Name: Met behulp Informatieve Connectiviteit om de Synchrone opkomst van fMRI Multi-voxel Informatie Across Time Meet (Video) | JoVE Journal
Uploaded: 2014-07-01T13:00:00.000+00:00
Duration: 7 min 12 s
Description: Leer hoe je informatieve connectiviteit meet tussen hersengebieden met fMRI multi-voxel patronen. Deze methode onthult netwerken die traditionele functionele connectiviteit niet detecteert.

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

Wij danken Jim Haxby en collega&#39;s voor het maken van hun gegevens beschikbaar voor verdere analyses. Marc N. Coutanche werd gefinancierd door een beurs van het Howard Hughes Medical Institute. Dit werk werd ondersteund door NIH subsidie ​​R0I-DC009209 en R01-EY02171701 toegekend aan Sharon L. Thompson-Schill.

1. Bereid de fMRI gegevens Opmerking: Na het uitvoeren van een fMRI scan, pre-proces van de verzamelde gegevens met behulp van de beschikbare instrumenten in de meeste fMRI softwarepakketten voor het begin van dit protocol (hoewel ruimtelijke smoothing moet worden vermeden of geminimaliseerd om multi-voxel patronen te behouden). Een voorbeeld van een geschikte dataset wordt beschreven in een eerdere toepassing van de werkwijze 7. <ol><li> Verwijder beweging en betekenen materie signalen wit van de tijdreeksen van voorbewerkte fMRI gegevens door het creëren van een regressiemodel met voorspellers voor motion parameters (roll, pitch, yaw, x, y, z) en de gemiddelde materie signaal wit. Voeren de analyses hieronder op de resulterende residuen (dwz de resterende variantie). </li><li> Importeer de gegenereerde reststromen tot een analyse-pakket (bijv. MATLAB, Python). De open source Informatieve Connectivity Toolbox (http://www.informationalconnectivity.org) kan fMRI gegevens importeren in MATLAB. </li><li> Z-score each voxel&#39;s tijdreeksen. </li><li> Scheid tijdstippen van de dataset in onafhankelijke sets (&quot;plooien&quot;), zoals verschillende scanner runs. Opmerking: Het gebruik scanner loopt zorgt voor onafhankelijkheid tussen de plooien, die anders moeilijk kan zijn om te garanderen (bijvoorbeeld, kon afhankelijkheden worden gecreëerd tussen tijdstippen een run tijdens pre-processing). Runs kunnen worden gegroepeerd om het aantal vouwen (bijvoorbeeld even en oneven runs 2) verminderen, hoewel enkelvoudige punten zal trainingsgegevens geven. </li><li> Maak een verslag van de toestand labels die bij tijdstippen door het genereren van een vector van aandoening labels die N tijdstippen lang. </li><li> Schuif de voorwaarde labels voorwaarts in elk geleid door een aantal malen te herhalen (TRS) gelijk aan 5 sec, om rekening te houden met de hemodynamische vertraging tussen gebeurtenissen en opgenomen fMRI signalen. </li></ol> 2. Selecteer en analyseren een Seed Regio <ol><li> Selecteer een zaad regio door het isoleren van een anatomischal ruimte, functioneel gelokaliseerd gebied of best presterende &#39;informatie brain mapping&#39; zoeklichten 10. Opmerking: Stappen 2,2-4,2 hieronder kan worden uitgevoerd door de open-source Informatieve Connectiviteit MATLAB Toolbox ( <a href="http://www.informationalconnectivity.org">http://www.informationalconnectivity.org</a> ). </li><li> Vergelijk de MVP van elke keer-punt om een prototypisch MVP voor elke conditie (Let op: dit is dezelfde aanpak als in de populaire-correlatie gebaseerde naaste buur classifier 2). Figuur 1 (boven) geeft een voorbeeld van echte gegevens verzameld in het deelnemers bekeken blokken van vier soorten van de mens gemaakte objecten. <ol><li> Bereken een prototypisch (gemiddelde) MVP voor elke aandoening door het gemiddelde van de tijdstippen van elke voorwaarde in alle-maar-een kudde. Dit is de &quot;training&quot; voor elke vouw (bijvoorbeeld voor vouwen 2 van 5 worden zin MVP berekend uit tijdspunten bij plooien 1, 3, 4 en 5). </li><li> Correleren ieder tijdstip bepaald &#39;; S MVP met de gemiddelde-MVP van elke conditie van de trainingsgegevens. Dit zal ieder tijdstip bepaald met een correlatie waarde voor elke aandoening te geven (Let op: de staat met de hoogste correlatie hier zou de voorspelling van de populaire correlatie gebaseerd MVPA classifier 2 zijn) </li><li> Fisher-transformatie van de r-waarden z-scores. </li></ol></li><li> Kwantificeren &#39;MVP