Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

Динамические подключения между предметом функциональных показывает-момент мозг сетевых конфигураций, движимый непрерывной или парадигмы связи

Published: March 21, 2019 doi: 10.3791/59083
Automatic Translation
1,2, 3, 3, 1,2
1Institute of Bioengineering, École Polytechnique Fédérale de Lausanne (EPFL), 2Department of Radiology and Medical Informatics, University of Geneva, 3Department of Neuroscience, University of Geneva

Summary

Описанный подход стремится определить, в какие моменты парадигмы (временная перспектива) и между какие регионы (пространственной перспективы), значительные изменения конфигурации в функциональной связи происходят в функциональной магнитно-резонансной томографии записи, во время которых играют стимул к морю времени.

Abstract

Задача-на основе функционального магнитного резонанса имеет большой потенциал, чтобы понять, как наш мозг реагирует на различные виды стимуляции; Однако это часто достигается без учета динамический аспект функциональной обработки, и аналитические материалы обычно приходится слияния влияние последствий конкретных задач и базовой спонтанное колебания активности мозга. Здесь, мы представляем Роман методологических трубопровода, которые могут выйти за рамки этих ограничений: раздвижные окна аналитической схемы позволяет отслеживание функциональных изменений с течением времени, и через кросс предмет корреляционного измерения, подход может Изолируйте чисто стимул связанных эффектов. Благодаря строгой Бинаризация процесс значительные изменения в функциональной корреляции между предметом можно извлечь и проанализированы.

На наборе здоровых испытуемых, которые прошли натуралистический аудиовизуальной стимуляции мы продемонстрировать целесообразность подхода, связывая разгадана функциональные изменения конфигурации для конкретного подсказки фильма. Мы покажем, как, через наш метод, можно захватить либо временной профиль активности мозга (Эволюция данного соединения), или сосредоточиться на пространственной снимок в точке ключевого времени. Мы предоставляем публично доступная версия всего трубопровода и описать ее использование и влияние его ключевых параметров шаг за шагом.

Introduction

Функциональная магнитно-резонансная томография (МРТ) стала инструментом выбора для неинвазивно отслеживать изменения в результате внешней стимуляции активности мозга. Говоря более конкретно живой интерес возник о понимании статистических взаимозависимости между региональными активации время курсы, известный как функциональная связь (FC)1 и обычно вычисляется как корреляции Пирсона коэффициент. Функционального взаимодействия через мозг широко показали перенастроить как функция базовой задаче2,3,4.

Две аналитических направлений выполнялись отдельно выйти за рамки этой вступительной характеристика: с одной стороны, ответ, индуцированных стимул к морю времени в заданной мозга регионе было отмечено сильно коррелирует через различные предметы5 . Количественная оценка этой между тема корреляции (ISC) показал потенциал для совершенствования нашего понимания познания6,,78,9 и мозг расстройств10,11 . Кроме того этот крест предмет корреляционного подход распространяется также на оценке межрегиональных синхронности12, что стало известно как подход между предметом функциональных корреляции (МОФК)13.

С другой стороны, динамичный аромат ФК изменения конфигурации начал уделять повышенное внимание (см. Hutchison et al.14,15Preti, Болтон и Ван де Виль,16 Гонсалес Кастильо и Bandettini для последних обзоров на отдыхает государства и на основе задач стороны этого вопроса). В частности состава мозг ФК изменения с течением времени можно отслеживать с помощью последовательных корреляция измерения над постепенно смещается височной югу от окна17,18, выявление дополнительных проницательность в контексте поведенческих задач 19,20.

Здесь мы представляем методологической основы, которая сочетает в себе эти два направления. Действительно мы вычисляем МОФК в моде раздвижные окна для отслеживания эволюции межрегионального синхронность между субъектами, подвержены время заблокирован, натуралистический парадигмы. Через крест тема аспект метода анализы сосредоточены на стимул инициативе эффекты, в то время как изменения спонтанного МР-томографию (которые являются некоррелированными по предметам) сильно затухающих. Это важно, потому что отдыха государство и evoked задач деятельности понимаются все чаще характеризуются различные свойства21,22.

Что касается компонента динамического метода он позволяет более полную и точную характеристику задач стимулы, особенно когда зондирующего натуралистический парадигмы, в котором сочетаются разнообразный набор подсказок (слуховых, зрительных, социальные и т.д.) с течением времени. Кроме того как звук статистической оценке значительных динамических колебаний была горячо обсуждается23,24, наш подход принимает особый уход за этот аспект анализа путем изоляции значительных изменений МОФК через Сравнение соответствующих данных null.

Мы иллюстрируем метод на наборе здоровых испытуемых, подвергается аудиовизуальных кино стимул, для кого мы покажем, что временные и пространственные МОФК изменить профили, вытекающих из локализованных фильм, который вложенных интервалов могут быть точно извлечены. Поступая таким образом, мы также описать влияние основных аналитических параметров для выбранной пользователем. Представленные выводы основаны на части ранее опубликованных данных25,26.

Protocol

Следующий протокол был одобрен местной этике (биомедицинских Inserm 365 протокол C08-39).

1. Предварительная обработка изображений

  1. Записаться исследование населения субъектов, получения письменного информированного согласия для всех из них. Получить разрешение от местных Этический Комитет.
  2. Выберите парадигмы для расследования, который может быть применен для всех субъектов к морю времени способом.
    Примечание: Здесь мы использовали аудио научных документальный для молодежи (https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study).

