Artykuł metodologiczny

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

DOI:

10.3791/51226

⸱

1 lipca 2014

 , 
1Department of Psychology, University of Pennsylvania

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Przygotuj dane fMRI

Uwaga: Po przeprowadzeniu skanowania fMRI, wstępnie przetwórz zebrane dane za pomocą narzędzi dostępnych w większości pakietów oprogramowania fMRI przed uruchomieniem tego protokołu (chociaż wygładzanie przestrzenne powinno być unikane lub zminimalizowane, aby zachować wzorce wielowokselowe). Przykład odpowiedniego zbioru danych został opisany w poprzednim zastosowaniu metody7.

  1. Usuń sygnały ruchu i średniej istoty białej z szeregów czasowych wstępnie przetworzonych danych fMRI, tworząc model regresji z predyktorami parametrów ruchu (przechylenie, pochylenie, odchylenie, x, y, z) i średniego sygnału istoty białej. Przeprowadzić poniższe analizy wynikowych reszt (tj. pozostałej wariancji).
  2. Zaimportuj wygenerowane reszty do pakietu analitycznego (np. MATLAB, Python). Zestaw narzędzi do łączności informacyjnej (http://www.informationalconnectivity.org) o otwartym kodzie źródłowym może importować dane fMRI do programu MATLAB.
  3. Z-score dla każdego szeregu czasowego woksela.
  4. Podziel punkty czasowe zestawu danych na niezależne zestawy ("składania"), takie jak różne przebiegi skanera. Uwaga: Korzystanie z przebiegów skanera zapewnia niezależność między składaniami, co w przeciwnym razie może być trudne do zagwarantowania (na przykład zależności mogą być tworzone między punktami czasowymi przebiegu podczas przetwarzania wstępnego). Przebiegi można grupować razem, aby zmniejszyć liczbę zagięć (np. parzyste i nieparzysteprzebiegi 2), chociaż użycie pojedynczych przebiegów da więcej danych treningowych.
  5. Utwórz rekord etykiet warunków skojarzonych z punktami czasowymi, generując wektor etykiet warunków o długości N punktów czasowych.
  6. Przesuń etykiety warunków do przodu w każdym przebiegu o liczbę czasów do powtórzenia (TR) odpowiadającą 5 sekundom, aby uwzględnić opóźnienie hemodynamiczne między zdarzeniami a zarejestrowanymi sygnałami fMRI.

2. Wybierz i przeanalizuj region źródłowy

  1. Wybierz region zalążkowy, izolując obszar anatomiczny, funkcjonalnie zlokalizowany region lub najskuteczniejsze reflektory "informacyjnego mapowania mózgu"10.
    Uwaga: Poniższe kroki od 2.2 do 4.2 można wykonać za pomocą zestawu narzędzi MATLAB Łączność Informacyjna typu open source (http://www.informationalconnectivity.org).
  2. Porównaj MVP każdego punktu czasowego z prototypowym MVP dla każdego warunku (Uwaga: jest to to samo podejście, które jest używane w popularnym klasyfikatorze najbliższych sąsiadów2 opartym na korelacji). Rysunek 1 (u góry) przedstawia przykład rzeczywistych danych zebranych, gdy uczestnicy oglądali bloki czterech typów obiektów stworzonych przez człowieka.
    1. Oblicz prototypowy (średni) MVP dla każdego warunku, uśredniając punkty czasowe każdego warunku w całości oprócz jednego. Są to dane "treningowe" dla każdego krotnego złożenia (np. w przypadku złożenia 2 z 5 średnie MVP są obliczane na podstawie punktów czasowych w składaniach 1, 3, 4 i 5).
    2. Skoreluj MVP każdego punktu czasowego ze średnią MVP każdego warunku z danych treningowych. Spowoduje to danie każdemu punktowi czasowemu jednej wartości korelacji dla każdego warunku (Uwaga: warunek o najwyższej korelacji będzie tutaj przewidywaniem popularnego klasyfikatora MVPAopartego na korelacji 2)
    3. Fisher-transformacja wartości r na z-scores.
  3. Określ ilościowo "dyskryminację MVP" dla każdego punktu czasowego: najpierw zidentyfikuj korelację z 2.2.3, która reprezentuje związek między MVP punktu czasowego a średnią-MVP warunku tego punktu czasowego, a następnie odejmij najwyższą z pozostałych korelacji (tj. "korelacja z prawidłowym warunkiem" minus "maksymalna korelacja z nieprawidłowym warunkiem"). Rezultatem jest dyskryminacja MVP tego punktu czasowego. Alternatywnym (i słusznym) podejściem byłoby odjęcie średniej korelacji nieprawidłowych warunków.
    Uwaga: Sugerowane podejście ma tę intuicyjną zaletę, że punkty czasowe z dodatnimi wartościami dyskryminacji są prawidłowo klasyfikowane przez klasyfikator oparty na korelacji, podczas gdy punkty czasowe z wartościami ujemnymi nie są poprawnie przewidywane. Przykład otrzymanych wartości pokazano na rysunku 1 (na dole). Kroki do tego momentu są ujęte w poniższych wzorach.
    figure-protocol-1
    x̅ to znormalizowany wektor wierszowy 1 na m z wartościami aktywacji woksela m w punkcie czasowym n, y̅ jest znormalizowanym wektorem wiersza 1 na m średniego wzorca uczenia dla prawidłowych (c) lub nieprawidłowych (i) warunków dla punktu czasowego n. Funkcja artanh stosuje transformację Fishera z.

