Name: Utilisation informationnel connectivité mesurer lémergence synchrone de lIRMf Multi-voxel information à travers les âges (Vidéo) | JoVE Journal
Uploaded: 2014-07-01T13:00:00.000+00:00
Duration: 7 min 12 s
Description: Découvrez la connectivité informationnelle en IRMf pour mesurer les réseaux cérébraux via les patrons d'activité multi-voxels. Cette méthode révèle des connexions invisibles aux approches traditionnelles.

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

Nous remercions Jim Haxby et ses collègues pour rendre leurs données disponibles pour d&#39;autres analyses. Marc N. Coutanche a été financée par une bourse de l&#39;Institut médical Howard Hughes. Ce travail a été financé par des subventions du NIH R0I-DC009209 et R01-EY02171701 attribué à Sharon L. Thompson-Schill.

1. Préparer les données IRMf Remarque: Après avoir effectué un scanner IRMf, pré-traiter les données recueillies à l&#39;aide des outils disponibles dans la plupart des logiciels IRMf avant de commencer ce protocole (bien que le lissage spatial devrait être évité ou minimisé de préserver les modèles multi-voxels). Un exemple d&#39;un ensemble de données approprié est décrit dans une demande antérieure de la méthode 7. <ol><li> Retirez le mouvement et la moyenne des signaux de la substance blanche de la série temporelle des données IRMf pré-traitées par la création d&#39;un modèle de régression avec des prédicteurs de paramètres de mouvement (roulis, tangage, lacet, x, y, z) et signifie signal de la substance blanche. Effectuer les analyses ci-dessous sur les résidus résultant (c.-à-la variance résiduelle). </li><li> Importez les résidus générés dans un logiciel d&#39;analyse (par exemple, MATLAB, Python). L&#39;open source informationnelle connectivité Boîte à outils (http://www.informationalconnectivity.org) peut importer des données d&#39;IRMf dans MATLAB. </li><li> Z-score eacla série de temps h de voxel. </li><li> Séparer les points dans le temps de l&#39;ensemble de données en ensembles indépendants (les &quot;plis&quot;), tels que les différents passages du scanner. Remarque: L&#39;utilisation du scanner courses assure l&#39;indépendance entre les plis, qui peuvent autrement être difficiles à garantir (par exemple, les dépendances pourraient être créés entre les points dans le temps d&#39;une exécution au cours de pré-traitement). Fonctionne pourraient être regroupés afin de réduire le nombre de plis (par exemple, pairs et impairs essais 2), bien que l&#39;utilisation de seules courses donnera plus de données de formation. </li><li> Créer un registre des étiquettes de condition associée à timepoints en générant un vecteur de conditions étiquettes qui est N timepoints longtemps. </li><li> Déplacer les étiquettes d&#39;état en avant dans chaque géré par un certain nombre de fois-à répétition (TR) équivalant à 5 secondes, afin de tenir compte de l&#39;horaire hémodynamique entre les événements et les signaux IRMf enregistrés. </li></ol> 2. Sélectionner et analyser une région de semences <ol><li> Sélectionnez une région des semences par l&#39;isolement d&#39;un anatomiquela zone d&#39;al, région fonctionnellement localisée ou plus performants &#39;information cartographique des cerveaux »projecteurs 10. Remarque: les étapes 02.02 à 04.02 ci-dessous peut être effectuée par le open-source connectivité informationnelle MATLAB Toolbox ( <a href="http://www.informationalconnectivity.org">http://www.informationalconnectivity.org</a> ). </li><li> Comparer le MVP de chaque point dans le temps à un MVP prototype pour chaque condition (Note: cette approche est la même que celui utilisé dans la base de corrélation populaire le plus proche voisin classificateur 2). Figure 1 (en haut) donne un exemple de données réelles recueillies dans le participants ont vu des blocs de quatre types d&#39;objets artificiels. <ol><li> Calculer un (moyen) MVP prototype pour chaque condition par la moyenne des points de temps de chaque état dans tous-mais-un pli. Ce sont les données «de formation» pour chaque fois (par exemple, pour 2 fois 5, moyennes-MVP sont calculées à partir de points de temps en plis 1, 3, 4, et 5). </li><li> Corréler chaque point de temps &#39;; De MVP à la moyenne-MVP de chaque état à partir des données de formation. Cela donnera chaque point de temps une valeur de corrélation pour chaque condition (Remarque: l&#39;état avec la plus forte corrélation ici serait la prédiction de la corrélation populaire classificateur APMV base 2) </li><li> Fisher-transformer les valeurs r à z-scores. </li></ol></li><li> Quantifier &quot;MVP