discriminability&#39; voor elk meetpunt: identificeren Eerst de correlatie uit 2.2.3 dat de relatie tussen het meetpunt MVP en de gemiddelde-MVP van de toestand van dat tijdpunt vertegenwoordigt, en vervolgens aftrekken van de hoogste van de overige correlaties (dwz &#39;correlatie met de juiste voorwaarde &#39;minus&#39; maximale correlatie met een onjuiste toestand &#39;). Het resultaat is dat timepoint MVP discriminability. Een alternatieve (en geldige) benadering zou zijn de gemiddelde correlatie van de onjuiste condities aftrekken. Opmerking: De voorgestelde aanpak heeft de intuïtieve Advantage die tijdstippen met positieve discriminability waarden correct zijn ingedeeld door de correlatie gebaseerd classifier, terwijl tijdstippen met negatieve waarden zijn niet correct voorspeld. Een voorbeeld van de resulterende waarden weergegeven in Figuur 1 (onder). De stappen tot aan dit punt zijn vastgelegd in onderstaande formules. <img alt="2.3 vergelijkingen" fo:content-width="4.5in" src="/files/ftp_upload/51226/51226_2.3_equations.jpg" /> X is een genormaliseerde 1-op-m rij vector met m voxel activering waarden op tijdstip-point n, Y is een genormaliseerde 1-op-m rij vector van de gemiddelde opleiding patroon voor de juiste (c) of onjuiste (i) de voorwaarden voor tijd-punt n. De artanh functie past de Fisher z transformatie. </li></ol> 3. Bereken een tijdreeks van MVP Discriminability voor elke Zoeklicht <ol><li> Voer een zoeklicht analyse 10: Plaats een driedimensionale cglans rond elke voxel beurt (een &#39;zoeklicht&#39;). </li><li> Herhaal de stappen 2.2 en 2.3 voor elke zoeklicht, zodat elke zoeklicht heeft een tijdreeks van MVP discriminability waarden (een per meetpunt). </li></ol> 4. Bereken Informatieve Connectiviteit tussen het zaad en zoeklichten <ol><li> Correleren van het zaad MVP discriminability tijdreeks (vanaf 2.3) met discriminability tijdreeksen elk zoeklicht&#39;s (vanaf 3.2) met behulp van Spearman Rank correlatie. De resulterende r s waarde is de IC tussen het zaad en zoeklicht. </li><li> Wijs aan elke zoeklicht&#39;s IC waarde aan centrale voxel het zoeklicht&#39;s en schrijf de resulterende individu hersenen kaart. </li></ol> 5. Bereken Groep Statistische Kaart <ol><li> IC als de gegevens nog niet in gestandaardiseerde ruimte (bijv. Talairach of MNI), transformeren deelnemers kaarten in dezelfde ruimte. </li><li> Eventueel glad de individuen &amp;# 39; zoeklicht kaarten. </li><li> Maak een groep statistische kaart middels een manier t-test voor of elk zoeklicht&#39;s IC waarde aanzienlijk groter is dan nul. </li></ol> 6. Test Belang Opmerking: Talrijke benaderingen bestaan ​​voor het bepalen van de statistische significantie van fMRI groep kaarten. Als permutatietoets betekenis kan bepalen met minimale veronderstellingen, terwijl goed voor vloeiender (zoals elke gepermuteerde groep kaart ondergaat dezelfde verwerking) de dataset is, is deze optie hieronder uiteengezet. <ol><li> Voor elk van 1000 permutaties, willekeurige shuffle MVP-discriminability waarden van het zaad over de tijdreeks. Houd nabijgelegen tijdstippen temporele autocorrelaties (zoals tijdstippen in hetzelfde blok) samen (bijvoorbeeld door herverdelingsblokken plaats aangrenzend TR). </li><li> Bereken individuen &#39;IC kaarten voor elke permutatie (stap 4 hierboven). </li><li> Genereer 1000 gepermuteerde groep kaarten: Randomly selecteert u een gepermuteerde IC kaart van elke deelnemer en voeren een groep proef op deze willekeurige reeks (stap 5 hierboven). </li><li> Drempel elke gepermuteerde groep kaart op een gewenst niveau (bijv. p &lt;0,001) en haal de maximale clustergrootte van de kaart. </li><li> Sorteer de resulterende 1000 maximum-cluster volumes en identificeren van de cluster grootte op de 95 e percentiel (bv. de 50e grootste voor 1000 permutaties). </li><li> Breng de drempel die in 6.4 (bijv. p &lt;0,001) en de minimale cluster grootte van 6,5 tot de echte (niet-gepermuteerde) IC groep kaart in zodat het cluster-gecorrigeerd p &lt;0,05. Omdat elke gepermuteerde kaart is gebaseerd op dezelfde MVP discriminability waarden (in een andere volgorde), deze betekenis kaart wijst regio&#39;s met meer synchrone discriminability waarden dan verwacht door toeval. </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>

