Waiting
Login processing...

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

Neuroscience

Connectivité fonctionnelle inter-sujet dynamique révèle des Configurations de réseau de cerveau à chaque instant par continu ou paradigmes de Communication

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

L’objectif de l’approche décrite est de déterminer à quels moments du paradigme (perspective temporelle) et entre les régions (perspective spatiale), reconfigurations significatives en matière de connectivité fonctionnelle se produisent sur l’imagerie par résonance magnétique fonctionnelle enregistrements au cours duquel un stimulus temps verrouillé est joué.

Abstract

Basée sur les tâches l’imagerie par résonance magnétique fonctionnelle ours grand potentiel à comprendre comment notre cerveau réagit à différents types de stimulation ; Toutefois, cette opération est souvent réalisée sans tenir compte de l’aspect dynamique de transformation fonctionnelle et sorties analytiques représentent généralement fusionnés influences des effets axée sur la tâche et sous-jacent des fluctuations spontanées de l’activité cérébrale. Ici, nous introduisons un nouveau pipeline méthodologique qui peut aller au-delà de ces limites : l’utilisation d’un schéma analytique-coulissante permet le suivi des changements fonctionnels au fil du temps, et par le biais de mesures correlational cross-objet, l’approche peut isoler les effets purement liés à la stimulation. Grâce à un processus rigoureux de seuillage, des changements significatifs dans la corrélation fonctionnelle inter-sujet peuvent être extraits et analysés.

Sur un ensemble de sujets sains ayant subi une stimulation audio-visuel naturaliste, nous démontrons l’utilité de l’approche en liant les reconfigurations démêlées fonctionnelles à des stimulus particuliers du film. Nous montrons comment, grâce à notre méthode, on peut saisir soit un profil temporel de l’activité cérébrale (l’évolution d’une connexion donnée), ou les concentrer sur un instantané spatial à un moment clé. Nous fournissons une version accessible au public du pipeline ensemble et décrire son utilisation et l’influence de ses principaux paramètres étape par étape.

Introduction

Imagerie de résonance magnétique fonctionnelle (IRMf) est devenu l’outil de choix pour surveiller non invasive les changements dans l’activité cérébrale résultant de la stimulation externe. Plus précisément, le vif intérêt a émergé sur la compréhension de l’interdépendance statistique entre cours de temps activation régional, connu comme la connectivité fonctionnelle (cf)1 et généralement calculées comme corrélation de Pearson coefficient de. Les interactions fonctionnelles entre le cerveau montrent abondamment pour reconfigurer en fonction de la tâche sous-jacente2,3,4.

Deux directions analytiques a séparément ont été suivies pour aller au-delà de cette caractérisation introduction : d’une part, la réponse induite dans une région du cerveau donnée par un stimulus temps verrouillé a été observée à corréler fortement dans l’ensemble des sujets distincts5 . Quantifier cet objet inter corrélation (ISC) a montré des potentiel d’affiner notre compréhension de la cognition6,7,8,9 et cerveau troubles10,11 . En outre, cette approche correlational cross-sujet a été aussi étendue à l’évaluation de synchronicité inter-régional12, dans ce qui devint connu comme la corrélation fonctionnelle inter-sujet (ISFC) approche13.

En revanche, la saveur dynamique de reconfiguration du FC a commencé à recevoir une attention accrue (voir Hutchison et coll.14, Preti, Bolton et Van De Ville15, Gonzales-Castillo et Mbandettini16 pour des études récentes sur la côtés au repos-état et basée sur les tâches de cette question). En particulier, ensemble-cerveau FC changements au fil du temps peuvent être suivis par le biais de mesures de corrélations consécutives sur une fenêtre secondaire temporelle progressivement décalé17,18, révélant un aperçu supplémentaire dans le contexte de tâches comportementales 19,,20.

Ici, nous présentons un cadre méthodologique qui combine ces deux avenues. En effet, nous calculons ISFC en mode fenêtre coulissante pour suivre l’évolution de la synchronicité interrégionale entre les sujets exposés à un paradigme naturaliste temps verrouillé. Grâce à l’aspect de la croix-objet de la méthode, analyses sont concentrent sur effets axée sur la relance, alors que les changements spontanés IRMf (qui ne sont pas corrélées à travers des sujets) sont fortement atténués. Ceci est important parce que les patterns d’activité repos-état et évoquée par le travail sont de plus en plus compris caractérisées par des propriétés distinctes21,22.

En ce qui concerne la composante dynamique de la méthode, elle permet une caractérisation plus complète et précise des stimuli de la tâche, surtout lorsque sonder un paradigme naturaliste dont un ensemble diversifié de repères (auditif, visuel, social, etc.) sont combinés au fil du temps. Comme l’évaluation statistique sonore des importantes fluctuations dynamiques a été âprement débattu23,24, notre approche prend en outre particulièrement soin de cet aspect des analyses en isolant l’ISFC bouleversement à travers comparaison de données nulle approprié.

Nous illustrons la méthode sur un ensemble de sujets sains exposés à un stimulus film audiovisuel, pour qui nous montrent que l’ISFC temporelle et spatiale changent profils découlant film localisée sous-intervalles peuvent être extraites avec précision. Ce faisant, nous décrivons également l’influence des principaux paramètres analytiques sélectionnables par l’utilisateur. Les résultats présentés sont basés sur une partie des données précédemment publiées25,26.

