Waiting
Login processing...

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

Neuroscience

Connettività funzionale inter-soggetto dinamico rivela ad ogni istante cervello configurazioni di rete guidate da continuo o paradigmi di comunicazione

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'obiettivo dell'approccio descritto è quello di determinare quali momenti del paradigma (prospettiva temporale) e tra le regioni (prospettiva spaziale), significative riconfigurazioni in connettività funzionale si verificano su formazione immagine a risonanza magnetica funzionale registrazioni durante il quale viene riprodotto uno stimolo tempo-bloccata.

Abstract

Basato su attività di imaging a risonanza magnetica funzionale orsi grande potenziale per comprendere come il nostro cervello reagisce a vari tipi di stimolazione; Tuttavia, questo è spesso raggiunto senza considerare l'aspetto dinamico della trasformazione funzionale e analitici uscite rappresentano in genere Unite influenze di effetti basati su attività e sottostante fluttuazioni spontanee dell'attività cerebrale. Qui, presentiamo una romanzo pipeline metodologica che può andare di là di queste limitazioni: l'uso di un sistema analitico di finestra scorrevole consente il rilevamento dei cambiamenti funzionali nel corso del tempo, e attraverso la croce-antropometriche correlazionali, l'approccio può isolare gli effetti puramente stimolo. Grazie ad un processo rigoroso Sogliatura, cambiamenti significativi in inter-soggetto correlazione funzionale possono essere estratto e analizzati.

Su un insieme di soggetti sani sottoposti a stimolazione audiovisiva naturalistica, dimostriamo l'utilità dell'approccio legando le riconfigurazioni funzionali svelate ai segnali particolare del film. Vi mostriamo come, attraverso il nostro metodo, si può catturare sia un profilo temporale dell'attività cerebrale (l'evoluzione di una determinata connessione), o concentrarsi su un'istantanea spaziale in un punto chiave temporale. Forniamo una versione pubblicamente disponibile della pipeline intera e descrivono l'utilizzo e l'influenza dei suoi parametri chiave passo dopo passo.

Introduction

La formazione immagine a risonanza magnetica funzionale (fMRI) è diventato lo strumento di scelta in modo non invasivo monitorare i cambiamenti nell'attività cerebrale derivando dallo stimolo esterno. Più specificamente, vivido interesse è emerso circa la comprensione dell'interdipendenza statistico tra corsi di tempo di attivazione regionale, noto come connettività funzionale (FC)1 e in genere calcolata come correlazione di Pearson coefficiente. Interrelazioni funzionali attraverso il cervello hanno dimostrati ampiamente di riconfigurare in funzione delle attività sottostanti2,3,4.

Due direzioni analitiche sono state seguite separatamente per andare oltre questa caratterizzazione introduttiva: da un lato, la risposta indotta in una regione del cervello determinata da uno stimolo di tempo-bloccata è stata osservata per correlare fortemente attraverso soggetti distinti5 . Quantificare questo inter-soggetto correlazione (ISC) ha mostrato potenziale per raffinare la nostra comprensione di cognizione6,7,8,9 e cervello disturbi10,11 . Inoltre, questo approccio di correlational Croce-soggetto è estesa anche alla valutazione della sincronicità interregionale12, in quello che divenne noto come l' approccio inter-soggetto correlazione funzionale (sfuggire)13.

D'altra parte, il sapore dinamico di riconfigurazioni FC ha iniziato a ricevere maggiore attenzione (vedere Hutchison et al.14, Preti, Bolton e Van De Ville15, Gonzales-Castillo e Bandettini16 per le recenti recensioni sul lati dello stato di riposo e basate su attività di questa domanda). In particolare, del intero-cervello FC modifiche nel corso del tempo possono essere rintracciate attraverso misure di correlazione consecutivi sopra una finestra secondaria temporale gradualmente spostato17,18, rivelando ulteriori approfondimenti nel contesto di attività comportamentali 19,20.

Qui, presentiamo un quadro metodologico che combina questi due viali. Infatti, calcoliamo sfuggire in moda di finestra scorrevole per tenere traccia l'evoluzione della sincronicità interregionale tra i soggetti esposti ad un paradigma naturalistico, tempo-bloccata. Attraverso l'aspetto di croce-argomento del metodo, analisi sono concentrati su effetti basati su stimolo, mentre cambiamenti spontanei fMRI (che sono incorrelati attraverso gli oggetti) sono fortemente attenuati. Questo è importante perché pattern di attività dello stato di riposo e attività-evocati sono capiti sempre più a caratterizzarsi con proprietà distinte21,22.

Per quanto riguarda la componente dinamica del metodo, consente una più completa e accurata caratterizzazione degli stimoli del compito, specialmente quando analizzando un paradigma naturalistico in cui si combinano una serie diversificata di cues (uditiva, visiva, sociale, ecc.) nel corso del tempo. Ulteriormente, come il suono valutazione statistica delle notevoli fluttuazioni dinamiche è stato dibattuto23,24, il nostro approccio richiede particolare attenzione questo aspetto delle analisi isolando cambiamenti significativi di sfuggire attraverso confronto di dati null appropriato.

Illustriamo il metodo su un insieme di soggetti sani esposti ad uno stimolo audio-video film, per il quale ci mostra che il temporale e spaziale sfuggire cambiare profili derivanti da film localizzato sotto-intervalli possono essere estratti con precisione. In tal modo, descriviamo anche l'influenza dei principali parametri analitici per essere selezionato dall'utente. I risultati presentati si basano sulla parte di dati precedentemente pubblicati25,26.