De auteurs verklaren dat ze geen concurrerende financiële belangen hebben.

Informatieve connectiviteit heeft MVPA&#39;s gevoeligheid voor drinkpatroon informatie, en geeft een mogelijkheid om tussen-regio interacties te bestuderen door middel van een verbinding aanpak. MVPA en standaard univariate analyses kunnen elk onthullen de betrokkenheid van de verschillende regio&#39;s, soms met weinig overlap tussen hun resultaten 1 3. Zoals verwacht voor een methode die is gebaseerd op deze analyse benaderingen, IC en FC geven ook aanvullende resultaten 7. De beslissing om al dan niet in dienst IC zal uiteindelijk afhangen van de omstandigheden waaronder het onderzoek en de theoretische vragen die worden gesteld. Ontwerp overwegingen die van invloed zijn of MVPA wordt uitgevoerd op een dataset zal ook invloed hebben op de vraag of IC wordt gebruikt. Studies ontworpen met IC expliciet in het achterhoofd zal willen aanbevelingen volgen voor MVPA 1 4, tegelijkertijd ervoor te zorgen dat het proces-level data kunnen uit de hele tijdsverloop van de scan worden geëxtraheerd. Bij de behandeling vanen rapporteren IC resultaat is het belangrijk dat zoeklichten overlapt het zaad verwijderd om circulariteit voorkomen. Bovendien, als een directe vergelijking IC en FC resultaten, is het raadzaam om ook een FC analyse op basis van de gemiddelde activering van zoeklichten, in plaats van alleen voxels vergelijken. Deze aanvullende analyse kan zorgen dat de verschillen tussen de resultaten niet vanwege verschillen in de niveaus van signaal-ruis in zoeklichten versus voxels. De hier beschreven procedure richt zich vooral op een verkennende analyse in dienst zoeklichten. Het is vermeldenswaard dat door het vervangen van zoeklichten met regio-of-interest, IC kan ook regio&#39;s die zijn geselecteerd voorafgaande i vergelijken. De huidige discriminability metrische - het vergelijken van een MVP&#39;s correlatie voor de &#39;ware&#39; voorwaarde om de correlatie voor de maximale alternatieve voorwaarde - is ook aanpasbaar. Vele machine learning classificatoren hebben voorspelling gewichten voor diffErent klassen, die gemakkelijk kunnen vervangen de correlatie vergelijkingen hier gedragen (zoals bij de &#39;vertrouwen&#39; van een classifier in de tijd te volgen). IC heeft verschillende gebruiksmogelijkheden. Maar ook als een primaire analyse informatieve netwerken te onderzoeken, kan IC een secundaire follow-analyse om een ​​MVPA zoeklicht zijn. MVPA zoeklicht kaarten zijn waardevol voor het begrijpen van die gebieden verschillende omstandigheden kunnen onderscheiden, maar doorgaans niet onderverdeeld in verschillende netwerken. De IC aanpak kan hierbij helpen, door de onthulling waarin van zoeklichten hebben synchrone discriminability. Tenslotte kunnen IC kaarten van verschillende taken worden vergeleken om taak netwerken begrijpen en patiënten worden vergeleken met controles beter te begrijpen hoe meerdere voxel verschillen 1 5 manifesteren op netwerkniveau.

