Name: באמצעות הסברה קישוריות למדוד את צמיחת סינכרוני של מידע Multi-voxel fMRI לאורך זמן (וידאו) | JoVE Journal
Uploaded: 2014-07-01T13:00:00.000+00:00
Duration: 7 min 12 s
Description: למדו למדוד קישוריות מידעית בין אזורי מוח באמצעות דפוסי פעילות multi-voxel ב-fMRI. שיטה זו חושפת רשתות שיטות קישוריות תפקודית מפספסות, ומספקת כלי עוצמתי להבנת תפקוד המוח ומחלות נוירולוגיות.

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

אנו מודים לג&#39;ים הקסבי ועמיתים להכנת הנתונים שלהם זמינים לניתוחים נוספים. מארק נ Coutanche מומן על ידי מענק מהמכון הרפואי הווארד יוז. עבודה זו נתמכה על ידי מענקי NIH R0I-DC009209 וR01-EY02171701 הוענק לשרון ל-תומפסון שיל.

1. הכן את נתוני ה-fMRI שים לב: לאחר ביצוע fMRI לסרוק, טרום תהליך נתונים שנאספו באמצעות הכלים שהזמינים ברוב חבילות תוכנת fMRI לפני תחילת פרוטוקול זה (אם כי יש להימנע מהחלקה מרחבית או ממוזער לשמר דפוסים רב voxel). דוגמא לבסיס נתונים מתאימים מתוארת בבקשה קודמת של השיטה 7. <ol style=";text-align:right;direction:rtl"><li style=";text-align:right;direction:rtl"> הסר את התנועה ואומר אותות חומר לבנים מסדרת הזמן של נתוני ה-fMRI מעובד מראש על ידי יצירת מודל רגרסיה עם מנבאים לפרמטרים תנועה (גליל, המגרש, סבסב, x, y, z) ואומר אות בחומר לבנה. לנהל את הניתוחים שלהלן על שאריות (כלומר את השונות שנותרו) וכתוצאה מכך. </li><li style=";text-align:right;direction:rtl"> ייבא את השאריות שנוצרו לתוך חבילת ניתוח (למשל, MATLAB, Python). הקוד הפתוח הסברה קישוריות ארגז הכלים (http://www.informationalconnectivity.org) ניתן לייבא נתונים fMRI לתוך MATLAB. </li><li style=";text-align:right;direction:rtl"> EAC Z-הציוןסדרת הזמן של voxel שעות. </li><li style=";text-align:right;direction:rtl"> להפריד בין נקודתי הזמן של בסיס הנתונים למערכות עצמאיות (&quot;קפלים&quot;), כגון ריצות סורק שונות. הערה: שימוש בריצות סורק מבטיח אי תלות בין קפלים, אשר אחרת יכול להיות קשה כדי להבטיח (לדוגמא, יכול להיות שנוצרו יחסי תלות בין נקודתי הזמן של ריצה במהלך העיבוד מראש). ריצות יכולה להיות מקובצים יחד כדי לצמצם את מספר הקפלים (למשל, ריצות 2 אפילו מוזר), אם כי באמצעות ריצות בודדות ייתן יותר נתוני אימון. </li><li style=";text-align:right;direction:rtl"> יצירת תיעוד של תוויות מצב הקשורים נקודות זמן על ידי יצירת וקטור של תוויות תנאי שהוא נקודתי זמן N ארוכה. </li><li style=";text-align:right;direction:rtl"> Shift תוויות המצב קדימה בכל המנוהל על ידי מספר (TRS) פעמים ל-החזרה שווה ערך ל 5 שניות, כדי להסביר את הפיגור המודינמית בין אירועים ואותות fMRI מוקלטים. </li></ol> 2. בחר ולנתח אזור זרע <ol style=";text-align:right;direction:rtl"><li style=";text-align:right;direction:rtl"> בחר אזור זרע על ידי בידוד אנטומייםאזור אל, אזור מקומי מבחינה תפקודית או העליון ביצוע &quot;מיפוי מוח מידע &#39;זרקורי 10. הערה: שלבי 2.2-4.2 להלן יכול להתבצע על ידי קישוריות הסברה קוד הפתוח MATLAB ארגז הכלים <a href="http://www.informationalconnectivity.org">(http://www.informationalconnectivity.org).</a> </li><li style=";text-align:right;direction:rtl"> השווה את MVP של כל נקודת זמן לMVP טיפוסי לכל מצב (שים לב: זו היא באותה הגישה כמו בשימוש במסווג הפופולרי המבוסס על המתאם הקרוב ביותר השכן 2). איור 1 (עליון) נותן דוגמא מנתוני אמת שנאספו כ משתתפים צפו בלוקים של ארבעה סוגים של חפצי מעשה ידי אדם. <ol style=";text-align:right;direction:rtl"><li style=";text-align:right;direction:rtl"> חישוב (ממוצע) MVP טיפוסי לכל מצב על ידי חישוב ממוצע של כל נקודתי הזמן במצב של פי כל, אבל אחד. זה נתונים &#39;ההכשרה&#39; לכל קיפול (למשל, לקיפול 2 מתוך 5, ממוצע-MVPs מחושבים מנקודתי זמן בקפלי 1, 3, 4, ו -5). </li><li style=";text-align:right;direction:rtl"> לתאם כל timepoint &#39;; של MVP עם הממוצע-MVP של כל מצב מנתוני אימון. זה ייתן לי כל timepoint ערך מתאם אחד לכל מצב (הערה: המצב עם המתאם הגבוה ביותר כאן יהיה הניבוי של המתאם הפופולרי מסווג MVPA מבוסס 2) </li><li style=";text-align:right;direction:rtl"> פישר להפוך את R-הערכים עד z-ציונים. </li></ol></li><li style=";text-align:right;direction:rtl"> לכמת &#39;discriminability MVP &quot;לכל timepoint: ראשית לזהות