Informational connectivity measures the correspondence between time courses of multi-voxel information across different brain regions. Multi-voxel pattern discriminability time series are extracted from regions and compared, revealing networks that are not identified in a typical functional connectivity approach.
अब यह हालत प्रासंगिक जानकारी भी univariate सक्रियण के समान स्तर के साथ स्थितियों के लिए, कार्यात्मक चुंबकीय अनुनाद इमेजिंग (fMRI) मस्तिष्क की गतिविधियों का वितरित पैटर्न के भीतर मौजूद हो सकता है की सराहना की है. मल्टी voxel पैटर्न (एमवीपी) विश्लेषण बड़ी सफलता के साथ इस जानकारी को डिकोड करने के लिए इस्तेमाल किया गया है. FMRI जांचकर्ताओं ने यह भी अक्सर मस्तिष्क क्षेत्रों परस्पर नेटवर्क में बातचीत कैसे समझना चाहते हैं, और समय के साथ प्रतिक्रियाओं सहसंबद्ध है कि क्षेत्रों की पहचान करने के लिए कार्यात्मक कनेक्टिविटी (एफसी) का उपयोग करें. Univariate विश्लेषण MVPs में जानकारी के लिए असंवेदनशील हो सकता है बस के रूप में, एफसी पूरी तरह से विशेषता एमवीपी हस्ताक्षर के साथ स्थितियों की प्रक्रिया है कि मस्तिष्क नेटवर्क को चिह्नित नहीं हो सकता है. विधि यहाँ वर्णित, सूचना कनेक्टिविटी (आईसी), एफसी के लिए सुलभ नहीं है कि कनेक्टिविटी खुलासा, समय के पार एमवीपी-discriminability में सहसंबद्ध परिवर्तन के साथ क्षेत्रों की पहचान कर सकते हैं. विधि बीज Conn की पहचान करने के लिए सर्चलाइटों का उपयोग, खोजपूर्ण किया जा सकता हैected क्षेत्रों, या पूर्व चयनित क्षेत्रों के हित के बीच, योजना बनाई. परिणाम, एमवीपी से संबंधित स्थितियों की प्रक्रिया है कि क्षेत्रों के नेटवर्क को स्पष्ट टूटने MVPA सर्चलाइट नक्शे कर सकते हैं अलग नेटवर्क में, या कार्यों और रोगी समूहों में तुलना की जा सकती सकते हैं.
यहाँ वर्णित विश्लेषण पद्धति का लक्ष्य उनकी बहु voxel जानकारी में उतार चढ़ाव के आधार पर मस्तिष्क क्षेत्रों के बीच संपर्क को मापने के लिए है. कार्यात्मक चुंबकीय अनुनाद इमेजिंग (fMRI) विश्लेषण तकनीक के क्षेत्र में अग्रिम जानकारी की एक बड़ी राशि कई voxels 1-3 भर में वितरित कर रहे हैं कि रक्त oxygenation स्तर पर निर्भर (बोल्ड) गतिविधि पैटर्न के भीतर समाहित किया जा सकता है कि पता चला है. बहु – voxel पैटर्न विश्लेषण (MVPA) के रूप में जाना जाता है – – बहुभिन्नरूपी जानकारी के प्रति संवेदनशील हैं कि तकनीक का एक सेट शर्तों अप्रभेद्य univariate प्रतिक्रियाओं 1,2,4 होने के बावजूद अलग पहचाना MVPs हो सकता है कि दिखाने के लिए इस्तेमाल किया गया है. Univariate प्रतिक्रियाओं की तुलना जो मानक विश्लेषण, इस बहु – voxel जानकारी के लिए असंवेदनशील हो सकता है.