Protocol

Il seguente protocollo è stato approvato dal comitato etico locale (protocollo biomedico Inserm 365 C08-39).

1. pre-imaging

  1. Registra una popolazione di studio di soggetti, ottenendo scritta, consenso informato per tutti loro. Chiedere l'approvazione del comitato etico locale.
  2. Selezionare un paradigma di indagare che può essere applicato a tutti i soggetti in modo tempo-bloccata.
    Nota: Qui, abbiamo usato un documentario scientifico audiovisivo per i giovani (https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study).

2. imaging

  1. Per ogni soggetto da considerare nelle analisi, eseguire almeno una sessione di imaging funzionale, in cui il volontario digitalizzato è sottoposto al paradigma tempo-bloccata di interesse.
    1. Utilizzare uno scanner di 3 Tesla MRI per acquisire in sezioni trasversali attraverso un echoplanar sequenza di imaging.
    2. Impiegare i seguenti parametri di imaging: dimensione del voxel = 3 x 3 mm x 3 mm, tempo di ripetizione (TR) = 2 s, tempo di Eco = 50 ms, campo di vista = 192, 40 fette.
      Nota: I valori di TR più veloci sono incoraggiati nell'ambito della fattibilità. Il protocollo può essere applicato anche con un più ristretto campo di vista (ad esempio, per analisi limitata a una sub-struttura specifiche del cervello), che consentirebbe una migliore risoluzione temporale (TR inferiore) oppure un spazialmente più precisa analisi.
    3. Lasciare pochi secondi di registrazione (≥ 2 TR) prima e dopo la presentazione dello stimolo.
  2. Eseguire almeno una sessione di imaging funzionale separata in cui il volontario digitalizzato si trova a riposo nello scanner, occhi chiusi e istruiti a non addormentarsi.
    Nota: Acquisizioni di stimolo-correlati e dello stato di riposo separate evitare altrimenti possibile interrelazioni tra le condizioni (ad es., dopo aver guardato il film in anticipo può lasciare una traccia duratura per una registrazione dello stato di riposo successivamente acquisita)27. Se non si desidera di passare attraverso l'ulteriore acquisizione di riposo dello stato suddetto, un'alternativa (seppur più inclini alla rilevazione di falsi positivi; veda la discussione) opzione computazionale nella pipeline sostituisce questi dati tramite i corsi del tempo surrogato computato dai segnali di paradigma-correlate (Vedi punto 5.1.2).
  3. Eseguire formazione immagine strutturale.
    1. Utilizzare uno scanner di 3 Tesla MRI e una sequenza di eco di pendenza di T1-weighted aquisizione veloce preparato magnetizzazione.
    2. Impiegare i seguenti parametri di imaging: dimensione del voxel = 1 x 1 mm x 1 mm, campo visivo = 256, 176 fette.

3. preparazione dei dati e Software

  1. Per ogni sessione analizzare, verificare l'esistenza dei file di dati seguenti:
    1. Un insieme di volumi di MRI funzionale, presenti come 3D NIFTI o HDR/IMG file separati, con uno schema di numerazione coerenza (ad esempio, "fMRI_0001", "fMRI_0002", ecc.).
    2. Una T1 strutturali MRI immagine, in formato NIFTI o HDR/IMG.
    3. Un Atlante di interesse nello spazio di Montreal Neurological Institute (MNI), nel formato NIFTI.
      Nota: Un esempio di file di input richiesti è fornito per un soggetto rappresentativo ("S17"), insieme al codice completo della pipeline, presso https://c4science.ch/source/Intersubj_pipeline.git
  2. Scarica l'ultima versione di pubblicamente disponibili Freesurfer software28 (https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall).
  3. Scarica l'ultima versione della barra degli strumenti di mappatura statistica parametrica (SPM) MATLAB pubblicamente disponibile da https://www.fil.ion.ucl.ac.uk/spm/software/spm12/.
  4. Aprire MATLAB (versione 2017a o più recente) e individuare le cartelle appena scaricate "freesurfer" e "spm12". Per ciascuno, fate clic destro su di esso e selezionare il aggiungere al percorso > selezionato le cartelle e le sottocartelle opzione.