את המתאם מ2.2.3 המייצג את הקשר בין MVP של timepoint והמרושע-MVP של מצבו של timepoint זה, ולאחר מכן לחסר הגבוה ביותר של המתאמים שנותרו מתאם (כלומר&#39; עם נכון מצב &#39;מינוס&#39; מתאם מרבי עם מצב שגוי &#39;). התוצאה היא discriminability MVP של timepoint ש. גישה חלופית (וחוקית) תהיה להפחית את המתאם הממוצע של התנאים לא נכונים. שים לב: יש הגישה הציעה advanta אינטואיטיביge שנקודתי זמן עם ערכי discriminability חיוביים מסווגים בצורה נכונה על ידי מסווג המתאם מבוסס, בעוד שנקודתי זמן עם ערכים שליליים לא הם חזו בצורה נכונה. דוגמא לערכים שהתקבלו מוצגת באיור 1 (תחתון). הצעדים עד לנקודה זו נלכדים בנוסחאות שלהלן. <img alt="2.3 משוואות" fo:content-width="4.5in" src="/files/ftp_upload/51226/51226_2.3_equations.jpg" /> X הוא וקטור שורה מנורמל 1-by-מ &#39;עם ערכי הפעלת voxel מ&#39; בn נקודת הזמן, Y הוא וקטור שורה מנורמל 1-by-מ &#39;של דפוס ההכשרה הממוצעת לנכון (ג) או תנאים נכונים (i) עבור n זמן נקודה. פונקצית artanh חלה z פישר לשנות. </li></ol> 3. חישוב סדרות עתיות של MVP Discriminability לכל זרקור <ol style=";text-align:right;direction:rtl"><li style=";text-align:right;direction:rtl"> לבצע ניתוח זרקור 10: מקום ג תלת ממדיםברק סביב כל voxel בתורו (&quot;זרקור&quot;). </li><li style=";text-align:right;direction:rtl"> חזור על שלבים 2.2 ו2.3 לכל זרקור, כך שכל זרקור יש סדרת זמן של ערכי MVP discriminability (אחד לכל timepoint). </li></ol> 4. חישוב הסברה קישוריות בין הזרע וזרקורים <ol style=";text-align:right;direction:rtl"><li style=";text-align:right;direction:rtl"> לתאם הסדרה של זרע MVP discriminability זמן (מ2.3) עם הסדרה של כל זרקור discriminability זמן (מ3.2) באמצעות מתאם הדירוג של ספירמן. ערך r של המתקבל הוא IC בין הזרע והזרקור. </li><li style=";text-align:right;direction:rtl"> הקצאת ערך IC של כל זרקור לvoxel המרכזי של הזרקור ולכתוב את מפת המוח של האדם וכתוצאה מכך. </li></ol> 5. חישוב סטטיסטי קבוצת מפה <ol style=";text-align:right;direction:rtl"><li style=";text-align:right;direction:rtl"> IC אם הנתונים אינם כבר בשטח אחיד (למשל, Talairach או משרד תשתיות לאומי), להפוך &quot;את המשתתפים ממפה לאותו המקום. </li><li style=";text-align:right;direction:rtl"> לחלופין להחליק את האנשים &amp;39 #; מפות זרקור. </li><li style=";text-align:right;direction:rtl"> יצירת מפה סטטיסטית קבוצתית באמצעות מבחן t דרך אחת לאם ערך IC של כל זרקור גדול יותר באופן משמעותי מאשר אפס. </li></ol> 6. משמעות מבחן הערה: גישות רבות קיימות לקביעת מובהקות סטטיסטיות של מפות קבוצת fMRI. כמבחן תמורה יכול לקבוע משמעות עם הנחות מינימליות, תוך התחשבות ברמה של בסיס הנתונים של החלקה (כמו כל מפת קבוצת permuted עוברת את אותו עיבוד), אפשרות זו מפורטת להלן. <ol style=";text-align:right;direction:rtl"><li style=";text-align:right;direction:rtl"> עבור כל אחד מ1,000 תמורות, באופן אקראי דשדוש ערכי MVP-discriminability של הזרע על פני סדרת הזמן. שמור על נקודתי זמן סמוכות עם autocorrelations הזמני (כגון נקודתי זמן בתוך אותו הבלוק) יחד (למשל, על ידי דשדוש בלוקים ולא TRS הסמוך). </li><li style=";text-align:right;direction:rtl"> חישוב מפות IC &#39;אנשים לכל תמורה (שלב 4 לעיל). </li><li style=";text-align:right;direction:rtl"> צור 1,000 מפות קבוצת permuted: Randomly לבחור מפת אחת permuted IC מכל משתתף ולערוך מבחן קבוצה בקבוצה זו אקראית (שלב 5 לעיל). </li><li style=";text-align:right;direction:rtl"> סף כל מפת permuted קבוצה בסף רצוי (למשל, עמ &#39;&lt;0.001) ולחלץ את גודל האשכול המרבי מהמפה. </li><li style=";text-align:right;direction:rtl"> מיון כתוצאה 1,000 כרכים מרבי אשכול ולזהות את גודל האשכול באחוזון 95 ה (למשל, 50 ה הגדול ביותר עבור 1,000 תמורות). </li><li style=";text-align:right;direction:rtl"> להחיל את הסף המשמש ב6.4 (למשל, עמ &#39;&lt;0.001) וגודל האשכול המינימאלי מ6.5 למפה האמיתית (לא permuted) IC הקבוצה על מנת להפוך אותו לאשכול תיקן לp &lt;0.05. כי בכל מפת permuted נשענת על אותם ערכי MVP discriminability (בסדר שונה), מפת המשמעות זו מדגישה אזורים עם ערכי discriminability יותר סינכרוני מהצפוי במקרה. </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>