discriminabilité» pour chaque heure: d&#39;abord identifier la corrélation de 2.2.3 qui représente la relation entre MVP de la timepoint et la moyenne-MVP de l&#39;état de cette date jalon, puis soustraire le plus élevé des corrélations restantes (c&#39;est à dire «corrélation avec exactitude état de «moins» corrélation maximale avec un état incorrect »). Le résultat est le MVP discriminabilité de ce point de temps. Une approche alternative (et valide) serait de soustraire la corrélation moyenne des mauvaises conditions. Remarque: L&#39;approche proposée a l&#39;avan intuitivege que timepoints avec des valeurs de discriminabilité positifs sont correctement classé par la corrélation basée sur le classificateur, tandis que timepoints avec des valeurs négatives ne sont pas correctement prédit. Un exemple des valeurs résultant est représenté sur la figure 1 (bas). Les étapes jusqu&#39;à ce point sont capturés dans les formules ci-dessous. <img alt="2.3 équations" fo:content-width="4.5in" src="/files/ftp_upload/51226/51226_2.3_equations.jpg" /> X est un vecteur ligne normalisée 1 par m avec des valeurs d&#39;activation m de voxel au point dans le temps n, y est un vecteur normalisé 1 par m ligne du modèle de formation de moyenne pour correct (c) ou (i) de mauvaises conditions pour point de temps n. La fonction de artanh s&#39;applique Fisher transformée en z. </li></ol> 3. Calculer une série chronologique de MVP discriminabilité pour chaque projecteur <ol><li> Procéder à une analyse de projecteur 10: Déposer une c tridimensionneléclat autour de chaque voxel à son tour (un «projecteur»). </li><li> Répétez les étapes 2.2 et 2.3 pour chaque projecteur, de sorte que chaque projecteur dispose d&#39;une série de valeurs de temps de discriminabilité MVP (de un par point de temps). </li></ol> 4. Calcul informationnel connectivité entre les semences et projecteurs <ol><li> Corréler MVP de la série de temps de discriminabilité de la semence (de 2,3) avec discriminabilité temps la série de chacun des projecteurs (de 3,2) en utilisant Rang de corrélation de Spearman. La valeur de la r résultant est le IC entre la semence et projecteur. </li><li> Affectez la valeur IC de chacun des projecteurs de voxel central du projecteur et d&#39;écrire cerveau la carte de l&#39;individu qui en résulte. </li></ol> 5. Calculer le Groupe Carte statistique <ol><li> IC Si les données ne sont pas déjà en standard l&#39;espace (par exemple, Talairach ou INM), transforment participants cartes dans le même espace. </li><li> Lisser éventuellement les individus et# 39; cartes de projecteurs. </li><li> Créer une carte statistique de groupe à l&#39;aide d&#39;un test t un moyen pour savoir si la valeur IC de chaque projecteur est nettement supérieure à zéro. </li></ol> 6. Importance d&#39;essai Remarque: De nombreuses approches existent pour déterminer la signification statistique des cartes de groupe IRMf. Comme un test de permutation peut déterminer l&#39;importance des hypothèses minimales, tout en tenant compte du niveau de lissage (comme chaque carte de groupe permuté subit le même traitement) de l&#39;ensemble de données, cette option est décrite ci-dessous. <ol><li> Pour chacun des 1000 permutations, mélangez au hasard les valeurs MVP-de discriminabilité de la semence dans la série chronologique. Conserver timepoints adjacentes avec autocorrélations temporelles (comme points de temps dans le même bloc) en même temps (par exemple, en mélangeant les blocs adjacents plutôt que TRs). </li><li> Calculer les cartes IC individuels pour chaque permutation (étape 4 ci-dessus). </li><li> Générer 1000 cartes de groupe permutés: Randomly sélectionner un plan permuté IC de chaque participant et effectuer un test de groupe sur cet ensemble aléatoire (étape 5 ci-dessus). </li><li> Seuil chaque carte de groupe permuté à un seuil souhaité (par exemple, p &lt;0,001) et extraire la taille de cluster maximale de la carte. </li><li> Trier le mille volumes maximale munitions résultant et identifier la taille de cluster au 95 e centile (par exemple, le 50 e plus grand pour 1000 permutations). </li><li> Appliquer le seuil utilisé dans 6.4 (par exemple, p &lt;0,001) et la taille de cluster minimum de 6,5 au réel (non permuté) IC carte de groupe afin de rendre cluster corrigée à p &lt;0,05. Parce que chaque carte permuté s&#39;appuie sur les mêmes valeurs de discriminabilité MVP (dans un ordre différent), cette carte de signification souligne régions avec plusieurs valeurs de discriminabilité synchrones que prévu par hasard. </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>