3. Oblicz szereg czasowy dyskryminowalności MVP dla każdego szperacza

  1. Przeprowadź analizę reflektora10: Umieść trójwymiarowy klaster wokół każdego woksela po kolei ("reflektor").
  2. Powtórz kroki 2.2 i 2.3 dla każdego reflektora, tak aby każdy reflektor miał szereg czasowy wartości dyskryminacji MVP (po jednym na punkt czasowy).

4. Oblicz łączność informacyjną między ziarnem a reflektorami

  1. Skoreluj szeregi czasowe dyskryminowalności MVP ziarna (od 2,3) z szeregami czasowymi dyskryminowalności każdego reflektora (od 3,2) przy użyciu korelacji rang Spearmana. Wynikowa wartość rs to IC między ziarnem a reflektorem.
  2. Przypisz wartość IC każdego reflektora do centralnego woksela reflektora i napisz mapę mózgu wynikowej osoby.

5. Oblicz mapę statystyczną grupy

  1. Jeśli dane nie znajdują się jeszcze w ustandaryzowanej przestrzeni (np. Talairach lub MNI), przekształć mapy IC uczestników w tę samą przestrzeń.
  2. Opcjonalnie wygładź mapy reflektorów poszczególnych osób.
  3. Utwórz grupową mapę statystyczną za pomocą jednokierunkowego testu t, aby sprawdzić, czy wartość IC każdego reflektora jest znacznie większa od zera.

6. Znaczenie testu

Uwaga: Istnieje wiele podejść do określania istotności statystycznej map grupowych fMRI. Ponieważ test permutacji może określić istotność przy minimalnych założeniach, biorąc pod uwagę poziom wygładzenia zestawu danych (ponieważ każda mapa grupy permutowanej jest poddawana temu samemu przetwarzaniu), ta opcja jest opisana poniżej.

  1. Dla każdej z 1 000 permutacji losowo tasuj wartości dyskryminowalności MVP ziarna w szeregach czasowych. Utrzymuj sąsiednie punkty czasowe z autokorelacjami czasowymi (takimi jak punkty czasowe w tym samym bloku) razem (na przykład przez tasowanie bloków, a nie sąsiednich TR).
  2. Oblicz mapy IC poszczególnych osób dla każdej permutacji (krok 4 powyżej).
  3. Wygeneruj 1,000 permutowanych map grupowych: Losowo wybierz jedną permutowaną mapę IC od każdego uczestnika i przeprowadź test grupowy na tym losowym zestawie (krok 5 powyżej).
  4. Proguj każdą permutowaną mapę grupową na żądanym progu (np. p < 0,001) i wyodrębnij maksymalny rozmiar klastra z mapy.
  5. Posortuj wynikowe 1 000 maksymalnych woluminów klastrów i zidentyfikuj rozmiar klastra na 95. percentylu (np. 50. co do wielkości dla 1 000 permutacji).
  6. Zastosuj próg użyty w 6.4 (np. p < 0,001) i minimalny rozmiar klastra od 6,5 do rzeczywistej (niepermutowanej) mapy grup IC, aby skorygować ją klastrowo do p < 0,05. Ponieważ każda mapa permutowana korzysta z tych samych wartości dyskryminowalności MVP (w innej kolejności), ta mapa istotności wyróżnia regiony o większej liczbie wartości dyskryminacji synchronicznej, niż oczekiwano przypadkowo.

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wyniki IC mogą być teraz wyświetlane za pomocą preferowanego przez badacza pakietu oprogramowania do analizy fMRI. Rysunek 2 przedstawia wyniki IC, obliczone na podstawie bloków wizualnie prezentowanych obiektów stworzonych przez człowieka (szczegółowe informacje w powiązanej publikacji7).

Analiza IC jest szczególnie cenna dla warunków, o których wiadomo, że mają powiązane MVP: Warunki z charakterystycznymi MVP, ale bez różnic w odpowiedziach jednowymiarowych, są bardziej prawdopodobne, że będą miały różnice między IC i FC (zilustrowane danymi, które zostały zarejestrowane, gdy uczestnicy oglądali różne typy obiektów stworzonych przez człowieka na rysunku 3). Rysunek 4 pokazuje, że reflektory ze znaczącymi informacjami o wielu wokselach mogą mieć wysoki IC, ale są słabiej reprezentowane w wynikach FC.

figure-results-1
Rysunek 1. Przykłady rozróżnialności wzorców w czasie. U góry: Substraty dyskryminowalności MVP obliczone na podstawie obiektu w Haxby et al. (2001)2, analizowane w Coutanche & Thompson-Schill (2013)7. Niebieska linia pokazuje korelację z między MVP punktów czasowych a wzorcem średniej ("treningowym") odpowiedniej klasy. Zielone linie reprezentują korelacje MVP z trzema nieprawidłowymi klasami. Dół: Dyskryminacja wzorca to różnica między korelacjami dla właściwej klasy a najwyższą niepoprawną klasą. Punkty czasowe z dodatnimi wartościami dyskryminacji wzorca zostałyby poprawnie sklasyfikowane przez klasyfikator oparty na korelacji. Rysunek pierwotnie opublikowany w Coutanche & Thompson-Schill (2013)7. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-2
Rysunek 2. Przykładowe mapy połączeń. Każdy wiersz pokazuje regiony w znacznym stopniu połączone z ziarnem (pokazane na niebiesko). Istotność jest określana za pomocą grupowego testu t (p < 0,001) z minimalną wielkością klastra z testów permutacji. Wyniki IC są wyświetlane przy użyciu AFNI11 na mapach powierzchniowych utworzonych za pomocą FreeSurfer12. Rysunek jest zmodyfikowany na podstawie Coutanche & Thompson-Schill (2013)7. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-3
Rysunek 3. Zsynchronizowana dyskryminacja MVP w porównaniu ze średnią aktywacją. Przykłady dyskryminowalności MVP w dwóch regionach z synchroniczną dyskryminacją MVP (tj. łącznością informacyjną) bez synchronicznej aktywacji średniej (tj. łączności funkcjonalnej); dane pochodzą od podmiotu z Haxby et al. (2001)2, jak analizowano w Coutanche & Thompson-Schill (2013)7. Te punkty danych zostały zebrane, gdy badany oglądał wizualne prezentacje obiektów stworzonych przez człowieka, które można odróżnić za pomocą wzorców wielowokselowych, ale nie średnich odpowiedzi. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-4
Rysunek 4. Przykładowe wartości IC i FC między ziarnem w lewym zakręcie wrzecionowatym a reflektorami w mózgu. Siła połączeń informacyjnych i funkcjonalnych (osie z) jest pokazana między ziarnem a reflektorami, w odniesieniu do średniej odpowiedzi każdego reflektora (oś x) i dokładności klasyfikacji MVPA (oś y) na cztery typy obiektów stworzonych przez człowieka (szansa = 25%). Reflektory dzielące woksele z regionem zalążkowym zostały usunięte. Wykres IC zawiera przykłady reflektorów z silną łącznością, które mają wysoką wydajność klasyfikacyjną, ale niskie średnie poziomy odpowiedzi, które nie są wychwytywane w typowym podejściu FC (widoczne przez lukę w lewym górnym oktancie prawego wykresu). Rysunek pierwotnie opublikowany w Coutanche & Thompson-Schill (2013)7. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy oświadczają, że nie mają konkurencyjnych interesów finansowych.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Wielowokselowy wzorzecanaliza fMRIanaliza typu searchlightregion zainteresowaniaszeregi czasowe rozr nialno cikorelacja Spearmanaczno funkcjonalnamapowanie sieci m zgowychop nienie hemodynamiczne

Powiązane artykuły