המחברים מצהירים שאין להם אינטרסים פיננסיים מתחרים.

יש לו קישוריות מידע הרגישות של MVPA למידע מופץ בדפוס, והוא נותן יכולת ללמוד אינטראקציות בין-האזור באמצעות גישת קישוריות. MVPA וניתוחי univariate סטנדרטיים יכולים כל אחד לחשוף את מעורבותם של אזורים שונים, לעתים עם מעט חפיפה בין התוצאות שלהם 1 3. כצפוי לשיטה שמתבססת על גישות ניתוח אלה, IC ו FC גם לתת תוצאות משלימים 7. ההחלטה אם להעסיק IC סופו של דבר תהיה תלויה בתנאים תחת חקירה והשאלות התיאורטיות שהציבו. שיקולי עיצוב השפעה כי אם MVPA מתבצע על בסיס הנתונים ישפיעו גם אם IC משמש. מחקרים שנועדו עם IC במפורש במוח רוצים לעקוב אחר המלצות ל1 MVPA 4, תוך הבטחה כי ניתן לחלץ נתונים ברמת משפט מכל רחבי timecourse של הסריקה. כאשר בוחניםודיווח תוצאות IC, חשוב שהזרקורים חופפים עם הזרע יוסרו, כדי למנוע את המעגליות. בנוסף, אם משווה ישירות IC ותוצאות FC, מומלץ גם להשוות ניתוח FC מבוסס על ההפעלה הממוצעת של זרקורים, ולא רק voxels. ניתוח נוסף זה יכול להבטיח שכל הבדלים בין התוצאות הם לא בגלל הבדלים ברמות של אות לרעש בזרקורים לעומת voxels. ההליך המתואר כאן מתמקד בעיקר בניתוח גישוש העסקת זרקורים. ראוי לציין כי על ידי החלפת זרקורים עם אזורים של עניין, IC יכול גם להשוות את האזורים שנבחרו לפניי. המדד הנוכחי discriminability - השוואת המתאם של MVP למצב &quot;הנכון&quot; להתאמה למצב החלופי המרבי - גם לשינוי. יש מסווגי למידת מכונה רבים משקולות חיזוי עבור הבדלכיתות erent, אשר יכול בקלות להחליף את השוואות המתאם ביצעו כאן (למשל, כדי לעקוב אחר &#39;הביטחון&#39; של מסווג לאורך זמן). יש IC מגוון רחב של שימושים פוטנציאליים. כמו גם להיות ניתוח ראשוני לחקור רשתות מידע, IC יכול להיות ניתוח מעקב המשני לזרקור MVPA. מפות זרקור MVPA הן בעלי ערך להבנה אילו אזורים יכולים להבחין בתנאים שונים, אך אינם מתפרקות בדרך כלל לרשתות שונות. גישת IC יכולה לעזור כאן, על ידי גילוי ומגדירה לי של הזרקורים discriminability סינכרוני. לבסוף, ניתן להשוות מפות IC ממשימות שונות על מנת להבין רשתות משימה, וניתן להשוות חולים לפקדים כדי להבין טוב יותר כיצד הבדלים רב voxel 1 5 באים לידי ביטוי ברמת הרשת.