Het doel van de analyse hier beschreven methode is om de connectiviteit tussen hersengebieden op basis van schommelingen in hun multi-voxel informatie te meten. Vooruitgang in de functionele magnetische resonantie imaging (fMRI) analysetechnieken is gebleken dat een grote hoeveelheid informatie kan worden opgenomen in het bloed-oxygenatie-level-dependent (BOLD) activiteit patronen die zijn verspreid over meerdere voxels 1-3. Een set van technieken die gevoelig zijn voor multivariate gegevens zijn - bekend als multi-voxel patroon analyse (MVPA) - is gebruikt om aan te tonen dat de omstandigheden onderscheiden MVP kan hebben ondanks het feit dat niet te onderscheiden univariate reacties 1,2,4. Standaardanalyses die univariate reacties vergelijken, kunnen ongevoelig deze multi-voxel informatie. Meerdere hersengebieden betrokken zijn bij de mens te verwerken stimuli en cognitieve operaties uit te voeren. Functionele connectiviteit (FC) is een methode vaak gebruikt om onderzoegate dergelijke functionele netwerken 5,6. In zijn meest elementaire vorm, FC kwantificeert co-activering, of synchroniciteit, tussen verschillende voxels of regio&#39;s. FC is gebruikt om functioneel verbonden hersenennetwerken identificeren veel succes. Voor vele regio&#39;s en omstandigheden, echter, univariate antwoorden niet alle beschikbare informatie binnen BOLD activiteit weergeven. FC technieken die volgen dynamisch veranderende univariate respons niveaus kan de gevoeligheid voor gemeenschappelijke schommelingen in multi-voxel informatie ontbreekt. De analysemethode hier gepresenteerde informatieve verbinding (IC; eerst beschreven in een recent artikel 7), overbrugt een spleet tussen MVPA en FC, door het meten van connectiviteit met een metriek die gevoelig is voor multi-voxel informatie over de tijd. Terwijl FC tracks dynamisch veranderende univariate activering, titels IC dynamisch veranderende MVP discriminability - een maat voor hoe goed een MVP echte toestand kan worden onderscheiden van (onjuiste) alternatieven. Belangrijk in thij dezelfde manier dat verschillende regio&#39;s kan een vergelijkbaar niveau van univariate reacties tonen aan een aandoening, ondanks het uitvoeren van verschillende berekeningen (bv. visuele verwerking of actie planning wanneer een persoon ziet de mens gemaakte objecten), kunnen verschillende regio&#39;s ook soortgelijke (en gesynchroniseerd) niveaus van MVP discriminability terwijl ze voorwaarden anders verwerken. Een recent onderzoek toonde aan dat IC interregionale connectiviteit die niet detecteerbaar is met een standaard FC aanpak 7 kan onthullen. Onderzoekers kunnen daarom gebruik maken van IC naar interacties tussen hersengebieden sonde als deelnemers reageren op omstandigheden of stimuli die kenmerkend verdeeld patronen. IC is verschillend van een aantal recente connectiviteit toepassingen die schommelingen in univariate activering onderzocht in relatie tot de indeling resultaten 8, 9. In tegenstelling tot deze benaderingen, IC detecteert synchrone multi-voxel patroon discriminability tussen regio&#39;s.

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

met behulp informatieve connectiviteit om de synchrone opkomst van fmri multi-voxel informatie across time meet

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

Het is nu duidelijk dat de conditie-relevante informatie aanwezig in verspreide patronen van functionele magnetische resonantie imaging (fMRI) hersenactiviteit kan zijn, zelfs voor aandoeningen met een vergelijkbaar niveau van univariate activering. Multi-voxel patroon (MVP) analyse is gebruikt om deze informatie te decoderen met groot succes. FMRI onderzoekers ook vaak proberen te begrijpen hoe hersengebieden samenwerken in onderling verbonden netwerken, en gebruik functionele connectiviteit (FC) naar regio&#39;s die reacties over tijd gecorreleerd identificeren. Net zoals univariate analyses ongevoelig voor informatie in MVP kan zijn, kan FC niet volledig karakteriseren van de hersenen netwerken die voorwaarden met karakteristieke MVP handtekeningen verwerken. De hier beschreven methode, informatieve connectiviteit (IC), kunnen regio&#39;s identificeren met gecorreleerde veranderingen in de MVP-discriminability in de tijd, onthullend connectiviteit dat niet toegankelijk is voor FC. De methode kan verkennend zijn, met behulp van zoeklichten om zaad-conn identificerenected gebieden, of geplande, tussen voorgeselecteerde regio-of-interest. De resultaten kunnen netwerken van regio&#39;s die MVP-gerelateerde aandoeningen verwerken verhelderen, kunnen afbraak MVPA zoeklicht kaarten in afzonderlijke netwerken of kan worden vergeleken over taken en patiëntengroepen.