2. обработка изображений

  1. Для каждой темы для рассмотрения в ходе анализа выполните по крайней мере один функциональный изображений сессии, в котором отсканированные добровольцев подвергается к морю времени парадигмы интерес.
    1. Используйте 3 Тесла МРТ сканер приобрести поперечные срезы через echoplanar изображений последовательности.
    2. Использовать следующие параметры обработки изображений: voxel размер = 3 мм x 3 мм x 3 мм, повторение время (TR) = 2 s, эхо время = 50 мс, поле зрения = 192, 40 фрагментов.
      Примечание: Быстрее TR значения поощряются в рамках технико-экономического обоснования. Протокол также может применяться с более ограниченным полем зрения (например, для анализа ограничивается конкретными мозга подструктуры), что позволило бы лучше временное разрешение (Нижняя TR), либо пространственно более точного анализа.
    3. Оставьте несколько секунд записи (≥ 2 TR) до и после презентации стимула.
  2. Выполните по крайней мере один отдельных функциональных изображений сессии, в котором отсканированные добровольцев лежит на отдых в сканер, глаза закрыты и поручил не заснуть.
    Примечание: Отдельные приобретения связанных с стимул и отдыха государства предотвращать иначе возможно взаимодействия между условиями (например, предварительно посмотрев фильм может оставить прочный след запись впоследствии приобретенных отдыха государство)27. Если не желательно пройти через вышеупомянутые дополнительные приобретения отдыха государство, альтернатива (хотя и более склонны к обнаружение ложных срабатываний; см. обсуждение) вычислительные вариант в конвейере заменяет эти данные суррогатного время курсы вычислен из связанных с парадигмы сигналов (см. шаг 5.1.2).
  3. Выполнение структурной обработки изображений.
    1. Используйте 3 Тесла МРТ сканер и T1-взвешенный подготовил намагниченности быстрое приобретение градиента эхо последовательности.
    2. Использовать следующие параметры обработки изображений: voxel размер = 1 мм x 1 мм x 1 мм, поле зрения = 256, 176 ломтиками.

3. данные и программное обеспечение подготовки

  1. Для каждой сессии для анализа, обеспечить наличие следующих файлов данных:
    1. Набор из функциональной МРТ томов, как отдельных 3D NIFTI или HDR/IMG файлов, с последовательной нумерации (например, «fMRI_0001», «fMRI_0002» и т.д.).
    2. T1 структурных МРТ изображения в формате NIFTI или HDR/IMG.
    3. Атлас интерес в космосе Монреальского неврологического института (MNI), в формате NIFTI.
      Примечание: Пример требуемых входных файлов предоставляется для представителя субъекта («S17»), наряду с полной конвейера код, https://c4science.ch/source/Intersubj_pipeline.git
  2. Скачайте последнюю версию общедоступная Freesurfer программного обеспечения28 (https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall).
  3. Скачайте последнюю версию панели общедоступная MATLAB статистической параметрический сопоставления (СЗМ) от https://www.fil.ion.ucl.ac.uk/spm/software/spm12/.
  4. Откройте MATLAB (версии 2017a или более поздние) и найдите только что загруженный папки «freesurfer» и «spm12». Для каждого, щелкните правой кнопкой мыши на нем и выберите Добавить путь > выбранные папки и подпапки вариант.

4. обработка данных

  1. В терминале MATLAB типа spm для запуска SPM12 главного меню и нажмите на кнопку МР-томографию для доступа к параметрам предварительной посвящены данным МР-томографию. Выполните следующие шаги отдельно для каждой сессии МР-томографию для предварительной обработки.
    1. Нажмите на изменить выравнивание (Est & Res)и в недавно открывшемся окне Пакетный редактор, дважды щелкните на данных > сессии. В недавно открывшемся окне сессии выберите все функциональные изображения для обработки. Затем нажмите на кнопку сделать , а потом, на иконку Запуска пакета из окна Пакетный редактор (зеленый треугольник). Дождитесь завершения этапа перестройки, как указано в окне терминала MATLAB.
    2. Нажмите на Coregister (Est & Res)и в недавно открывшемся окне Пакетный редактор, дважды щелкните на ссылку изображение. В недавно открывшемся окне эталонный образ выберите Средний объем функциональных, созданный в следующем шаге, начинаются с «середина» и нажмите на кнопку сделать . Затем, дважды щелкните на исходное изображениеи в недавно открывшемся окне исходного изображения, выберите изображение T1. Нажмите на кнопку сделать , а потом, на иконку Запуска пакета из окна Пакетный редактор (зеленый треугольник). Дождитесь завершения coregistration шаг, как указано в окне терминала MATLAB.
      Примечание: Изображение T1 перезаписывается на этот шаг, так что обновленный один находится в том же пространстве, как функциональная тома.
    3. Нажмите на сегменти в недавно открывшемся окне Пакетный редактор, дважды щелкните на томах. В недавно открывшемся окне тома выберите изображение T1 и нажмите на кнопку сделать . Затем в окне Редактор пакета дважды щелкните на Деформации поля и выберите опцию обратной . Нажмите на иконку Запуска пакетного (зеленый треугольник) и дождитесь завершения шаг сегментации, как указано в окне терминала MATLAB.
  2. Введите JOVE_GUI1 в терминале MATLAB, чтобы открыть первый предварительной обработки окно графического пользовательского интерфейса. Выполните следующие шаги для каждой сессии МР-томографию для анализа.
    1. Нажмите на Enter МР-томографию данныхи выберите все Перегруппированные функциональных тома, созданные на шаге 4.1.1 (префиксом «r»). IMG/HDR файлов выберите тома как IMG и HDR.
    2. В окне посвященный редактируемый текст введите TR данных (в секундах).
    3. Нажмите на T1, ввод данных и выберите три тома типа вероятностный Салфетницы, созданные на шаге 4.1.3 (с префиксами «c1», «c2» и «С3»).
    4. Нажмите на Enter движения файли выберите текстовый файл, содержащий параметры движения от сессии интерес, созданный на шаге 4.1.1 и префиксом «rp».
    5. Выберите требуемый тип предварительной обработки, то есть ли данные должны быть detrended или нет (соответственно параметр Выделенный переключатель или отключение), и какие ковариат следует регресс вне (выбрав соответствующий параметр из списка выделенного).
      Примечание: Шаг регрессии вдохновил из функции из элементов DPARSF29. Белого вещества и спинномозговой жидкости сигналы от отдельных предметов усредненное воксели для которого соответствующих шаблон DPARSF вероятностный Салфетницы карта показан сигнал больше 0.99. В наш анализ мы detrended данные и регресс, белого вещества/цереброспинальный жидкости время курсы также постоянный, линейной и квадратичной тенденции.
    6. Для предварительной обработки данных, нажмите на предварительной подготовкии ждать для отображения в окне. Данные могут быть повторно предварительно обработанный по-разному, изменив параметры и снова нажав на кнопку Preprocess .
      Примечание: Серое вещество сюжет вдохновил из представления, предложенные Power et al.30.
    7. Чтобы сохранить выходные данные для следующих шагов, нажмите на кнопку сохранить . Чтобы очистить содержимое окна, нажмите на кнопку очистить .