Protocol

Le protocole suivant a été approuvé par le Comité d’éthique local (protocole de recherche biomédicale Inserm 365 C08-39).

1. avant l’imagerie

  1. S’inscrire à une population d’étude des sujets, obtention d’écrit, un consentement éclairé pour chacun d’eux. Obtenir l’approbation du comité d’éthique local.
  2. Sélectionnez un paradigme pour enquêter sur qui peut être appliqué à tous les sujets de manière verrouillé en temps.
    Remarque : Ici, nous avons utilisé un documentaire audiovisuel scientifique pour les jeunes (https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study).

2. imagerie

  1. Pour chaque sujet à prendre en compte dans les analyses, effectuez au moins une séance d’imagerie fonctionnelle dans laquelle le bénévole numérisé est soumis au paradigme verrouillé en temps d’intérêt.
    1. Utiliser un scanner de 3 Tesla MRI pour acquérir des tranches transversales à travers un echoplanar séquence d’imagerie.
    2. Utiliser les paramètres suivants d’imagerie : taille du voxel = 3 mm x 3 mm x 3 mm, temps de répétition (TR) = 2 s, intervalle = 50 ms, champ de vision = 192, 40 tranches.
      Remarque : Nous encourageons les valeurs de TR plus rapides dans le cadre de la faisabilité. Le protocole peut également être appliqué avec un plus restreint de champ (par exemple, pour les analyses limitées à une sous-structure spécifiques du cerveau), qui permettrait une meilleure résolution temporelle (TR plus bas), ou un espace plus précis de l’analyse.
    3. Laisser quelques secondes de l’enregistrement (≥ 2 TR) avant et après la présentation du stimulus.
  2. Effectuer au moins une session d’imagerie fonctionnelle séparée où le bénévole numérisé se trouve au repos dans le scanner, les yeux fermés et demandé de ne pas s’endormir.
    Remarque : Des acquisitions axés sur la relance et de l’état de repos séparées prévenir autrement possible les interactions entre les conditions (par exemple, après avoir vu le film au préalable peut laisser une trace durable à un enregistrement de l’état de repos acquis par la suite)27. Si l'on ne veut pas passer par l’acquisition de l’état de repos supplémentaire susmentionnée, une alternative (quoique plus sujettes à la détection de faux positifs ; voir Discussion) option informatique dans le pipeline remplace ces données en cours de temps de substitution calculé à partir du paradigme des signaux (voir étape 5.1.2).
  3. Effectuer l’imagerie structurale.
    1. Utiliser un scanner de 3 Tesla MRI et une séquence d’écho de gradient pondérées en T1 préparés à la magnétisation des acquisition rapide.
    2. Utiliser les paramètres d’imagerie suivants : taille de voxel = 1 mm x 1 mm x 1 mm, champ de vision = 256, 176 tranches.

3. données et logiciels de préparation

  1. Pour chaque session analyser, s’assurer de l’existence des fichiers de données suivants :
    1. Un ensemble de volumes de MRI fonctionnels, présents sous forme de 3D NIFTI ou HDR/IMG dossiers distincts, avec un schéma de numérotation cohérent (par exemple, « fMRI_0001 », « fMRI_0002 », etc.).
    2. Une T1 structurelle qualité de l’image, au format NIFTI ou HDR/IMG.
    3. Atlas des intérêts dans l’espace de l’Institut neurologique de Montréal (INM), au format NIFTI.
      Remarque : Un exemple de fichiers d’entrée requis est fourni pour un sujet représentatif (« S17 »), ainsi que le code complet de pipeline, à https://c4science.ch/source/Intersubj_pipeline.git
  2. Télécharger la dernière version du disponible publiquement Freesurfer logiciel28 (https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall).
  3. Télécharger la dernière version de la boîte à outils MATLAB de cartographie statistique paramétrique (SPM) publiquement disponible de https://www.fil.ion.ucl.ac.uk/spm/software/spm12/.
  4. Ouvrir MATLAB (version 2017a ou plus récent) et localisez les dossiers « freesurfer » et « spm12 » nouvellement téléchargées. Pour chacun, faites un clic droit dessus et sélectionnez la ajouter au chemin d’accès > sélectionné les dossiers et sous-dossiers option.