4. dati di pre-elaborazione

  1. Nel terminale MATLAB, tipo spm per avviare il menu principale di SPM12 e fare clic sul pulsante di fMRI per accedere alle opzioni di pre-elaborazione dedicata ai dati fMRI. Effettuare le seguenti operazioni separatamente per ogni sessione di fMRI di pre-elaborazione.
    1. Fare clic su riallineare (Est & Res)e nella finestra appena aperta di Batch Editor, fare doppio clic su dati > sessione. Nella finestra di sessione appena aperta, selezionare tutte le immagini funzionali per elaborare. Quindi, fare clic sul pulsante fatto ed in seguito, sull'icona di Esecuzione Batch dalla finestra Batch Editor (triangolo verde). Attendere fino al termine della fase di riallineamento, come indicato nella finestra del terminale di MATLAB.
    2. Fare clic su Coregister (Est & Res)e nella finestra appena aperta di Batch Editor, fare doppio clic sull'immagine di riferimento. Nella finestra appena aperta di immagine di riferimento, selezionare il volume medio funzionale creato nel passaggio seguente, preceduto dal prefisso "media" e fare clic sul pulsante fatto . Quindi, fare doppio clic sull'immagine di originee nella finestra appena aperta immagine sorgente, selezionare l'immagine di T1. Fare clic sul pulsante fatto ed in seguito, sull'icona di Esecuzione Batch dalla finestra Batch Editor (triangolo verde). Attendere fino a quando il passaggio di coregistrazione finiture, come indicato nella finestra del terminale di MATLAB.
      Nota: L'immagine di T1 viene sovrascritto in questo passaggio, affinché quella aggiornata si trova nello stesso spazio come i volumi funzionali.
    3. Fare clic sul segmentoe nella finestra appena aperta di Batch Editor, fare doppio clic su volumi. Nella finestra appena aperta di volumi, selezionare l'immagine di T1 e fare clic sul pulsante fatto . Quindi, nella finestra Batch Editor, fare doppio clic sui Campi di deformazione e selezionare l'opzione inversa . Fare clic sull'icona di Esecuzione Batch (triangolo verde) e attendere il completamento della fase di segmentazione, come indicato nella finestra del terminale di MATLAB.
  2. Digitare JOVE_GUI1 nel terminale MATLAB per aprire la prima finestra di interfaccia utente grafica pre-elaborazione. Attenersi alla seguente procedura per ogni sessione di fMRI analizzare.
    1. Fare clic su invio dati fMRIe selezionare tutti i volumi funzionali realigned creati nel passaggio 4.1.1 (preceduto da "r"). Per i file IMG/HDR, selezionare i volumi sia l'IMG e HDR.
    2. Immettere il TR dei dati (in secondi) nella finestra di testo modificabile dedicato.
    3. Fare clic su immettere T1 dati e selezionare i tre volumi di tipo probabilistico tessuto creati nel passaggio 4.1.3 (precedute dal prefisso "c1", "c2" e "c3").
    4. Fare clic su invio movimento filee selezionare il file di testo contenente i parametri di movimento dalla sessione di interesse, creato nel passaggio 4.1.1 e precedute dal prefisso "rp".
    5. Selezionare il tipo desiderato di pre-elaborazione, vale a dire, se i dati devono essere detrended o non (rispettivamente impostazione pulsante radio dedicato on o off), e quali covariate dovrebbero essere regrediti fuori (selezionando l'opzione appropriata dall'elenco dedicato).
      Nota: Il passo di regressione è ispirato da una funzione che proviene dal DPARSF toolbox29. I segnali della materia bianca e liquido cerebrospinale da singoli soggetti sono media voxel per cui la mappa di rispettivo modello DPARSF probabilistica del tessuto ha mostrato un segnale maggiore di 0,99. Nella nostra analisi, abbiamo detrended i dati e regredito corsi di tempo fluido cerebrospinale/materia bianca tendenze così come costante, lineare e quadratiche.
    6. Pre-elaborare i dati, fare clic su pre-elaborazionee attendere che sul display venga visualizzato nella finestra. I dati possono essere pre-elaborati nuovamente in modo diverso modificando le opzioni, e cliccando nuovamente sul pulsante di pre-elaborazione .
      Nota: La trama di materia grigia è ispirata dalla rappresentazione suggerita dal potere et al.30.
    7. Per salvare l'output per i seguenti passaggi, fare clic sul pulsante Salva . Per cancellare il contenuto della finestra, fare clic sul pulsante Cancella .

Supplementary Figure 1
Complementare figura 1: schermata di esempio dalla prima finestra di interfaccia utente grafica pre-elaborazione. Voxel-saggio corsi di materia grigia voxel seguendo le opzioni selezionate di pre-elaborazione (grafico di destro superiore) e covariate che possono essere utilizzati nella pre-elaborazione di tempo (dall'alto al basso: liquido cerebrospinale/bianco questione tempo medio corsi, movimento traslazionale parametri e parametri di movimento rotatorio. Clicca qui per visualizzare una versione più grande di questa figura.

  1. Digitare JOVE_GUI2 nel terminale MATLAB per aprire la seconda finestra di interfaccia utente grafica pre-elaborazione. Attenersi alla seguente procedura per ogni sessione di fMRI analizzare.
    1. Fare clic su Seleziona datie selezionare il file di dati salvato nel passaggio 4.2.7 (denominato "ISFC_VX.mat").
    2. Fare clic su Seleziona movimentoe selezionare il file di testo contenente i parametri di movimento dalla sessione di interesse, creato nel passaggio 4.1.1 e precedute dal prefisso "rp".
    3. Fare clic su selezionare Atlantee selezionare il file NIFTI che rappresenta l'Atlante da utilizzare per la convessità.
    4. Fare clic su selezionare curvatura inversoe selezionare il file NIFTI che rappresenta il campo di deformazione da MNI allo spazio nativo, creato nel passo 4.1.3 e precedute dal prefisso "iy".
    5. Fare clic su selezionare volume fMRIe selezionare uno dei volumi di dati fMRI.
      Nota: Questo passaggio consente di accedere alle informazioni di intestazione dei dati funzionali, quindi perché l'effettivo volume selezionato non è importante.
    6. Immettere il TR dei dati (in secondi) nella finestra di testo modificabile dedicato.
    7. Immettere le informazioni relative al lavaggio: il tipo di lavaggio per eseguire (cioè, quanti fotogrammi per macchia fuori prima e dopo quelli taggati) nell'elenco "Tipo di sfregatura" e il valore di soglia di spostamento framewise (criterio31) di potenza sopra la quale dovrebbe essere fregato un volume di fMRI nella finestra di testo modificabile "Macchina aspiratrice soglia" (in mm).
      Nota: Interpolazione spline cubica viene eseguito sui punti dati fregati per sostituirli con valori stimati da campioni vicini. Nella nostra analisi, abbiamo rimosso un fotogramma dopo i volumi contrassegnati e utilizzato una soglia di 0,5 mm per lavare.
    8. Immettere la dimensione della finestra scorrevole W da utilizzare per calcoli di sfuggire (Vedi punto 5), in TRs.
      Nota: Questo pezzo di informazioni verrà attivare il filtro dei corsi tempo attraverso una funzione che proviene dal DPARSF toolbox29, a f = 1/W Hz32. Nella nostra analisi, abbiamo usato W = 10 TR come un valore di trade-off per catturare le fluttuazioni dinamiche conservando il numero sufficiente di campioni per stime robuste.
    9. Fare clic sul pulsante stampa per visualizzare i corsi indicativo atlased tempo prima (cima al grafico) e dopo (trama di fondo) il lavaggio e la procedura di filtraggio. Verificare, mediante ispezione visiva, che seguendo la pre-elaborazione selezionato passi, quei segnali di uscita non incorporano componenti artifactual saliente.
    10. Per salvare le uscite per i seguenti passaggi, inserire un salvataggio un nome nella finestra di testo modificabile dedicato e fare clic sul pulsante Salva . Per cancellare il contenuto della finestra, fare clic sul pulsante Cancella .

Supplementary Figure 2
Complementare figura 2: schermata di esempio dalla seconda finestra di interfaccia utente grafica pre-elaborazione. Corsi regionali time seguendo atlasing, prima (cima al grafico) e dopo (trama di fondo) lavaggio e filtraggio secondo alcuni parametri selezionati. Ogni curva raffigura un corso regionale tempo scelto a caso tra tutti quelli disponibili. Clicca qui per visualizzare una versione più grande di questa figura.

5. finestra scorrevole sfuggire i calcoli

  1. Digitare JOVE_GUI3 nel terminale MATLAB per aprire la finestra di interfaccia utente grafica relativi a sfuggire prima. Effettuare le seguenti operazioni separatamente per ogni tipo di segmento di sessione acquisita fMRI (stimolo-correlati segmenti, segmenti di riposo-stato delle sessioni di stimolo e segmenti puramente in stato di riposo).
    1. Fare clic su dati di caricoe selezionare tutti i file di dati appropriati creati attraverso passo 4.3.
    2. Selezionare se i segmenti di sessione selezionata dovrebbero subire la randomizzazione di fase.
      Nota: Fase randomizzazione utilizzabile come opzione alternativa per la generazione di dati null da segnali di stimolo-correlati, se non sono disponibili registrazioni dello stato di riposo.
    3. Immettere il TR dei dati (in secondi) nella finestra di testo modificabile dedicato.
    4. Immettere i parametri di finestra scorrevole da utilizzare per l'analisi in windows dedicato testo modificabile: dimensioni della finestra (in TRs) sopra quali connettività misurazioni devono essere calcolate e dimensione del passo (in TRs) mediante il quale dovrebbe essere spostato windows successivi.
      Nota: Nella nostra analisi, abbiamo usato una dimensione di finestra di 10 m. a e una dimensione di passo di 1 TR.
    5. Modificare la tabella "Tipi di sessione" per specificare che i segmenti caricati sessione sono stati acquisiti alla stessa condizione sperimentale. Utilizzare numeri aumentanti di numero intero da 1 in poi per diversi tipi di tag di segmenti (ad esempio, se lo stimolo è stato visualizzato per la prima o per la seconda volta in una determinata registrazione). Lasciare intatta la tabella se solo un tipo di segmento di sessione è stato acquisito.
      Nota: Una sessione nel presente lavoro può riferirsi a una registrazione di film/riposo-stata combinata (chiamato RUN1 ed eseguire2 in Figura 1A) o ad una registrazione puramente in stato di riposo (eseguire3). Un segmento di sessione si riferisce ad una sotto-parte di una sessione di registrazione, il film è stato visto, o quando i soggetti mentito a riposo. Le informazioni di cui sopra viene utilizzate nei calcoli sfuggire successivamente descritti (vedi passo 5.1.8) per limitare l'influenza confondente sessione diversi tipi di segmento.
    6. Immettere parametri in relazione con l'avvio automatico in windows dedicato testo modificabile: il numero di bootstrap si ripiega per eseguire calcoli di sfuggire e il numero di soggetti che dovrebbero costituire il gruppo di riferimento per ogni riduzione dei calcoli di sfuggire.
      Nota: Nella nostra analisi, abbiamo usato 250 pieghe bootstrap e 6 soggetti nel gruppo di riferimento.
    7. Immettere informazioni specifiche su quali Sub-porzione di corsi di tempo dovrebbe essere analizzati nella sezione parametri di temporizzazione in windows dedicato testo modificabile. Occorre presentare un indice di inizio e un fine indice (TRs). Per analizzare la durata di tutta la registrazione, utilizzare 1 come indice iniziale e il numero di campioni come indice finale.
    8. Fare clic sul pulsante stampa per eseguire calcoli di sfuggire. Visualizza gradualmente vengono aggiornate nel tempo, insieme alla quantità di pieghe bootstrap trascorsi. Per un paio di regione (i, j) e una scorrevole finestra indice τ, sfuggire è calcolato come la media di croce-correlazioni tra sessione segmento s e tutti i segmenti di sessione del gruppo di riferimento, all'interno di una finestra scorrevole di lunghezza W; indicare questo gruppo di riferimento di Ψ, il numero di soggetti da NΨe lasciare che xio[s](t) il corso di tempo della regione i per sessione segmento s al tempo t; una stima di sfuggire è quindi data da:
      Equation 2
      Misurazioni di sfuggire sono computati sopra la quantità specificata di bootstrap pieghe e con il numero selezionato di segmenti di sessione utilizzati come un gruppo di riferimento ad ogni piega (Vedi punto 5.1.6). Se diversi sottotipi di segmento di sessione sono inclusi, una miscela di campioni di sottotipo compone sempre il gruppo di riferimento. L'output finale per ogni segmento di sessione è il medio sfuggire attraverso tutte le pieghe in cui non è stato incluso come una misura di riferimento.
      Nota: Il gruppo di riferimento è l'insieme di segmenti di sessione a cui il tempo funzionale corsi della sessione segmento s sono confrontati in ogni piega del processo di bootstrap. Per i risultati di essere più robusta per i punti dati valore erratico, sfuggire viene calcolata più volte su un gruppo di riferimento diversi (vale a dire un sottoinsieme diverso di segmenti di sessione). D'importanza, il tempo t di acquisizione non corrisponde la finestra indice τ scorrevole, come quest'ultimo viene calcolato su un set di punti dati W e si basa sulle dimensioni di passaggio della finestra per le stime successive. Il processo di bootstrap è stato ispirato da un ex studio di Byrge et al.33.
    9. Per salvare le uscite per i seguenti passaggi, inserire un salvataggio un nome nella finestra di testo modificabile dedicato e fare clic sul pulsante Salva . Per cancellare il contenuto della finestra, fare clic sul pulsante Cancella .