Supplementary Figure 1
Дополнительный рисунок 1: пример скриншот из первой предварительной обработки графического пользовательского интерфейса окна. Voxel мудрый время курсы вокселей серого вещества после предварительной настройки (верхний правый график) и случайные величины, которые могут быть использованы в предварительной обработки (сверху вниз: спинномозговой жидкости/белый вопрос среднее время курсы, поступательное движение параметры и параметры вращательного движения. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

  1. Введите JOVE_GUI2 в терминале MATLAB, чтобы открыть второй предварительной обработки окно графического пользовательского интерфейса. Выполните следующие шаги для каждой сессии МР-томографию для анализа.
    1. Нажмите на выбрать данныеи выберите файл данных, сохраненный в шаге 4.2.7 (именем «ISFC_VX.mat»).
    2. Нажмите на выберите движенияи выберите текстовый файл, содержащий параметры движения от сессии интерес, созданный на шаге 4.1.1 и префиксом «rp».
    3. Нажмите на выберите «Атлас»и выберите файл NIFTI, представляющий Атлас для выделение.
    4. Нажмите на выберите обратной деформациии выберите файл NIFTI, представляющий поле деформации от MNI собственного пространства, созданный в шаг 4.1.3 и префиксом «iy».
    5. Нажмите на выбрать объем МР-томографиюи выберите любой из томов данных МРТ.
      Примечание: Этот шаг позволяет доступ к информации заголовка функциональных данных, следовательно почему фактический объем выбранного не важна.
    6. В окне посвященный редактируемый текст введите TR данных (в секундах).
    7. Введите Очистка связанные сведения: тип очистки для выполнения (то есть, сколько кадров из кустарников до и после тегами те) в списке «Очистка тип» и значение порога framewise перемещения (Power критерий31) над которой объем МР-томографию следует вымыты в окне редактируемый текст «Очистка порог» (в мм).
      Примечание: Кубическая сплайн интерполяция производится точек шероховатый данных заменить их с предполагаемыми значениями из соседних образцов. В нашем анализе мы вымытый один кадр после метки томов и используется пороговое значение 0,5 мм для очистки.
    8. Введите размер W раздвижные окна, чтобы использовать для вычислений МОФК (см. шаг 5), в TRs.
      Примечание: Эта часть информации будет включить фильтрацию время курсов через функцию из элементов DPARSF29, f = 1/W Гц32. В нашем анализе мы использовали W = 10 TR как значение компромисс для захвата динамических колебаний при сохранении достаточно образцов для надежных оценок.
    9. Нажмите на кнопку печати для отображения примерного atlased время курсы до (верхний участок) и после (внизу участок) очистка и фильтрация шаги. Убедитесь, что путем визуального осмотра, что после выбранной предварительной обработки шагов, эти выходные сигналы не включают основные артефакты компонентов.
    10. Чтобы сохранить результаты для следующих шагов, введите сохранить имя в окне посвященный редактируемый текст и нажмите на кнопку сохранить . Чтобы очистить содержимое окна, нажмите на кнопку очистить .

Supplementary Figure 2
Дополнительный рисунок 2: пример скриншот из второго препроцессора графического пользовательского интерфейса окна. Региональные время курсы после atlasing, до (верхний участок) и после (внизу участка) очистки и фильтрации согласно выбранных параметров. Каждая кривая изображает один региональный курс случайного выбора среди всех доступных. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

5. раздвижные окна МОФК вычислений

  1. Введите JOVE_GUI3 в терминале MATLAB, чтобы открыть окно первого МОФК связанные графического пользовательского интерфейса. Выполните следующие шаги отдельно для каждого типа сегмента сессии приобретенных МР-томографию (стимул связанных сегментов, отдыхает государство сегментов стимул связанных сеансов и чисто для отдыха государство сегментов).
    1. Нажмите на загрузку данныхи выберите все файлы данных, созданные через шаг 4.3.
    2. Выберите ли выбранный сеанс сегменты должны пройти этап рандомизации.
      Примечание: Фаза рандомизации может использоваться как альтернативного варианта для генерации данных null от сигналов, связанных с стимул, если не отдыхает состояния записи доступны.
    3. В окне посвященный редактируемый текст введите TR данных (в секундах).
    4. Введите параметры скольжения окна использовать для анализа в windows выделенный редактируемый текст: размер окна (в TRs), над которой связь измерений должна быть вычислена и размер шага (в TRs), который должен быть смещен последовательных windows.
      Примечание: В нашем анализе мы использовали окно размером 10 TR и размер шага 1 тр.
    5. Измените таблицу «Типы сеансов» для указания, какие из сегментов загружен сессии были приобретены после же экспериментальная состояния. Используйте все целые числа от 1 года для различных типов тегов сегментов (например, если стимул был показан в первый или второй раз в данной записи). Покиньте стол нетронутой, если только один тип сегмента сессии была приобретена.
      Примечание: Сеанс в настоящей работе может означать комбинированных кино/отдыха состояние записи (назвал запуск1 и запустить2 на рисунке 1A), либо чисто отдыха состояние записи (запустить3). Сегмент сессии относится к югу часть сессии записи, когда смотрел фильм, либо когда субъектов лгал в состоянии покоя. Приведенная выше информация используется в впоследствии описанных МОФК вычислений (см. шаг 5.1.8) ограничить накладывающееся влияние различных сессии сегмента типов.
    6. Введите самозагрузка связанные параметры в windows выделенный редактируемый текст: количество начальная загрузка складки над которой для выполнения вычислений МОФК и количество предметов, которые должны служить справочной группы для каждой свертки МОФК вычислений.
      Примечание: В нашем анализе мы использовали 250 загрузчик складки и 6 предметов в справочной группы.
    7. Введите характеристики, о которых югу часть времени курсы должны быть проанализированы в разделе Параметры времени в windows выделенный редактируемый текст. Начальный индекс и конец индекса (в TRs) должны быть предоставлены. Для анализа всей записи длительности, используйте 1 как начать индекс и количество проб как конечный индекс.
    8. Нажмите на кнопку Печать для выполнения МОФК вычислений. Отображает постепенно обновляются со временем, вместе с количеством затраченного загрузчик складок. Для региона пара (i, j) и раздвижные окна индекс τ МОФК вычисляется как среднее кросс корреляции между сессии сегмента s и всех сегментов сессии от справочной группы, в пределах раздвижные окна длины W; обозначения этой справочной группы по Ψ, его количество субъектов, NΨи пусть xi[s](t) время курс региона для сессии сегмента s в момент времени t; Затем дается оценка МОФК:
      Equation 2
      МОФК измерений вычисляются за указанное количество начальная загрузка складки и с выбранное количество сегментов сессии, используется в качестве эталонной группы на каждом сложить (см. шаг 5.1.6). Если включены несколько подтипов сегмента сессии, смесь подтип образцов всегда пишет справочной группы. Конечный результат для каждого сегмента сессии является средняя МОФК во всех складок, в которых он не был включен в качестве ссылки измерения.
      Примечание: Референс-группа представляет набор сегментов сессии которой функциональные время курсы сессии сегмента s сравниваются в каждой свертке процесса начальной загрузки. Для получения результатов быть более надежными для точек данных останец, МОФК вычисляется несколько раз на другой контрольной группы (то есть, различные подмножества сегментов сессии). Важно отметить, что приобретение время t не соответствует раздвижные окна индекс τ, как последний вычисляется набор точек данных W и зависит от размера окна шаг для последующих оценок. Процесс начальной загрузки из бывших исследования был вдохновлен Byrge et al.33.
    9. Чтобы сохранить результаты для следующих шагов, введите сохранить имя в окне посвященный редактируемый текст и нажмите на кнопку сохранить . Чтобы очистить содержимое окна, нажмите на кнопку очистить .