Les auteurs déclarent qu’ils n’ont pas d’intérêts financiers concurrents.

Connectivité d&#39;information a la sensibilité de APMV à l&#39;information de modèle distribué, et donne une capacité à étudier les interactions entre-région à travers une approche de connectivité. APMV et analyses unidimensionnelles standard peuvent chaque révéler l&#39;implication des régions distinctes, parfois avec peu de chevauchement entre les résultats 1 3. Comme prévu pour une méthode qui s&#39;appuie sur ces approches d&#39;analyse, IC et le FC donnent également des résultats complémentaires 7. La décision de savoir s&#39;il faut employer IC dépendra en définitive les conditions visées par l&#39;enquête et les questions théoriques étant posées. Les considérations de conception qui ont un impact si APMV est effectuée sur un ensemble de données auront également une incidence si IC est utilisé. Études visant à IC explicitement à l&#39;esprit voudront suivre les recommandations pour APMV 1 4, tout en veillant à ce que les données au niveau des procès peuvent être extraits à travers la timecourse de l&#39;analyse. Lors de l&#39;examenet présenter les résultats d&#39;IC, il est important que les projecteurs se chevauchant avec la graine sont enlevées, afin d&#39;éviter la circularité. En outre, si l&#39;on compare directement IC et FC résultats, il est recommandé de comparer en outre une analyse de la FC sur la base de l&#39;activation du moyen de projecteurs, plutôt que simplement des voxels. Cette analyse supplémentaire peut faire en sorte que les différences entre les résultats ne sont pas à cause des différences dans les niveaux de signal-bruit dans les projecteurs par rapport voxels. La procédure décrite ici se concentre principalement sur une analyse exploratoire utilisant des projecteurs. Il est à noter que par le remplacement des projecteurs avec des régions d&#39;intérêt, IC peut également comparer les régions qui sont sélectionnés avant un i. La mesure de discriminabilité actuelle - comparer la corrélation de MVP pour la «vraie» état de la corrélation pour la condition maximale suppléant - est également modifiable. Beaucoup de classificateurs d&#39;apprentissage automatique ont des poids de prévision pour diffclasses de érents, ce qui pourrait facilement remplacer les comparaisons de corrélation effectuées ici (par exemple, pour suivre la «confiance» d&#39;un classificateur au fil du temps). IC a une variété d&#39;utilisations potentielles. En plus d&#39;être une analyse primaire d&#39;enquêter sur les réseaux d&#39;information, IC peut être une analyse de suivi secondaire à un projecteur APMV. Cartes de projecteurs MVPA sont précieux pour comprendre quelles régions peuvent distinguer des conditions différentes, mais ne sont généralement pas ventilées dans les différents réseaux. L&#39;approche IC peut aider ici, en révélant qui fixe des projecteurs ont discriminabilité synchrone. Enfin, les cartes IC de tâches différentes peuvent être comparés afin de comprendre les réseaux de tâches, et les patients peuvent être comparés à des contrôles afin de mieux comprendre comment plusieurs voxels des différences de 1 à 5 se manifestent au niveau du réseau.

