Name: Usando Informativa Conectividade medir o Emergence Synchronous de fMRI Multi-voxel Informações Across Time (Vídeo) | JoVE Journal
Uploaded: 2014-07-01T13:00:00.000+00:00
Duration: 7 min 12 s
Description: Aprenda a medir conectividade cerebral baseada em padrões de atividade multi-voxel ao longo do tempo usando fMRI. Este método revela redes que a conectividade funcional tradicional não detecta.

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

Agradecemos Jim Haxby e colegas para fazer seus dados disponíveis para análises posteriores. Marc N. Coutanche foi financiado por uma bolsa de estudos do Instituto Médico Howard Hughes. Este trabalho foi financiado pelo NIH concede R0I-DC009209 e R01-EY02171701 atribuído a Sharon L. Thompson-Schill.

1. Preparar os dados fMRI Nota: Após a realização de um fMRI scan, pré-processar os dados coletados utilizando as ferramentas disponíveis na maioria dos pacotes de software de fMRI antes de iniciar este protocolo (embora suavização espacial deveria ser evitada ou minimizada para preservar os padrões de multi-voxel). Um exemplo de um conjunto de dados adequados é descrita no pedido anterior do método 7. <ol><li> Remover movimento e significa sinais de substância branca da série temporal de dados de fMRI pré-processados, criando um modelo de regressão com preditores para os parâmetros de movimento (roll, pitch, yaw, x, y, z) e sinal da substância branca dizer. Realizar as análises a seguir sobre os resíduos resultantes (ou seja, a variação restante). </li><li> Importe os resíduos gerados em um pacote de análise (por exemplo, MATLAB, Python). A fonte aberto Informativa Conectividade Toolbox (http://www.informationalconnectivity.org) pode importar dados de fMRI em MATLAB. </li><li> Eac Z-scoreséries temporais h do voxel. </li><li> Separe timepoints do conjunto de dados em conjuntos independentes (&#39;dobras&#39;), tais como corridas diferentes scanner. Nota: O uso do scanner é executado garante a independência entre as pregas, que podem ser difíceis de garantir (por exemplo, poderia ser criado dependências entre timepoints um prazo durante o pré-processamento). Executa poderia ser agrupados em conjunto para reduzir o número de dobras (por exemplo, é executado e ímpares 2), apesar de utilizar pistas individuais vai dar mais dados de formação. </li><li> Criar um registro dos rótulos condição associada a timepoints gerando um vetor de rótulos de condição que é N timepoints longo. </li><li> Desloca os rótulos condição para a frente em cada executado por um número de vezes-a-repetição (TRs), equivalente a 5 segundos, a fim de explicar o atraso de hemodinâmica entre os eventos e sinais de fMRI gravados. </li></ol> 2. Selecione e analisar uma região Semente <ol><li> Selecione uma região de sementes por isolar um anatômicaárea al, região funcionalmente localizada ou de alto desempenho &#39;mapeamento de informações de cérebros&#39; holofotes 10. Nota: Os passos 2,2-4,2 abaixo podem ser executados pelo open-source Conectividade Informativa MATLAB Toolbox ( <a href="http://www.informationalconnectivity.org">http://www.informationalconnectivity.org</a> ). </li><li> Compare o MVP de cada ponto de tempo a um MVP protótipo para cada condição (Nota: esta é a mesma abordagem usada no popular baseada em correlação mais próximo classificador vizinho 2). Figura 1 (superior) dá um exemplo a partir de dados reais coletados como participantes visto blocos de quatro tipos de objetos feitos pelo homem. <ol><li> Calcule a (média) MVP protótipo para cada condição pela média dos pontos temporais de cada condição em todo-mas-um só rebanho. Estes são os dados &quot;formação&quot; para cada dobra (por exemplo, por vezes 2 de 5, médios-MVPs são calculadas em pontos de tempo em dobras 1, 3, 4 e 5). </li><li> Correlacionar a cada ponto no tempo &quot;, S MVP com a média-MVP de cada condição a partir dos dados de treinamento. Isso vai dar a cada ponto no tempo um valor de correlação para cada condição (Nota: o estado com a maior correlação aqui seria a previsão da correlação popular baseado classificador MVPA 2) </li><li> Fisher-transformar os valores de R-TO escores z. </li></ol></li><li> Quantificar &#39;MVP discriminabilidade&#39; para cada ponto no tempo: Primeiro identificar a correlação