Supplementary Figure 3
Complementare figura 3: schermata di esempio dalla finestra di interfaccia utente grafica relativi a sfuggire prima. (Top trama) Rappresentazione schematica di come spesso considerati ciascuno sessione ha le sue misure di sfuggire calcolate (cioè, non è selezionata all'interno del gruppo di riferimento). (Trama di fondo) Su un argomento indicativo, corsi di sfuggire tempo calcolato per cinquanta connessioni di esempio, selezionate come quelli che esibiscono i più grandi valori sommati assoluti sfuggire attraverso il tempo. Clicca qui per visualizzare una versione più grande di questa figura.

  1. Digitare JOVE_GUI4 nel terminale MATLAB per aprire la seconda finestra di interfaccia utente grafica relativi a sfuggire.
    1. Fare clic su dati di carico sfuggire e selezionare i relativi stimolo sfuggire uscita file creati nel passaggio 5.1.
    2. Fare clic su Carica dati null e selezionare, a seconda della combinazione di generazione di dati null utilizzati, lo sfuggire allo stato di riposo, oppure la fase randomizzati stimolo-correlati sfuggire file di output creato nel passaggio 5.1.
    3. Clicca su codebook carico e selezionare il file del codebook creato al punto 4.3.
    4. Immettere il TR dei dati (in secondi) nella finestra di testo modificabile dedicato.
    5. Inserire i parametri di finestra scorrevole utilizzati nei calcoli di passaggio 5.1 (dimensioni della finestra e le dimensioni di passaggio, in TRs) in windows dedicato testo modificabile.
    6. Inserire (in percentuale) il valore di α in cui i corsi di tempo sfuggire devono essere con soglia per evidenziare cambiamenti significativi nella finestra di testo modificabile dedicato.
      Nota: Qui e altrove, quando si fa riferimento a un valore di α del 2,5%, significa che il significato è raggiunto quando un valore è inferiore il 2,5° percentile, o più grande il 97,5° percentile, il dati nulli. Nella nostra analisi, abbiamo avuto 5.762 punti di dati relativi allo stato di riposo a nostra disposizione e selezionato un valore di α di 10-4. Questo significa che abbiamo voluto 0,01% dei campioni di dati per essere più grande o uguale alla soglia di selezionati oltre che un'escursione di sfuggire sarebbe ritenuta significativa. Per scopi di confronto, il α-livello richiesto dalla correzione di Bonferroni sarebbe 0.05/44.551 = 1.12 x 10-6, e il più severa possibile α-livello attivato con la quantità di dati (n campioni) sarebbe Equation 3 .
    7. Fare clic sul pulsante stampa per eseguire il processo di soglia di sfuggire, in cui sfuggire null disponibili tutte le misure sono aggregate, per una determinata connessione, per costruire una distribuzione null, seguendo quali sfuggire stimolo-correlati sono misure con soglia secondo il valore di α selezionato. Intervalli di tempo in cui un valore di sfuggire stimolo-correlati supera in modo statisticamente significativo la distribuzione null sono contrassegnati come -1 / + 1 per sfuggire significative diminuzioni e aumenti, rispettivamente.
      Nota: Il processo di Sogliatura trae ispirazione dal lavoro allo stato di riposo dinamico FC di Betzel et al.23.
    8. Per visualizzare i modelli spaziali di sfuggire in diversi momenti, trascinare il cursore sotto la trama di escursione di sfuggire.

Supplementary Figure 4
Complementare figura 4: schermata di esempio dalla finestra di interfaccia utente grafica relativi a sfuggire seconda. (Grafico di sinistro superiore) Su un argomento indicativo, corsi di tempo sfuggire calcolato per tre connessioni di esempio, selezionato come quelli che esibiscono la quantità più grande di significative escursioni di sfuggire e visualizzata con soglie di significato computata associato (linee orizzontali). (Grafico di sinistra inferiore) Per le stesse connessioni, corsi di tempo associato escursione media attraverso gli oggetti, con gli intervalli di confidenza 95% a due code visualizzati come misura di errore. (Grafico di destra) Modello sfuggire spaziale (media sfuggire escursioni attraverso gli oggetti) per un punto di tempo selezionato è indicato da una linea nera verticale sul sfuggire ed escursione trame. Positivo sfuggire escursioni sono mostrati in giallo e quelle in rosa negative. Il codice colore e dimensione dei nodi sono proporzionali al loro grado. Clicca qui per visualizzare una versione più grande di questa figura.