Supplementary Figure 3
Дополнительная цифра 3: пример скриншот из первого МОФК связанные графического пользовательского интерфейса окна. (Верхний участок) Схематическое представление как часто каждый считается сессии имеет вычисляемые измерения МОФК (то есть, не выбран в группе ссылка). (Нижний участок) На ориентировочную тему МОФК время курсы, рассчитанное для пятидесяти пример соединения, выбран как те выставке крупнейших суммируются значения абсолютной МОФК во времени. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

  1. Введите JOVE_GUI4 в терминале MATLAB, чтобы открыть второе окно связанные с МОФК графического пользовательского интерфейса.
    1. Нажмите на МОФК загрузки данных и выберите файл(ы) вывода стимул связанных МОФК, созданный на шаге 5.1.
    2. Нажмите на загрузку данных null и выберите, в зависимости от используемых данных null поколения схемы, либо МОФК отдыха государство, или фазы рандомизированных стимул связанных МОФК вывода файл(ы), созданный на шаге 5.1.
    3. Щелкните на таблице кодов загрузки и выберите Таблица кодов файл, созданный в шаге 4.3.
    4. В окне посвященный редактируемый текст введите TR данных (в секундах).
    5. Введите параметры раздвижные окна, используемые в вычислениях шаг 5.1 (размер окна и размер шага, в TRs) в windows выделенный редактируемый текст.
    6. Введите (в процентах) α-значение, при котором МОФК время курсы должны быть показатели выделить значительные изменения в окне посвященный редактируемый текст.
      Примечание: Здесь и в других местах когда речь идет в значение α-2,5%, это означает, что значение достигается тогда, когда значение меньше 2,5 процентиляй , или больше, чем 97,5й процентилей, null данных. В нашем анализе мы имели 5,762 точек покоя состояния данных в нашем распоряжении и выбрано значение α 10-4. Это означает, что мы хотели 0,01% образцов данных быть больше или равен выбранных порогов, мимо которых МОФК экскурсия будет считаться значительным. Для целей сравнения, α-уровень требует коррекции Бонферрони бы 0.05/44,551 = 1.12 x 10-6, и самых строгих возможно α-уровень с нашим количество данных (n образцы) будет Equation 3 .
    7. Нажмите на кнопку Печать для выполнения процесса Бинаризация МОФК, в которой все доступные null МОФК агрегируются измерения, для данного подключения, построить null распределения, после которой МОФК стимул связанных измерений показатели по выбранной α-значение. Моменты времени, в которых значение связанных с стимул МОФК статистически значительно превышает значение null распределения, помечаются как -1 / + 1 за значительные МОФК уменьшается, а увеличивается, соответственно.
      Примечание: Процесс Бинаризация черпает вдохновение из ФК динамичной работы Бетцель et al.23отдыха государство.
    8. Чтобы визуализировать МОФК пространственных структур в различных временных точках, перетащите ползунок ниже МОФК экскурсия сюжет.

Supplementary Figure 4
Дополнительный рисунок 4: пример скриншот из окна второго МОФК связанные графического пользовательского интерфейса. (Верхний левый график) На ориентировочную тему МОФК время курсы вычисляется за три пример соединения, выбран в качестве те экспонируется наибольшее количество значительных МОФК экскурсии и отображаются с их связанные вычисляемые значения порогов (горизонтальной линии). (Нижний левый график) Для той же связи связанный экскурсия время курсы в среднем по предметам, с двумя хвостами 95% доверительными интервалами, отображается как ошибка измерения. (Правый график) Пространственное распределение МОФК (усредненной МОФК экскурсии по предметам) для точки выбранного времени обозначается вертикальной черные линии на МОФК и экскурсия участков. Позитивные МОФК экскурсии являются показанными желтым и отрицательные в розовом. Код размера и цвета узлов пропорциональны степени их. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Representative Results

Здесь, мы рассматривали n = 15 обычно развивающихся предметов (TD), для которых мы получили письменные, осознанного согласия. Все были правша мужчины (23.42 ± 7,8 лет). Выбранной парадигмы был аудиовизуальных научных документальный для молодежи об опасности воздействия солнца. Он содержит большой массив визуальные, слуховые и социальные стимулы и может быть смотрел на https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study.

