Artykuł metodologiczny

Wykorzystanie łączności informacyjnej do pomiaru synchronicznego pojawiania się informacji o wielu wokselach fMRI w czasie

12.4K wyświetleń

⸱

DOI:

10.3791/51226

⸱

1 lipca 2014

 , 
1Department of Psychology, University of Pennsylvania

W tym artykule

Podsumowanie

Łączność informacyjna mierzy zgodność między przebiegami czasowymi informacji wielowokselowych w różnych regionach mózgu. Szeregi czasowe dyskryminacji wzorców wielowokselowych są wyodrębniane z regionów i porównywane, ujawniając sieci, które nie są identyfikowane w typowym podejściu do łączności funkcjonalnej.

Streszczenie

Teraz docenia się, że informacje istotne dla stanu mogą być obecne w rozproszonych wzorcach aktywności mózgu funkcjonalnego rezonansu magnetycznego (fMRI), nawet w przypadku stanów o podobnym poziomie aktywacji jednoczynnikowej. Analiza wzorców wielowokselowych (MVP) została wykorzystana do zdekodowania tych informacji z dużym powodzeniem. Badacze FMRI często starają się również zrozumieć, w jaki sposób regiony mózgu oddziałują na siebie w połączonych sieciach i wykorzystują łączność funkcjonalną (FC) do identyfikacji regionów, które mają skorelowane reakcje w czasie. Tak jak analizy jednowymiarowe mogą być niewrażliwe na informacje zawarte w MVP, tak FC może nie w pełni charakteryzować sieci mózgowe, które przetwarzają warunki z charakterystycznymi sygnaturami MVP. Opisana tutaj metoda, łączność informacyjna (IC), może zidentyfikować regiony ze skorelowanymi zmianami w dyskryminowalności MVP w czasie, ujawniając łączność, która nie jest dostępna dla FC. Metoda może być eksploracyjna, wykorzystująca reflektory do identyfikacji obszarów połączonych z zalążkami lub planowanych między wstępnie wybranymi regionami zainteresowania. Wyniki mogą wyjaśnić sieci regionów, które przetwarzają schorzenia związane z MVP, mogą rozbić mapy reflektorów MVPA na oddzielne sieci lub mogą być porównywane między zadaniami i grupami pacjentów.

Wprowadzenie

Celem opisanej tutaj metody analizy jest zmierzenie połączeń między regionami mózgu na podstawie fluktuacji w ich informacji wielowokselowej. Postępy w technikach analizy funkcjonalnego rezonansu magnetycznego (fMRI) ujawniły, że duża ilość informacji może być zawarta we wzorcach aktywności zależnych od poziomu natlenienia krwi (BOLD), które są rozłożone na wiele wokseli1-3. Zestaw technik, które są wrażliwe na informacje wielowymiarowe - znany jako analiza wzorców wielowokselowych (MVPA) - został wykorzystany do pokazania, że warunki mogą mieć rozróżnialne MVP pomimo nierozróżnialnych odpowiedzijednowymiarowych 1,2,4. Standardowe analizy, które porównują odpowiedzi jednowymiarowe, mogą być niewrażliwe na te informacje wielowokselowe.