Representative Results

Qui, abbiamo preso in considerazione n = 15 soggetti (TD) in genere in via di sviluppo per il quale abbiamo ottenuto il consenso informato scritto. Tutti erano maschi destri (23.42 ± 7,8 anni). Il paradigma scelto era un documentario scientifico audiovisivo per i giovani sui pericoli di esposizione al sole. Esso contiene una grande varietà di stimoli visivi, uditivi e sociale e può essere visto alle https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study.

Abbiamo acquistato due sessioni al soggetto (RUN1 e RUN2) in cui il film valutato è stato visualizzato da 5 a 353 s (5,8 min durata). Un segmento di riposo-stato anche seguito da 386 a 678 s (4,9 min durata). Inoltre, una sessione esclusivamente a riposo-stato (Esegui3) è stata acquisita per ogni soggetto (escluse uno che soffriva di claustrofobia), duraturo per 310 s (5,2 min). Scene di film di esempio e la tempistica dei dati acquisiti sono riassunti nella Figura 1A. D'importanza, il protocollo di acquisizione non era ottimo nel senso quello stato di riposo registrazioni acquisite solo dopo l'esposizione del film potrebbe essere parzialmente danneggiato da effetti di spillover27; Facciamo uso di questi dati nei risultati attuali di avere una soddisfacente quantità di campioni per la soglia statistica, ma questo dovrebbe essere evitato quando possibile.

Abbiamo escluso tutte le sessioni per cui più del 10% dei telai erano fregati, ad una soglia di 0,5 mm e considerato la parcellizzazione da Craddock et al34 (algoritmo di correlazione temporale di due livelli) per generare corsi regionali time, per un totale di 299 regioni differenti del cervello.

SFUGGIRE è stato computato separatamente sulle (1) la visione di film Subpart RUN1 e RUN2, (2) allo stato di riposo sottoparti di RUN1 e RUN2(3) le registrazioni di3 RUN in stato di riposo. Abbiamo usato una lunghezza della finestra W = 10 TR per il principale ha presentato risultati e confrontarli con un valore inferiore di W = 5 TR. passaggio dimensioni sempre rimasto uguale a 1 TR. Bootstrapping è stato eseguito oltre 250 pieghe, tra cui sessione 6 segmenti in ogni gruppo di riferimento.

Figura 1B Visualizza corsi di tempo sfuggire generati al W = 10 m. a e W = 5 TR per tre diverse connessioni rappresentante: connessione 1 coinvolto a sinistra regione parietale inferiore legate all'attesa di oggetti in movimento (MNI Coordinate: 41,9,32)35 e un diritto area opercular frontale legato all'inibizione di risposta (-34,-52,45)36. Questa regione di quest'ultima era anche implicata nelle connessioni 2 e 3, rispettivamente con una zona implicata nella coordinazione sensoriale (54,6,34)37e una è legata al trattamento del significato delle parole (6,62,9)38.

Un confronto attraverso lunghezze finestra rivela che nel W = 5 TR impostazione, temporale varianza nei soggetti è nel complesso più grande in entrambi i casi di visione di film e stato riposo segmento rispetto a W = 10 TR, un fenomeno noto in finestra scorrevole analisi39. Per la connessione 1, indipendentemente dalla lunghezza della finestra, una sottoparte localizzata della registrazione film-watching (a circa 55 s) Mostra una forte, sincronizzato sfuggire aumentare attraverso gli oggetti, che in gran parte supera l'intervallo di valori presi nel caso dello stato di riposo. Quindi, ci aspettiamo catturare questo capitolo temporale come un significativo sfuggire transitoria con il nostro metodo di soglia.

Per la connessione 2, osserviamo la dinamica temporale simile, ma per W = 5 TR, l'aumento diventa meno facile da districare rispetto i corsi di tempo dello stato di riposo, a causa del rumore di metodologia-relative di più grande finestra scorrevole. Per quanto riguarda la connessione 3, riflette un caso in cui non c'è nessuna chiara risposta al film, e così, le fluttuazioni da corsi di tempo di visione di film e dello stato di riposo sono simili. Il risultato atteso in questa fase analitica è un mix tra connessioni che mostrano chiare riconfigurazioni indotta da stimolo e connessioni che non rispondono.

Figure 1
Figura 1: tempi di acquisizione ed esempio sfuggire corsi di time. (A), il film visto dai soggetti coinvolti una vasta gamma di situazioni sociali (immagini di esempio 1 e 4), spiegazioni scientifiche con pannelli colorati (immagini di esempio 2 e 5) e paesaggio paesaggi (immagine di esempio 3). Tre sessioni sono state acquisite per soggetto: due (eseguire1 ed eseguire2) inclusa la stimolazione di film (da 5 a 353 s, evidenziato in verde) seguita da un periodo di riposo-stato (da 386 a 678 s, evidenziati in giallo), mentre uno (Esegui3) esclusivamente consisteva in una registrazione dello stato di riposo (durata 310 s, visualizzato in arancione). (B) per le tre connessioni indicative (C1, C2 e C3, rispettivamente scuro verde/rosso, verde/arancione chiaro e tracce di turchese/giallo), evoluzione di sfuggire nel tempo durante la visione di film (colori freddi) o stato di riposo (colori caldi). Per W = 10 TR (pannello sinistro), visione di film sfuggire cambia più in gran parte basamento fuori rispetto a W = 5 TR (pannello di destra). Ogni traccia riflette il corso di tempo sfuggire di una sessione. Questa figura è stato parzialmente modificata da Bolton et al.25. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 2A Visualizza i risultati che seguono la soglia statistica dei corsi tempo sfuggire, per gli stessi tre collegamenti come sopra. Un valore di corso di tempo pari a 1 indica che tutti gli oggetti hanno subito lo stesso aumento di sfuggire al tempo stesso punto; un valore 0 indica che nessun soggetto ha subito un cambiamento significativo di sfuggire; un valore di -1 rappresenta una diminuzione di sfuggire sincrona attraverso tutti gli oggetti. Come prima, contrapponiamo W = 5 m. a e W = 10 TR e abbiamo anche evidenziare due casi di α-valore: α = 0,01% e α = 5%.

Raccordo con le osservazioni di cui sopra, una lunghezza della finestra inferiore riduce la quantità di cambiamenti significativi estratti di sfuggire. Per la connessione 1, entrambi W = 5 m. a e W = 10 TR, tuttavia, estrarre il particolare momento stesso (t = 55 s) come mostrando un forte aumento di sfuggire. Prendere un delay emodinamica di approssimativamente 5 s conto, ciò corrisponde a una sottoparte del film quando linee colorate stavano estendendo verso una bambola e bruscamente interrotta proprio di fronte (46-49 s.), con il ruolo delle regioni coinvolte in oggetto in movimento attesa e risposta inibizione35,36.

Quando si aumenta α da 0,01% a 5%, si può osservare una specificità molto più bassa dei rilevati transitori sfuggire, probabilmente a molti falsi positivi ed expectedly risultati Sincronia temporale molto meno.

Come un'altra prospettiva che può essere impostata sui dati, Figura 2B Mostra le mappe spaziali del intero-cervello di cambiamenti significativi di sfuggire al t = 55 s. Si vede che la risposta alla scena di un film si estende ben oltre le connessioni di esempio descritte qui.

Figure 2
Figura 2: istantanee temporale e spaziale dei modelli sfuggire. (A), sfuggire corsi di tempo transitorio, una media tra i soggetti, per le tre connessioni indicative (C1, C2 e C3, rispettivamente scure verde chiaro, verde e turchese tracce). La scena di un film che ha guidato i cambiamenti di sfuggire è evidenziata in grigio chiaro e raffigurata da immagini di esempio. Per W = 10 TR (colonna di sinistra di trame), sfuggire le modifiche vengono rilevate più fortemente che per W = 5 TR (colonna di destra di trame). Per α = 0.01% (riga superiore delle trame), specificità ai film localizzata segnali è più grande per α = 5% (riga inferiore delle trame). Ogni traccia riflette il corso di tempo transitorio sfuggire una seduta, e gli intervalli di confidenza di 95% a due code vengono visualizzati come misura di errore. (B) per W = 10 TR e α = 0.01%, c'è un modello spaziale ordinato, con restrizioni di transienti di sfuggire alle t = 55 s (picco sfuggire transitorio valore per C1); per W = 5 m. a e α = 5%, connessioni che subisce un cambiamento significativo di sfuggire in questo momento sono molto più numerose. Si noti che non ci assumiamo un ritardo emodinamico di circa 5 s nella temporalità descritta (cioè, un valore di 55 s qui riguarda lo stimolo di film a 50 s). Questa figura è stato parzialmente modificata da Bolton et al.25. Clicca qui per visualizzare una versione più grande di questa figura.

Discussion

Un set di dati di soggetti sani, abbiamo dimostrato come sincroni Croce-soggetto aumenti e diminuzioni nel FC, i transitori di sfuggire, sarebbero partita temporaneamente localizzata film spunti, fornendo informazioni che va di là di una descrizione statica. Anche se l'uso di croce-soggetto correlazione misure consente di focalizzare l'analisi basate su stimolo funzionale riconfigurazioni, bisogna anche essere consapevole che limita i risultati per gli effetti che sono condivise tra la popolazione studiata: quindi, a basso livello elaborazione sensitiva dovrebbe essere sovrarappresentate rispetto alla lavorazione frontale40. Per superare questa limitazione, nuovi metodi che hanno anche la capacità di estrarre le regioni che più fortemente variano attraverso gli oggetti sono stati sviluppati41.

Un'altra limitazione dalla metodologia introdotta nasce dall'aspetto di finestra scorrevole, risoluzione temporale dei corsi di tempo transitorio sfuggire viene abbassato rispetto agli approcci frame-wise15. Come abbiamo mostrato, è necessario un compromesso tra una lunghezza della finestra sufficientemente basso per risolvere correttamente dinamiche riconfigurazioni di sfuggire, e una dimensione sufficientemente grande per ottenere robusto stima. Due passaggi critici nel nostro quadro garantiscono che i transienti di sfuggire estratti rispecchino veramente cambiamenti nella connettività: primo, il filtro passa-alto dei corsi regionali time con l'inverso della finestra lunghezza32; in secondo luogo, l'utilizzo dei dati di sfuggire allo stato di riposo per la generazione di una distribuzione null pertinente, con parametri di acquisizione identici rispetto ai dati dello stimolo-correlati. Naturalmente, quest'ultimo richiede anche un tempo di acquisizione globale più lungo, affinché i dati relativi allo stato di riposo possono essere raccolti in cima a sessioni di stimolo-correlati. Come un approccio alternativo per evitare l'ulteriori registrazioni dello stato di riposo, vi offriamo anche la possibilità di generare dati randomizzati di fase direttamente dai corsi tempo stimolo-correlati, un approccio spesso utilizzato nelle analisi di connettività funzionale dinamico 23 , 24. ulteriore valutazione su un sottoinsieme delle sessioni ha rivelato che, sebbene il metodo null dello stato di riposo è più conservatore, e quindi meno soggetto a falsi positivi, i modelli globali di rilevazione escursione sfuggire erano simili in entrambi gli schemi (Vedi Complementare figura 5).