मनुष्य उत्तेजनाओं की प्रक्रिया और संज्ञानात्मक कार्रवाई कई मस्तिष्क क्षेत्रों लगे हुए हैं. कार्यात्मक कनेक्टिविटी (एफसी) आमतौर पर जांच करने के लिए कार्यरत एक विधि हैफाटक ऐसे कार्यात्मक नेटवर्क 5,6. इसकी सबसे बुनियादी रूप में, एफसी अलग voxels या क्षेत्रों के बीच सहयोग सक्रियण, या synchrony, quantifies. एफसी ज्यादा सफलता के साथ कार्यात्मक जुड़े मस्तिष्क नेटवर्क की पहचान करने के लिए इस्तेमाल किया गया है. कई क्षेत्रों और शर्तों के लिए, हालांकि, univariate प्रतिक्रियाओं बोल्ड गतिविधि के भीतर सभी उपलब्ध जानकारी को प्रतिबिंबित नहीं करते. गतिशील रूप univariate प्रतिक्रिया का स्तर बदल रहा है कि ट्रैक एफसी तकनीक बहु voxel जानकारी में सामान्य उतार चढ़ाव के प्रति संवेदनशीलता की कमी हो सकती है. विश्लेषण विधि यहाँ प्रस्तुत, सूचना कनेक्टिविटी (आईसी, पहले एक कागज हाल ही 7 में वर्णित), समय के पार बहु voxel जानकारी के प्रति संवेदनशील है कि एक मीट्रिक के साथ जुड़ाव को मापने के द्वारा, MVPA और एफसी के बीच एक अंतर को पुल. एफसी को गतिशील univariate सक्रियण बदलते पटरियों, वहीं आईसी गतिशील रूप एमवीपी discriminability बदलते ट्रैक – एक एमवीपी की असली हालत (गलत) विकल्प से प्रतिष्ठित किया जा सकता है कितनी अच्छी तरह का एक उपाय. महत्वपूर्ण बात है, टीवह उसी तरह है कि विभिन्न क्षेत्रों में अलग संगणना (एक व्यक्ति मानव निर्मित वस्तुओं के विचार जब जैसे, दृश्य प्रसंस्करण या कार्रवाई योजना) प्रदर्शन के बावजूद एक शर्त को univariate प्रतिक्रियाओं के समान स्तर दिखा सकता है, विशिष्ट क्षेत्रों में भी एमवीपी की समान (और सिंक्रनाइज़) स्तर हो सकता discriminability वे अलग तरह की स्थितियों पर कार्रवाई करते हुए. हाल ही में एक जांच आईसी एक मानक एफसी दृष्टिकोण 7 के साथ detectable नहीं है कि अंतर – क्षेत्रीय संपर्क प्रकट कर सकते हैं कि प्रदर्शन किया. जांचकर्ता इसलिए प्रतिभागियों विशेषता वितरित पैटर्न है कि स्थितियों या उत्तेजनाओं का जवाब के रूप में मस्तिष्क क्षेत्रों के बीच बातचीत की जांच के लिए आईसी का उपयोग कर सकते हैं. आईसी वर्गीकरण परिणाम 8, 9 के संबंध में univariate सक्रियण में उतार चढ़ाव की जांच की है कि हाल ही में कई कनेक्टिविटी अनुप्रयोगों से अलग है. इन तरीकों के विपरीत, आईसी क्षेत्रों के बीच तुल्यकालिक बहु – voxel पैटर्न discriminability का पता लगाता है.
सूचना कनेक्टिविटी वितरित पैटर्न जानकारी के लिए MVPA की संवेदनशीलता है, और एक कनेक्टिविटी दृष्टिकोण के माध्यम से बीच क्षेत्र संबंधों का अध्ययन करने की क्षमता देता है. MVPA और मानक univariate विश्लेषण प्रत्येक कभी कभी उनके परिणाम 1 से 3 के बीच थोड़ा ओवरलैप के साथ, अलग क्षेत्रों की भागीदारी प्रकट कर सकते हैं. इन विश्लेषण दृष्टिकोण पर आ रही है कि एक विधि के लिए उम्मीद थी, आईसी और एफसी भी पूरक परिणाम 7 दे. आईसी को रोजगार के लिए कि क्या निर्णय अंतत: जांच के तहत की स्थिति और समक्ष रखी जा रही सैद्धांतिक सवालों पर निर्भर करेगा. डिजाइन संबंधी MVPA एक डाटासेट पर आयोजित किया जाता है कि क्या प्रभाव है कि यह भी आईसी प्रयोग किया जाता है कि क्या प्रभावित करेगा. मन में स्पष्ट रूप से आईसी के साथ बनाया गया अध्ययनों से यह भी है कि परीक्षण के स्तर डेटा स्कैन के timecourse भर से निकाला जा सकता है जबकि यह सुनिश्चित करना, MVPA 1 से 4 के लिए सिफारिशों का पालन करना चाहते है.
जांचऔर आईसी परिणाम रिपोर्टिंग, यह बीज के साथ अतिव्यापी सर्चलाइटों घेरा से बचने के लिए, हटा रहे हैं कि महत्वपूर्ण है. सीधे आईसी और एफसी परिणामों की तुलना इसके अतिरिक्त, यदि यह भी नहीं बल्कि सिर्फ Voxels से सर्चलाइटों का मतलब सक्रियण, पर आधारित एक एफसी विश्लेषण की तुलना करने की सिफारिश की है. इस अतिरिक्त विश्लेषण के परिणाम के बीच कोई मतभेद क्योंकि संकेत करने वाली शोर voxels बनाम सर्चलाइटों में के स्तर में अंतर नहीं कर रहे हैं कि सुनिश्चित कर सकते हैं.
यहाँ वर्णित प्रक्रिया सर्चलाइटों रोजगार एक खोजपूर्ण विश्लेषण पर मुख्य रूप से केंद्रित है. यह क्षेत्रों के हित के साथ सर्चलाइटों जगह से, आईसी भी मैं एक पूर्व चयनित क्षेत्रों की तुलना कर सकते हैं कि ध्यान देने योग्य है. वर्तमान discriminability मीट्रिक – अधिकतम वैकल्पिक हालत के लिए सहसंबंध को 'सच' हालत के लिए एक एमवीपी के सहसंबंध की तुलना – भी परिवर्तनीय है. कई मशीन सीखने classifiers रचनाकार के लिए भविष्यवाणी भार हैआसानी से (जैसे, समय के साथ एक क्लासिफायरफ़ाइल का 'विश्वास' ट्रैक करने के लिए) यहां प्रदर्शन किया सहसंबंध तुलना की जगह ले सकता है जो erent कक्षाएं,. आईसी संभावित उपयोग करता है की एक किस्म है. के रूप में अच्छी तरह से सूचना के नेटवर्क की जांच के लिए एक प्राथमिक विश्लेषण किया जा रहा है के रूप में, आईसी एक MVPA सर्चलाइट के लिए एक उच्च माध्यमिक फॉलोअप विश्लेषण किया जा सकता है. MVPA सर्चलाइट नक्शे क्षेत्रों में विभिन्न स्थितियों भेद कर सकते हैं जो समझ के लिए मूल्यवान हैं, लेकिन आम तौर पर विभिन्न नेटवर्कों में टूट नहीं कर रहे हैं. आईसी दृष्टिकोण सर्चलाइटों तुल्यकालिक discriminability है की जो सेट खुलासा, यहाँ मदद कर सकते हैं. अंत में, विभिन्न कार्यों से आईसी नक्शे कार्य नेटवर्क को समझने के क्रम में तुलना की जा सकती है, और रोगियों को बेहतर बहु voxel मतभेद 1 5 नेटवर्क के स्तर पर प्रकट कर रहे हैं समझने के लिए कैसे नियंत्रण की तुलना में किया जा सकता है.
The authors have nothing to disclose.
हम आगे के विश्लेषण के लिए अपने डेटा उपलब्ध बनाने के लिए जिम Haxby और उनके सहयोगियों को धन्यवाद. मार्क एन Coutanche हॉवर्ड ह्यूजेस मेडिकल इंस्टीट्यूट से एक फैलोशिप द्वारा वित्त पोषित किया गया. इस काम एनआईएच अनुदान R0I-DC009209 और शेरोन एल थॉम्पसन-Schill को सम्मानित किया R01-EY02171701 द्वारा समर्थित किया गया.