Wiele obszarów mózgu jest zaangażowanych, gdy ludzie przetwarzają bodźce i wykonują operacje poznawcze. Łączność funkcjonalna (FC) jest metodą powszechnie stosowaną do badania takich sieci funkcjonalnych5,6. W swojej najbardziej podstawowej formie FC określa ilościowo koaktywację lub synchronizację między różnymi wokselami lub regionami. FC został wykorzystany do identyfikacji funkcjonalnie połączonych sieci mózgowych z dużym powodzeniem. Jednak w przypadku wielu regionów i warunków odpowiedzi jednowymiarowe nie odzwierciedlają wszystkich dostępnych informacji w ramach działania BOLD. Techniki FC, które śledzą dynamicznie zmieniające się poziomy odpowiedzi jednej zmiennej, mogą nie być wrażliwe na typowe fluktuacje informacji wielowokselowych. Przedstawiona tutaj metoda analizy, łączność informacyjna (IC; po raz pierwszy opisana w niedawnym artykule7), wypełnia lukę między MVPA a FC, mierząc łączność za pomocą metryki, która jest wrażliwa na informacje o wielu wokselach w czasie. Podczas gdy FC śledzi dynamicznie zmieniającą się jednowymiarową aktywację, IC śledzi dynamicznie zmieniającą się dyskryminację MVP - miarę tego, jak dobrze prawdziwy stan MVP można odróżnić od (nieprawidłowych) alternatyw. Co ważne, w ten sam sposób, w jaki różne regiony mogą wykazywać podobne poziomy jednowymiarowych reakcji na stan pomimo wykonywania różnych obliczeń (np. przetwarzania wizualnego lub planowania działań, gdy dana osoba ogląda obiekty stworzone przez człowieka), różne regiony mogą również mieć podobne (i zsynchronizowane) poziomy dyskryminacji MVP, podczas gdy przetwarzają warunki w różny sposób. Niedawne badanie wykazało, że IC może ujawnić połączenia międzyregionalne, które nie są wykrywalne przy użyciu standardowego podejścia FC7. Badacze mogą zatem wykorzystać IC do zbadania interakcji między regionami mózgu, gdy uczestnicy reagują na warunki lub bodźce, które mają charakterystyczne wzorce rozmieszczenia. IC różni się od kilku najnowszych aplikacji łączności, w których badano fluktuacje aktywacji jednowymiarowej w odniesieniu do wyników klasyfikacji 8,9. W przeciwieństwie do tych podejść, IC wykrywa synchroniczną dyskryminację wzorców wielowokselowych między regionami.

Protokół

1. Przygotowanie danych fMRI

Uwaga: Po przeprowadzeniu skanowania fMRI dane należy poddać wstępnemu przetwarzaniu przy użyciu narzędzi dostępnych w większości pakietów oprogramowania do fMRI przed rozpoczęciem niniejszego protokołu (choć należy unikać lub ograniczyć wygładzanie przestrzenne, aby zachować wzorce wielowokselowe). Przykład odpowiedniego zbioru danych opisano w poprzedniej aplikacji tej metody7.

  1. Usuń sygnały związane z ruchem i średni sygnał białej istoty z szeregów czasowych wstępnie przetworzonych danych fMRI, tworząc model regresji z predyktorami dla parametrów ruchu (roll, pitch, yaw, x, y, z) oraz średniego sygnału białej istoty. Poniższe analizy przeprowadź na otrzymanych resztach (t.j. pozostałej wariancji).
  2. Zaimportuj wygenerowane reszty do pakietu analitycznego (np. MATLAB, Python). Otwarte narzędzie Informational Connectivity Toolbox (http://www.informationalconnectivity.org) umożliwia import danych fMRI do programu MATLAB.
  3. Oblicz wynik Z (Z-score) dla szeregu czasowego każdego woksela.
  4. Podziel punkty czasowe zbioru danych na niezależne zestawy („foldy”), na przykład na poszczególne serie skanowania. Uwaga: Wykorzystanie serii skanowania zapewnia niezależność między foldami, co w przeciwnym razie może być trudne do zagwarantowania (na przykład zależności między punktami czasowymi w obrębie jednej serii mogą powstać podczas wstępnego przetwarzania). Serie można grupować w celu zmniejszenia liczby foldów (np. serie parzyste i nieparzyste2), choć zastosowanie pojedynczych serii dostarczy więcej danych treningowych.
  5. Utwórz rejestr etykiet warunków powiązanych z punktami czasowymi, generując wektor etykiet warunków o długości N punktów czasowych.
  6. Przesuń etykiety warunków w przód w każdej serii o liczbę czasów repetycji (TR) odpowiadającą 5 sec, aby uwzględnić opóźnienie hemodynamiczne między zdarzeniami a rejestrowanymi sygnałami fMRI.

