición de la película puede estar dañada en parte por efectos de contagio27; hacemos uso de esta información en los actuales resultados para tener una cantidad satisfactoria de las muestras para el umbral estadístico, pero esto debe evitarse siempre que sea posible.
Se excluyeron todas las sesiones que más del 10% de marcos fueron lavado, en un umbral de 0,5 mm y considera la parcelación de Craddock et al34 (algoritmo de correlación temporal de dos niveles) para generar cursos de tiempo regional, para un total de 299 regiones diferentes del cerebro.
ISFC se calculó por separado por (1) la película-ver subpartes de RUN1 y carrera2, (2) el estado descansando subpartes de funcionamiento1 RUN2y (3) las grabaciones de3 ejecutar estado descansando. Utilizamos una longitud de ventana W = 10 TR para el principal presentó resultados y compararlos con un valor menor de W = 5 TR. el tamaño de paso siempre permaneció igual a 1 TR. Bootstrapping fue realizado más de 250 pliegues, incluyendo sesión 6 segmentos en cada grupo de referencia.
Figura 1B muestra cursos de tiempo ISFC generadas en W = 10 TR y W = 5 TR para tres diversas conexiones representativas: conexión 1 involucrados a la izquierda la región parietal inferior relacionados con la expectativa de mover objetos (coordenadas MNI: 41,9,32)35 y el derecho de área opercular frontal ligado a la inhibición de respuesta (-34,-52,45)36. Esta última región también estuvo implicada en las conexiones 2 y 3, respectivamente con un implicado en la coordinación sensorial (54,6,34)37y uno vinculado a la transformación del significado de palabras (6,62,9)38.
Una comparación a través de longitudes de ventana revela que en la W = 5 ajuste de TR, variación temporal en los temas en general es mayor en ambos casos viendo películas y descansando-estado del segmento en comparación con W = 10 TR, un fenómeno conocido en el análisis de la ventana corredera39. Conexión 1, independientemente de la longitud de la ventana, una subparte localizada de la grabación viendo películas (en alrededor de 55 s) muestra un fuerte y sincronizado ISFC aumentar a través de temas, que excede en gran medida la gama de valores en el caso del estado de reposo. Por lo tanto, esperamos captar esta subparte temporal como un significativo ISFC transitoria con nuestro método de umbralización.
Para la conexión 2, se observa similar dinámica temporal, pero para W = 5 TR, el aumento llega a ser menos fácil de desenredar en comparación con los cursos de tiempo de estado de descanso, debido al ruido de relacionados con la metodología de la ventana corredera más grande. En cuanto a la conexión 3, refleja un caso en que no hay ninguna respuesta clara a la película, y por lo tanto, las fluctuaciones de cursos tiempo viendo películas y descansando-estado son similares. Los resultados esperados en esta fase analítica es una mezcla entre las conexiones que muestran claras reconfiguraciones inducida por el estímulo y las conexiones que no responden.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/59083/59083fig1.jpg"> Figura 1: ejemplo ISFC y sincronización de adquisición tiempo cursos. (A) la película por los sujetos implicados una gran variedad de situaciones sociales (imágenes 1 y 4 del ejemplo), las explicaciones científicas con paneles coloridos (imágenes 2 y 5 del ejemplo) y paisaje paisajes (imagen de ejemplo 3). Tres sesiones fueron adquiridas por cada tema: dos (1 y2) incluyeron la estimulación de la película (de 5 a 353 s, resaltado en verde) seguido de un estado de descanso (de 386 a 678 s, se muestra en amarillo), mientras que uno (carrera3) únicamente consistió en una grabación de estado descansando (310 s de duración, aparece en color naranja). (B) para tres conexiones indicativas (C1, C2 y C3, respectivamente oscuro verde y rojo, luz verde/naranja y turquesa/amarillo rastros), evolución del ISFC en el tiempo durante la película-ver (colores fríos) o estado de reposo (colores calientes). Para W = 10 TR (panel izquierdo), ver película ISFC cambia más en gran parte soporte hacia fuera en comparación con W = 5 TR (panel derecho). Cada rastro refleja el curso del tiempo ISFC de una sesión. Esta figura se ha modificado en parte del Bolton et al.25. <a href="https://www.jove.com/files/ftp_upload/59083/59083fig1large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
Figura 2A muestra los resultados después de umbral estadístico de evolución temporal ISFC, para las mismas tres conexiones arriba. Un tiempo curso valor de 1 significa que todos los temas experimentaron el aumento mismo de la ISFC al mismo tiempo punto; un valor de 0 significa que ningún sujeto experimentó un cambio significativo de la ISFC; un valor de -1 representa una disminución ISFC sincrónica a través de todos los temas. Como antes, contraste W = 5 TR y W = 10 TR y también destacar dos casos de valor α: α = 0.01% y α = 5%.
Conexión con las observaciones anteriores, una menor longitud de la ventana reduce la cantidad de cambios significativos extraídos del ISFC. Para la conexión 1, ambos W = 5 TR y W = 10 TR, sin embargo, extraer el mismo momento (t = 55 s) como una muestra de un fuerte aumento del ISFC. Teniendo un plazo hemodinámico de aproximadamente 5 s en cuenta, esto corresponde a una subparte de la película cuando líneas coloreadas fueron extendiéndose hacia una muñeca y abruptamente se detuvo justo en frente de él (46-49 s), con el papel de las regiones implicadas en el objeto móvil expectativa y la respuesta de inhibición35,36.
Al aumentar α de 0.01% a 5%, se puede observar una especificidad mucho más bajada de los transitorios ISFC detectados, probablemente incluyendo muchos falsos positivos y expectedly mostrando mucho menos temporal sincronía.
Como otro punto de vista que se puede fijar en los datos de la figura 2B muestra los mapas espaciales de todo el cerebro de cambios significativos de la ISFC t = 55 s. Se aprecia que la respuesta a la escena de la película va más allá de las conexiones del ejemplo descritas aquí.
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/59083/59083fig2.jpg"> Figura 2: copias instantáneas temporales y espaciales de los patrones de la ISFC. (A) ISFC cursos de tiempo transitorio, promediados a través de temas, de tres conexiones indicativos (C1, C2 y C3, respectivamente oscuros verdes, luz verdes y turquesas los rastros). La escena de la película que impulsó los cambios ISFC es resaltada en gris claro y representada por imágenes de ejemplo. Para W = 10 TR (columna izquierda de parcelas), ISFC cambios se detectan más fuertemente que para W = 5 TR (columna de la derecha de parcelas). Para α = 0.01% (fila superior de parcelas), especificidad a las señales de la película localizada es más grande que para α = 5% (fila inferior de parcelas). Cada rastro refleja el curso del tiempo transitorio ISFC de una sesión, y se muestran los intervalos de confianza de 95% dos colas como medida de error. (B) para W = 10 TR y α = 0,01%, existe un patrón espacial ordenado, restringido de transitorios ISFC t = 55 s (el pico ISFC transitorio valor de C1); para W = 5 TR y α = 5%, experimentando un cambio significativo de la ISFC en este momento las conexiones son mucho más numerosos. Tenga en cuenta que nosotros asumimos un plazo hemodinámico de alrededor de 5 s en la temporalidad descrita (es decir,, un valor de 55 s aquí se relaciona con el estímulo de la película en 50 s). Esta figura se ha modificado en parte del Bolton et al.25. <a href="https://www.jove.com/files/ftp_upload/59083/59083fig2large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>