L&#39;objectif de la méthode d&#39;analyse décrite ici est de mesurer la connectivité entre les régions du cerveau basé sur les fluctuations de leurs informations multi-voxel. Les progrès de l&#39;imagerie par résonance magnétique fonctionnelle (IRMf) des techniques d&#39;analyse ont révélé qu&#39;une grande quantité d&#39;informations peut être contenue à l&#39;intérieur (en gras) motifs niveau sang-oxygénation dépendantes activité qui sont distribués sur plusieurs voxels 1-3. Un ensemble de techniques qui sont sensibles à l&#39;information multivariée - connus sous le nom d&#39;analyse de modèle multi-voxel (APMV) - a été utilisé pour montrer que les conditions peuvent avoir MVP distinctes malgré réponses distinguer une variable 1,2,4. Les analyses standard, qui comparent les réponses à une variable, peuvent être insensibles à cette information multi-voxel. Plusieurs régions du cerveau sont engagés quand les humains traitent les stimuli et effectuer des opérations cognitives. Connectivité fonctionnelle (FC) est une méthode couramment utilisée pour enquêterporte ces réseaux fonctionnels 5,6. Dans sa forme la plus basique, le FC quantifie co-activation ou la synchronisation entre différents voxels ou régions. FC a été utilisé pour identifier les réseaux du cerveau fonctionnellement connectés avec beaucoup de succès. Pour de nombreuses régions et les conditions, cependant, les réponses à une variable ne reflètent pas toutes les informations disponibles dans l&#39;activité BOLD. Techniques FC qui suivent l&#39;évolution dynamique des niveaux de réponse à une variable peuvent manquer de sensibilité aux fluctuations communes en matière d&#39;information multi-voxel. La méthode d&#39;analyse présentée ici, la connectivité d&#39;information (IC; d&#39;abord décrit dans un article récent 7), comble une lacune entre APMV et FC, en mesurant la connectivité avec une métrique qui est sensible à l&#39;information multi-voxel dans le temps. Tandis que le FC écoutes changeant dynamiquement activation univariée, IC suivi de l&#39;évolution dynamique MVP discriminabilité - une mesure de la façon dont la situation réelle d&#39;un MVP peut être distinguée de solutions de rechange (erronés). Fait important, dans til même manière que les différentes régions peut montrer des niveaux similaires de réponses à une variable à un état ​​malgré effectuer des calculs distincts (par exemple, traitement visuel ou de la planification de l&#39;action quand une personne regarde des objets artificiels), des régions distinctes peuvent également avoir des niveaux de MVP similaires (et synchronisés) discriminabilité alors qu&#39;ils traitent des conditions différemment. Une enquête récente a démontré que IC peut révéler la connectivité inter-régional qui n&#39;est pas détectable avec une approche standard FC 7. Les enquêteurs peuvent donc utiliser IC pour sonder les interactions entre les régions du cerveau que les participants répondent à des conditions ou à des stimuli qui ont des motifs répartis caractéristiques. IC est distincte de plusieurs applications de connectivité récentes qui ont examiné les fluctuations de l&#39;activation univariée par rapport aux résultats de classification 8, 9. Contrairement à ces approches, IC détecte synchrone multi-voxel modèle discriminabilité entre les régions.

<table><tbody><tr><td>Logiciel MATLAB</td><td>MathWorks</td><td></td><td></td></tr><tr><td>AFNI Logiciel</td><td>NIMH</td><td></td><td></td></tr></tbody></table>

utilisation informationnel connectivité mesurer l&#39;émergence synchrone de l&#39;irmf multi-voxel information à travers les âges

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

Il est maintenant apprécié que l&#39;information de l&#39;état-pertinente peut être présent dans les modèles distribués de l&#39;imagerie par résonance magnétique fonctionnelle (IRMf) l&#39;activité du cerveau, même pour les conditions avec des niveaux similaires d&#39;activation univariée. Modèle multi-voxel (MVP) analyse a été utilisée pour décoder cette information avec beaucoup de succès. Enquêteurs IRMf aussi cherchent souvent à comprendre comment les régions du cerveau interagissent en réseaux interconnectés, et utilisent la connectivité fonctionnelle (FC) pour identifier les régions qui ont une corrélation réponses au fil du temps. Tout comme analyse univariée peuvent être insensibles à l&#39;information dans les MVP, FC peut pas caractériser pleinement les réseaux cérébraux qui traitent des conditions avec des signatures MVP caractéristiques. La méthode décrite ici, la connectivité d&#39;information (IC), permet d&#39;identifier les régions et les variations corrélées à MVP-discriminabilité à travers le temps, révélant que la connectivité n&#39;est pas accessible aux FC. La méthode peut être exploratoire, en utilisant des projecteurs pour identifier les semences connzones ète, ou prévues, entre les régions d&#39;intérêt pré-sélectionnés. Les résultats peuvent élucider les réseaux de régions qui traitent des conditions MVP liées, panne peut cartes de projecteurs MVPA dans des réseaux distincts, ou peuvent être comparés entre les tâches et les groupes de patients.