4. les données de prétraitement

  1. Dans le terminal MATLAB, type spm pour lancer le menu principal de SPM12 et cliquez sur le bouton de l’IRMf pour accéder aux options de prétraitement consacrée aux données IRMf. Effectuez les opérations suivantes séparément pour chaque session d’IRMf prétraiter.
    1. Cliquez sur réaligner (HNE & Res)et dans la fenêtre éditeur de lot nouvellement ouvert, double cliquez sur données > Session. Dans la fenêtre nouvellement ouverte de Session, sélectionnez toutes les images fonctionnelles à traiter. Ensuite, cliquez sur le bouton fait et ensuite sur l’icône Exécuter des commandes dans la fenêtre de l’éditeur de lot (triangle vert). Attendre avant la fin de l’étape de réalignement, comme il est indiqué dans la fenêtre terminal de MATLAB.
    2. Cliquez sur Coregister (HNE & Res)et dans la fenêtre éditeur de lot nouvellement ouvert, double-cliquez sur l’image de référence. Dans la fenêtre nouvellement ouverte de l’Image de référence, sélectionnez le volume fonctionnel moyen créé à l’étape suivante, le préfixe « moyenne » et cliquez sur le bouton fait . Ensuite, double-cliquez sur l’image Sourceet dans la fenêtre d’Image Source nouvellement ouverte, sélectionnez l’image de T1. Cliquez sur le bouton fait et ensuite sur l’icône Exécuter des commandes dans la fenêtre de l’éditeur de lot (triangle vert). Attendre avant la fin de l’étape de co-inscription, comme il est indiqué dans la fenêtre terminal de MATLAB.
      Remarque : L’image de T1 est remplacé à cette étape, afin que celui mis à jour se trouve dans le même espace que les volumes fonctionnels.
    3. Cliquez sur le Segmentet dans la fenêtre éditeur de lot nouvellement ouvert, double-cliquez sur les Volumes. Dans la fenêtre nouvellement ouverte de Volumes, sélectionnez l’image de T1 et cliquez sur le bouton fait . Puis, dans la fenêtre de l’éditeur de lot, double-cliquez sur les Champs de déformation et sélectionnez l’option Inverse . Cliquez sur l’icône Exécuter lot (triangle vert) et attendez la fin de l’étape de segmentation, comme il est indiqué dans la fenêtre terminal de MATLAB.
  2. Tapez JOVE_GUI1 dans la borne MATLAB pour ouvrir la fenêtre d’interface utilisateur graphique premier pré-traitement. Effectuez les opérations suivantes pour chaque session d’IRMf à analyser.
    1. Cliquez sur données IRMf Enter, puis tous les volumes fonctionnels réalignées créés à l’étape 4.1.1 (préfixées par « r »). Pour les fichiers IMG/HDR, sélectionner les volumes de l’IMG et HDR.
    2. Entrez le TR des données (en secondes) dans la fenêtre de texte éditable dédié.
    3. Cliquez sur entrez T1 données et sélectionnez les trois volumes de type probabiliste tissu créés à l’étape 4.1.3 (précédés de « c1 », « c2 » et « c3 »).
    4. Cliquez sur Enter motion fileet sélectionnez le fichier texte contenant des paramètres de mouvement de la session d’intérêt, créé à l’étape 4.1.1 et le préfixe « rp ».
    5. Choisir le type désiré de prétraitement, autrement dit, si les données doivent être redressées ou non (respectivement définissant le bouton radio dédié ou non), et quels covariables devraient être régressés (en sélectionnant l’option appropriée dans la liste dédiée).
      Remarque : L’étape de régression est inspirée d’une fonction provenant de la boîte à outils DPARSF29. Les signaux de la substance blanche et le liquide céphalorachidien de sujets individuels sont en moyenne sur les voxels pour lesquels le plan modèle respectif de tissu probabiliste DPARSF a montré un signal supérieure à 0,99. Dans nos analyses, nous avons redressée les données et régressé à cours de temps fluide céphalo-rachidien/matière blanche tendances ainsi que constants, linéaires et quadratiques.
    6. Pour pré-traiter les données, cliquez sur prétraiter, attendez que l’écran s’affiche dans la fenêtre. Les données peuvent être re-prétraitées différemment en modifiant les options et en cliquant à nouveau sur le bouton Preprocess .
      Remarque : L’intrigue de la matière grise est inspirée de la représentation suggérée par Power et al.,30.
    7. Pour enregistrer la sortie pour avoir suivi les étapes, cliquez sur le bouton enregistrer . Pour effacer le contenu de la fenêtre, cliquez sur le bouton effacer .

Supplementary Figure 1
Supplémentaire Figure 1 : exemple capture d’écran de la première fenêtre d’interface utilisateur graphique prétraitement. Voxel-sage du temps des cours de matière grise voxels suivant les options choisies de prétraitement (tracé de droite haut de la page) et covariables qui peuvent être utilisés dans le prétraitement (de haut en bas : cours de temps moyen matière liquide céphalo-rachidien/blanc, mouvement de translation paramètres et paramètres de mouvement de rotation. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