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

Task-based functional magnetic resonance imaging bears great potential to understand how our brain reacts to various types of stimulation; however, this ...

Gracias a nuestro método, los momentos en el tiempo en los que las interacciones cerebrales funcionales se sincronizan entre los sujetos se pueden determinar y visualizar. La principal ventaja de nuestro enfoque es su capacidad para realizar un seguimiento dinámico de los cambios en las respuestas cerebrales funcionales entre sujetos de una manera estadísticamente sólida. Nuestra tubería permite evaluar la sincronicidad entre señales funcionales de diferentes sujetos.Y esto se puede comparar entonces entre diferentes poblaciones como controles saludables y las afectadas por enfermedades y trastornos como el autismo y la esquizofrenia. Nuestro método puede beneficiar cualquier investigación que busque realizar un seguimiento dinámico de la sincronicidad entre diferentes conjuntos de cursos de tiempo. Y esto se puede aplicar también a otras modalidades de diagnóstico por imágenes como la electroencefalografía.La demostración visual del método permitirá a los nuevos usuarios comprender los diferentes pasos de procesamiento del método, así como la funcionalidad de la interfaz gráfica de usuario. Demostrando el procedimiento de imagen será Roberto Martuzzi, el operador líder de resonancia magnética de nuestro centro de investigación. Para que cada voluntario sea considerado en el análisis, realice al menos una sesión funcional de Resonancia Magnética o fMRI en la que el voluntario escaneado sea sometido al paradigma de interés registrado en el tiempo y una sesión de imagen funcional en la que el voluntario escaneado se encuentre descansando en el escáner con los ojos cerrados y se le indique que no se duerma.A continuación, adquiera un volumen de RESONANCIA magnética estructural. Para abrir la primera ventana de interfaz gráfica de usuario de preprocesamiento, introduzca JOVE_GUI1 en el terminal MATLAB. A continuación, haga clic en Introducir datos fMRI, seleccione los volúmenes funcionales realineados adecuados e introduzca el tiempo de repetición de los datos en segundos en la ventana de texto editable dedicada.Haga clic en Introducir datos T1 y seleccione los tres volúmenes de tipo de tejido probabilístico adecuados. Haga clic en Introducir archivo de movimiento y seleccione el archivo de texto que contiene los parámetros de movimiento de la sesión de interés. A continuación, seleccione si los datos deben ser detrended y qué covariables deben ser regresivas.Para preprocesar los datos, haga clic en Preprocesar y espere a que la pantalla aparezca en la ventana. Los datos se pueden volver a preprocesar de forma diferente modificando las opciones y haciendo clic en el botón Preprocesar. A continuación, introduzca JOVE_GUI2 en el terminal MATLAB para abrir la segunda ventana de interfaz gráfica de usuario de preprocesamiento y haga clic en Seleccionar datos para seleccionar el archivo de datos preprocesado.Haga clic en Seleccionar atlas y seleccione la Iniciativa de Tecnología de Informática de Neuroimaging o el archivo NIFTI que representa el atlas que se utilizará para la parcellación. Haga clic en Seleccionar deformación inversa y seleccione el archivo NIFTI que representa el campo de deformación del Instituto Neurológico de Montreal al espacio nativo. A continuación, haga clic en seleccionar el volumen fMRI y seleccione cualquiera de los volúmenes de datos fMRI.Para introducir la información relacionada con el barrido, en la lista de tipos de depuración, seleccione el número de fotogramas que se borrarán antes y después de los fotogramas etiquetados. En la ventana de texto del umbral de limpieza, introduzca el valor del umbral de desplazamiento de fotogramas por encima del cual se debe borrar un volumen fMRI en milímetros. A continuación, introduzca el tamaño de la ventana deslizante W que se utilizará para los cálculos de correlación funcional entre sujeciones o ISFC en tiempos de repetición y haga clic en Trazar para mostrar los cursos de tiempo de atlas indicativos antes y después de los pasos de limpieza y filtrado.Para los cálculos ISFC de ventana deslizante, introduzca JOVE_GUI3 en el terminal MATLAB para abrir la primera ventana de interfaz gráfica de usuario