Les résultats IC peuvent maintenant être affichées en utilisant préféré IRMf analyse progiciel de l&#39;enquêteur. Figure 2 montre les résultats d&#39;IC, calculées à partir des blocs de l&#39;homme présenté visuellement fabriquaient des objets (tous les détails dans la publication associée 7). L&#39;analyse IC est particulièrement utile pour des conditions connues pour avoir associé MVP: Conditions de MVP caractéristiques, mais sans différences dans les réponses à une variable, sont plus susceptibles d&#39;avoir des distinctions entre les IC et FC (illustré avec des données qui a été enregistré en tant que participants vu différents types de l&#39;homme fait des objets à la figure 3). Figure 4 montre que les projecteurs de l&#39;information importante multi-voxel peut avoir une grande IC, mais sont moins bien représentés dans les résultats FC. <img alt="Figure 1" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig1highres.jpg" width = &quot;500&quot; /&gt; .. Figure 1 Exemples de modèle discriminabilité au fil du temps Haut:. Les substrats de MVP discriminabilité calculé à partir d&#39;un sujet dans Haxby et al (2001) 2, comme analysé dans Coutanche &amp; Thompson-Schill (2013) 7. La ligne bleue montre la corrélation de z-marqué entre les MVP et de la moyenne temps-points («formation») motif de la bonne classe. Les lignes vertes représentent les corrélations des MVP avec trois classes incorrectes. En bas: Modèle discriminabilité est la différence entre corrélations pour la classe correcte et classe la plus élevée incorrects. Points dans le temps avec des valeurs motif de discriminabilité positifs seraient correctement classés par un classificateur à base de corrélation. Figure initialement publié en Coutanche &amp; Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig1highres.jpg" target="_blank">S&#39;il vous plaît cliquer ici pour voir une version plus grande de cette figure</a>. <img alt="Figure 2" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig2highres.jpg" width="500" /> Figure 2. Connectivité cartes Exemple. Chaque ligne montre régions connectées de manière significative à une graine (en bleu). Elle est déterminée par un test t (p &lt;0,001) avec le groupe de taille minimum de la grappe de test de permutation. Les résultats sont affichés à l&#39;aide de circuits intégrés AFNI 1 1 sur les cartes de surface produits par FreeSurfer 1 2. Figure est modifié à partir Coutanche &amp; Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig2highres.jpg" target="_blank">S&#39;il vous plaît cliquer ici pour voir une version plus grande de cette figure.</a> <img alt="Figure 3" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig3highres.jpg" width="500" /> Figure. 3 synchronisée MVP discriminabilité rapport à signifier activation exemples de MVP discriminabilité dans deux régions avec discriminabilité de MVP synchrone (ie connectivité information) sans activation synchrone moyenne (c&#39;est à dire de la connectivité fonctionnelle).; données proviennent d&#39;un sujet de Haxby et al. (2001) 2, comme analysé dans Coutanche &amp; Thompson-Schill (2013) 7. Ces points de données ont été recueillies alors que le sujet considéré présentations visuelles de l&#39;homme a fait des objets, qui se distinguent par des motifs multi-voxels, mais pas dire des réponses. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig3highres.jpg" target="_blank">S&#39;il vous plaît cliquer ici pour voir une version plus grande de cette figure.</a> <img alt="Figure 4" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig4highres.jpg" width="500" /> Figure 4. Exemple IC et les valeurs FC entre une graine dans la FAgyrus t fusiforme et projecteurs à travers le cerveau. informationnel et forces de connectivité fonctionnelle (z-axes) sont présentés entre une graine et les projecteurs, à l&#39;égard de la réponse moyenne de chacun des projecteurs (axe des x) et la précision de la classification APMV (axe des y) à quatre types de l&#39;homme a fait des objets (la chance = 25%). Searchlights partageant voxels avec la région de germes ont été enlevés. Le graphique IC comprend des exemples de projecteurs avec une connectivité solide ayant les meilleures performances de classification élevé, mais les taux de réponse moyen à faible, qui ne sont pas ramassés dans une approche typique de FC (vu par l&#39;écart dans l&#39;octant en haut à gauche de la figure de droite). Figure initialement publié en Coutanche &amp; Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig4highres.jpg" target="_blank">S&#39;il vous plaît cliquer ici pour voir une version plus grande de cette figure.</a>