de 2.2.3 que representa a relação entre o MVP da timepoint ea média-MVP da condição desse timepoint, em seguida, subtrair a maior das correlações restantes (ou seja, correlação &quot;com correta condição &#39;menos&#39; correlação máxima com uma condição incorreta &#39;). O resultado é que o MVP discriminabilidade do ponto de tempo. Uma abordagem alternativa (e válida) seria para subtrair a correlação média das condições incorrectas. Nota: A abordagem sugerida tem a vanta intuitivoge que timepoints com valores Discriminabilidade positivos são classificados corretamente pelo classificador correlação com base, enquanto timepoints com valores negativos não são previu corretamente. Um exemplo dos valores resultantes são mostrados na Figura 1 (parte inferior). Os passos até esse ponto são capturadas nas fórmulas abaixo. <img alt="2.3 equações" fo:content-width="4.5in" src="/files/ftp_upload/51226/51226_2.3_equations.jpg" /> X é um vetor linha normalizada 1-por-m com valores de ativação m voxel na hora do ponto-n, y é um 1-a-m vetor linha normalizada do padrão médio para formação correta (c) ou (i) condições impróprias para tempo de ponto n. A função artanh aplica o Fisher z transformar. </li></ol> 3. Calcular uma série temporal de MVP Discriminabilidade para cada Searchlight <ol><li> Realizar uma análise holofote 10: Coloque um c tridimensionalbrilho em torno de cada voxel, por sua vez (um &#39;holofote&#39;). </li><li> Repita os passos 2.2 e 2.3 para cada holofote, para que cada holofote tem uma série temporal de valores Discriminabilidade MVP (um por timepoint). </li></ol> 4. Calcular Informativa conectividade entre a semente e Holofotes <ol><li> Correlacionar MVP discriminabilidade séries temporais da semente (de 2,3) com discriminabilidade séries temporais de cada holofote (de 3,2), utilizando classificação de correlação de Spearman. O valor resultante r s é o IC entre a semente eo holofote. </li><li> Atribuir valor IC de cada holofote para voxel central do holofote e escrever mapa cerebral do indivíduo resultante. </li></ol> 5. Calcular Grupo Estatístico Mapa <ol><li> IC Se os dados não estiverem no espaço padronizado (por exemplo, Talairach ou MNI), transformam dos participantes mapeia no mesmo espaço. </li><li> Opcionalmente suavizar as pessoas e# 39; mapas holofote. </li><li> Criar um mapa estatístico grupo usando uma t-teste de uma forma para se valor IC de cada holofote é significativamente maior do que zero. </li></ol> 6. Significado Teste Nota: Existem inúmeras abordagens para determinar a significância estatística dos mapas grupo fMRI. Como um teste de permutação pode determinar a significância com os pressupostos mínimos, enquanto representando o nível do conjunto de dados de suavização (como cada mapa grupo permutados sofre o mesmo processo), esta opção é descrita abaixo. <ol><li> Para cada um dos 1.000 permutações, embaralhar aleatoriamente valores MVP-Discriminabilidade da semente em toda a série histórica. Manter instantes adjacentes com autocorrelações temporais (tais como marcas de tempo dentro do mesmo bloco) em conjunto (por exemplo, por blocos, em vez de baralhar TRs adjacentes). </li><li> Calcule mapas IC dos indivíduos para cada permutação (passo 4 acima). </li><li> Gerar 1.000 mapas grupo permutadas: Randomly selecionar um permutado mapa IC de cada participante e realizar um teste de grupo sobre este conjunto aleatório (passo 5 acima). </li><li> Limite de cada mapa grupo permutados em um limite desejado (por exemplo, p &lt;0,001) e extrair o tamanho máximo do cluster do mapa. </li><li> Ordenar resultante 1.000 volumes máximo do cluster e identificar o tamanho do cluster no percentil 95 (por exemplo, a 50 ª maior em 1000 permutações). </li><li> Aplique o limiar usado em 6.4 (por exemplo, p &lt;0,001) eo tamanho mínimo aglomerado de 6,5 para o real (não-permutados) mapa grupo IC, a fim de torná-lo cluster de corrigida para p &lt;0,05. Porque cada mapa permutados baseia-se nos mesmos valores Discriminabilidade MVP (em uma ordem diferente), este mapa significado destaca as regiões com mais valores Discriminabilidade síncronos do que o esperado por acaso. </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>

Os autores declaram que não têm interesses financeiros concorrentes.