De IC resultaten kunnen nu worden weergegeven met behulp van fMRI-analyse software pakket van de onderzoeker aangewezen. Figuur 2 toont IC resultaten, berekend op basis van blokken van visueel voorgesteld door de mens gemaakte objecten (volledige details in de bijbehorende publicatie 7). De IC-analyse is bijzonder waardevol voor de voorwaarden bekend te zijn geassocieerd MVP&#39;s: Voorwaarden met karakteristieke MVP&#39;s, maar zonder verschillen in univariate reacties, hebben meer kans om onderscheid tussen IC en FC hebben (geïllustreerd met gegevens die zijn opgenomen als deelnemers bekeken verschillende soorten man gemaakte voorwerpen in figuur 3). Figuur 4 toont dat met aanzienlijke zoeklichten multi-voxel informatie hoge IC, maar minder goed vertegenwoordigd in FC resultaten. <img alt="Figuur 1" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig1highres.jpg" wiDTH = &quot;500&quot; /&gt; .. Figuur 1 Voorbeelden van patroon discriminability in de tijd Top:. De substraten van MVP discriminability berekend uit een onderwerp in Haxby et al. (2001) 2, zoals geanalyseerd in Coutanche &amp; Thompson-Schill (2013) 7. De blauwe lijn geeft de z-score correlatie tussen &#39;MVP&#39;s en de gemiddelde tijd-punten (&#39; training &#39;) patroon van de juiste klasse. De groene lijnen geven de correlaties MVP &#39;met drie foute klassen. Onder: Patroon discriminability is het verschil tussen de correlaties voor de juiste klasse en de hoogste verkeerde klasse. Time-punten met positieve patroon discriminability waarden zou kunnen worden ingedeeld door een correlatie gebaseerde classifier. Figuur oorspronkelijk gepubliceerd in Coutanche &amp; Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig1highres.jpg" target="_blank">Klik hier om een grotere versie van deze afbeelding te bekijken</a>. <img alt="Figuur 2" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig2highres.jpg" width="500" /> Figuur 2. Voorbeeld connectiviteit kaarten. Elke rij geeft de regio&#39;s aanzienlijk aangesloten op een zaad (in blauw weergegeven). Significantie wordt bepaald door een groep t-test (p &lt;0,001) minimale clustergrootte van permutatie testen. De IC resultaten worden weergegeven met behulp van AFNI 1 1 op het oppervlak kaarten geproduceerd met FreeSurfer 1 2. Cijfer is gewijzigd van Coutanche &amp; Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig2highres.jpg" target="_blank">Klik hier om een grotere versie van deze afbeelding te bekijken.</a> <img alt="Figuur 3" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig3highres.jpg" width="500" /> Figuur. 3 Synchronized MVP discriminability vergelijking met activering betekenen Voorbeelden van MVP discriminability in twee regio&#39;s met synchrone MVP discriminability (dwz informatieve connectiviteit) zonder synchrone gemiddelde activering (dwz functionele connectiviteit).; gegevens zijn afkomstig van een onderwerp uit Haxby et al.. (2001) 2, zoals geanalyseerd in Coutanche &amp; Thompson-Schill (2013) 7. Deze gegevens punten werden verzameld, terwijl het onderwerp bekeken visuele presentaties van de mens gemaakte objecten, die te onderscheiden door multi-voxel patronen zijn, maar de reacties niet zeggen. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig3highres.jpg" target="_blank">Klik hier om een grotere versie van deze afbeelding te bekijken.</a> <img alt="Figuur 4" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig4highres.jpg" width="500" /> Figuur 4. Voorbeeld IC en FC waarden tussen een zaad in de LEFt spoelvormige gyrus en schijnwerpers in de hersenen. Informatieve en functionele connectiviteit sterktes (z-as) zijn vertegenwoordigd tussen een zaad en schijnwerpers, met betrekking tot gemiddelde responsie elke zoeklicht&#39;s (x-as) en MVPA classificatie nauwkeurigheid (y-as) vier soorten door de mens gemaakte objecten (kans = 25%). Zoeklichten delen voxels met het zaad regio werden verwijderd. De IC grafiek bevat voorbeelden van zoeklichten met sterke connectiviteit die hoge kwalificatie prestaties maar lage gemiddelde respons niveaus, die niet zijn opgepikt in een typisch FC aanpak (gezien door de opening in de top-links octant van de grafiek rechts) hebben. Figuur oorspronkelijk gepubliceerd in Coutanche &amp; Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig4highres.jpg" target="_blank">Klik hier om een grotere versie van deze afbeelding te bekijken.</a>