  1. Tapez JOVE_GUI2 dans la borne MATLAB pour ouvrir la fenêtre d’interface utilisateur graphique prétraitement deuxième. Effectuez les opérations suivantes pour chaque session d’IRMf à analyser.
    1. Cliquez sur sélectionner des donnéeset sélectionnez le fichier de données enregistré à l’étape 4.2.7 (nommé « ISFC_VX.mat »).
    2. Cliquez sur Sélectionnez requêteet sélectionnez le fichier texte contenant des paramètres de mouvement de la session d’intérêt, créé à l’étape 4.1.1 et le préfixe « rp ».
    3. Cliquez sur sélectionner des atlaset sélectionnez le fichier NIFTI représentant l’atlas à utiliser pour la surface.
    4. Cliquez sur Sélectionnez chaîne inverseet sélectionnez le fichier NIFTI qui représente le champ de déformation de l’INM à espace natif, créé dans étape 4.1.3 et le préfixe « iy ».
    5. Cliquez sur sélectionner le volume de l’IRMfet sélectionnez un des volumes de données IRMf.
      Remarque : Cette étape permet d’accéder aux informations d’en-tête des données fonctionnelles, donc pourquoi le volume choisi réel n’est pas important.
    6. Entrez le TR des données (en secondes) dans la fenêtre de texte éditable dédié.
    7. Entrez les informations relatives à l’épuration : le type de lavage pour effectuer (par exemple, nombre d’images pour frotter dehors avant et après ceux marqués) dans la liste « Type de lavage » et la valeur de seuil de déplacement framewise (critère31) du puissance au-dessus de laquelle un volume IRMf devrait être nettoyée dans la fenêtre de texte modifiable « Scrubbing seuil » (en mm).
      Remarque : Interpolation spline cubique est effectuée sur les points de données brossées pour les remplacer par des valeurs estimées des échantillons voisins. Dans nos analyses, nous lavé une image après les volumes marqués et utilisé un seuil de 0,5 mm pour le nettoyage.
    8. Entrez la taille de la W coulissante à utiliser pour les calculs de SFIC (voir étape 5), en TRs.
      Remarque : Cet élément d’information va activer le filtrage des cours temps via une fonction provenant de la boîte à outils DPARSF29, f = 1/W Hz32. Dans nos analyses, nous avons utilisé W = 10 TR comme une valeur de compromis pour capturer les fluctuations dynamiques tout en conservant suffisamment échantillons pour des estimations robustes.
    9. Cliquez sur le bouton de l’intrigue pour afficher les cours indicatifs atlased temps avant (tracé d’albums) et après (tracé inférieur) le lavage et le filtrage des étapes. Vérifier, par une inspection visuelle, qui après le prétraitement certaines étapes, ces signaux de sortie n’intègre pas les composants artéfactuelle saillants.
    10. Pour enregistrer les sorties pour avoir suivi les étapes, entrez une sauvegarde nom dans la fenêtre de texte éditable dédié et cliquez sur le bouton enregistrer . Pour effacer le contenu de la fenêtre, cliquez sur le bouton effacer .

Supplementary Figure 2
Supplémentaire Figure 2 : exemple capture d’écran de la fenêtre d’interface utilisateur graphique prétraitement deuxième. Cours régional de temps suite à atlasing, avant (tracé d’albums) et après lavage (tracé inférieur) et filtrage selon certains paramètres. Chaque courbe représente une évolution régionale choisie au hasard parmi tous ceux disponibles. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

5. fenêtre coulissante ISFC calculs

  1. Tapez JOVE_GUI3 dans la borne MATLAB pour ouvrir la fenêtre d’interface utilisateur graphique en relation avec ISFC première. Effectuez les opérations suivantes séparément pour chaque type de segment de session acquis IRMf (segments axés sur la relance, segments de repos-état de sessions axées sur la relance et segments purement étatiques au repos).
    1. Cliquez sur Load dataet sélectionnez tous les fichiers de données appropriés créés par étape 4.3.
    2. Indiquez si les segments sélectionnés session devraient subir une randomisation de phase.
      Remarque : Randomisation de phase peut être utilisée comme solution de rechange pour la génération de données null de stimulation des signaux, si aucun enregistrement de l’état de repos n’est disponibles.
    3. Entrez le TR des données (en secondes) dans la fenêtre de texte éditable dédié.
    4. Entrez les paramètres de la fenêtre coulissante à utiliser pour l’analyse dans les fenêtres de texte éditable dédié : taille de la fenêtre (en TRs) au cours de laquelle connectivité des mesures devraient être calculés et la taille de la step (en TRs) par lequel les fenêtres successives devraient être changés.
      Remarque : Dans nos analyses, nous avons utilisé une taille de fenêtre de 10 TR et une taille d’étape de 1 TR.
    5. Modifier la table de « Types de Session » pour spécifier laquelle des segments session chargés ont été acquis lors de la même condition expérimentale. Utilisez un nombre croissant de 1 entier à partir de différents types de balises de segments (par exemple, si le stimulus est affiché pour la première ou la deuxième fois dans un enregistrement donné). Quitter la table intacte si seulement un seul type de segment de session a été acquise.
      Remarque : Une session dans le présent travail peut faire référence à un enregistrement de film/repos-état combiné (appelés RUN1 et2e manche dans la Figure 1 a), ou à un enregistrement d’état purement au repos (course3). Un segment de la session désigne une partie secondaire d’un enregistrement de la session, quand le film a été regardé, ou lorsque les sujets menti au repos. L’information ci-dessus est utilisée dans les calculs de ISFC décrits par la suite (voir étape 5.1.8) pour limiter l’influence confondant de types de segment de session différente.
    6. Entrez des paramètres d’amorçage liés dans les fenêtres de texte éditable dédié : le nombre de plis sur laquelle exécuter des calculs ISFC d’amorçage et le nombre de sujets qui devraient constituer le groupe de référence pour chaque pli de calculs de l’IFSC.
      Remarque : Dans nos analyses, nous avons utilisé 250 plis bootstrap et 6 sujets dans le groupe de référence.
    7. Entrez les spécifications dont partie secondaire des cours de temps doit être analysée dans la section paramètres de synchronisation , dans les fenêtres de texte éditable dédié. Un index de début et une fin (dans TRs) doivent être fournis. Pour analyser la durée d’enregistrement entier, utilisez 1 que commence l’index et le nombre d’échantillons comme indice de la fin.
    8. Cliquez sur le bouton tracer pour exécuter des calculs SFIC. Affichages sont progressivement mis à jour au fil du temps, ainsi que le montant des plis amorçage écoulés. Pour un couple de la région (i, j) et un glissement fenêtre index τ, SFIC est calculé comme la moyenne des corrélations croisées entre session segment s et tous les segments de la session du groupe de référence, au sein d’une fenêtre coulissante de longueur W ; désigner ce groupe de référence de Ψ, son nombre de sujets par NΨet let xi[s](t) l’évolution temporelle de la région i pour session segment s au temps t ; une estimation de l’IFSC est donnée par :
      Equation 2
      Les mesures ISFC sont calculés sur la somme d’amorçage plis et avec le nombre sélectionné de segments de session utilisé comme un groupe de référence à chaque fois (voir l’étape 5.1.6). Si plusieurs sous-types de segment de session sont inclus, un mélange d’échantillons de sous-type compose toujours le groupe de référence. Le résultat final pour chaque segment de la session est l’ISFC moyenne dans l’ensemble de tous les plis, dans lequel il n’était pas incluse comme une mesure de référence.
      Remarque : Le groupe de référence est l’ensemble des segments de la session à laquelle le temps fonctionnel en cours de session segment s sont comparées au niveau de chaque pli du processus d’amorçage. Pour les résultats soient plus robuste aux points de données aberrantes, SFIC est calculée plusieurs fois sur un groupe de référence différents (c'est-à-dire un sous-ensemble différent des segments de session). Ce qui est important, le temps d’acquisition t ne correspond pas à la fenêtre index τ coulissant, car ce dernier est calculé sur un ensemble de points de données W et dépend de la taille de palier de fenêtre pour les estimations successives. Le processus d’amorçage s’inspire d’une ancienne étude de Byrge et al.33.
    9. Pour enregistrer les sorties pour avoir suivi les étapes, entrez une sauvegarde nom dans la fenêtre de texte éditable dédié et cliquez sur le bouton enregistrer . Pour effacer le contenu de la fenêtre, cliquez sur le bouton effacer .