La connectivité informationnelle mesure la correspondance entre les cours temporels de l’information multi-voxel à travers différentes régions du cerveau. Des séries chronologiques de discriminabilité de motifs multi-voxels sont extraites des régions et comparées, révélant des réseaux qui ne sont pas identifiés dans une approche typique de connectivité fonctionnelle.

Utilisation informationnel connectivité mesurer l&#39;émergence synchrone de l&#39;IRMf Multi-voxel information à travers les âges

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

L'objectif général de cette procédure est de mesurer la connectivité entre des régions cérébrales en se basant sur les changements de leurs schémas d'activité distribuée au fil du temps. Cela est réalisé en premier lieu en sélectionnant une région source. Ensuite, la discriminabilité du schéma multivoxels est calculée pour chaque point temporel, pour la région source et chaque recherche locale ou région d'intérêt.La dernière étape consiste à corréler la série temporelle de discriminabilité de la région source avec chaque faisceau exploratoire. En fin de compte, la connectivité informationnelle est utilisée pour révéler les connexions entre des régions qui contiennent des informations réparties dans des patrons de voxels. L'avantage principal de cette technique par rapport à d'autres, comme la connectivité fonctionnelle, est qu'elle permet de détecter des connexions en utilisant des conditions qui ne diffèrent pas par leur réponse immunitaire, mais qui possèdent toutefois une signature multivariée unique.Eh bien, j'ai eu pour la première fois l'idée de cette méthode en réalisant que de nombreuses techniques de connectivité ignorent les informations contenues uniquement dans les motifs d'activité multivoxels. Tout comme nous savons désormais que les approches univariées sont totalement aveugles aux informations présentes dans les motifs d'activité multivoxels, commencez cette procédure en éliminant les signaux de mouvement et de signal moyen de la matière blanche des séries temporelles des données IRMf prétraitées, en créant un modèle de régression comportant des prédicteurs pour les paramètres de mouvement et le signal moyen de la matière blanche. Ensuite, effectuez l'analyse suivante sur les résidus obtenus.Importez les résidus générés dans un logiciel d'analyse tel que MATLAB ou Python, en utilisant par exemple la boîte à outils open source MATLAB pour la connectivité informationnelle. Ensuite, transformez la série temporelle de chaque voxel en zco. Séparez les points temporels des jeux de données en ensembles indépendants, tels que différentes séries d'acquisition sur le scanner.Ensuite, créez un enregistrement des étiquettes de condition associées aux points temporels en générant un vecteur d'étiquettes de condition. Cela correspond à une longueur égale aux points de temps finaux ; décalez les étiquettes de condition vers l'avant dans chaque série d'un nombre de répétitions équivalent à cinq secondes afin de tenir compte du décalage hémodynamique entre les événements et les signaux IRMf enregistrés. Pour sélectionner une région source, isolez une zone anatomique en choisissant des voxels à l’aide de votre logiciel préféré ou d’un atlas étiqueté, en localisant fonctionnellement une région ou en sélectionnant une recherche locale d’informations cérébrales présentant les meilleures performances.Ensuite, comparez le PMV de chaque moment. Indiquez un PMV prototypique pour chaque condition. À l’aide de la boîte à outils MATLAB open source de connectivité informationnelle.Calculez un MVP prototypique pour chaque condition en faisant la moyenne des points temporels de chaque condition dans tous les plis sauf un. Ensuite, corréléz le MVP de chaque point temporel avec le MVP moyen de chaque condition provenant des données d'apprentissage. Cela fournira à chaque temps une valeur de corrélation de 0,1 pour chaque condition.Notez que la condition présentant la corrélation la plus élevée ici correspondra à la prédiction du classificateur MVPA basé sur la corrélation populaire. Ensuite, quantifiez la DISCRIMINABILITÉ MVP pour chaque point temporel en identifiant d'abord la corrélation représentant la condition de ce point temporel, puis en soustrayant la plus élevée des corrélations restantes.Le résultat correspond à la discriminabilité MVP de chaque point temporel. Pour effectuer une analyse en fenêtre glissante, placez un cluster tridimensionnel autour de chaque vle. Répétez ensuite l'étape précédente pour chaque fenêtre glissante afin que chacune possède une série temporelle de valeurs de discriminabilité MVP.Corrélez maintenant la série temporelle de discriminabilité MVP de la graine avec la série temporelle de DISCRIMINABILITÉ de chaque faisceau de recherche. En utilisant la corrélation de rang de Spearman, la valeur RS obtenue correspond à la CI entre la graine et le faisceau de recherche. Attribuez ensuite la valeur de CI de chaque faisceau de recherche au voxel central du faisceau et enregistrez la carte cérébrale individuelle résultante.Si les données ne sont pas déjà dans un espace standardisé, transformez les cartes CI des participants dans cet espace. Vous pouvez éventuellement lisser les cartes de recherche individuelles. Cette figure montre des exemples de DISCRIMINABILITÉ MVP dans deux régions présentant une discriminabilité MVP synchrone sans activation moyenne synchrone.Ces points de données ont été recueillis pendant que le sujet observait des présentations visuelles d'objets fabriqués par l'homme, qui sont distinguables par des motifs multivoxels, mais pas par les réponses moyennes. Et voici un exemple des valeurs de CI et de CF entre une graine située dans les régions gauches du gyrus de la forme et des faisceaux exploratoires répartis dans tout le cerveau. Les intensités de connectivité informationnelle et fonctionnelle sont indiquées sur l'axe Z par rapport à la réponse moyenne de chaque faisceau exploratoire sur l'axe X et à la précision de classification MVPA sur l'axe Y ; le coin supérieur gauche du graphique de CI montre des faisceaux exploratoires informationnellement connectés ayant une performance de classification élevée, mais de faibles niveaux de réponse moyenne.L'espace dans le coin supérieur gauche du graphique de FC indique que ces phares connectés ne sont pas détectés par une approche typique de FC. Voici un exemple de cartes de connectivité. Chaque ligne montre les régions significativement connectées à une graine. La significativité est déterminée par un test T de groupe avec une taille de cluster minimale issue de tests de permutation.Les résultats de l'IC sont affichés ici à l'aide de cartes d'acné en surface produites avec FreeSurfer selon cette procédure. D'autres analyses, comme la connectivité fonctionnelle, peuvent être réalisées afin de poser des questions supplémentaires, telles que savoir si les conditions sont uniquement reliées par des patrons multivoxels ou si elles sont également synchrones dans leurs réponses moyennes. Ainsi, après avoir visionné cette vidéo, vous devriez avoir une bonne compréhension de la manière de mesurer la connectivité entre régions en fonction de leurs patrons multivariés.Merci d'avoir regardé.