relacionada con ISCF y haga clic en Cargar datos para seleccionar todos los archivos de datos adecuados. Seleccione si los segmentos de sesión seleccionados deben someterse a la aleatorización de fase e introduzca el tamaño de la ventana en los tiempos de repetición sobre los que se deben calcular las mediciones de conectividad, así como el tamaño del paso en los tiempos de repetición por los que se deben desplazar las ventanas sucesivas. Modifique la tabla de tipos de sesión para especificar cuáles de los segmentos de sesión cargados se adquirieron en la misma condición experimental utilizando números enteros crecientes de uno y hasta para etiquetar los diferentes tipos de segmentos.En las ventanas de texto editables adecuadas, escriba el número de pliegues de arranque sobre los que se deben realizar los cálculos ISFC y el número de sujetos que deben constituir el grupo de referencia para cada pliegue de los cálculos ISFC. En la sección parámetros de temporización, introduzca las especificaciones sobre qué subpuera de los cursos de tiempo se debe analizar y haga clic en Trazar para realizar los cálculos ISFC. Las pantallas se actualizarán gradualmente con el tiempo junto con la cantidad de pliegues de arranque transcurridos.Para abrir la segunda ventana de la interfaz gráfica de usuario relacionada con ISFC, introduzca JOVE_GUI4 en el terminal MATLAB. Para seleccionar los archivos de salida ISFC relacionados con el estímulo, haga clic en Cargar datos ISFC y seleccione los archivos de salida ISFC relacionados con el estímulo. Para seleccionar los archivos de salida ISFC nulos, haga clic en Cargar datos nulos y seleccione el ISFC de estado de reposo o los archivos de salida ISFC relacionados con estímulos aleatorios de fase en función del esquema de generación de datos nulos utilizado.A continuación, haga clic en Cargar libro de códigos y seleccione el archivo de libro de códigos. En la ventana de texto editable adecuada, escriba el valor alfa en porcentaje en el que se deben aplicar umbrales a los cursos de tiempo ISFC para resaltar cambios significativos. Para construir una distribución nula, haga clic en Trazar para iniciar el proceso de umbral ISFC para el que se agregan todas las mediciones ISFC nulas disponibles para una conexión determinada y después de lo cual las mediciones ISFC relacionadas con el estímulo se establecerán de acuerdo con el valor alfa seleccionado.Para visualizar los patrones espaciales ISFC en diferentes puntos de tiempo, arrastre el control deslizante debajo del trazado de excursiones ISFC. En estas sesiones representativas, la película evaluada se mostró de cinco a 353 segundos con un segmento de estado en reposo después de la película de 386 a 678 segundos. Además, se adquirió una sesión estatal de reposo de 310 segundos para cada tema.Los cursos de tiempo ISFC se generaron en longitudes de ventana de W 10 y W 5 tiempos de repetición para tres conexiones representativas diferentes que implican una inhibición de respuesta mediadora de la región y otra involucrada en la expectativa de mover objetos, coordinación sensorial o el procesamiento de significados de palabras. El ruido es mayor en W 5 tiempos de repetición y los cambios ISFC con bloqueo de tiempo se observan en la conexión uno y dos cursos de tiempo de visualización de películas. Aquí, la fracción de sujetos que muestran transitorios ISFC bloqueados estadísticamente significativos se muestra para las mismas tres conexiones.Los transitorios son más numerosos en longitudes de ventana más grandes a medida que las mediciones ISFC más robustas facilitan la extracción y a valores alfa más grandes a medida que se detectan más falsos positivos. En estos datos representativos, un extracto de película en particular participó en la inhibición de la respuesta vinculada a objetos en movimiento e impulsó cambios generalizados en el ISFC. La longitud de la ventana no debe ser demasiado corta para estimaciones robustas ni demasiado larga para capturar la dinámica ISFC.Y se debe utilizar un valor alfa suficientemente estricto para limitar los falsos positivos. Las mediciones de ISFC se pueden agrupar en estados ISFC de todo el cerebro para un examen de características temporales especiales. Los transitorios ISFC significativos también se pueden representar como un gráfico que refleja el flujo de información.