Supplementary Figure 3
Supplémentaire Figure 3 : exemple capture d’écran de la première fenêtre d’interface utilisateur graphique ISFC liées. (Tracé d’albums) Représentation schématique de combien de fois chacun considéré comme session a ses mensurations ISFC calculées (c'est-à-dire, n'est pas choisi au sein du groupe de référence). (Tracé inférieur) Sur une question indicative, cours temps ISFC calculée automatiquement aux cinquante exemple, choisi comme ceux présentant les valeurs additionnées plus grandes de la SFIC absolues au fil du temps. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

  1. Tapez JOVE_GUI4 dans la borne MATLAB pour ouvrir la fenêtre d’interface utilisateur graphique en relation avec ISFC deuxième.
    1. Cliquez sur Load ISFC données et sélectionnez les fichiers de sortie ISFC axés sur la relance créés à l’étape 5.1.
    2. Cliquez sur charger des données nulle et sélectionnez, selon le schéma de génération de données null utilisées, soit l’ISFC état de repos, soit la phase randomisée axés sur la relance ISFC sortie fichier créé à l’étape 5.1.
    3. Cliquez sur codes de charge et sélectionnez le fichier de dictionnaire créé à l’étape 4.3.
    4. Entrez le TR des données (en secondes) dans la fenêtre de texte éditable dédié.
    5. Entrez les paramètres de fenêtre coulissante utilisées dans les calculs d’étape 5.1 (taille de la fenêtre et la taille de palier, en TRs) dans les fenêtres de texte éditable dédié.
    6. Entrer (en pourcentage) la valeur α au cours de laquelle les cours de temps ISFC devraient être seuillées pour mettre en évidence des changements significatifs dans la fenêtre de texte éditable dédié.
      Remarque : Ici et ailleurs, en se référant à une α-valeur de 2,5 %, cela signifie que la signification est atteint lorsqu’une valeur est inférieure à la 2.5ème percentile, ou plus grand quele percentile 97.5, des données null . Dans nos analyses, nous avons eu 5 762 points de données d’état de repos à notre disposition et sélectionné une valeur de 10-4α. Cela signifie que nous voulions 0,01 % des échantillons de données à être plus grand ou égal aux seuils choisis passé qui une excursion ISFC serait considéré comme significative. Pour fins de comparaison, le α-niveau exigé par la correction de Bonferroni serait 0,05/44 551 = 1,12 x 10-6, et le plus rigoureux possible α niveau activé avec notre quantité de données (n échantillons) serait Equation 3 .
    7. Cliquez sur le bouton tracer pour effectuer le processus de seuillage SFIC, dans quel ISFC null disponible toutes les mesures sont agrégées, pour une connexion donnée, de construire une distribution nulle, suite à laquelle ISFC axés sur la relance, les mesures sont Binariser selon la α-valeur sélectionnée. Points dans le temps au cours de laquelle une valeur ISFC liée au stimulus statistiquement dépasse largement la distribution nulle sont identifiés comme étant -1 / + 1 pour l’ISFC importante diminue et augmente, respectivement.
      Remarque : Le processus de seuillage s’inspire des travaux de FC dynamique de l’état de repos de Betzel et al.,23.
    8. Afin de visualiser la répartition spatiale de l’ISFC à différents moments, faites glisser le curseur ci-dessous l’intrigue d’excursion SFIC.