2. Wybór i analiza regionu ziarna

  1. Wybierz region ziarna (seed region), izolując obszar anatomiczny, funkcjonalnie zlokalizowany region lub najlepiej działające „reflektory” (searchlights) mapowania informacji w mózgu (information brain mapping)10.
    Uwaga: Kroki od 2.2 do 4.2 poniżej mogą zostać wykonane za pomocą otwartoźródłowego zestawu narzędzi Informational Connectivity MATLAB Toolbox (http://www.informationalconnectivity.org).
  2. Porównaj MVP każdego punktu czasowego z prototypowym MVP dla każdego warunku (Uwaga: jest to to samo podejście, które stosuje się w popularnym klasyfikatorze najbliższego sąsiada opartym na korelacji2). Rysunek 1 (góra) przedstawia przykład z rzeczywistych danych zebranych podczas gdy uczestnicy oglądali bloki czterech typów obiektów stworzonych przez człowieka.
    1. Oblicz prototypowe (średnie) MVP dla każdego warunku, uśredniając punkty czasowe każdego warunku we wszystkich poza jednym foldzie (wszystkich poza jednym podzbiorze). Są to dane „treningowe” dla każdego folda (np. dla folda 2 z 5, średnie MVP oblicza się z punktów czasowych w foldach 1, 3, 4 i 5).
    2. Oblicz korelację MVP każdego punktu czasowego ze średnim MVP każdego warunku z danych treningowych. W rezultacie każdy punkt czasowy otrzyma jedną wartość korelacji dla każdego warunku (Uwaga: warunek z najwyższą korelacją byłby tutaj predykcją popularnego klasyfikatora MVPA opartego na korelacji2)
    3. Przekształć wartości r na wyniki z za pomocą transformacji Fishera.
  3. Ilościowo określ „rozróżnialność MVP” (MVP discriminability) dla każdego punktu czasowego: Najpierw zidentyfikuj korelację z kroku 2.2.3, która reprezentuje związek między MVP punktu czasowego a średnim MVP warunku przypisanego do tego punktu czasowego, a następnie odejmij najwyższą z pozostałych korelacji (t.j. „korelacja z poprawnym warunkiem” minus „maksymalna korelacja z warunkiem niepoprawnym”). Wynik stanowi rozróżnialność MVP dla tego punktu czasowego. Alternatywnym (i poprawnym) podejściem byłoby odjęcie średniej korelacji warunków niepoprawnych.
    Uwaga: Sugerowane podejście ma intuicyjną zaletę polegającą na tym, że punkty czasowe z dodatnimi wartościami rozróżnialności są poprawnie klasyfikowane przez klasyfikator oparty na korelacji, natomiast punkty czasowe z wartościami ujemnymi nie są poprawnie przewidywane. Przykład wynikowych wartości pokazano na Rysunku 1 (dół). Kroki do tego momentu zostały ujęte w poniższych wzorach.
    Wzory rozróżnialności wielowokselowych wzorców w analizie danych neuronowych.
    x̅ to znormalizowany wektor wierszowy 1 na m z m wartościami aktywacji wokseli w punkcie czasowym n, y̅ to znormalizowany wektor wierszowy 1 na m średniego wzorca treningowego dla warunków poprawnych (c) lub niepoprawnych (i) dla punktu czasowego n. Funkcja artanh stosuje transformację z Fishera.

3. Obliczenie serii czasowej rozróżnialności MVP dla każdego obszaru searchlight

  1. Przeprowadź analizę typu searchlight10: wokół każdego woksela kolejno umieść trójwymiarowe skupienie (tzw. „searchlight”).
  2. Powtórz kroki 2.2 i 2.3 dla każdego obszaru searchlight, tak aby dla każdego z nich uzyskano szereg czasowy wartości rozróżnialności MVP (jedną dla każdego punktu czasowego).

4. Oblicz łączność informacyjną między ziarnem a reflektorami

  1. Skoreluj szeregi czasowe rozróżnialności MVP nasiona (z punktu 2.3) z szeregami czasowymi rozróżnialności każdego reflektora (searchlight) (z punktu 3.2), stosując korelację rang Spearmana. Wynikowa wartość rs stanowi IC między nasionem a reflektorem.
  2. Przypisz wartość IC każdego reflektora do jego centralnego woksela i wygeneruj wynikową mapę mózgu dla danej osoby.

5. Obliczenie grupowej mapy statystycznej

  1. Jeśli dane nie znajdują się już w przestrzeni standaryzowanej (np. Talairach lub MNI), przekształć mapy IC uczestników do tej samej przestrzeni.
  2. Opcjonalnie wygładź mapy searchlight poszczególnych osób.
  3. Utwórz grupową mapę statystyczną, stosując jednoczynnikowy test t w celu sprawdzenia, czy wartość IC każdego searchlighta jest istotnie większa od zera.

6. Istotność testu

Uwaga: Istnieje wiele podejść do określania istotności statystycznej map grupowych fMRI. Ponieważ test permutacyjny pozwala określić istotność przy minimalnych założeniach, uwzględniając jednocześnie poziom wygładzenia zbioru danych (gdyż każda permutowana mapa grupowa przechodzi ten sam proces przetwarzania), poniżej przedstawiono tę opcję.