המטרה של שיטת הניתוח שתוארה כאן היא למדוד קישוריות בין אזורים במוח המבוססים על תנודות במידע רב voxel שלהם. התקדמות בטכניקות ניתוח דימות תהודה מגנטית תפקודיות (fMRI) גילה כי כמות גדולה של מידע יכולה להיות בתוך דפוסים ברמת חמצון דם תלויים (BOLD) פעילות שמופצים ברחבי voxels מספר 1-3. אוסף של טכניקות שרגישות למידע משתני - המכונים ניתוח דפוס רב voxel (MVPA) - נעשה שימוש כדי להראות שתנאים יכולים להיות MVPs להבחין למרות שיש 1,2,4 תגובות נבדלו חד משתנות. ניתוחים סטנדרטיים, אשר להשוות תשובות חד משתנות, יכולים להיות רגישים למידע רב voxel זה. אזורים במוח מרובים עוסקים בו בני האדם לעבד גירויים ולבצע פעולות קוגניטיביות. קישוריות פונקציונלית (FC) היא שיטה הנפוצה מועסק בחקירהרשתות שער כגון פונקציונליות 5,6. בצורתו הבסיסית ביותר שלה, FC מכמת שיתוף הפעלה, או תיאום, בין voxels או אזורים השונים. FC נעשה שימוש כדי לזהות רשתות מוח תפקודי מחוברות עם הצלחה רבה. לאזורים ותנאים רבים, עם זאת, תגובות בעלות משתנות אחד אינן משקפות את כל המידע זמין במסגרת פעילות BOLD. טכניקות FC העוקבות אחר שינוי דינמי של רמות תגובת univariate עשויות חוסר רגישות לתנודות נפוצות במידע רב voxel. שיטת הניתוח שמובאת כאן, קישוריות מידע (IC; תואר לראשונה בשנים האחרון בעיתון 7), מגשר על פער בין MVPA וFC, על ידי מדידת קישוריות עם מטרי כי הוא רגיש למידע רב voxel לאורך זמן. בעוד FC עוקב דינמי הפעלה משתנית אחד, IC מסלולים דינמי discriminability MVP - מדד של כמה טוב מצבו האמיתי של MVP ניתן להבחין בין חלופות (שגויות). חשוב לציין, בtהוא אותו אופן שאזורים שונים יכולים להראות רמות דומות של תגובות חד משתנות למצב למרות ביצוע חישובים שונים (למשל, עיבוד חזותי או תכנון פעולה כאשר אדם רואה אובייקטי מעשה ידי אדם), אזורים שונים יכולים להיות גם רמות דומות (ומסונכרנות) של MVP discriminability בזמן שהם לעבד תנאים שונים. החקירה האחרונה הוכיחה כי IC יכול לחשוף קישוריות בין אזורים שלא ניתן לגילוי בגישת FC סטנדרטי 7. חוקרים ולכן יכולים להשתמש IC לחקור אינטראקציות בין אזורים במוח כמשתתפים מגיבים למצבים או גירויים שיש דפוסים מופצים אופייניים. IC שונה ממספר יישומי קישוריות האחרונים שבדקו שינויים בהפעלה חד משתנית ביחס לתוצאות סיווג 8, 9. שלא כמו גישות אלו, IC מזהה discriminability דפוס רב voxel סינכרוני בין האזורים.

<table><tbody><tr><td>חבילת התוכנה MATLAB</td> חבילת התוכנה <td>MathWorks</td><td></td><td></td></tr><tr><td>AFNI</td><td>NIMH</td><td></td><td></td></tr></tbody></table>

באמצעות הסברה קישוריות למדוד את צמיחת סינכרוני של מידע multi-voxel fmri לאורך זמן

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

הוא מעריך כעת כי מידע מצב רלוונטי יכול להיות נוכח בתוך דפוסים מופצים של פעילות מוחית בסורק תהודה מגנטית תפקודי (fMRI), גם תנאים עם רמות דומות של הפעלה חד משתנית. ניתוח דפוס Multi-voxel (MVP) נעשה שימוש כדי לפענח את המידע הזה בהצלחה רבה. חוקרי FMRI גם לעתים קרובות מבקשים להבין איך אזורי מוח אינטראקציה ברשתות ביניהם, ולהשתמש בקישוריות תפקודית (FC) כדי לזהות אזורים שקורלציה תגובות על פני זמן. בדיוק כמו ניתוח חד משתנה יכול להיות רגיש למידע בMVPs, FC לא יכול לאפיין באופן מלא את הרשתות במוח שמעבדות את התנאים עם חתימות MVP אופייניות. השיטה מתוארת כאן, קישוריות מידע (IC), ניתן לזהות אזורים עם שינויים מתואמים בMVP-discriminability לאורך זמן, חושף קישוריות שאינה נגיש למועדון כדורגל. השיטה יכולה להיות גישוש, תוך שימוש בזרקורים לזהות זרע connאזורי ected, או מתוכננים, בין אזורים של ריבית שנבחרו מראש. התוצאות יכולות להבהיר רשתות של אזורים שמעבדים תנאים הקשורים ל-MVP, יכול התמוטטות מפות זרקור MVPA לרשתות נפרדות, או יכולות להיות בהשוואה על פני משימות וקבוצות חולים.