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

Research

Recherche

JoVE Journal

Neuroscience

Neurosciences

Nous avons développé une méthode pour l'imagerie simultanée par résonance magnétique fonctionnelle et l'enregistrement électrophysiologique dans le cerveau de rongeurs, en fournissant une plateforme pour l'étude de la relation entre l'activité neuronale et le niveau d'oxygénation du sang dépendantes (BOLD) du signal IRM.

IRMf simultanées et l&#39;électrophysiologie dans le cerveau de rongeurs

Cet article montre une conception expérimentale dans laquelle tout le corps des personnages animés sont utilisés en conjonction avec l'imagerie par résonance magnétique fonctionnelle (IRMf) pour étudier les corrélats neuraux de l'observation des interactions sociales virtuelles.

Investigation d&#39;imagerie cérébrale de les corrélats neuraux de l&#39;observation virtuelle Interactions sociales

Le Réseau de Mode par défaut (DMN) en épilepsie du lobe temporal (ELT) est analysé à l'état de repos du cerveau en utilisant la connectivité fonctionnelle à base de graines IRM (fcMRI).

Analyse du réseau de la mode par défaut du réseau utilisant la connectivité fonctionnelle IRM en épilepsie du lobe temporal

L’IRM de connectivité fonctionnelle à l’état de repos a identifié des anomalies chez des patients atteints d’un large éventail de troubles neuropsychiatriques, y compris l’épilepsie due à des malformations du développement cortical. La stimulation magnétique transcrânienne en combinaison avec l’EEG peut démontrer que les patients atteints d’épilepsie ont une hyperexcitabilité corticale dans les régions où la connectivité est anormale.