  1. Dla każdej z 1 000 permutacji należy losowo przetasować wartości rozróżnialności MVP ziarna w całej serii czasowej. Punkty czasowe sąsiadujące ze sobą, wykazujące autokorelację czasową (np. punkty czasowe w obrębie tego samego bloku), należy pozostawić razem (na przykład poprzez tasowanie bloków, a nie sąsiadujących TR).
  2. Należy obliczyć mapy IC dla osób dla każdej permutacji (krok 4 powyżej).
  3. Należy wygenerować 1 000 permutowanych map grupowych: losowo wybierz jedną permutowaną mapę IC od każdego uczestnika i przeprowadź test grupowy na tym losowym zbiorze (krok 5 powyżej).
  4. Każdą permutowaną mapę grupową należy poddać progowaniu na pożądanym poziomie (np. p < 0.001) i wyodrębnić z mapy maksymalną wielkość klastra.
  5. Należy posortować wynikowe 1 000 maksymalnych objętości klastrów i określić wielkość klastra na 95tym percentylu (np. 50ty największy dla 1 000 permutacji).
  6. Należy zastosować próg użyty w punkcie 6.4 (np. p < 0.001) oraz minimalną wielkość klastra z punktu 6.5 do rzeczywistej (niepermutowanej) grupowej mapy IC, aby uzyskać korekcję klastrową do poziomu p < 0.05. Ponieważ każda permutowana mapa opiera się na tych samych wartościach rozróżnialności MVP (w innej kolejności), ta mapa istotności wyróżnia obszary o bardziej synchronicznych wartościach rozróżnialności, niż można by oczekiwać przypadkowo.

Wyniki

Wyniki IC można teraz wyświetlić przy użyciu preferowanego przez badacza pakietu oprogramowania do analizy fMRI. Rycina 2 przedstawia wyniki IC, obliczone z bloków wizualnie prezentowanych obiektów stworzonych przez człowieka (szczegółowe informacje znajdują się w powiązanej publikacji7).

Analiza IC jest szczególnie wartościowa w przypadku stanów, o których wiadomo, że wiążą się z MVP: stany z charakterystycznymi MVP, ale bez różnic w odpowiedziach jednowymiarowych, częściej wykazują rozbieżności między IC a FC (zilustrowano to danymi zarejestrowanymi podczas gdy uczestnicy oglądali różne rodzaje obiektów stworzonych przez człowieka na Rysunku 3). Rysunek 4 pokazuje, że obszary analizy (searchlights) z istotnymi informacjami wielowokselowymi mogą wykazywać wysoką wartość IC, ale są słabiej reprezentowane w wynikach FC.

Wykresy analizy korelacji: wartości z Fishera względem punktów czasowych, rozróżnialność wzorca w czasie.
Rysunek 1. Przykłady rozróżnialności wzorca w czasie. Góra: Podstawy rozróżnialności MVP obliczone dla badanego z pracy Haxby et al. (2001)2, zgodnie z analizą w Coutanche & Thompson-Schill (2013)7. Niebieska linia przedstawia skorygowaną o wartość z korelację między MVP w punktach czasowych a średnim wzorcem („treningowym”) poprawnej klasy. Zielone linie reprezentują korelacje MVP z trzema niepoprawnymi klasami. Dół: Rozróżnialność wzorca to różnica między korelacjami dla klasy poprawnej a najwyższą korelacją dla klasy niepoprawnej. Punkty czasowe z dodatnimi wartościami rozróżnialności wzorca zostałyby poprawnie sklasyfikowane przez klasyfikator oparty na korelacji. Rysunek pierwotnie opublikowany w Coutanche & Thompson-Schill (2013)7. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