Informationele connectiviteit meet de overeenstemming tussen tijdsverlopen van multi-voxel informatie tussen verschillende hersengebieden. Multi-voxel patroondiscriminerbaarheid tijdreeksen worden uit regio's geëxtraheerd en vergeleken, waardoor netwerken worden onthuld die niet worden geïdentificeerd in een typische functionele connectiviteitsbenadering.

Met behulp Informatieve Connectiviteit om de Synchrone opkomst van fMRI Multi-voxel Informatie Across Time Meet

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

Het algemene doel van deze procedure is om de connectiviteit tussen hersengebieden te meten op basis van veranderingen in hun verspreide activiteitspatronen over tijd. Dit wordt bereikt door eerst een seedregio te selecteren. Vervolgens wordt de onderscheidbaarheid van het multi-voxelpatroon berekend voor elk tijdspunt voor de seedregio en elk searchlight of gebied van interesse.De laatste stap is om de tijdserie van de onderscheidbaarheid van de zaadregio te correleren met elke searchlight. Uiteindelijk wordt informationele connectiviteit gebruikt om connectiviteit te onthullen tussen regio's die informatie bevatten over patronen van voxels. Het belangrijkste voordeel van deze techniek ten opzichte van andere, zoals functionele connectiviteit, is dat het connectiviteit kan detecteren met behulp van condities die niet verschillen in immuunrespons, maar wel een unieke multivariate signatuur hebben.Ik kreeg eerst het idee voor deze methode nadat ik me realiseerde dat veel connectiviteitstechnieken informatie negeren die uitsluitend in multi-voxel activiteitspatronen besloten ligt. Net zoals we nu weten dat univariaate benaderingen volledig blind zijn voor informatie in multi-voxel activiteitspatronen. Om deze procedure te starten, verwijdert u de bewegings- en gemiddelde witte-stofsignalen uit de tijdreeksen van de voorbewerkte fMRI-gegevens door een regressiemodel te maken met predictoren voor bewegingsparameters en het gemiddelde witte-stofsignaal. Voer vervolgens de volgende analyse uit op de resulterende residuen.Importeer de gegenereerde residuen in een analysepakket zoals MATLAB of Python, gebruikmakend van bijvoorbeeld de open source informational connectivity MATLAB-toolbox. Transformeer daarna de tijdreeks van elke voxel naar zco. Verdeel de tijdspunten van de datasets in onafhankelijke sets, zoals verschillende scanner-runs.Maak vervolgens een overzicht van de conditielabels die bij de tijdspunten horen door een vector van conditielabels te genereren. Verschuif de conditielabels in elke run naar voren met een aantal tijdspunten dat gelijkstaat aan vijf seconden, om rekening te houden met de hemodynamische vertraging tussen gebeurtenissen en de geregistreerde fMRI-signalen. Om een seed-regio te selecteren, isoleert u een anatomisch gebied door voxels te selecteren in uw voorkeursoftware, door een gelabelde atlas te gebruiken om een regio functioneel te lokaliseren, of door een searchlight met de beste prestaties bij brain mapping-informatie te selecteren.Vergelijk vervolgens de MVP van elk tijdstip. Wijs een prototypische MVP aan voor elke conditie. Maak hierbij gebruik van de open-source informational connectivity MATLAB-toolbox.Bereken een prototype-MVP voor elke conditie door de tijdspunten van elke conditie te middelen in alle maar één fold. Correleer vervolgens de MVP van elk tijdspunt met de gemiddelde MVP van elke conditie uit de trainingsgegevens. Dit levert voor elke conditie een correlatiewaarde op voor tijdstip 0.1.Let op dat de conditie met de hoogste correlatie hier de voorspelling van de populaire correlatie-gebaseerde MVPA-classifier zou zijn. Kwantificeer vervolgens de MVP-DISCRIMINABILITEIT voor elk tijdstip door eerst de correlatie te identificeren die de conditie van dat tijdstip vertegenwoordigt. Trek daar vervolgens de hoogste van de overige correlaties vanaf.Het resultaat is de MVP-discrimineerbaarheid voor elk tijdspunt. Om een searchlight-analyse uit te voeren, plaatst u een driedimensionale cluster rond elk vle. Herhaal vervolgens de vorige stap voor elke searchlight, zodat elke searchlight een tijdreeks van MVP-discrimineerbaarheidswaarden heeft. correleer nu de tijdreeks van de MVP-onderscheidbaarheid (Discriminability) van het seed met de DISCRIMINABILITY-tijdreeks van elke searchlight. Met behulp van de rangcorrelatie van Spearman is de resulterende RS-waarde de IC tussen het seed en de searchlight. Ken vervolgens de IC-waarde van elke searchlight toe aan de centrale voxel van die searchlight en schrijf de resulterende breinkaart van het individu uit.Indien de gegevens nog niet in een gestandaardiseerde ruimte staan, transformeer dan de IC-kaarten van de deelnemer naar dezelfde ruimte. Optioneel kunnen de searchlight-kaarten van het individu worden gesmoothed. Deze figuur toont voorbeelden van MVP-DISCRIMINABILITEIT in twee regio's met synchrone MVP-discriminabiliteit zonder synchrone gemiddelde activatie.Deze datapunten werden verzameld terwijl het subject visuele presentaties bekeek van door mensen gemaakte objecten, die onderscheiden kunnen worden door multi-voxel patronen, maar niet door gemiddelde responsen. Hier wordt een voorbeeld getoond van de IC- en FC-waarden tussen een seed in de linker views of form gyrus en searchlights over het gehele brein. De sterkte van de informationele en functionele connectiviteit is aangegeven op de Z-as, afgezet tegen de gemiddelde respons van elke searchlight op de X-as en de MVPA-classificatienauwkeurigheid op de Y-as; de linkerbovenhoek van de IC-grafiek toont informationeel verbonden searchlights met een hoge classificatieprestatie, maar lage gemiddelde responsniveaus.De opening in de linkerbovenhoek van de FC-grafiek laat zien dat deze verbonden zoeklichten niet worden gedetecteerd bij een typische FC-benadering. Hier is een voorbeeld van de connectiviteitskaarten. Elke rij toont de regio's die significant verbonden zijn met een seed. Significantie wordt bepaald door een Group T-test met een minimale clustergrootte op basis van permutatietesten.De IC-resultaten worden hier weergegeven met behulp van acne-oppervlaktekaarten die zijn gegenereerd met FreeSurfer volgens deze procedure. Andere analyses, zoals functionele connectiviteit, kunnen worden uitgevoerd om aanvullende vragen te beantwoorden, zoals of condities uniek verbonden zijn door multi-voxel patronen of dat ze ook synchroon zijn in hun gemiddelde responsen. Na het bekijken van deze video zou u een goed begrip moeten hebben van hoe connectiviteit tussen regio's kan worden gemeten op basis van hun multi-patronen.Bedankt voor het kijken.