Conectividade Informativa tem a sensibilidade de MVPA à informação padrão distribuído, e dá uma capacidade de estudar entre a região interações através de uma abordagem de conectividade. MVPA e análises uni padrão podem cada revelar o envolvimento de regiões distintas, às vezes com pouca sobreposição entre seus resultados 1 3. Como esperado para um método que se baseia em tais abordagens de análise, IC e FC também dar resultados complementares 7. A decisão de se empregar IC vai depender das condições sob investigação e as questões teóricas sendo colocados. Considerações de design que o impacto se MVPA é conduzido em um conjunto de dados também afetará se IC é usado. Estudos projetados com IC explicitamente em mente vai querer seguir as recomendações para MVPA 1 4, além de garantir que os dados de nível de julgamento pode ser extraído de todo timecourse de verificação. Ao examinare relatar resultados de IC, é importante que os holofotes sobrepostas com as sementes são removidas, para evitar a circularidade. Além disso, quando se pretende comparar directamente os resultados de IC e FC, recomenda-se também comparar a análise FC com base na média de activação holofotes, em vez de apenas os voxels. Esta análise adicional pode garantir que quaisquer diferenças entre os resultados não são por causa de diferenças nos níveis de relação sinal-ruído em holofotes contra voxels. O procedimento descrito aqui se concentra principalmente em uma análise exploratória empregando holofotes. Vale a pena notar que, substituindo holofotes com regiões de interesse, IC também pode comparar as regiões que são selecionados a prévia i. O atual métrica discriminabilidade - comparando correlação de MVP para a condição de &quot;verdadeiro&quot; para a correlação para a condição de máximo alternativo - também são modificáveis. Muitos classificadores de aprendizado de máquina têm pesos de predição para diffaulas erent, o que poderia facilmente substituir as comparações de correlação realizados aqui (por exemplo, para acompanhar o &quot;confiança&quot; de um classificador ao longo do tempo). IC tem uma variedade de usos potenciais. Além de ser uma análise preliminar para investigar redes informacionais, IC pode ser uma análise de acompanhamento secundário a um holofote MVPA. Mapas holofote MVPA são valiosos para compreender que as regiões podem distinguir diferentes condições, mas não estão normalmente divididas em redes diferentes. A abordagem IC pode ajudar aqui, ao revelar que define de holofotes têm discriminabilidade síncrona. Finalmente, mapas IC de diferentes tarefas podem ser comparados a fim de compreender as redes de tarefas, e os pacientes podem ser comparados aos controles para entender melhor como as diferenças multi-voxel 1 5 se manifestam no nível de rede.

O objetivo do método de análise descrito aqui é medir a conectividade entre as regiões do cérebro com base em flutuações na sua informação multi-voxel. Os avanços na ressonância magnética funcional (fMRI) técnicas de análise revelaram que uma grande quantidade de informação pode ser contido dentro de nível de sangue-oxigenação-dependentes (negrito) os padrões de atividade que são distribuídos através de múltiplos voxels 1-3. Um conjunto de técnicas que são sensíveis à informação multivariada - conhecida como análise de padrões multi-voxel (MVPA) - tem sido usada para mostrar que as condições podem ter MVPs distintas, apesar de ter respostas indistinguíveis univariadas 1,2,4. Análises Padrão, que comparam respostas univariadas, pode ser insensível a esta informação multi-voxel. Várias regiões do cérebro estão envolvidas quando os seres humanos processam estímulos e realizar operações cognitivas. Conectividade funcional (FC) é um método habitualmente empregue para investigarportão tais redes funcionais 5,6. Na sua forma mais básica, o FC quantifica co-ativação, ou sincronia, entre os diferentes voxels ou regiões. FC tem sido usado para identificar redes cerebrais funcionalmente conectados com muito sucesso. Para muitas regiões e condições, no entanto, as respostas univariadas não refletem todas as informações disponíveis dentro atividade BOLD. Técnicas de FC que acompanham alterar dinamicamente os níveis de resposta univariadas podem faltar sensibilidade a flutuações comuns na informação multi-voxel. O método de análise aqui apresentada, conectividade informacional (IC; descrita pela primeira vez em um artigo recente 7), preenche uma lacuna entre MVPA e FC, medindo a conectividade com uma métrica que é sensível à informação multi-voxel ao longo do tempo. Enquanto FC faixas alterar dinamicamente ativação univariada, IC faixas alterar dinamicamente MVP discriminabilidade - uma medida de quão bem verdadeira condição de um MVP pode ser distinguido de alternativas (incorretos). É importante ressaltar que em tele mesmo modo que as diferentes regiões pode mostrar níveis semelhantes de respostas uni a uma condição, apesar de executar cálculos distintos (por exemplo, processamento visual ou planejamento de ação quando uma pessoa vê o homem fez objetos), regiões distintas também podem ter níveis de MVP semelhantes (e sincronizados) discriminabilidade enquanto que condições do processo de maneira diferente. Um estudo recente demonstrou que a IC pode revelar conectividade inter-regional que não é detectável com uma abordagem FC padrão 7. Os investigadores podem, portanto, usar IC para investigar as interações entre as regiões do cérebro que os participantes respondem a condições ou estímulos que têm padrões distribuídos característicos. IC é distinto de várias aplicações de conectividade recentes que examinaram flutuações na ativação univariada em relação aos resultados da classificação 8, 9. Ao contrário dessas abordagens, IC detecta síncrono multi-voxel padrão discriminabilidade entre as regiões.

<table><tbody><tr><td>Pacote de software MATLAB</td> Pacote de software <td>MathWorks</td><td></td><td></td></tr><tr><td>AFNI</td><td>NIMH</td><td></td><td></td></tr></tbody></table>

usando informativa conectividade medir o emergence synchronous de fmri multi-voxel informações across time

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

Ele agora é apreciado que a informação relevante condição pode estar presente dentro dos padrões distribuídos de ressonância magnética funcional (fMRI) a atividade cerebral, mesmo para condições com níveis semelhantes de ativação univariada. Análise de padrões multi-voxel (MVP) foi usado para decodificar essas informações com grande sucesso. Investigadores fMRI também muitas vezes procuram entender como as regiões do cérebro interagem em redes interconectadas, e usar a conectividade funcional (CF) para identificar regiões que correlacionados respostas ao longo do tempo. Assim como análises uni pode ser insensível a informação em MVPs, FC pode não caracterizar plenamente as redes cerebrais que processam as condições com assinaturas MVP característicos. O método descrito aqui, a conectividade de informação (CI), pode identificar regiões com mudanças correlacionadas em MVP-discriminabilidade ao longo do tempo, revelando conectividade que não é acessível a FC. O método pode ser exploratória, utilizando holofotes para identificar semente-connáreas ected, ou planejado, entre as regiões de interesse pré-selecionados. Os resultados podem elucidar redes de regiões que processam condições relacionadas com o MVP, degradação podem mapas holofote MVPA em redes separadas, ou podem ser comparados entre tarefas e grupos de pacientes.

Os resultados IC agora podem ser exibidos usando o pacote de software de análise fMRI preferido do investigador. Figura 2 mostra os resultados de IC, calculados a partir de blocos de apresentadas visualmente o homem fez objetos (detalhes completos na publicação associada 7). A análise IC é particularmente valioso para as condições que se sabe terem associado MVPs: Condições com MVPs característicos, mas sem diferenças nas respostas univariadas, são mais propensos a ter distinções entre IC e FC (ilustrado com dados que foram registrados como participantes visto diferentes tipos de homem objetos feitos na Figura 3). Figura 4 mostra que holofotes com informações significativas multi-voxel pode ter alta IC, mas não são tão bem representados em resultados FC. <img alt="Figura 1" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig1highres.jpg" width = &quot;500&quot; /&gt; .. Figura 1 Exemplos de padrão discriminabilidade durante tempos: Os substratos. De MVP discriminabilidade calculado a partir de um sujeito em Haxby et al (2001) 2, tal como analisado em Coutanche &amp; Thompson-Schill (2013) 7. A linha azul mostra a correlação entre marcou-z &#39;MVPs ea média de tempo padrão de pontos da classe correta (&quot;treinamento&quot;). As linhas verdes representam correlações dos MVPs com três classes incorretas. Conclusão: Padrão discriminabilidade é a diferença entre as correlações para a classe correta e incorreta classe mais alta. Time-pontos com valores positivos padrão Discriminabilidade seriam corretamente classificados por um classificador baseado em correlação. Figura publicado originalmente em Coutanche &amp; Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig1highres.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura</a>. <img alt="Figura 2" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig2highres.jpg" width="500" /> Exemplo mapas Figura 2. Conectividade. Cada linha mostra regiões significativamente ligados a uma semente (em azul). A significância é determinada por um grupo t-teste (p &lt;0,001) com o tamanho mínimo de aglomerado de testes de permutação. Os resultados são exibidos usando IC AFNI 1 1 em mapas de superfície produzidos com FreeSurfer 1 2. Figura é modificada a partir Coutanche &amp; Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig2highres.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a> <img alt="Figura 3" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig3highres.jpg" width="500" /> Figura. 3 Synchronized MVP discriminabilidade comparado a significar ativação Exemplos de MVP discriminabilidade em duas regiões com discriminabilidade MVP síncrona (ou seja, a conectividade de informação) sem síncrona ativação média (ou seja, a conectividade funcional).; dados vêm de um assunto de Haxby et al. (2001) 2, conforme analisado em Coutanche &amp; Thompson-Schill (2013) 7. Esses pontos de dados foram coletados enquanto o assunto visto apresentações visuais de objetos feitos pelo homem, que se distinguem por padrões multi-voxel, mas não significam respostas. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig3highres.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a> <img alt="Figura 4" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig4highres.jpg" width="500" /> Figura 4. Exemplo IC e FC valores entre uma semente no lefgiro t fusiformes e holofotes em todo o cérebro. Informacional e pontos fortes de conectividade funcional (Z-eixos) são mostrados entre uma semente e holofotes, com relação a resposta média de cada holofote (eixo x) e precisão da classificação MVPA (eixo-y) a quatro tipos de homem feito objetos (possibilidade = 25%). Holofotes compartilhando voxels com a região da semente foram removidos. O gráfico IC inclui exemplos de holofotes com conectividade forte que têm alto desempenho da classificação, mas os baixos níveis médios de resposta, que não são apanhados em uma abordagem típica FC (visto pela lacuna na octant superior esquerdo do gráfico à direita). Figura publicado originalmente em Coutanche &amp; Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig4highres.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>

A conectividade informacional mede a correspondência entre os cursos de tempo de informações multivoxel em diferentes regiões do cérebro. As séries temporais de discriminabilidade de padrões multivoxel são extraídas de regiões e comparadas, revelando redes que não são identificadas em uma abordagem típica de conectividade funcional.

Usando Informativa Conectividade medir o Emergence Synchronous de fMRI Multi-voxel Informações Across Time

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

O objetivo geral deste procedimento é medir a conectividade entre regiões cerebrais com base em alterações nos seus padrões de atividade distribuída ao longo do tempo. Isso é realizado primeiramente selecionando-se uma região semente. Em seguida, a discriminabilidade do padrão multivoxel é calculada para cada ponto temporal na região semente e em cada searchlight ou região de interesse.O passo final consiste em correlacionar a série temporal de discriminabilidade da região semente com cada searchlight. Em última análise, a conectividade informativa é utilizada para revelar a conectividade entre regiões que possuem informações contidas em padrões de voxels. Bem, a principal vantagem dessa técnica em relação a outras, como a conectividade funcional, é que ela pode detectar conectividade utilizando condições que não diferem na resposta imune, mas que possuem uma assinatura multivariada única.Bem, tive pela primeira vez a ideia deste método ao perceber que muitas técnicas de conectividade ignoram informações contidas apenas em padrões de atividade multivoxel. Assim como hoje sabemos que abordagens univariadas são completamente cegas às informações contidas em padrões de atividade multivoxel, para iniciar este procedimento, remova os sinais de movimento e do sinal médio da substância branca das séries temporais dos dados de fMRI pré-processados criando um modelo de regressão com preditores para os parâmetros de movimento e o sinal médio da substância branca. Em seguida, realize a análise a seguir nos resíduos resultantes.Importe os resíduos gerados para um pacote de análise, como MATLAB ou Python, utilizando, por exemplo, a caixa de ferramentas aberta de conectividade informacional para MATLAB. Em seguida, transforme a série temporal de cada vóxel em zco. Separe os pontos temporais dos conjuntos de dados em conjuntos independentes, como diferentes execuções do scanner.Em seguida, crie um registro dos rótulos de condição associados aos pontos temporais gerando um vetor de rótulos de condição. Ou seja, pontos temporais finais longos, desloque os rótulos de condição para frente em cada execução por um número de vezes equivalente a cinco segundos, a fim de levar em conta o atraso hemodinâmico entre eventos e os sinais de fMRI registrados. Para selecionar uma região semente, isole uma área anatômica mediante a seleção de vóxeis no seu software preferido ou com uma função de atlas rotulada, localizando funcionalmente uma região ou selecionando uma busca de "searchlight" de mapeamento cerebral com alto desempenho em informação.Em seguida, compare o PMV de cada momento. Indique um PMV prototípico para cada condição. Utilizando a caixa de ferramentas de conectividade informacional MATLAB de código aberto.Calcule um MVP prototípico para cada condição, fazendo a média dos pontos de tempo de cada condição em todas as repetições exceto uma. Em seguida, correlacione o MVP de cada ponto de tempo com o MVP médio de cada condição proveniente dos dados de treinamento. Isso fornecerá a cada ponto de tempo um valor de correlação de 0,1 para cada condição.Observe que a condição com a maior correlação aqui seria a predição do classificador popular de MVPA baseado em correlação. Posteriormente, quantifique a DISCRIMINABILIDADE MVP para cada ponto temporal identificando primeiro a correlação que representa a condição daquele ponto temporal. Em seguida, subtraia a maior das correlações restantes.O resultado é a discriminabilidade MVP de cada ponto temporal. Para realizar uma análise de campo de busca, posicione um agrupamento tridimensional ao redor de cada vle. Em seguida, repita o passo anterior para cada campo de busca, de modo que cada um tenha uma série temporal de valores de discriminabilidade MVP.Agora, correlacione a série temporal da discriminabilidade MVP da semente com a série temporal da DISCRIMINABILIDADE de cada searchlight. Utilizando a correlação de postos de Spearman, o valor RS resultante é a IC entre a semente e o searchlight. Em seguida, atribua o valor de IC de cada searchlight ao vóxel central do respectivo searchlight e gere o mapa cerebral individual resultante.Se os dados ainda não estiverem no espaço padronizado, transforme os mapas de IC do participante para o mesmo espaço. Opcionalmente, suavize os mapas de busca individual. Esta figura mostra exemplos da DISCRIMINABILIDADE MVP em duas regiões com discriminabilidade MVP síncrona sem ativação média síncrona.Esses pontos de dados foram coletados enquanto o sujeito observava apresentações visuais de objetos artificiais, que são distinguíveis por padrões multivoxel, mas não por respostas médias. E aqui é mostrado um exemplo dos valores de IC e FC entre uma semente nas vistas esquerdas do giro de forma e busca-luzes por todo o cérebro. As intensidades de conectividade informacional e funcional são indicadas no eixo Z em relação à resposta média de cada busca-luz no eixo X e à precisão de classificação MVPA no eixo Y; o canto superior esquerdo do gráfico de IC mostra busca-luzes conectadas informacionalmente com alto desempenho de classificação, mas níveis baixos de resposta média.O espaço vazio no canto superior esquerdo do gráfico de FC mostra que esses faróis conectados não estão sendo detectados em uma abordagem típica de FC. Aqui está um exemplo dos mapas de conectividade. Cada linha mostra as regiões que estão significativamente conectadas a uma semente. A significância é determinada por um teste T de grupo com tamanho mínimo de agrupamento a partir de testes de permutação.Os resultados de IC são exibidos aqui usando mapas de acne na superfície produzidos com o FreeSurfer seguindo este procedimento. Outras análises, como a conectividade funcional, podem ser realizadas para investigar questões adicionais, como se as condições são exclusivamente conectadas por padrões multivoxelares ou se também são síncronas em suas respostas médias. Assim, após assistir a este vídeo, você deverá ter uma boa compreensão de como medir a conectividade entre regiões com base em seus padrões multivoxelares.Obrigado por assistir.

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

Research

JoVE Journal

Neuroscience

Neurociência

Nós desenvolvemos um método para ressonância magnética funcional simultânea e gravação eletrofisiológicas no cérebro de roedores, proporcionando uma plataforma para a investigação da relação entre a atividade neural e sinalizar o nível de oxigenação do sangue (BOLD) dependente de ressonância magnética.

FMRI simultânea e Eletrofisiologia no cérebro de roedores

Este artigo demonstra um delineamento experimental em que todo o corpo personagens animados são usados ​​em conjunto com ressonância magnética funcional (fMRI) para investigar os correlatos neurais da observação virtual de interações sociais.

Investigação por imagem do cérebro os correlatos neurais da Observando Virtual Interações Sociais

A Rede Padrão Mode (DMN) em Epilepsia do Lobo Temporal (ELT) é analisada no estado de descanso do cérebro usando a conectividade funcional à base de semente de MRI (fcMRI).

Análise de Redes da rede de modo padrão Usando Funcional Conectividade RM em Epilepsia do Lobo Temporal

A ressonância magnética de conectividade funcional em estado de repouso identificou anormalidades em pacientes com uma ampla gama de distúrbios neuropsiquiátricos, incluindo epilepsia devido a malformações do desenvolvimento cortical. A estimulação magnética transcraniana em combinação com EEG pode demonstrar que pacientes com epilepsia apresentam hiperexcitabilidade cortical em regiões com conectividade anormal.

A Multimodal Imaging- e baseada Estimulação método de avaliação de conectividade relacionadas com o cérebro Excitabilidade em doentes com epilepsia

Um EEG-fMRI multimodal de imagens método, conhecido como a fonte de EEG fMRI restrita spatiotemporal imagem método, é descrito aqui. O método apresentado utiliza mapas sub fMRI condicionalmente-ativo, ou antecedentes, para orientar a localização de origem do EEG em uma forma que melhora a especificidade espacial e limita a resultados erróneos.

EEG simultâneo e gravação de ressonância funcional e análise de integração para a imagem latente de atividade Cortical dinâmica

O objetivo da abordagem descrita é determinar em que momentos do paradigma (perspectiva temporal) e entre os quais regiões (perspectiva espacial), reconfigurações significativas em conectividade funcional ocorrem na ressonância magnética funcional gravações durante o qual um vez bloqueado estímulo é jogado.

Dinâmico entre sujeita conectividade funcional revela configurações de rede do cérebro de momento a momento impulsionadas pela contínua ou paradigmas de comunicação

O protocolo de realização de experimentos de hiperscanagem fNIRS sobre disads de aprendizagem colaborativa em um ambiente de aprendizagem naturalista é delineado. Além disso, é apresentado um pipeline para analisar os sinais inter-cerebrais de síncronia oxigenada (Oxy-Hb).

Sincronia inter-cerebral em aprendizagem colaborativa aberta: um estudo fNIRS-Hyperscanning

A dinâmica entre cérebros acoplado de indivíduos tem sido cada vez mais representada pela sincronização inter-cerebral (IBS) quando eles se coordenam entre si, principalmente usando sinais de gravação simultânea de cérebros (ou seja, hiperscaning) com fNIRS. Em estudos de hiperscanagem fNIRS, o IBS tem sido comumente avaliado através do método de coerência de transformação de ondas (WTC) devido à sua vantagem em expandir séries temporâneas em espaço de frequência de tempo onde as oscilações...

Como calcular e validar a sincronização inter-cerebral em um estudo de hiperscanagem fNIRS

Este protocolo descreve a coerência parcial de transformação de ondas (pWTC) para calcular o padrão de sincronização neural interpessoal (INS) para inferir a direção e o padrão temporal do fluxo de informações durante a interação social. A eficácia do pWTC na remoção dos confusos da autocorrelação de sinal no INS foi comprovada por dois experimentos.

Medição do fluxo de informações direcionais em dados fNIRS-Hyperscanning usando o Método de Coerência de Transformação de Onda Parcial

Apresentamos um método para coletar simultaneamente sinais de RMf e fNIRS dos mesmos indivíduos com cobertura de fNIRS de cabeça inteira. O protocolo foi testado com três adultos jovens e pode ser adaptado para coleta de dados para estudos de desenvolvimento e populações clínicas.

Coleta simultânea de dados de medições de fMRI e fNIRS usando um arranjo de optode de cabeça inteira e canais de curta distância

A coerência da transformada wavelet (WTC) é uma metodologia comum para avaliar o acoplamento entre sinais que é usada em estudos de hipervarredura por espectroscopia funcional no infravermelho próximo (fNIRS). Uma caixa de ferramentas para avaliar a direcionalidade da interação do sinal é apresentada neste trabalho.

Nova estrutura para entender a coerência entre cérebros em estudos de hipervarredura por espectroscopia funcional no infravermelho próximo (fNIRS)

Aprenda a medir conectividade cerebral baseada em padrões de atividade multi-voxel ao longo do tempo usando fMRI. Este método revela redes que a conectividade funcional tradicional não detecta.

Usando Informativa Conectividade medir o Emergence Synchronous de fMRI Multi-voxel Informações Across Time

Explorar mais vídeos