Mapy konektywności mózgu, ziarna w bruzdzie postsentralnej i zakręcie wrzecionowatym; wyniki analizy konektywności.
Rycina 2. Przykładowe mapy konektywności. Każdy wiersz przedstawia obszary istotnie połączone z ziarnem (zaznaczonym na niebiesko). Istotność określono za pomocą grupowego testu t (p < 0.001) z minimalną wielkością klastra wynikającą z testów permutacyjnych. Wyniki IC wyświetlono przy użyciu AFNI11 na mapach powierzchniowych wygenerowanych programem FreeSurfer12. Rycina została zmodyfikowana na podstawie pracy Coutanche & Thompson-Schill (2013)7. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Wykres szeregów czasowych rozróżnialności MVP, średniej aktywacji dla dwóch obszarów, wynik analizy danych.
Rycina 3. Zsynchronizowana rozróżnialność MVP w porównaniu ze średnią aktywacją. Przykłady rozróżnialności MVP w dwóch obszarach ze zsynchronizowaną rozróżnialnością MVP (t.j. łącznością informacyjną) przy braku zsynchronizowanej średniej aktywacji (t.j. łączności funkcjonalnej); dane pochodzą od badanego z pracy Haxby et al. (2001)2, przeanalizowane w pracy Coutanche & Thompson-Schill (2013)7. Punkty danych zostały zebrane podczas gdy badany oglądał prezentacje wizualne obiektów stworzonych przez człowieka, które są rozróżnialne na podstawie wielowokselowych wzorców, ale nie na podstawie średnich odpowiedzi. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

Wykresy powierzchniowe 3D łączności informacyjnej i funkcjonalnej, dekodowanie wielowymiarowe, aktywacja jednowymiarowa.
Rycina 4. Przykład wartości IC i FC pomiędzy obszarem ziarna w lewym zakręcie wrzecionowatym a obszarami searchlight w całym mózgu. Siła łączności informacyjnej i funkcjonalnej (osie z) jest przedstawiona pomiędzy obszarem ziarna a obszarami searchlight w odniesieniu do średniej odpowiedzi każdego searchlighta (oś x) oraz dokładności klasyfikacji MVPA (oś y) dla czterech typów obiektów stworzonych przez człowieka (szansa = 25%). Searchlighty współdzielące woksele z obszarem ziarna zostały usunięte. Wykres IC zawiera przykłady searchlightów o silnej łączności, które wykazują wysoką wydajność klasyfikacji, ale niski poziom średniej odpowiedzi, co nie jest wykrywane w typowym podejściu FC (widoczne jako luka w lewym górnym oktancie prawego wykresu). Rycina pierwotnie opublikowana w Coutanche & Thompson-Schill (2013)7. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

Dyskusja

Łączność informacyjna ma czułość MVPA na rozproszone informacje o wzorcach i daje możliwość badania interakcji między regionami za pomocą podejścia łączności. MVPA i standardowe analizy jednowymiarowe mogą ujawnić zaangażowanie różnych regionów, czasami z niewielkim nakładaniem się ich wyników13. Zgodnie z oczekiwaniami w przypadku metody, która opiera się na tych podejściach analitycznych, IC i FC dają również uzupełniające się wyniki7. Decyzja o tym, czy zatrudnić IC, będzie ostatecznie zależała od badanych warunków i stawianych pytań teoretycznych. Zagadnienia projektowe, które mają wpływ na to, czy MVPA jest przeprowadzane na zestawie danych, będą również miały wpływ na to, czy jest używana IC. Badania zaprojektowane z myślą o IC będą chciały być zgodne z zaleceniami MVPA14, zapewniając jednocześnie możliwość ekstrakcji danych na poziomie próby z całego przebiegu skanowania.

Podczas badania i raportowania wyników IC ważne jest, aby reflektory pokrywające się z ziarnem zostały usunięte, aby uniknąć obiegu kołowego. Dodatkowo, w przypadku bezpośredniego porównywania wyników IC i FC, zaleca się również porównanie analizy FC opartej na średniej aktywacji reflektorów, a nie tylko na wokselach. Ta dodatkowa analiza może zapewnić, że wszelkie różnice między wynikami nie wynikają z różnic w poziomach sygnału do szumu w reflektorach szperaczy w porównaniu z wokselami.