Supplementary Figure 4
Supplémentaire Figure 4 : exemple capture d’écran de la fenêtre d’interface utilisateur graphique en relation avec ISFC deuxième. (Parcelle de gauche haut de la page) Sur une question indicative, SFIC temps cours calculé pour trois connexions exemple, choisi comme celles présentant la plus grande quantité de dépassements ISFC et affichent avec leurs seuils calculés associé (lignes horizontales). (Terrain bas à gauche) Pour les mêmes branchements, excursion associé temps cours moyennée sur sujets, avec intervalles de confiance 95 % bilatéral affichés comme mesure de l’erreur. (Bonne intrigue) Répartition spatiale des SFIC (moyenne ISFC excursions à travers des sujets) pour un point de temps choisi indiquée par une ligne noire verticale sur la SFIC et excursion parcelles. Positives excursions ISFC apparaissent en jaune et ceux en rose négatifs. Le code de couleur et de taille des nœuds sont proportionnels à leur degré. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Representative Results

Ici, nous avons considéré n = 15 sujets (TD) en voie de développement en général, pour qui nous avons obtenu le consentement écrit et informé. Tous étaient des hommes droitiers (23,42 ± 7,8 ans). Le paradigme choisi était un documentaire audiovisuel scientifique pour les jeunes sur les dangers de l’exposition au soleil. Il contient un large éventail de stimuli visuels, auditifs et sociales et peut être visionnée à https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study.

Nous avons acquis deux sessions par sujet (RUN1 et RUN2) dans laquelle le film mises en recouvrement a été affiché de 5 à 353 s (durée min 5,8). Un segment de l’état de repos est également suivi de 386 à 678 s (durée min 4,9). En outre, une session uniquement l’état de repos (course3) a été acquis pour chaque sujet (à l’exclusion de celui qui souffrait de claustrophobie), durable pour 310 s (5,2 min). Scènes de film exemple et la synchronisation des données acquises sont résumées dans la Figure 1 a. Ce qui est important, le protocole d’acquisition n’était pas optimal en ce sens que l’état de repos enregistrements acquis juste après exposition film est en partie endommagée par des effets de débordement27; Nous faisons usage de ces données dans les présentes conclusions d’avoir un montant satisfaisant des échantillons pour seuil statistique, mais cela devrait être évitée autant que possible.

Nous avons exclu toutes les séances pour lesquelles plus de 10 % des cadres ont été brossées, à un seuil de 0,5 mm et a examiné la surface de Craddock et coll.34 (algorithme de deux niveaux de corrélation temporelle) pour générer des cours régionaux de temps, pour un total de 299 différentes régions du cerveau.

SFIC a été calculée séparément à que regarder des films (1) la sous-parties RUN1 et RUN2, (2) les sous-parties de repos-état des RUN1 et RUN2et (3) l’état de repos RUN3 enregistrements. Nous avons utilisé une longueur de fenêtre W = 10 TR pour le principal a présenté les résultats et les comparer à une valeur inférieure de W = 5, grandeur de TR. pas toujours restée égale à 1 TR. Bootstrapping a été effectué plus de 250 plis, y compris la session 6 segments dans chaque groupe de référence.

Figure 1 b affiche des cours à temps ISFC générées à W = 10 TR et W = 5 TR pour trois connexions représentante différentes : connexion 1 implique une gauche région pariétale inférieure liée à l’attente des objets en mouvement (coordonnées de l’INM : 41,9,32)35 et un droit de la surface frontale operculaire liée à l’inhibition de la réponse (-34,-52,45)36. Cette dernière région était également impliquée dans connexions 2 et 3, respectivement avec une zone impliquée dans la coordination sensorielle (54,6,34)37et celui lié à la transformation du sens des mots (6,62,9)38.

Une comparaison entre les longueurs de fenêtre révèle que, dans le W = 5 TR réglage, la variance temporelle chez les sujets dans l’ensemble plus grande dans les deux cas un segment regarder des films et de l’état de repos par rapport à W = 10 TR, un phénomène connu en analyses coulissante39. Pour la connexion 1, peu importe la durée de la fenêtre, une sous-partie localisée de l’enregistrement de regarder des films (à environ 55 s) laissent entrevoir une forte et synchronisée ISFC augmenter dans l’ensemble des sujets, qui dépasse largement l’éventail des valeurs prises dans le cas de l’état de repos. Ainsi, nous nous attendons à capturer cette sous-partie temporelle comme une importante ISFC transitoire avec notre méthode de seuillage.

Pour la connexion 2, nous observons la dynamique temporelle similaire, mais pour W = 5 TR, l’augmentation devient moins facile à démêler par rapport à des cours de temps de repos-état, à cause du bruit d’axés sur la méthodologie plus grand fenêtre coulissante. Quant à connexion 3, elle reflète une affaire dans laquelle il n’y a aucune réponse claire pour le film et ainsi, les fluctuations des cours de temps de regarder des films et de l’état de repos sont similaires. Le résultat escompté à ce stade analytique est un mélange entre les connexions qui montrent clairement des reconfigurations induite par la stimulation et qui ne répondent pas.

Figure 1
Figure 1 : calendrier de l’Acquisition et l’exemple ISFC temps cours. (A), le film vu par les sujets en cause un large éventail de situations sociales (images d’exemple 1 et 4), des explications scientifiques avec des panneaux colorés (images d’exemple 2 et 5) et paysage paysages (exemple d’image 3). Trois sessions ont été acquises par sujet : deux (RUN1 et2emanche) inclus la stimulation de film (de 5 à 353 s, surlignés en vert) suivie d’une période de repos-état (de 386 à 678 s, illustré en jaune), tandis que l’un (course3) uniquement consistait en un enregistrement de l’état de repos (durée de s 310, affichés en orange). (B) pour trois connexions indicatives (C1, C2 et C3, respectivement noir vert/rouge, vert clair/orange et turquoise/jaune traces), évolution du SFIC au fil du temps au cours de regarder des films (couleurs froides) ou de l’état de repos (couleurs chaudes). Pour W = 10 TR (panneau de gauche), regarder des films ISFC change plus largement stand out par rapport à W = 5 TR (panneau de droite). Chaque trace reflète l’évolution d’une seule session SFIC. Ce chiffre a été en partie modifié de Bolton et al.,25. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 2 affiche les résultats suivant le seuil statistique de cours à temps SFIC, pour les trois mêmes branchements comme indiqué ci-dessus. Une valeur de 1 signifie que tous les sujets ont subi la même augmentation ISFC en même temps cours de temps point ; une valeur de 0 signifie qu’aucun sujet n’a subi un changement significatif de la SFIC ; la valeur -1 représente une diminution ISFC synchrone sur tous les sujets. Comme auparavant, nous comparons W = 5 b et W = 10 TR et nous aussi en lumière deux α-valeur : α = 0,01 % et α = 5 %.

Montage avec les observations qui précèdent, une longueur inférieure de la fenêtre réduit la quantité d’extrait ISFC bouleversement. Pour la connexion 1, les deux W = 5 b et W = 10 TR, cependant, extraire le même moment particulier (t = 55 s) qu’ils montrent une forte augmentation de l’IFSC. Prenant un retard hémodynamique d’environ 5 s en compte, ce qui correspond à une sous-partie du film lorsque des lignes colorées étendaient vers une poupée et brusquement arrêtée juste en face d’elle (46-49 s), avec le rôle des régions impliquées dans le déplacement d’objet attente et réponse inhibition35,36.

Lors de l’augmentation α partir de 0,01 % à 5 %, on peut observer une spécificité beaucoup plus faible des détectés transitoires SFIC, probablement comprenant de nombreux faux positifs et supposée montrant beaucoup moins temporelle synchronie.

Comme un autre point de vue qui peut être définie sur les données, Figure 2 b montre les cartes spatiales ensemble-cerveau de changements significatifs de SFIC à t = 55 s. On peut considérer que la réponse à la scène de film s’étend bien au-delà les connexions de l’exemple décrites ici.

Figure 2
Figure 2 : instantanés temporelles et spatiales des patrons ISFC. Cours à temps transitoire (A), SFIC, moyennées sur les sujets, pour les trois connexions indicatives (C1, C2 et C3, respectivement sombres traces verts, verts et turquoises). La scène de film qui ont poussé les changements ISFC est surlignée en gris clair et représentée par des images d’exemple. Pour W = 10 TR (colonne de gauche des parcelles), SFIC modifications sont détectées plus fortement que pour W = 5 TR (colonne de droite de parcelles). Pour α = 0,01 % (rangée du haut des parcelles), spécificité aux signaux film localisée est plus grande que pour α = 5 % (ligne du bas des parcelles). Chaque trace reflète l’évolution ISFC transitoire d’une session, et les intervalles de confiance 95 % bilatéral s’affichent sous forme de mesure de l’erreur. (B) pour W = 10 TR et α = 0,01 %, il existe un modèle spatial neat, restreint de transitoires ISFC à t = 55 s (le SFIC transient Peak pour C1) ; pour W = 5 TR et α = 5 %, subissant un changement significatif de la SFIC en ce moment les connexions sont beaucoup plus nombreux. Notez que nous supposons un retard hémodynamique d’environ 5 s dans la temporalité décrite (p. ex., une valeur de 55 s ici se rapporte au stimulus film à 50 s). Ce chiffre a été en partie modifié de Bolton et al.,25. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Discussion

Sur un ensemble de données de sujets sains, nous avons démontré comment synchrone croix en question augmente et diminue dans les FC, les transitoires SFIC, correspondrait à temporellement localisé film cues, fournissant des informations qui va au-delà d’une description statique. Bien que l’utilisation de la corrélation croisée en question mesure permet d’axer l’analyse sur les reconfigurations fonctionnelles axée sur la relance, il faut également être conscient qu’elle limite les résultats aux effets qui sont partagées dans l’ensemble de la population étudiée : par conséquent, à basse altitude traitement sensoriel est censé être surreprésentés par rapport au traitement frontal40. Pour contourner cette limitation, nouvelles méthodes qui ont aussi la possibilité d’extraire les régions qui varient fortement selon les sujets soient développés41.

Une autre limite de la méthode introduite découle de l’aspect de la fenêtre coulissante, comme la résolution temporelle des cours temps transitoire ISFC est abaissée par rapport aux approches frame-wise15. Comme nous l’a montré, un compromis est nécessaire entre une longueur de fenêtre suffisamment bas pour résoudre correctement la reconfiguration dynamique du SFIC et estime une taille suffisamment grande pour obtenir robuste. Deux étapes cruciales dans notre cadre s’assurer que les transitoires ISFC extraites reflètent les changements vraiment naturels en connectivité : tout d’abord, le filtrage passe-haut du cours régional de temps avec l’inverse de la fenêtre longueur32; Deuxièmement, l’utilisation des données d’état de repos ISFC pour la génération d’une distribution nulle pertinente, avec des paramètres d’acquisition identiques par rapport à la stimulation des données. Bien sûr, ce dernier exige également un temps d’acquisition global plus longs, afin que les données d’état de repos peuvent être regroupées sur le dessus de séances axées sur la relance. Comme approche alternative pour éviter les enregistrements de l’état de repos supplémentaires, nous offrons également la possibilité de générer des données de la phase randomisée directement à partir des cours axés sur la relance de temps, une approche souvent utilisée dans les analyses de connectivité fonctionnelle dynamique 23 , 24. évaluation complémentaire sur un sous-ensemble des sessions a révélé que, bien que la méthode nulle de l’état de repos est plus conservateur, et donc moins sujettes à des faux positifs, les modèles globaux de détection excursion ISFC étaient similaires dans les deux schémas (voir Complémentaire Figure 5).