כעת ניתן להציג התוצאות משולבים באמצעות חבילת ה-fMRI המועדפת של חוקר תוכנת ניתוח. איור 2 מראה תוצאות IC, המחושבים מלוקים של אדם שהוצג באופן חזותי עשו אובייקטים (פרטים מלאים בפרסום הקשורים 7). ניתוח IC הוא בעל ערך במיוחד עבור תנאים ידועים הקשורים MVPs: תנאים עם MVPs האופייני, אך ללא הבדלים בתגובות משתנות אחד, יש סיכוי גבוה יותר שיש לי הבחנות בין IC ו FC (מאויר עם הנתונים שנרשמו כמשתתפים צפו בסוגים שונים של גבר עשה אובייקטים באיור 3). איור 4 מראה שזרקורים עם מידע רב voxel משמעותי יכול להיות גבוה IC, אבל מיוצגים פחות טוב בתוצאות FC. <img alt="איור 1" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig1highres.jpg" wiDTH = &quot;500&quot; /&gt; .. איור 1 דוגמאות לdiscriminability דפוס לאורך זמן למעלה:. מצעים של discriminability MVP מחושב מנושא בהקסבי ואח&#39; (2001) 2, כפי שנתחו בCoutanche &amp; תומפסון-שיל (2013) 7. הקו הכחול מציג את המתאם-הבקיע z בין &#39;MVPs והזמן הממוצע נקודות (&#39; ההכשרה &#39;) דפוס של המחלקה הנכונה. הקווים הירוקים מייצגים מתאמים &#39;MVPs עם שלוש כיתות שגויות. תחתונה: discriminability תבנית הוא את ההבדל בין מתאמים למחלקה הנכונה ושגויה ברמה הגבוהה ביותר. נקודות זמן עם ערכי discriminability הדפוס חיוביים יסווגו בצורה נכונה על ידי מסווג מבוסס קשר. איור שפורסם במקור בCoutanche &amp; תומפסון-שיל (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig1highres.jpg" target="_blank">אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו</a>. <img alt="איור 2" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig2highres.jpg" width="500" /> איור 2. מפות קישוריות לדוגמא. כל שורה מציגה אזורים המחוברים באופן משמעותי לזרע (מוצג בכחול). משמעות נקבעת על ידי קבוצת מבחן t (p &lt;0.001) עם גודל אשכול מינימאלי מבדיקות תמורה. תוצאות IC מוצגות באמצעות 1 AFNI 1 במפות שטח המיוצרים עם 1 FreeSurfer 2. איור הוא שונה מCoutanche &amp; תומפסון-שיל (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig2highres.jpg" target="_blank">אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.</a> <img alt="איור 3" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig3highres.jpg" width="500" /> דמות. 3 discriminability מסונכרן MVP לעומת מתכוון הפעלת דוגמאות לdiscriminability MVP בשני אזורים עם discriminability סינכרוני MVP (כלומר קישוריות מידע) ללא הפעלה ממוצעת סינכרוני (כלומר קישוריות תפקודית).; הנתונים מגיע מנושא מהקסבי et al. (2001) 2, כפי שנתח בCoutanche &amp; תומפסון-שיל (2013) 7. נקודות נתונים אלה נאספו בזמן שהנושא שנצפו מצגות חזותיות של חפצי מעשה ידי אדם, שניתן להבחין בדפוסים רב voxel, אבל לא אומר שתגובות. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig3highres.jpg" target="_blank">אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.</a> <img alt="איור 4" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig4highres.jpg" width="500" /> איור 4. דוגמא IC וערכי FC בין זרע בLEFפיתול דמוי כישור t וזרקורים על פני המוח. הסברה וחוזק תפקודי קישוריות (Z-צירים) מוצגים בין זרע וזרקורים, עם כל כבוד לתגובה הממוצעת של כל זרקור (ציר x) ודיוק MVPA סיווג (ציר y) לארבע סוגים של חפצי מעשה ידי אדם (סיכוי = 25%). זרקורים שיתוף voxels עם אזור הזרע הוסרו. גרף IC כולל דוגמאות של זרקורים עם קישוריות חזקה שיש להם ביצועי סיווג גבוהים אך רמות נמוכות ממוצעת בתגובה, שלא הרימו בגישת FC טיפוסית (ראתה מהפער בתומן השמאלי העליון של הגרף מימין). איור שפורסם במקור בCoutanche &amp; תומפסון-שיל (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig4highres.jpg" target="_blank">אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.</a>

קישוריות אינפורמטיבית מודדת את ההתאמה בין מסלולי זמן של מידע מרובה ווקסל על פני אזורי מוח שונים. סדרות זמן של אפליה בדפוס רב-ווקסל מופקות מאזורים ומושווים, וחושפות רשתות שאינן מזוהות בגישת קישוריות פונקציונלית טיפוסית.