Opisana tutaj procedura skupia się przede wszystkim na analizie eksploracyjnej z wykorzystaniem reflektorów. Warto zauważyć, że zastępując reflektory obszarami zainteresowania, IC może również porównywać regiony, które zostały wybrane a priorii. Obecna metryka dyskryminowalności – porównująca korelację MVP dla "prawdziwego" warunku z korelacją dla maksymalnego warunku alternatywnego – jest również modyfikowalna. Wiele klasyfikatorów uczenia maszynowego ma wagi predykcyjne dla różnych klas, które mogą z łatwością zastąpić wykonywane tutaj porównania korelacji (np. w celu śledzenia "pewności" klasyfikatora w czasie). IC ma wiele potencjalnych zastosowań. Oprócz tego, że jest to podstawowa analiza do badania sieci informacyjnych, IC może być drugorzędną analizą uzupełniającą reflektor MVPA. Mapy reflektorów MVPA są cenne dla zrozumienia, które regiony mogą rozróżniać różne warunki, ale zwykle nie są podzielone na różne sieci. Podejście IC może być tutaj pomocne, ujawniając, które zestawy reflektorów mają synchroniczną dyskryminację. Wreszcie, mapy IC z różnych zadań mogą być porównywane w celu zrozumienia sieci zadań, a pacjenci mogą być porównywani z grupą kontrolną, aby lepiej zrozumieć, w jaki sposób różnice między wieloma wokselami15 przejawiają się na poziomie sieci.

Oświadczenia

Autorzy oświadczają, że nie mają konkurencyjnych interesów finansowych.

Podziękowania

Dziękujemy Jimowi Haxby'emu i kolegom za udostępnienie swoich danych do dalszych analiz. Marc N. Coutanche był finansowany ze stypendium Instytutu Medycznego Howarda Hughesa. Praca ta była wspierana przez granty NIH R0I-DC009209 i R01-EY02171701 przyznane Sharon L. Thompson-Schill.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Pakiet oprogramowania MATLABPakiet oprogramowania MathWorks
AFNINIMH

Bibliografia

  1. Norman, K. A., et al. Beyond mind-reading: multi-voxel pattern analysis of fMRI data. Trends Cogn Sci. 10 (9), 424-430 (2006).
  2. Haxby, J. V., et al. Distributed and overlapping representations of faces and objects in ventral temporal cortex. Science. 293 (5539), 2425-2430 (2001).
  3. Tong, F., Pratte, M. S. Decoding patterns of human brain activity. Annu Rev Psychol. 63, 483-509 (2012).
  4. Coutanche, M. N. Distinguishing multi-voxel patterns and mean activation: Why, how, and what does it tell us. Cogn Affect Behav Neurosci. 13 (3), (2013).
  5. Biswal, B., et al. Functional connectivity in the motor cortex of resting human brain using echo-planar mri. Magn Res Med. 34 (4), 537-541 (1995).
  6. Friston, K. J., et al. Psychophysiological and modulatory interactions in neuroimaging. Neuroimage. 6 (3), 218-229 (1997).
  7. Coutanche, M. N., Thompson-Schill, S. L. Informational Connectivity: Identifying synchronized discriminability of multi-voxel patterns across the brain. Front Hum Neurosci. 7 (15), 1-14 (2013).
  8. Chiu, Y. C., et al. Tracking cognitive fluctuations with multivoxel pattern time course (MVPTC) analysis. Neuropsychologia. 50 (4), 479-486 (2012).
  9. Nelissen, N., et al. Frontal and parietal cortical interactions with distributed visual representations during selective attention and action selection. J Neurosci. 33 (42), 16443-16458 (2013).
  10. Kriegeskorte, N., et al. Information-based functional brain mapping. Proc Natl Acad Sci U S A. 103 (10), 3863-3868 (2006).
  11. Cox, R. W. AFNI: software for analysis and visualization of functional magnetic resonance neuroimages. Comput Biomed Res. 29 (3), 162-173 (1996).
  12. Fischl, B., et al. Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system. Neuroimage. 9 (2), 195-207 (1999).
  13. Jimura, K., Poldrack, R. A. Analyses of regional-average activation and multivoxel pattern information tell complementary stories. Neuropsychologia. 50 (4), 544-552 (2012).
  14. Coutanche, M. N., Thompson-Schill, S. L. The advantage of brief fMRI acquisition runs for multi-voxel pattern detection across runs. Neuroimage. 61 (4), 1113-1119 (2012).
  15. Coutanche, M. N., et al. Multi-voxel pattern analysis of fMRI data predicts clinical symptom severity. Neuroimage. 57 (1), 113-123 (2011).

Przedruki i uprawnienia

Tagi

Wielowokselowy wzorzecanaliza fMRIanaliza typu searchlightregion zainteresowaniaszeregi czasowe rozróżnialnościkorelacja Spearmanałączność funkcjonalnamapowanie sieci mózgowychopóźnienie hemodynamiczne
Wykorzystanie łączności informacyjnej do pomiaru synchronicznego pojawiania się informacji o wielu wokselach fMRI w czasie
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.