Мы приобрели двух сессий каждому предмету (запуск1 и запустить2), в котором начисленных фильм был отображаться от 5 до 353 s (5,8 мин продолжительность). Сегмент отдыха государство также придерживаться из 386 678 s (4.9 мин продолжительность). Кроме того, одной сессии исключительно для отдыха государство (запуск3) была приобретена по каждому предмету (за исключением одного, кто пострадал от клаустрофобии), прочного для 310 s (5,2 мин). На рисунке 1Aприводится пример фильм сцены и сроки полученных данных. Важно отметить, что приобретение протокол не был оптимальным в том смысле, что отдыха государство записи, приобретенные только после того, как фильм воздействия может быть частично поврежден побочные эффекты27; Мы делаем использовать эти данные в настоящее время выводы иметь удовлетворяющих количество образцов для статистического порога, но этого следует избегать, когда это возможно.

Мы исключили все сеансы, для которых более чем 10% кадров были вымыты, на пороге 0,5 мм и считается выделение из34 Крэддок et al. (два уровня временнóй корреляции алгоритм) для создания региональных время курсы, для в общей сложности 299 мозг различные регионы.

МОФК был вычисляемые отдельно на (1 фильм смотреть раздел запуск1 и запустить2, (2) подкомпоненты отдыхая государства запуск1 и запустить2и (3) отдыха государство выполнить3 записи. Мы использовали окно длина W = 10 TR для основного представил результаты и сравнить их с более низкое значение W = 5 размер шага TR. всегда оставался равным 1 TR. Bootstrapping было выполнено более 250 фальцы, в том числе 6 сессии сегменты в каждой группы ссылок.

Рисунок 1B отображает МОФК время курсы созданы на W = 10 TR и W = 5 TR для трех различных представительных подключения: подключение 1 участие левой нижней теменной области, относящиеся к ожидание движущихся объектов (MNI координаты: 41,9,32)35 и право, opercular площадь связан с ингибированием ответ (-34,-52,45)36. Этот последний регион также замешан в соединения 2 и 3, соответственно с площадью причастны сенсорные координации (54,6,34)37и один связан с обработкой по смыслу слов (6,62,9)38.

Сравнение различных длин окно показывает, что в W = 5 TR параметр, временных отклонений по предметам в целом больше в обоих случаях просмотра фильма и отдыха состояние сегмента по сравнению с W = 10 TR, известное явление в раздвижные окна анализ39. Для подключения 1, независимо от длины окна, локализованных подраздел просмотра фильма записи (около 55 s) показывает сильную, синхронизированные МОФК увеличить по предметам, который значительно превышает диапазон значений, принимаемых в случае отдыхает государство. Таким образом мы ожидаем, захватить этот временной подраздел как значительный МОФК переходные с нашими Бинаризация методом.

Для подключения 2, мы наблюдаем аналогичные временная динамика, но для W = 5 TR, увеличение становится менее легко отделить по сравнению с курсы времени отдыха состояния, из-за шума по методологии, относящиеся большие раздвижные окна. Что касается подключения 3 он отражает случай, в котором нет четкого ответа на фильм, и таким образом, колебания от просмотра фильма и отдыха государство время курсы похожи. Ожидаемый результат этой аналитической стадии представляет собой смесь между соединениями, которые показывают ясно стимул индуцированные изменения конфигурации и подключения, которые не отвечают.

Figure 1
Рисунок 1: сроки приобретения и пример МОФК время курсы. (A) фильм, смотрел субъектами участвует широкий спектр социальных ситуаций (например, изображения 1 и 4), научного объяснения с красочными панелей (пример изображения 2 и 5) и пейзаж пейзажи (пример изображения 3). Трех сессий были приобретены одну тему: два (запуск1 и запустить2) включены фильм стимуляции (от 5 до 353 s, выделены зеленым цветом) последовал период покоя государство (от 386 до 678 s, показанными желтым), хотя один (3RUN) исключительно состоял в записи отдыха государство (310 s продолжительность, отображаются оранжевым). (B) для трех ориентировочные соединений (C1, C2 и C3, соответственно темно-зеленый/красный, светло зеленый/оранжевый и желто бирюза следами), эволюция МОФК со временем во время просмотра фильма (холодные цвета) или отдыха государство (цветов). W = 10 TR (левая панель), кино смотреть МОФК изменения более значительной степени стенд по сравнению с W = 5 TR (правая панель). Каждый след отражает ход МОФК время одной сессии. Эта цифра был частично изменен от Bolton et al.25. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Рисунок 2A отображает результаты после статистический порог МОФК время курсов, для той же три связи, как указано выше. Время курса значение 1 означает, что все предметы прошли же МОФК увеличение в то же время точку; значение 0 означает, что не подлежит претерпела значительные изменения МОФК; значение -1 представляет собой синхронную МОФК сокращение по всем предметам. Как и прежде, мы контраст W = 5 TR и W = 10 TR и мы также выделить два случая α-значение: α = 0,01% и α = 5%.

Резьбовое соединение с вышеизложенными замечаниями, длиной ниже окна уменьшает количество извлеченных значительных изменений МОФК. Для подключения 1, оба W = 5 TR и W = 10 TR, однако, извлечь же конкретный момент (t = 55 s) как показаны сильное увеличение МОФК. Принимая гемодинамики задержку примерно 5 s во внимание, это соответствует подразделу фильма когда цветные линии были расширение к куклу и внезапно остановился прямо перед его (s 46-49), фитинги с роли участвующих регионов в движущихся объектов ожидание и реакции ингибирования35,-правовая36.

При увеличении α от 0,01% до 5%, можно наблюдать гораздо ниже специфичность обнаруженных МОФК транзиентов, вероятно включая много ложных срабатываний и ожидаемо показаны гораздо меньше височной синхронности.

Как еще один аспект, который может быть установлен на данных, Рисунок 2B показывает целом мозг пространственных карты значительных изменений МОФК при t = 55 s. Можно увидеть, что ответ на фильм сцены простирается далеко за пределы пример соединения, описанные здесь.