Supplementary Figure 5
Supplémentaire Figure 5 : excursions de détection de la SFIC à travers des méthodes de génération de données null. Pour l’état de repos (parcelles de la colonne de gauche, bleu) ou méthodes de génération phase randomisation (parcelles de la colonne de droite, rouge) données null, pourcentage d’excursions ISFC extraites sur connexions. Les parcelles de fond sont un encart sur les connexions émanant des trois premières régions de cerveau réfléchie. Erreur représente l’écart-type dans l’ensemble de sujets. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

La durée de l’acquisition de l’état de repos se rapporte en fait à un paramètre essentiel de l’analyse : la valeur de α. Comme illustré ci-dessus, un choix trop clément mènera à une grande quantité de faux positifs dans les transitoires ISFC détectés. Plus la quantité de données disponibles de l’état de repos, les plus stricts du faux positif possible taux, car seuillage peut reposer sur plusieurs valeurs extrêmes de la distribution de nulle. À titre indicatif, pour n = 299 atlas régions comme en l’espèce et compte tenu de notre décompte de 5 762 points de données d’état de repos, nous pourrions atteindre au mieux une valeur α près de 0,01 % (voir l’étape 5.2.6 pour détails mathématiques).

Un autre point clé se rapportant à toute analyse IRMf réside dans l’élimination rigoureuse de possibles artefacts liés à la motion de l’ont analysé des données30,42. En particulier, si on souhaite appliquer le pipeline introduit aux populations malades présentant marqué motion dans le scanner, nous recommandons que sur le dessus y compris les variables de requête comme covariables dans les analyses statistiques effectuées, prétraitement supplémentaire mesures se déroulera, comme les ondelettes débruitage43 ou ICA-arôme44. Groupe de comparaison, par exemple pour comparer transitoires ISFC entre une alimentation saine et un groupe de malade, peuvent être effectuées facilement en exécutant l’approche décrite en parallèle sur les deux groupes d’intérêt (voir Al. Bolton25 pour obtenir un exemple sur une population diagnostiquée avec troubles du spectre autistique). Toutefois, une différence entre les groupes peut alors survenir dans deux contextes distincts : (1) l’ISFC absent changer dans un groupe, ou (2) une évolution plus hétérogène de ce groupe. Pour démêler ces deux facteurs, le pipeline doit être exécuté une fois de plus pour le groupe de malade, en utilisant le sujet sain, définie comme groupe de référence à l’étape d’amorçage. Le premier cas entraînerait encore une réponse absente, alors que ce dernier ne le ferait pas.

Sur le dessus de ce que nous avons décrite ici, la méthodologie introduite ouvre également prometteur futures avenues : d’une côté analytique, cartes transitoires ISFC pourraient être considérées comme graphiques de cerveau de quelles mesures quantifiant le cerveau connectivité pourrait être dérivée de45, ou les États ISFC dynamiques pourraient être aspirées à travers les méthodes de clustering et évaluées en fonction de leurs caractéristiques spatiales et temporelles17,46. En outre, on pourrait aussi envisager l’utilisation d’outils de mesure connectivité plus sophistiqués que le coefficient de corrélation de Pearson pour révéler côtés plus subtiles du FC47,,48.

Du côté expérimental, l’application de notre pipeline à un ensemble plus étendu de paradigmes est une perspective prometteuse : par exemple, au lieu d’un film comme étudiés ici, on pourrait envisager d’utiliser un morceau de musique49 ou une histoire narrative13, 50 comme un stimulus temps verrouillé. Alternativement, on pourrait même imaginer, par le biais de hyperscanning51, pour sonder la communication sociale naturaliste52,53.

Disclosures

Les auteurs n’ont rien à divulguer.

Acknowledgments

Ce travail a été soutenu en partie par chacun des éléments suivants : le Swiss National Science Foundation (subvention numéro 205321_163376 à DVDV), la Fondation Bertarelli (de la tuberculose et DVDV), le centre d’imagerie biomédicale (CIBM) et l’Agence nationale pour la recherche ( tempofront numéro de licence 04701 à ALG). Les auteurs remercie Roberto Martuzzi et Giulia Preti pour leur contribution au contenu vidéo de ce travail comme, respectivement, l’opérateur de MRI et scanné bénévoles.

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

Neurosciences numéro 145 l’imagerie par résonance magnétique fonctionnelle analyse axée sur la tâche connectivité fonctionnelle dynamique inter-sujet corrélation fonctionnelle coulissante analyse seuillage paradigme de regarder des films
Connectivité fonctionnelle inter-sujet dynamique révèle des Configurations de réseau de cerveau à chaque instant par continu ou paradigmes de Communication
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