시간에 걸쳐 fMRI를 다 복셀 정보의 동시 출현을 측정하는 정보를 제공하는 연결을 사용하여

이 절차의 전반적인 목표는 시간이 지남에 따라 분산된 활동 패턴의 변화를 기반으로 뇌 영역 간의 연결성을 측정하는 것입니다. 이 작업은 먼저 시드 영역을 선택하여 수행됩니다. 다음으로 다중 복셀 패턴에서는 시드 영역과 각 탐조등 또는 관심 영역에 대한 각 시점에 대해 판별 가능성이 계산됩니다.

마지막 단계는 시드 영역의 판별 가능 시계열을 각 탐조등과 상관시키는 것입니다. 궁극적으로, 정보 연결성은 복셀 패턴 전반에 걸쳐 정보가 포함된 지역 간의 연결성을 드러내는 데 사용됩니다. 글쎄요, 기능적 연결성과 같은 다른 기술에 비해 이 기술의 주요 장점은 면역 반응에는 차이가 없지만 고유한 다변량 시그니처를 가진 조건을 사용하여 연결성을 감지할 수 있다는 것입니다.

글쎄요, 저는 많은 연결 기술이 다중 복셀 활동 패턴에만 유지되는 정보를 무시하고 있다는 것을 깨달은 후 이 방법에 대한 아이디어를 처음 갖게 되었습니다. 이제 일변량 접근 방식이 다중 복셀 활동 패턴에 포함된 정보를 완전히 인식하지 못한다는 것을 알고 있는 것처럼, 이 절차를 시작하려면 모션 매개변수와 평균 백질 신호에 대한 예측 변수가 있는 회귀 모델을 생성하여 전처리된 FMRI 데이터의 시계열에서 모션 및 평균 백질 신호를 제거합니다. 그런 다음 결과 잔차에 대해 다음 분석을 수행합니다.

생성된 잔차를 MATLAB 또는 Python과 같은 분석 패키지로 가져올 수 있으며, 예를 들어 오픈 소스 정보 연결 MATLAB 툴박스를 사용할 수 있습니다. 그런 다음 각 복셀 시계열을 zco로 변환합니다. 데이터 세트 시점을 다른 스캐너 실행과 같은 독립적인 집합으로 분리합니다.

그런 다음, 조건 레이블로 구성된 벡터를 생성하여 시점과 연결된 상태 레이블의 레코드를 만듭니다. 즉, 종료 시점은 이벤트와 기록된 FMRI 신호 사이의 혈역학적 지연을 설명하기 위해 각 실행에서 조건 레이블을 5초에 해당하는 반복으로 여러 번 앞으로 이동합니다. 시드 영역을 선택하려면 선호하는 소프트웨어에서 복셀을 선택하거나 영역을 기능적으로 지역화하거나 최고 성능의 정보 뇌 매핑 탐조등을 선택하는 레이블이 지정된 아틀라스를 사용하여 해부학적 영역을 분리합니다.

그런 다음 각 시간의 MVP를 비교합니다. 모든 조건에 대한 프로토타입 MVP를 가리킵니다. 오픈 소스 정보 연결 MATLAB 툴박스 사용.

한 폴드를 제외한 모든 조건에서 각 조건의 시간 지점을 평균화하여 모든 조건에 대한 프로토타입 MVP를 계산합니다. 다음으로, 모든 시점 MVP를 학습 데이터에서 각 조건의 평균 MVP와 연관시킵니다. 이렇게 하면 각 조건에 대해 매번 0.1의 상관 관계 값이 제공됩니다.

여기서 상관 관계가 가장 높은 조건은 널리 사용되는 상관 관계 기반 MVPA 분류자의 예측입니다. 나중. 먼저 해당 시점의 상태를 나타내는 상관 관계를 식별하여 각 시점에 대한 MVP DISCRIMINABILITY를 정량화합니다. 그런 다음 나머지 상관 관계 중 가장 높은 상관 관계를 뺍니다.

그 결과 각 시점의 MVP 구분 가능성이 결정됩니다. 서치라이트 분석을 수행하려면 각 vle 주위에 3차원 클러스터를 배치합니다. 그런 다음, 각 검색 표시등에 대해 이전 단계를 반복하여 모든 검색 표시등이 MVP 판별 값의 시계열을 갖도록 합니다.

이제 시드의 MVP Discriminability 시계열을 각 서치라이트의 DISCRIMINABILITY 시계열과 연관시킵니다. 스피어맨의 랭크 상관 관계를 사용하여 결과 RS 값은 시드와 탐조등 사이의 IC입니다. 그런 다음 각 탐조등의 IC 값을 탐조등의 중앙 복셀에 할당하고 결과 개인의 뇌 지도를 작성합니다.

데이터가 아직 표준화된 공간에 있지 않은 경우 참가자의 IC 맵을 동일한 공간으로 변환합니다. 선택적으로 개인의 탐조등 지도를 매끄럽게 합니다. 이 그림은 동기 평균 활성화 없이 동기 MVP Discriminability가 있는 두 지역에서 MVP DISCRIMINABILITY의 예를 보여줍니다.

이러한 데이터 포인트는 피험자가 인공 물체의 시각적 표현을 보는 동안 수집되었으며, 이는 다중 복셀 패턴으로 구별할 수 있지만 평균 반응은 아닙니다. 그리고 여기에 표시된 것은 뇌를 가로지르는 형태 이랑과 탐조등의 왼쪽 보기에 있는 씨앗 사이의 IC 및 FC 값의 예입니다. 정보 및 기능적 연결성 강도는 X축에서 각 탐조등의 평균 응답 및 Y축에서 MVPA 분류 정확도와 관련하여 Z축에 표시되며, IC 그래프의 왼쪽 상단 모서리에는 분류 성능은 높지만 평균 응답 수준은 낮은 정보용으로 연결된 서치라이트가 표시됩니다.

FC 그래프의 왼쪽 상단 모서리에 있는 간격은 이러한 연결된 서치 라이트가 일반적인 FC 접근 방식에서 감지되지 않음을 보여줍니다. 다음은 연결 맵의 예입니다. 각 행은 시드에 유의하게 연결된 영역을 보여줍니다.유의성은 순열 테스트에서 최소 클러스터 크기를 가진 그룹 T 테스트에 의해 결정됩니다.

IC 결과는 이 절차에 따라 프리 서퍼로 만든 표면 지도의 여드름을 사용하여 여기에 표시됩니다. 조건이 다중 복셀 패턴에 의해 고유하게 연결되어 있는지 또는 평균 응답에서도 동기화되는지 여부와 같은 추가 질문을 하기 위해 기능적 연결성과 같은 다른 분석을 수행할 수 있습니다. 따라서 이 비디오를 시청한 후에는 다중 패턴을 기반으로 지역 간의 연결을 측정하는 방법을 잘 이해해야 합니다.

시청해 주셔서 감사합니다.