Figure 2
Рисунок 2: временные и пространственные снимки МОФК шаблонов. (A) МОФК переходных время курсы, в среднем по предметам, три ориентировочных соединений (C1, C2 и C3, соответственно темно зеленый, светло-зеленый и бирюзовый следы). Фильм сцены, которые вынудили МОФК изменения выделены светло-серый и изображены примеры изображений. W = 10 TR (левая колонка участков), МОФК изменения обнаруживаются более сильно чем для W = 5 TR (правая колонка участков). Α = 0,01% (верхний ряд участков), специфики в локализованных фильм подсказки больше, чем для α = 5% (нижнем ряду участков). Каждый след отражает МОФК переходных время курс одной сессии, и двустороннее 95% доверительных интервалов отображаются как ошибка измерения. (B) для W = 10 TR и α = 0,01%, есть аккуратные, ограниченного пространственного шаблон МОФК переходных процессов при t = 55 s (пик МОФК преходящую ценность для C1); W = 5 TR и α = 5%, соединения, претерпевает значительные изменения МОФК в настоящее время гораздо более многочисленны. Обратите внимание, что мы предполагаем гемодинамики задержка около 5 s в описанных темпоральность (т.е., значение 55 s здесь относится к кино стимул на 50 s). Эта цифра был частично изменен от Bolton et al.25. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Discussion

В наборе здоровых испытуемых мы продемонстрировали, как синхронная кросс тема увеличивается и уменьшается в ФК, МОФК транзиентов, будет соответствовать височно локализованных фильм сигналы, предоставляя информацию, которая выходит за рамки статическое описание. Хотя использование кросс субъекта корреляции мер позволяет сосредоточить анализ на стимул инициативе функциональные изменения конфигурации, также надо знать, что он ограничивает результаты на последствия, которые являются общими для всех изученных населения: следовательно, низкого уровня Сенсорная обработка ожидается быть непропорционально по сравнению с лобной обработки40. Чтобы обойти это ограничение, новые методы, которые также имеют возможность извлечь в регионах, которые наиболее сильно варьируются по предметам в настоящее время развитые41.

Еще одно ограничение введено методологии возникает из раздвижные окна аспект, как временное разрешение МОФК переходных время курсов опускается по сравнению с frame-wise подходы15. Как мы показали, необходим компромисс между длиной достаточно низкой окно правильно решить динамических МОФК изменения конфигурации, и достаточно большого размера для получения надежных оценок. Две важнейшие шаги в рамках нашей убедиться, что извлеченные транзиентов МОФК отражают действительно происходящих изменений в связи: во-первых, ВЧ-фильтрация время региональных курсов с обратной окна длина32; Во-вторых, использование данных МОФК отдыха состояния для генерации соответствующих null распределения, с параметрами идентичными приобретение по сравнению с стимул связанных данных. Конечно последний также требует длительной глобального приобретения времени, таким образом, чтобы данные состояния покоя может быть собрана на вершине стимул связанные сеансы. В качестве альтернативного подхода во избежание дополнительных записей отдыха государство мы также предлагаем возможность генерировать рандомизированных фазы данных непосредственно из связанных с стимул время курсы, подход часто используется в анализ динамических функциональных подключения 23 , 24. дальнейшие оценки на подмножестве сессий показало, что хотя отдыха состояние null метод более консервативным, и таким образом менее подверженным ложных срабатываний, глобальные структуры МОФК экскурсия обнаружения были похожи на обе схемы (см. Дополнительная цифра 5).

Supplementary Figure 5
Дополнительная цифра 5: обнаружение МОФК экскурсии по методов генерации данных null. Для отдыха государство (левый столбец, синие участки) или фазы рандомизации (правый столбец, красные участки) данных null методов генерации, процент МОФК экскурсии извлекается через соединения. Участки дна являются вставкой на соединениях, вытекающих из первых трех регионов считаются мозга. Ошибка представляет собой стандартное отклонение по предметам. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Продолжительность отдыха государственных закупок на самом деле относится к критическим параметром анализов: α-значение. Как свидетельствуют приведенные выше примеры, слишком мягким выбор приведет к большое количество ложных срабатываний в обнаруженных МОФК транзиентов. Чем больше количество имеющихся данных для отдыха состояния, более строгие достижимые ложноположительный оценить, потому что порог может основываться на более экстремальных значений null распределения. Как признак, для n = 299 Атлас регионах как здесь и учитывая наши Талли 5,762 точек данных состояния покоя, мы в лучшем случае можно добиться α-значение около 0,01% (см. шаг 5.2.6 для математического описания).

Еще один ключевой момент, относящихся к какой-либо анализ МР-томографию лежит в тщательного удаления возможных артефактов, связанных с движением от анализируемых данных30,42. В частности, если один хочет, чтобы применять введено трубопровода больной населению выставке отмечены движения в сканер, мы рекомендуем поверх включая движения переменные как ковариат в проведенных статистических анализов, дополнительной предварительной обработки запустить шаги, такие как вейвлет, выполняется на шейдерах43 или44ICA-аромат. Группа сравнения, например для сравнения МОФК переходные процессы между здоровыми и больными группой, могут легко выполняться параллельно описанный подход на обеих групп интересов (см. Болтон et al.25 в качестве примера на население диагноз с расстройствами спектра аутизма). Однако, разница между группами затем могут возникать в двух различных параметров: (1 отсутствует МОФК изменения в одной группе, или (2 более разнородной эволюции в этой группе. Чтобы отделить эти два фактора, трубопровод следует запускать еще раз для больных группы, используя здоровый тему установить в качестве справочной группы на этапе начальной загрузки. Первом случае по-прежнему приведет к отсутствует ответ, тогда как последний не будет.

На вершине мы описали здесь, внедрены методологии также открывает перспективные будущие направления: от аналитической стороне, МОФК временной карты может рассматриваться как графики мозга, из которых показатели количественной мозга подключения может быть производным45, или динамический МОФК государства могли отсасывается через кластеризации подходы и оценивать с точки зрения их пространственные и временные характеристики17,46. Кроме того можно было бы также предусмотреть использование более сложных инструментов измерения подключения чем коэффициент корреляции Пирсона выявить тонкие стороны ФК47,48.

Со стороны экспериментальное применение наших трубопровода к более расширенный набор парадигмы является многообещающие перспективы: например, вместо фильма как учился здесь, можно было бы предусмотреть использование кусок музыки49 или повествование истории13, 50 как стимул к морю времени. Кроме того он может даже быть предусмотрено, через hyperscanning51, зонд натуралистический социальной коммуникации52,53.

Disclosures

Авторы не имеют ничего сообщать.