Supplementary Figure 5
Complementare figura 5: escursioni di rilevamento di sfuggire attraverso metodi di generazione di dati null. Per riposo-stato (trame di colonna a sinistra, blu) o metodi di generazione dati null di fase randomizzazione (trame colonna destra, rosso), percentuale di escursioni sfuggire estratte attraverso connessioni. Le trame di fondo sono un inserto sulle connessioni provenienti da regioni del cervello considerato primi tre. Errore rappresenta la deviazione standard tra i soggetti. Clicca qui per visualizzare una versione più grande di questa figura.

La durata delle acquisizioni dello stato di riposo si riferisce in realtà un parametro critico delle analisi: il valore di α. Come esemplificato sopra, una scelta troppo indulgente porterà ad una grande quantità di falsi positivi nei rilevati transitori di sfuggire. Più grande la quantità di dati disponibili allo stato di riposo, i più alti tasso di realizzabile falso positivo, perché soglia può essere basata su valori più estremi dalla distribuzione null. A titolo indicativo, per n = 299 Atlante regioni come qui e dato il nostro bottino di 5.762 punti di dati relativi allo stato di riposo, nel migliore dei casi potremmo raggiungere un valore di α vicino 0,01% (Vedi punto 5.2.6 per particolari matematici).

Un altro punto chiave relative a qualsiasi analisi di fMRI si trova nella rigorosa rimozione di artefatti possibili dovute al movimento dai dati analizzati30,42. In particolare, se si vuole applicare la pipeline introdotta alle popolazioni malate che esibiscono contrassegnato movimento nello scanner, è consigliabile che in cima incluse variabili di movimento come covariate nelle analisi statistiche eseguite, pre-elaborazione aggiuntiva passi eseguiti, ad esempio wavelet denoising43 o44di ICA-AROMA. Gruppo di confronto, per esempio per confrontare transitori di sfuggire tra un sano e un gruppo di malati, può essere eseguita facilmente eseguendo l'approccio descritto in parallelo su entrambi i gruppi di interesse (Vedi Bolton et al.25 per un esempio su una popolazione diagnosticato con disturbi dello spettro autistico). Tuttavia, una differenza fra i gruppi possa quindi sorgere in due impostazioni distinte: (1) un assente sfuggire cambiare in un gruppo, o (2) un'evoluzione più eterogenea in quel gruppo. Per districare questi due fattori, la pipeline deve essere eseguita una volta di più per il gruppo di malati, utilizzando il soggetto sano impostato come gruppo di riferimento nella fase di avvio automatico. Primo caso comporterebbe ancora una risposta assente, considerando che quest'ultimo non sarebbe.

In cima a quello che abbiamo descritto qui, la metodologia introdotta apre anche promettente futuri viali: da una parte analitica, mappe transitorie sfuggire potrebbero essere visto come grafici di cervello da quali metriche quantificare cervello connettività potrebbe essere derivata45, o gli stati dinamici sfuggire potrebbero essere estratta attraverso approcci di clustering e valutati in termini di loro caratteristiche spaziali e temporali17,46. Inoltre, si potrebbe anche prevedere l'uso di strumenti di misura di connettività più sofisticati rispetto a coefficiente di correlazione di Pearson per rivelare i lati più sottili del FC47,48.

Dal lato sperimentale, l'applicazione della nostra pipeline a un insieme più esteso di paradigmi è una promettente prospettiva: ad esempio, invece di un film come studiato qui, si potrebbe prevedere per utilizzare un pezzo di musica49 o una storia narrativa13, 50 come stimolo tempo-bloccata. In alternativa, si potrebbe anche essere previsto, attraverso hyperscanning51, per sondare la comunicazione sociale naturalistico52,53.

Disclosures

Gli autori non hanno nulla a rivelare.

Acknowledgments

Questo lavoro è stato in parte sostenuto da ciascuno dei seguenti: Swiss National Science Foundation (concessione numero 205321_163376 per DVDV), la Fondazione Bertarelli (per TB e DVDV), il centro per Imaging biomedico (CIBM) e l'Agenzia nazionale per la ricerca ( tempofront concedere numero 04701 ALG). Gli autori vorrei ringraziare Roberto Martuzzi e Giulia Preti per il loro contributo al contenuto dei video di questo lavoro come, rispettivamente, l'operatore di MRI e scansionati volontari.

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

Neuroscienze problema 145 risonanza magnetica funzionale analisi basate su attività connettività funzionale dinamico inter-soggetto correlazione funzionale analisi di finestra scorrevole soglia paradigma di visione di film
Connettività funzionale inter-soggetto dinamico rivela ad ogni istante cervello configurazioni di rete guidate da continuo o paradigmi di comunicazione
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