dynamic-inter-subject-functional-connectivity-reveals-moment-to

Research

Investigación

JoVE Journal

Neuroscience

Neurociencia

Las técnicas de neuroimagen, como la resonancia magnética funcional y de imagen con tensor de difusión se han convertido en cada vez más útil en la caracterización de los déficits cognitivos y neurales en el autismo. Un examen de la conectividad cerebral en el autismo a nivel de red, junto con las adaptaciones para la digitalización de los niños con discapacidades del desarrollo se presenta.

Sondas en el cerebro en el autismo y el uso de resonancia magnética funcional de imágenes por tensor de difusión

Se describe un nuevo enfoque para el análisis simultáneo de la función cerebral y la estructura utilizando imágenes de resonancia magnética (MRI). Evaluamos la estructura cerebral de alta resolución las imágenes ponderadas de difusión y la materia blanca tractografía fibra. A diferencia de las MRI estructural, estas técnicas nos permiten relacionar directamente la conectividad anatómica de las propiedades funcionales de las redes cerebrales.

Co-análisis de la estructura y función cerebral mediante resonancia magnética funcional y la difusión de imágenes ponderado

Este video presenta un método de análisis de los cambios relacionados con la edad en la conectividad funcional de las redes de control cognitivo contratados por focalizadas tareas / procesos. La técnica se basa en el análisis multivariado de datos de la fMRI.

Un método para investigar las diferencias relacionadas con la edad en la conectividad funcional de las redes de control cognitivo asociado con el cambio dimensional Card Ordenar Performance

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

Este protocolo describe las técnicas complementarias de neuroimagen de conectividad estructural en estado de reposo, desactivación inducida por tareas y análisis de conectividad estructural para examinar la red predeterminada en el trastorno de estrés postraumático. El uso de métodos sinérgicos podría conducir a mejores diagnósticos y evaluaciones de la gravedad, el resultado y otros factores clínicos relevantes.

El desarrollo de Neuroimagen fenotipos del modo de red por defecto en el TEPT: Integrando el estado de reposo, la memoria de trabajo, y la conectividad estructural

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

Este artículo presenta un enfoque integrador para investigar la red funcional para la navegación espacial en el cerebro humano. Este enfoque incorpora una base de datos metaanalítica de neuroimagen a gran escala, imágenes de resonancia magnética funcional en estado de reposo y técnicas de modelado de redes y teoría de grafos.

Modelado de la red funcional para la navegación espacial en el cerebro humano

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)

La adquisición de datos de tomografía dinámica por emisión de positrones (PET) y su reconstrucción en marcos de tiempo permite el análisis de la conectividad metabólica del cerebro a nivel de un solo sujeto. Describimos un método para adquirir datos PET dinámicos de [18F]FDG del cerebro de rata y obtener una matriz de conectividad a través de la extracción de curvas de tiempo-actividad de volúmenes de interés.

Estudio de la conectividad metabólica del cerebro mediante tomografía dinámica por emisión de positrones con 2-desoxi-2-[18F]fluoro-D-glucosa a nivel de un solo sujeto

Aprende a rastrear la conectividad funcional cerebral dinámica mediante fMRI entre sujetos. Este método permite visualizar sincronización neural y comparar poblaciones sanas con pacientes de autismo o esquizofrenia.

Conectividad funcional entre sujeto dinámico revela configuraciones de red del cerebro momento impulsadas por el continuo o paradigmas de la comunicación (Video) | JoVE Journal

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

Explorar más videos