באמצעות הסברה קישוריות למדוד את צמיחת סינכרוני של מידע Multi-voxel fMRI לאורך זמן

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

המטרה הכללית של פרוצדורה זו היא למדוד קישוריות בין אזורי מוח בהתבסס על שינויים בדפוסי הפעילות המפוזרת שלהם לאורך זמן. הדבר משיג תחילה על ידי בחירת אזור גרעין (seed region). לאחר מכן, מחושבת יכולת ההבחנה (discriminability) של דפוס רב-ווקסלי עבור כל נקודת זמן עבור אזור הגרעין ועבור כל "פנס חיפוש" (searchlight) או אזור עניין.השלב הסופי הוא לבצע קורלציה בין סדרת הזמנים של יכולת ההבחנה (discriminability) של אזור הגרעין לבין כל "זרקור" (searchlight). בסופו של דבר, קישוריות מידייתית (informational connectivity) משמשת לחשיפת קישוריות בין אזורים שבהם המידע מוכל בדפוסים של ווקסלים. היתרון העיקרי של טכניקה זו על פני שיטות אחרות, כגון קישוריות תפקודית, הוא היכולת לזהות קישוריות באמצעות תנאים שאינם נבדלים בתגובה החיסונית, אך בעלי חתימה רב-משתנית (multivariate signature) ייחודית.ראשית, עלה בדעתי להשתמש בשיטה זו לאחר שהבנתי שטכניקות קישוריות רבות מתעלמות ממידע המצוי אך ורק בדפוסי פעילות של מספר ווקסלים (multi voxel). בדיוק כפי שאנו יודעים כיום שגישות חד-משתניות (univariate) עיוורות לחלוטין למידע השמור בדפוסי פעילות של מספר ווקסלים. כדי להתחיל בהליך זה, הסר את התנועה ואת אותי החומר הלבן הממוצעים מסדרות הזמן של נתוני FMRI שעברו עיבוד מקדמי, על ידי יצירת מודל רגרסיה עם פרדיקטורים עבור פרמטרי תנועה ואות החומר הלבן הממוצע. לאחר מכן, בצע את הניתוח הבא על השאריות (residuals) שהתקבלו.ייבאו את השאריות (residuals) שנוצרו לחבילת ניתוח כגון MATLAB או Python, באמצעות ארגז הכלים של MATLAB לקישוריות מידע (informational connectivity) בקוד פתוח, לדוגמה. לאחר מכן, המירו את סדרת הזמנים של כל ווקסל ל-zco. חלקו את נקודות הזמן של מערכי הנתונים לקבוצות עצמאיות, כגון הרצות סורק שונות.לאחר מכן, צרו רשומה של תוויות התנאים המשויכות לנקודות הזמן על ידי יצירת וקטור של תוויות תנאים. כלומר, העבירו את תוויות התנאים קדימה בכל ריצה בנקודות הזמן של סוף הניסוי, במספר פעמים של חזרות השקול לחמש שניות, וזאת כדי להתחשב בפיגור ההמודינמי בין האירועים לבין אותות ה-FMRI המוקלטים. כדי לבחור אזור זרע (seed region), בודדו אזור אנטומי באמצעות בחירת ווקסלים בתוכנה המועדפת עליכם, או בעזרת אטלס מסומן המאתר אזור באופן פונקציונלי, או על ידי בחירה של ה-searchlight בעל הביצועים הגבוהים ביותר במיפוי מידע מוחי.לאחר מכן השוו את ה-MVP של כל נקודת זמן. ציינו MVP פרוטוטייפי עבור כל תנאי. השתמשו בארגז הכלים של MATLAB לקישוריות מידע (informational connectivity) בקוד פתוח.חשב MVP טיפוסי עבור כל תנאי על ידי חישוב ממוצע של נקודות הזמן של כל תנאי בכל ה-folds פרט לאחד. לאחר מכן, בצע קורלציה בין ה-MVP של כל נקודת זמן לבין ה-MVP הממוצע של כל תנאי מנתוני האימון. פעולה זו תניב ערך קורלציה של 0.1 עבור כל נקודת זמן עבור כל תנאי.שימו לב כי התנאי עם המתאם הגבוה ביותר כאן יהיה החיזוי של מסווג ה-MVPA המבוסס על המתאם הפופולרי. לאחר מכן, כמתו את יכולת ההבחנה (DISCRIMINABILITY) של ה-MVP עבור כל נקודת זמן, ראשית על ידי זיהוי המתאם המייצג את התנאי של אותה נקודת זמן, ולאחר מכן על ידי חיסור הגבוה ביותר מבין המתאמים שנותרו.התוצאה היא יכולת ההבחנה של ה-MVP בכל נקודת זמן. כדי לבצע ניתוח search light, מקמו צבר תלת-ממדי סביב כל vle. בתורכם, חזרו על השלב הקודם עבור כל search light, כך שלכל search light תהיה סדרת זמנים של ערכי הבחנה של ה-MVP.כעת בצעו קורלציה בין סדרת הזמן של ה-MVP Discriminability של הזרע (seed) לבין סדרות הזמן של ה-DISCRIMINABILITY של כל searchlight. באמצעות מתאם דרגות של ספירמן (spearman's rank correlation), ערך ה-RS המתקבל הוא ה-IC בין הזרע לבין ה-searchlight. לאחר מכן, שייכו את ערך ה-IC של כל searchlight לווקסל המרכזי של אותו searchlight, וייצאו את מפת המוח האינדיבידואלית שהתקבלה.אם הנתונים אינם נמצאים כבר במרחב סטנדרטי, העבירו את מפות ה-IC של המשתתף לאותו מרחב. ניתן, באופן רשות, להחליק את מפות ה-searchlight של הפרט. איור זה מציג דוגמאות של MVP DISCRIMINABILITY בשני אזורים עם MVP Discriminability סינכרונית ללא הפעלה ממוצעת סינכרונית.נקודות נתונים אלו נאספו בעוד הנבדק צפה במצגות חזותיות של חפצים מעשה ידי אדם, אשר ניתנים להבחנה על ידי תבניות של מספר ווקסלים (multi voxel patterns), אך לא על ידי תגובות ממוצעות. מוצג כאן דוגמה לערכי ה-IC וה-FC בין גרעין (seed) באזורים השמאליים של ה-form gyrus לבין searchlights ברחבי המוח. עוצמות הקישוריות המידעית והתפקודית מסומנות על ציר Z ביחס לתגובה הממוצעת של כל searchlight על ציר X ולדיוק הסיווג של ה-MVPA על ציר Y; הפינה השמאלית העליונה של גרף ה-IC מראה searchlights עם קישוריות מידעית וביצועי סיווג גבוהים, אך רמות תגובה ממוצעות נמוכות.הפער בפינה השמאלית העליונה של גרף ה-FC מראה כי פנסים מחוברים אלו אינם מזוהים בגישת FC טיפוסית. להלן דוגמה למפות קישוריות. כל שורה מציגה את האזורים המחוברים באופן מובהק לגרעין (seed). המובהקות נקבעת באמצעות Group T test עם גודל אשכול מינימלי מתוך בדיקת פרמוטציות.תוצאות ה-IC מוצגות כאן באמצעות מפות שטח של אקנה שהופקו עם free surfer בעקבות הליך זה. ניתן לבצע ניתוחים נוספים, כגון קישוריות תפקודית, כדי לבחון שאלות נוספות, כגון האם תנאים מקושרים באופן ייחודי על ידי תבניות רב-ווקסליות או אם הם מסונכרנים גם בתגובות הממוצעות שלהם. לפיכך, לאחר צפייה בסרטון זה, צריכה להיות לכם הבנה טובה כיצד למדוד קישוריות בין אזורים על בסיס התבניות הרב-ממדיות שלהם.תודה לצפייה.

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

Research

JoVE Journal

Neuroscience

מדעי המוח

פיתחנו שיטת הדמיה בתהודה מגנטית תפקודית זמנית הקלטה אלקטרו במוח מכרסם, המספקת פלטפורמה חקירת הקשר בין הפעילות העצבית ואת רמת חמצון הדם תלוי אות (BOLD) MRI.

FMRI Electrophysiology סימולטני במוח מכרסמים

מאמר זה מדגים עיצוב ניסיוני שבו כל הגוף דמויות אנימציה המשמשים בשיתוף עם בהדמיה מגנטית תפקודית (fMRI) כדי לחקור את וקושרת עצביים של התבוננות באינטראקציות חברתיות וירטואליות.

הדמיה מוחית של חקירה וקושרת עצבית של התבוננות אינטראקציות חברתיות וירטואליות

מצב ברירת המחדל של הרשת (DMN) באונה הטמפורלית אפילפסיה (ייתכנו) הוא ניתח במצב המנוחה של המוח באמצעות קישוריות פונקציונלית המבוסס על זרעי MRI (fcMRI).

ניתוח רשת של ברירת מחדל מצב הרשת באמצעות קישוריות ה-MRI התפקודי באונה הטמפורלית אפילפסיה

MRI במצב מנוחה זיהה חריגות בחולים עם מגוון רחב של הפרעות נוירו-פסיכיאטריות, כולל אפילפסיה עקב מומים בהתפתחות קליפת המוח. גירוי מגנטי טרנס-גולגולתי בשילוב עם EEG יכול להוכיח שלחולים עם אפילפסיה יש ריגוש יתר בקליפת המוח באזורים עם קישוריות לא תקינה.

מולטימודליות Imaging- מבוסס גירוי אופן הערכת קישוריות הקשורות מוח רגיש בחולים עם אפילפסיה

יחידנית או משולבת EEG-fMRI, הדמיה שיטה, המכונה ייתכן מוגבל-fMRI EEG המקור הדמיה שיטה, מתואר כאן. השיטה הציג מעסיקה מפות המשנה מותנה-פעיל fMRI או הרשעות קודמות, להנחות EEG מקור לשפות אחרות באופן משפר ירידה לפרטים המרחבי, מגביל תוצאות שגויות.

בו-זמניות EEG ו MRI פונקציונלי הקלטה וניתוח אינטגרציה עבור הדמיה דינמי פעילות קורטיקלית

מטרת הגישה המתוארת היא כדי לקבוע איזה רגעים של הפרדיגמה (פרספקטיבה טמפורלית), ובין האזורים (פרספקטיבה מרחבית), reconfigurations משמעותית בקישוריות פונקציונלי מתרחשות על הדמיית תהודה מגנטית תפקודית הקלטות שבמהלכו גירוי נעול זמן הוא שיחק.

קישוריות פונקציונלי בין נושא דינאמי חושף בתצורות רשת--לרגע המוח מונע על ידי רציף או תקשורת פרדיגמות

הפרוטוקול לעריכת ניסויי סריקת יתר של fNIRS על דיאדות למידה שיתופית בסביבת למידה נטורליסטית מתואר. יתר על כן, צינור לנתח סינכרוני בין המוח (IBS) של אותות המוגלובין מחומצן (Oxy-Hb) מוצג.

סנכרון בין מוחות בלמידה שיתופית פתוחה: מחקר על היפר-סריקה של fNIRS

הדינמיקה בין מוחות מצמידים של אנשים מיוצגת יותר ויותר על ידי סנכרון בין מוחות (IBS) כאשר הם מתאמים זה עם זה, בעיקר באמצעות אותות הקלטה בו זמנית של מוח (כלומר היפר-סריקה) עם fNIRS. במחקרי סריקת יתר של fNIRS, IBS נבחן בדרך כלל באמצעות שיטת קוהרנטיות טרנספורמציה גל (WTC) בגלל היתרון שלה על הרחבת סדרות זמן לתוך מרחב תדר זמן שבו תנודות ניתן לראות בצורה אינטואיטיבית מאוד. ניתן לאמת עוד יותר את ה- IBS הנצפה באמצעות השיוך האקראי מבוסס התמורות של גירסת הניסיון, השותף והמצב. כאן, מוצג פרוטוקול כדי לתאר...

כיצד לחשב ולאמת סינכרון בין-מוחי במחקר היפר-סריקה של fNIRS

פרוטוקול זה מתאר קוהרנטיות של התמרת גלים חלקית (pWTC) לחישוב התבנית המפגרת בזמן של סנכרון עצבי בין-אישי (INS) כדי להסיק את הכיוון ואת התבנית הזמנית של זרימת המידע במהלך אינטראקציה חברתית. היעילות של pWTC בהסרת הבלבולים של תיקון אוטומטי של אותות ב- INS הוכחה על ידי שני ניסויים.

מדידת זרימת המידע הכיווני בנתוני fNIRS-Hyperscanning באמצעות שיטת הקוהרנטיות של התמרת גלים חלקית

אנו מציגים שיטה לאיסוף סימולטני של אותות fMRI ו-fNIRS מאותם נבדקים עם כיסוי fNIRS של כל הראש. הפרוטוקול נבדק עם שלושה צעירים וניתן להתאים אותו לאיסוף נתונים עבור מחקרים התפתחותיים ואוכלוסיות קליניות.

איסוף נתונים סימולטני של מדידות fMRI ו-fNIRS באמצעות מערך Optode של ראש שלם וערוצים למרחקים קצרים

Wavelet transform coherence (WTC) היא מתודולוגיה נפוצה להערכת הצימוד בין אותות המשמשת במחקרי היפר-סריקה פונקציונליים של ספקטרוסקופיה תת-אדומה קרובה (fNIRS). בעבודה זו מוצג ארגז כלים להערכת הכיווניות של אינטראקציית האות.

מסגרת חדשה להבנת קוהרנטיות בין-מוחית במחקרי היפר-סריקה תפקודית של ספקטרוסקופיה תת-אדומה קרובה (fNIRS)

למדו למדוד קישוריות מידעית בין אזורי מוח באמצעות דפוסי פעילות multi-voxel ב-fMRI. שיטה זו חושפת רשתות שיטות קישוריות תפקודית מפספסות, ומספקת כלי עוצמתי להבנת תפקוד המוח ומחלות נוירולוגיות.

באמצעות הסברה קישוריות למדוד את צמיחת סינכרוני של מידע Multi-voxel fMRI לאורך זמן

גלה סרטונים נוספים