Acknowledgments

Эта работа была поддержана в части каждого из следующих: Швейцарский Национальный научный фонд (Грант число 205321_163376 до DVDV), Bertarelli Foundation (для ТБ и DVDV), центр для биомедицинских изображений (CIBM) и национальное агентство по исследованиям () tempofront предоставить номер 04701 ALG). Авторы хотели бы поблагодарить Роберто Martuzzi и Джулия Preti за их вклад видео содержание этой работы, соответственно, оператор МРТ и отсканированные добровольцев.

Materials

Name Company Catalog Number Comments
Freesurfer version 6.0 Laboratory for Computational Neuroimaging, Martinos Center for Biomedical Imaging, Boston (MA), USA https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall A MATLAB-compatible toolbox enabling to carry out various processing, visualisation and analytical steps on functional magnetic resonance imaging data
MATLAB_R2017a MathWorks https://ch.mathworks.com/downloads/ Working version of the MATLAB computational software (version 2014a or more recent should be used)
Statistical Parametric Mapping version 12.0 (SPM12) Wellcome Trust Center for Neuroimaging, University College London, London, UK https://www.fil.ion.ucl.ac.uk/spm/software/spm12/ A MATLAB-compatible toolbox enabling to perform statistical analyses on functional magnetic resonance imaging data
Tim-Trio 3 T MRI scanner Siemens https://www.healthcare.siemens.ch/magnetic-resonance-imaging/for-installed-base-business-only-do-not-publish/magnetom-trio-tim Magnetic resonance imaging scanner in which subjects have their functional brain activity recorded (at 3 T)