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

Research

JoVE Journal

Neuroscience

Neurowetenschap

We hebben een methode ontwikkeld voor gelijktijdige functionele magnetische resonantie imaging en elektrofysiologische opname in het knaagdieren hersenen, een platform te bieden voor het onderzoek van de relatie tussen de neurale activiteit en het bloed zuurstof niveau afhankelijk (BOLD) MRI-signaal.

Gelijktijdig fMRI en elektrofysiologie bij knaagdieren Brain

Dit artikel toont een experimentele opzet waarbij het gehele lichaam geanimeerde karakters worden gebruikt in combinatie met functionele magnetische resonantie imaging (fMRI) naar de neurale correlaten van het observeren van virtuele sociale interacties te onderzoeken.

Brain Imaging Onderzoek van de neurale correlaten van Observing virtuele sociale interacties

De standaardmodus Network (DMN) in temporale kwab epilepsie (TLE) wordt geanalyseerd in de rusttoestand van de hersenen met behulp van zaad-gebaseerde functionele connectiviteit MRI (fcMRI).

Netwerk Analyse van de default-Functioneel Connectiviteit MRI in temporale kwab epilepsie

Functionele connectiviteit in rusttoestand MRI heeft afwijkingen geïdentificeerd bij patiënten met een breed scala aan neuropsychiatrische stoornissen, inclusief epilepsie als gevolg van malformaties van corticale ontwikkeling. Transcraniële magnetische stimulatie in combinatie met EEG kan aantonen dat patiënten met epilepsie corticale hyperexcitabiliteit hebben in regio's met abnormale connectiviteit.

Een Multimodaal Beeldverwerking en-stimulatie gebaseerde methode voor de beoordeling Connectivity-gerelateerde Brain Exciteerbaarheid bij patiënten met epilepsie

Een EEG-fMRI multimodale imaging methode, die bekend staat als de spatio fMRI-beperkt EEG bron imaging methode is hier beschreven. De onderhavige methode maakt gebruik van voorwaardelijk-actieve fMRI sub kaarten, of priors, bij EEG source localization op een wijze die verbetert de ruimtelijke specificiteit en foutieve resultaten beperkt.

Gelijktijdige EEG en functionele MRI opname en integratie analyse voor dynamische corticale activiteit Imaging

Het doel van de beschreven aanpak is om te bepalen op welke momenten van de paradigma (temporele perspectief), en tussen die regio's (ruimtelijk perspectief), belangrijke reconfigurations in functionele connectiviteit optreden op functionele magnetische resonantie beeldvorming opnames gedurende welke een stimulans tijd vergrendeld wordt gespeeld.

Dynamische Inter onderworpen functionele connectiviteit onthult Moment-te-Moment hersenen netwerkconfiguraties gedreven door continue of mededeling paradigma's

Het protocol voor het uitvoeren van fNIRS hyperscanning experimenten op collaboratieve leren dyads in een naturalistische leeromgeving wordt geschetst. Verder wordt een pijplijn gepresenteerd om de Inter-Brain Synchrony (IBS) van zuurstofhoudende hemoglobine (Oxy-Hb) signalen te analyseren.

Inter-Brain Synchrony in Open-Ended Collaborative Learning: een fNIRS-Hyperscanning Studie

De dynamiek tussen gekoppelde hersenen van individuen wordt in toenemende mate weergegeven door inter-hersensynchronisatie (PDS) wanneer ze met elkaar coördineren, meestal met behulp van gelijktijdig opnemende signalen van hersenen (namelijk hyperscanning) met fNIRS. In fNIRS hyperscanning studies is IBS vaak beoordeeld via de wavelet transform coherence (WTC) methode vanwege het voordeel op het uitbreiden van tijdreeksen in tijd-frequentie ruimte waar oscillaties op een zeer intuïtieve manier...

Hoe inter-brain synchronisatie te berekenen en te valideren in een fNIRS Hyperscanning-studie

Dit protocol beschrijft partiële wavelettransformatiecoherentie (pWTC) voor het berekenen van het tijd-vertraagde patroon van interpersoonlijke neurale synchronisatie (INS) om de richting en het temporele patroon van informatiestroom tijdens sociale interactie af te leiden. De effectiviteit van pWTC bij het verwijderen van de confounds van signaalautocorrelatie op INS werd bewezen door twee experimenten.

Meting van de directionele informatiestroom in fNIRS-Hyperscanning-gegevens met behulp van de Partial Wavelet Transform Coherence Method

We presenteren een methode voor het gelijktijdig verzamelen van fMRI- en fNIRS-signalen van dezelfde proefpersonen met fNIRS-dekking van het hele hoofd. Het protocol is getest met drie jongvolwassenen en kan worden aangepast voor gegevensverzameling voor ontwikkelingsstudies en klinische populaties.

Gelijktijdige gegevensverzameling van fMRI- en fNIRS-metingen met behulp van een optode-array voor het hele hoofd en kanalen over korte afstand

Wavelet transform coherence (WTC) is een veelgebruikte methodologie voor het beoordelen van de koppeling tussen signalen die wordt gebruikt in hyperscanningstudies met functionele nabij-infraroodspectroscopie (fNIRS). In dit werk wordt een toolbox gepresenteerd voor het beoordelen van de directionaliteit van de signaalinteractie.

Nieuw raamwerk voor het begrijpen van cross-brain coherentie in functionele nabij-infraroodspectroscopie (fNIRS) hyperscanningstudies

Leer hoe je informatieve connectiviteit meet tussen hersengebieden met fMRI multi-voxel patronen. Deze methode onthult netwerken die traditionele functionele connectiviteit niet detecteert.

Met behulp Informatieve Connectiviteit om de Synchrone opkomst van fMRI Multi-voxel Informatie Across Time Meet

Meer video's verkennen