Une méthode Multimodal Imaging- et basée Stimulation-de l&#39;évaluation de connectivité liés excitabilité cérébrale chez les patients atteints d&#39;épilepsie

Un EEG-IRMf multimodal méthode, dite de la source EEG spatio-temporelle sont limitées IRMf imagerie méthode, l’imagerie est décrite ici. La méthode présentée emploie des cartes sous IRMf conditionnellement-active ou prieurs, pour guider la localisation des sources EEG d’une manière qui améliore la spécificité spatiale et limite des résultats erronés.

Simultanées EEG et IRM fonctionnelle enregistrement et analyse d’intégration pour l’imagerie dynamique activité corticale

L’objectif de l’approche décrite est de déterminer à quels moments du paradigme (perspective temporelle) et entre les régions (perspective spatiale), reconfigurations significatives en matière de connectivité fonctionnelle se produisent sur l’imagerie par résonance magnétique fonctionnelle enregistrements au cours duquel un stimulus temps verrouillé est joué.

Connectivité fonctionnelle inter-sujet dynamique révèle des Configurations de réseau de cerveau à chaque instant par continu ou paradigmes de Communication

Le protocole pour mener des expériences d’hyperscan fNIRS sur des dyades d’apprentissage collaboratif dans un environnement d’apprentissage naturaliste est décrit. En outre, un pipeline pour analyser la synchronisation inter-cerveau (IBS) des signaux d’hémoglobine oxygénée (Oxy-Hb) est présenté.

La synchronisation inter-cerveaux dans l’apprentissage collaboratif ouvert : une étude fNIRS-Hyperscanning

La dynamique entre les cerveaux couplés des individus a été de plus en plus représentée par la synchronisation inter-cerveau (IBS) lorsqu’ils se coordonnent les uns avec les autres, principalement en utilisant des signaux d’enregistrement simultané des cerveaux (à savoir l’hyperscanning) avec fNIRS. Dans les études d’hyperscan fNIRS, le SCI a été couramment évalué par la méthode de la cohérence de transformation des ondelettes (WTC) en raison de son avantage sur l’expansion des séries...

Comment calculer et valider la synchronisation inter-cerveau dans une étude d’hyperscanning fNIRS

Ce protocole décrit la cohérence partielle de la transformation des ondelettes (pWTC) pour calculer le modèle décalé dans le temps de la synchronisation neuronale interpersonnelle (INS) afin de déduire la direction et le modèle temporel du flux d’informations au cours de l’interaction sociale. L’efficacité du pWTC dans l’élimination des confusions de l’autocorrélation du signal sur l’INS a été prouvée par deux expériences.

Mesure du flux d’informations directionnelles dans les données d’hyperscan fNIRS à l’aide de la méthode de cohérence de transformation partielle des ondelettes

Nous présentons une méthode permettant de collecter simultanément des signaux IRMf et fNIRS chez les mêmes sujets avec une couverture fNIRS de la tête entière. Le protocole a été testé auprès de trois jeunes adultes et peut être adapté à la collecte de données pour des études de développement et des populations cliniques.

Collecte simultanée de données de mesures IRMf et NIRS f à l’aide d’un réseau d’optodes à tête entière et de canaux à courte distance

La cohérence de la transformée en ondelettes (WTC) est une méthodologie courante d’évaluation du couplage entre les signaux utilisée dans les études d’hyperbalayage par spectroscopie fonctionnelle proche infrarouge (fNIRS). Une boîte à outils permettant d’évaluer la directionnalité de l’interaction du signal est présentée dans ce travail.

Nouveau cadre pour la compréhension de la cohérence intercérébrale dans les études d’hyperbalayage par spectroscopie fonctionnelle dans le proche infrarouge (fNIRS)

Découvrez la connectivité informationnelle en IRMf pour mesurer les réseaux cérébraux via les patrons d'activité multi-voxels. Cette méthode révèle des connexions invisibles aux approches traditionnelles.

Utilisation informationnel connectivité mesurer l'émergence synchrone de l'IRMf Multi-voxel information à travers les âges

Explorer plus de vidéos