DOWNLOAD MATERIALS LIST

References

  1. Friston, K. J. Functional and effective connectivity in neuroimaging: A synthesis. Human Brain Mapping. 2 (1-2), 56-78 (1994).
  2. Gonzales-Castillo, J., et al. Tracking ongoing cognition in individuals using brief, whole-brain functional connectivity patterns. Proceedings of the National Academy of Sciences U.S.A. 112 (28), 8762-8767 (2015).
  3. Peltz, E., et al. Functional connectivity of the human insular cortex during noxious and innocuous thermal stimulation. Neuroimage. 54 (2), 1324-1335 (2011).
  4. Shirer, W. R., Ryali, S., Rykhlevskaia, E., Menon, V., Greicius, M. D. Decoding subject-driven cognitive states with whole-brain connectivity patterns. Cerebral Cortex. 22 (1), 158-165 (2012).
  5. Hasson, U., Nir, Y., Levy, I., Fuhrmann, G., Malach, R. Intersubject Synchronization of Cortical Activity During Natural Vision. Science. 303 (5664), 1634-1640 (2004).
  6. Hasson, U., Furman, O., Clark, D., Dudai, Y., Davachi, L. Enhanced Intersubject Correlations during Movie Viewing Correlate with Successful Episodic Encoding. Neuron. 57 (3), 452-462 (2008).
  7. Hasson, U., Yang, E., Vallines, I., Heeger, D. J., Rubin, N. A Hierarchy of Temporal Receptive Windows in Human Cortex. Journal of Neuroscience. 28 (10), 2539-2550 (2008).
  8. Jääskeläinen, I. P., et al. Inter-Subject Synchronization of Prefrontal Cortex Hemodynamic Activity During Natural Viewing. The Open Neuroimaging Journal. 2, 14 (2008).
  9. Wilson, S. M., Molnar-Szakacs, I., Iacoboni, M. Beyond Superior Temporal Cortex: Intersubject Correlations in Narrative Speech Comprehension. Cerebral Cortex. 18 (1), 230-242 (2008).
  10. Hasson, U., et al. Shared and idiosyncratic cortical activation patterns in autism revealed under continuous real-life viewing conditions. Autism Research. 2 (4), 220-231 (2009).
  11. Salmi, J., et al. The brains of high functioning autistic individuals do not synchronize with those of others. NeuroImage: Clinical. 3, 489-497 (2013).
  12. Mantini, D., et al. Interspecies activity correlations reveal functional correspondence between monkey and human brain areas. Nature Methods. 9 (3), 277 (2012).
  13. Simony, E., et al. Dynamic reconfiguration of the default mode network during narrative comprehension. Nature Communications. 7, 12141 (2016).
  14. Hutchison, R. M., et al. Dynamic functional connectivity: promise, issues, and interpretations. Neuroimage. 80, 360-378 (2013).
  15. Preti, M. G., Bolton, T. A. W., Van De Ville, D. The dynamic functional connectome: state-of-the-art and perspectives. Neuroimage. 160, 41-54 (2017).
  16. Gonzalez-Castillo, J., Bandettini, P. A. Task-based dynamic functional connectivity: Recent findings and open questions. Neuroimage. 180, 526-533 (2018).
  17. Allen, E. A., et al. Tracking whole-brain connectivity dynamics in the resting state. Cerebral Cortex. 24 (3), 663-676 (2014).
  18. Sakoğlu, Ü, et al. A method for evaluating dynamic functional network connectivity and task-modulation: application to schizophrenia. Magnetic Resonance Materials in Physics, Biology and Medicine. 23 (5-6), 351-366 (2010).
  19. Douw, L., Wakeman, D., Tanaka, N., Liu, H. State-dependent variability of dynamic functional connectivity between frontoparietal and default networks relates to cognitive flexibility. Neuroscience. 339, 12-21 (2016).
  20. Mooneyham, B. W., et al. States of mind: characterizing the neural bases of focus and mind-wandering through dynamic functional connectivity. Journal of Cognitive Neuroscience. 29 (3), 495-506 (2017).
  21. Kim, D., Kay, K., Shulman, G. L., Corbetta, M. A New Modular Brain Organization of the BOLD Signal during Natural Vision. Cerebral Cortex. 28 (9), 3065-3081 (2018).
  22. Lynch, L. K., et al. Task-Evoked Functional Connectivity Does Not Explain Functional Connectivity Differences Between Rest and Task Conditions. Human Brain Mapping. 39, 4939-4948 (2018).
  23. Betzel, R. F., Fukushima, M., He, Y., Zuo, X. N., Sporns, O. Dynamic fluctuations coincide with periods of high and low modularity in resting-state functional brain networks. Neuroimage. 127, 287-297 (2016).
  24. Hindriks, R., et al. Can sliding-window correlations reveal dynamic functional connectivity in resting-state fMRI? Neuroimage. , 242-256 (2016).
  25. Bolton, T. A. W., Jochaut, D., Giraud, A. L., Van De Ville, D. Brain dynamics in ASD during movie-watching show idiosyncratic functional integration and segregation. Human Brain Mapping. 39 (6), 2391-2404 (2018).
  26. Jochaut, D., et al. Atypical coordination of cortical oscillations in response to speech in autism. Frontiers in Human Neuroscience. 9, 171 (2015).
  27. Dodero, L., Sona, D., Meskaldji, D. E., Murino, V., Van De Ville, D. Traces of human functional activity: Moment-to-moment fluctuations in fMRI data. Biomedical Imaging (ISBI), 2016 IEEE 13th International Symposium. , 1307-1310 (2016).
  28. Fischl, B. Freesurfer. Neuroimage. 62 (2), 774-781 (2012).
  29. Yan, C., Zang, Y. DPARSF: a MATLAB toolbox for "pipeline" data analysis of resting-state fMRI. Frontiers in Systems Neuroscience. 4, 13 (2010).
  30. Power, J. D., et al. Methods to detect, characterize, and remove motion artifact in resting state fMRI. Neuroimage. 84, 320-341 (2014).
  31. Power, J. D., Barnes, K. A., Snyder, A. Z., Schlaggaer, B. L., Petersen, S. E. Spurious but systematic correlations in functional connectivity MRI networks arise from subject motion. Neuroimage. 59 (3), 2142-2154 (2012).
  32. Leonardi, N., Van De Ville, D. On spurious and real fluctuations of dynamic functional connectivity during rest. Neuroimage. 104, 430-436 (2015).
  33. Byrge, L., Dubois, J., Tyszka, J. M., Adolphs, R., Kennedy, D. P. Idiosyncratic brain activation patterns are associated with poor social comprehension in autism. Journal of Neuroscience. 35 (14), 5837-5850 (2015).
  34. Craddock, R. C., James, G. A., Holtzheimer, P. E. III, Hu, X. P., Mayberg, H. S. A whole brain fMRI atlas generated via spatially constrained spectral clustering. Human Brain Mapping. 33 (8), 1914-1928 (2012).
  35. Shulman, G. L., et al. Areas involved in encoding and applying directional expectations to moving objects. Journal of Neuroscience. 19 (21), 9480-9496 (1999).
  36. Sebastian, A., et al. Disentangling common and specific neural subprocesses of response inhibition. Neuroimage. 64, 601-615 (2013).
  37. Oullier, O., Jantzen, K. J., Steinberg, F. L., Kelso, J. A. S. Neural substrates of real and imagined sensorimotor coordination. Cerebral Cortex. 15 (7), 975-985 (2004).
  38. Chan, A. H., et al. Neural systems for word meaning modulated by semantic ambiguity. Neuroimage. 22 (3), 1128-1133 (2004).
  39. Lindquist, M. A., Xu, Y., Nebel, M. B., Caffo, B. S. Evaluating dynamic bivariate correlations in resting-state fMRI: A comparison study and a new approach. Neuroimage. 101 (1), 531-546 (2014).
  40. Ren, Y., Nguyen, V. T., Guo, L., Guo, C. C. Inter-subject functional correlation reveal a hierarchical organization of extrinsic and intrinsic systems in the brain. Scientific Reports. 7 (1), 10876 (2017).
  41. Kauppi, J. P., Pajula, J., Niemi, J., Hari, R., Tohka, J. Functional brain segmentation using inter-subject correlation in fMRI. Human Brain Mapping. 38 (5), 2643-2665 (2017).
  42. Van Dijk, K. R., Sabuncu, M. R., Buckner, R. L. The influence of head motion on intrinsic functional connectivity MRI. Neuroimage. 59 (1), 431-438 (2012).
  43. Patel, A. X., et al. A wavelet method for modeling and despiking motion artifacts from resting-state fMRI time series. Neuroimage. 95, 287-304 (2014).
  44. Pruim, R. H., et al. ICA-AROMA: A robust ICA-based strategy for removing motion artifacts from fMRI data. Neuroimage. , 267-277 (2015).
  45. Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
  46. Damaraju, E., et al. Dynamic functional connectivity analysis reveals transient states of dysconnectivity in schizophrenia. NeuroImage: Clinical. 5, 298-308 (2014).
  47. Smith, S., et al. Network modelling methods for FMRI. Neuroimage. 54 (2), 875-891 (2011).
  48. Meskaldji, D. E., et al. Prediction of long-term memory scores in MCI based on resting-state fMRI. NeuroImage: Clinical. 12, 785-795 (2016).
  49. Abrams, D. A., et al. Inter-subject synchronization of brain responses during natural music listening. European Journal of Neuroscience. 37 (9), 1458-1469 (2013).
  50. Huth, A. G., de Heer, W. A., Friffiths, T. L., Theunissen, F. E., Gallant, J. L. Natural speech reveals the semantic maps that tile human cerebral cortex. Nature. 532 (7600), 453 (2016).
  51. Montague, P. R., et al. Hyperscanning: simultaneous fMRI during linked social interactions. Neuroimage. 16, 1159-1164 (2002).
  52. Bilek, E., et al. Information flow between interacting human brains: Identification, validation, and relationship to social expertise. Proceedings of the National Academy of Sciences U.S.A. 112 (16), 5207-5212 (2015).
  53. Kinreich, S., Djalovski, A., Kraus, L., Louzoun, Y., Feldman, R. Brain-to-brain synchrony during naturalistic social interactions. Scientific Reports. 7 (1), 17060 (2017).

Tags

Нейронауки выпуск 145 функциональной магнитно-резонансной томографии на основе задач анализ динамических функциональных подключения между предметом функциональных корреляции раздвижные окна бинаризация кино смотрят парадигмы
Динамические подключения между предметом функциональных показывает-момент мозг сетевых конфигураций, движимый непрерывной или парадигмы связи
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Bolton, T. A. W., Jochaut, D.,… More

Bolton, T. A. W., Jochaut, D., Giraud, A. L., Van De Ville, D. Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms. J. Vis. Exp. (145), e59083, doi:10.3791/59083 (2019).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter