Waiting
Login processing...

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

Neuroscience

Dynamisk Inter underlagt funktionelle Connectivity afslører øjeblik til øjeblik hjernen netværkskonfigurationer drevet af kontinuerlig eller kommunikation paradigmer

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

Målet med den beskrevne fremgangsmåde er at fastslå, på hvilke tidspunkter af paradigme (tidsmæssige perspektiv), og mellem hvilke regioner (rumlig perspektiv), betydelig rekonfigurationer i funktionelle forbindelse forekomme på funktionel magnetisk resonans skanning optagelser i løbet som en tid-låst stimulus spilles.

Abstract

Opgave-baseret funktionel magnetisk resonans skanning bærer store muligheder for at forstå hvordan vores hjernen reagerer på forskellige former for stimulation; men dette opnås ofte uden at overveje det dynamiske aspekt af funktionel behandling, og analytiske udgange udgør typisk flettede påvirkninger af opgave-drevet effekter og underliggende spontan udsvingene i hjerneaktiviteten. Her introducerer vi en roman metodologiske rørledning, der kan gå ud over disse begrænsninger: brugen af en glidende vindue analytiske ordningen tillader sporing af funktionelle ændringer over tid, og gennem cross-emne correlational målinger, kan tilgangen isolere rent stimulus-relaterede effekter. Takket være en streng tærskel proces, kan betydelige ændringer i Inter underlagt funktionelle sammenhæng ekstraheret og analyseret.

På en række raske forsøgspersoner, der undergik naturalistiske audio-visuelle stimulation, viser vi nytten af tilgangen ved at binde de unraveled funktionelle rekonfigurationer til særlige stikord af filmen. Vi viser hvordan, gennem vores metode, man kan fange enten en tidsmæssige profil af hjerneaktivitet (udvikling af en given forbindelse), eller fokusere på en rumlig snapshot på et afgørende tidspunkt. Vi leverer et offentligt tilgængelige version af hele rørledningen og beskrive dets anvendelse og dets vigtige parametres trin for trin.

Introduction

Funktionel magnetisk resonans imaging (fMRI) er blevet værktøj af valg til ikke-invasivt overvåge ændringer i hjerneaktivitet som følge af eksterne stimulation. Mere specifikt, er levende interesse opstået om forståelse af statistiske indbyrdes afhængighed mellem regionale aktivisering gang kurser, kendt som funktionelle connectivity (FC)1 og typisk beregnet som Pearsons korrelation koefficient. Funktionel interplays på tværs af hjernen har udstrakt grad vist sig at omkonfigurere som en funktion af de underliggende opgave2,3,4.

To analytiske retninger har separat fulgt for at gå ud over denne indledende karakterisering: på den ene side den respons induceret i en given hjernen regionen af en tid-låst stimulus blev observeret at kraftigt korrelerer på tværs af forskellige emner5 . Kvantificering af denne indbyrdes underkaste korrelation (ISC) viste potentiale til at forfine vor forståelse af kognition6,7,8,9 og hjernen lidelser10,11 . Yderligere, denne cross-emne correlational tilgang blev også udvidet til vurdering af tværregional synkronicitet12, i hvad der blev kendt som Inter underlagt funktionelle sammenhæng (ISFC) fremgangsmåde13.

På den anden side den dynamiske smag af FC rekonfigurationer begyndte at modtage øgede opmærksomhed (Se Hutchison et al.14, Preti, Bolton og Van De Ville15, Gonzales-Castillo og Bandettini16 for de seneste anmeldelser på den hvile-tilstand og den task-baserede sider af dette spørgsmål). Især kan hele-hjerne FC ændringer over tid spores gennem fortløbende korrelation målinger over en gradvist flyttet tidsmæssige underordnede vindue17,18, afslørende yderligere indsigt i forbindelse med adfærdsmæssige opgaver 19,20.

Vi præsenterer her, en metodisk ramme, der kombinerer de to muligheder. Faktisk, beregner vi ISFC i glidende vindue mode til at spore udviklingen af tværregional synkronicitet mellem de emner, der er udsat for en tid-låst, naturalistiske paradigme. Gennem cross-emne aspekt af metoden, er analyser fokuseret på stimulus-drevet effekter, mens spontan fMRI ændringer (som er på tværs af fag) er kraftigt dæmpede. Dette er vigtigt fordi hvilende tilstand og opgave-fremkaldte aktivitet mønstre er i stigende grad forstået at være præget af forskellige egenskaber21,22.

Med hensyn til den dynamiske del af metoden giver det en mere fuldstændig og nøjagtig Karakteristik af opgave stimuli, især når sondering en naturalistisk paradigme, hvor en forskelligartet række stikord (auditiv, visuel, social, etc.) er kombineret med tiden. Yderligere, da den lyd statistisk vurdering af store dynamiske udsving har været livligt diskuteret23,24, vores tilgang tager særlig pleje af dette aspekt af analyser ved at isolere betydelige ISFC ændringer gennem sammenligning med passende null data.

Vi illustrere metode på et sæt af raske forsøgspersoner udsat for et audiovisuelt film stimulus, som vi viser, at den tidsmæssige og rumlige ISFC ændre profiler som følge af lokaliserede filmen sub intervaller kan udvindes præcist. Herved kan beskrive vi også indflydelsen af de vigtigste analytiske parametre kan vælges af brugeren. De præsenterede resultater er baseret på en del af tidligere offentliggjorte data25,26.

Protocol

Følgende protokol er blevet godkendt af det lokale etiske udvalg (Biomedicinsk Inserm 365 protokol C08-39).

1. før imaging

  1. Tilmelde en undersøgelse population af emner, at få skriftligt, informeret samtykke til dem alle. Søge godkendelse fra det lokale etiske udvalg.
  2. Vælg et paradigme til at undersøge, der kan anvendes på alle emner i tid-låst måde.
    Bemærk: Her brugte vi et audiovisuelt videnskabelige dokumentar for unge (https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study).

2. billedbehandling

  1. For hvert emne til at overveje i analyserne, udføre mindst én funktionel billeddannelse session som scannede volontøren er udsat for den tid-låst paradigme af interesse.
    1. Brug en 3 Tesla MR scanner til at erhverve tværgående skiver gennem en echoplanar imaging sekvens.
    2. Ansætte de følgende imaging parametre: voxel størrelse = 3 mm x 3 mm x 3 mm, gentagelse tid (TR) = 2 s, echo tid = 50 ms, synsfelt = 192, 40 skiver.
      Bemærk: Hurtigere TR værdier fremmes inden for rammerne af feasibility. Protokollen kan også anvendes med en mere begrænset synsfelt (f.eks. for analyserne er begrænset til en bestemt hjerne sub-struktur), som giver en bedre tidsmæssige opløsning (lavere TR), eller et rumligt mere præcis analyse.
    3. Forlade et par sekunder af optagelsen (≥ 2 TR) før og efter præsentation af stimulus.
  2. Udføre mindst én separat funktionel billeddannelse session, hvor de scannede frivillige ligger i hvile i scanneren, øjnene lukkede og instrueret om ikke for at falde i søvn.
    Bemærk: Separat stimulus-relaterede og hvile-statslige opkøb forhindre ellers muligt interplays mellem betingelserne (f.eks., at have set filmen på forhånd kan efterlade varige spor til en efterfølgende erhvervede hvilende tilstand optagelse)27. Hvis det ikke ønskes at gå gennem ovennævnte yderligere hvilende tilstand erhvervelse, et alternativ (omend mere tilbøjelige til afsløring af falske positiver; Se diskussion) beregningsmæssige indstilling i støbeskeen erstatter denne data af surrogat tid kurser beregnet fra paradigme-relaterede signaler (Se trin 5.1.2).
  3. Udføre strukturel billeddannelse.
    1. Brug en 3 Tesla MR scanner og en T1-vægtet magnetisering forberedt hurtige erhvervelse gradient ekko sekvens.
    2. Ansætte de følgende imaging parametre: voxel størrelse = 1 mm x 1 mm x 1 mm, synsfelt = 256, 176 skiver.

3. data og Software forberedelse

  1. For hver session for at analysere, sikre eksistensen af de følgende filer:
    1. Et sæt af funktionel MRI diskenheder, nuværende som separate 3D NIFTI eller HDR/IMG filer, med en ensartet nummerering (f.eks., "fMRI_0001", "fMRI_0002", osv.).
    2. En T1 strukturelle Mr billede, i NIFTI eller HDR/IMG format.
    3. En atlas af interesse i Montreal neurologiske Institute (MNI) plads, i NIFTI format.
      Bemærk: Et eksempel på nødvendige input filer er fastsat for et repræsentativt emne ("S17"), sammen med fuld pipeline-kode på https://c4science.ch/source/Intersubj_pipeline.git
  2. Download den nyeste version af den offentligt tilgængelige Freesurfer software28 (https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall).
  3. Download den nyeste version af den offentligt tilgængelige statistiske parametrisk kortlægning (SPM) MATLAB værktøjskasse fra https://www.fil.ion.ucl.ac.uk/spm/software/spm12/.
  4. Åbne MATLAB (version 2017a eller nyere) og finde den nyligt hentede "freesurfer" og "spm12" omslag. For hver, højreklikke på det og vælge den tilføje til sti > udvalgte mapper og undermapper indstilling.

4. data forbehandling

  1. I MATLAB terminal helliget type spm at lancere SPM12 hovedmenuen, og klik på knappen fMRI til adgang til forbehandling muligheder fMRI data. Udfør følgende trin særskilt for hver fMRI session at forbehandle.
    1. Klik på justere (Est & Res), og i det nyligt åbne Batch Editor vindue, skal du dobbeltklikke på Data > Session. Det nyligt åbne Session vindue, Vælg alle funktionelle billeder til at behandle. Klik på knappen færdig , og bagefter på ikonet Køre kørslen fra vinduet Batch Editor (grøn trekant). Vent, indtil kursjustering trin afsluttes, som angivet i MATLAB terminal-vinduet.
    2. Klik på Coregister (Est & Res), og i det nyligt åbne Batch Editor vindue, skal du dobbeltklikke på referenceafbildning. I vinduet nyligt åbne referenceafbildning, Vælg den funktionelle gennemsnitsmængde, der er oprettet i de følgende trin, præfikset "betyder", og klik på knappen færdig . Derefter dobbeltklikke på kildebilledet, og i vinduet nyligt åbne kildebilledet, skal du vælge T1 billede. Klik på knappen færdig , og bagefter på ikonet Køre kørslen fra vinduet Batch Editor (grøn trekant). Vente, indtil coregistration skridt er færdig, som angivet i MATLAB terminal-vinduet.
      Bemærk: T1 billedet er overskrevet på dette trin, således at den opdaterede én ligger i det samme rum som de funktionelle mængder.
    3. Klik på målgruppe, og i det nyligt åbne Batch Editor vindue, skal du dobbeltklikke på diskenheder. I det nyligt åbne mængder vindue, Vælg T1 billedet og klik på knappen færdig . Derefter, i Batch Editor-vinduet, dobbeltklik på Deformation felter og vælge indstillingen Inverse . Klik på ikonet Kør Batch (grøn trekant), og vente, indtil segmentering trin afsluttes, som angivet i MATLAB terminal-vinduet.
  2. Skriv JOVE_GUI1 i MATLAB terminal til at åbne det første forbehandling anskuelighed brugergrænseflade vinduet. Udfør følgende trin for hver fMRI session til at analysere.
    1. Klik på Enter fMRI data, og vælg alle omlagt funktionelle diskenheder oprettet i trin 4.1.1 (præfiks med "r"). IMG/HDR filer, Vælg både IMG og HDR diskenheder.
    2. Angiv TR af data (i sekunder) i vinduet dedikeret redigerbar tekst.
    3. Klik på Angiv T1 data og vælge de tre probabilistiske væv type diskenheder oprettet i trin 4.1.3 (præfiks med "c1", "c2" og "c3").
    4. Klik på Enter bevægelse fil, og vælg den tekstfil, der indeholder bevægelse parametre fra session af interesse, har oprettet i trin 4.1.1 og præfikset "rp".
    5. Vælg den ønskede type af forbehandling, det vil sige, om dataene skal være detrended eller ej (henholdsvis oprettelse radioknappen dedikeret tændt eller slukket), og hvad kovariater bør være svandt ud (ved at vælge indstillingen på listen dedikeret).
      Bemærk: Trinnet regression er inspireret fra en funktion med oprindelse fra DPARSF værktøjskasse29. De hvide substans og cerebrospinalvæske signaler fra enkelte fag er gennemsnit over voxels som respektive skabelon DPARSF probabilistiske væv kort viste et signal større end 0,99. I vores analyser, vi detrended data, og svandt ud hvide substans/cerebrospinal fluid tid kurser såvel som konstant, lineære og kvadratiske tendenser.
    6. At forbehandle dataene, skal du klikke på Forbehandl, og vente på displayet vises i vinduet. Dataene kan re preprocessed anderledes ved at ændre indstillingerne og klikke igen på knappen Forbehandl .
      Bemærk: Grå materie plot er inspireret fra repræsentation foreslået af Power et al.30.
    7. Klik på knappen Gem for at gemme output for følgende trin. Hvis du vil rydde indholdet af vinduet, skal du klikke på knappen Ryd .

Supplementary Figure 1
Tillægs figur 1: eksempel screenshot fra første forbehandling anskuelighed brugergrænseflade vinduet. Voxel-wise tid kurser af grå materie voxels efter den valgte forbehandling muligheder (øverste højre plot), og kovariater, der kan bruges i forbehandlingen (fra top til bund: cerebrospinalvæske/hvid sag gennemsnitstid kurser, translationel motion parametre, og roterende bevægelse parametre. Venligst klik her for at se en større version af dette tal.

  1. Skriv JOVE_GUI2 i MATLAB terminal til at åbne det anden forbehandling anskuelighed brugergrænseflade vinduet. Udfør følgende trin for hver fMRI session til at analysere.
    1. Klik på Vælg data, og vælg den datafil, der er gemt i trin 4.2.7 (navngivet "ISFC_VX.mat").
    2. Klik på Vælg bevægelse, og marker den tekstfil, der indeholder bevægelse parametre fra session af interesse, har oprettet i trin 4.1.1 og præfikset "rp".
    3. Klik på Vælg atlas, og vælg filen NIFTI, der repræsenterer atlas til brug for udstykninger.
    4. Klik på Vælg inverse warp, og vælg den NIFTI fil repræsenterer feltet deformation fra MNI til native plads, oprettet i trin 4.1.3 og præfikset "iy".
    5. Klik på Vælg fMRI volumen, og marker en fMRI data bind.
      Bemærk: Dette trin giver mulighed for adgang til header information af den funktionelle data, dermed hvorfor de faktiske valgte diskenhed ikke er vigtigt.
    6. Angiv TR af data (i sekunder) i vinduet dedikeret redigerbar tekst.
    7. Angiv skrubbe-relaterede oplysninger: type af skrubbe for at udføre (dvs., hvor mange frames for at skrubbe ud før og efter de mærkede dem) i listen "Skrubbe type", og framewise forskydning tærskelværdi (Powers kriterium31) hvorover en fMRI volumen skal være skrubbes i vinduet "Skrubben tærskel" redigerbar tekst (i mm).
      Bemærk: Cubic spline interpolation er udført på de skrubbede datapunkter at erstatte dem med anslåede værdier fra tilstødende prøver. I vores analyser, vi skrubbes en ramme efter de tagged diskenheder, og brugte en 0,5 mm tærskel for skrubbe.
    8. Angiv størrelsen af glidende vindue W til at bruge til ISFC beregninger (Se trin 5), i TRs.
      Bemærk: Dette stykke af oplysninger vil aktivere filtrering af tidsforløbet gennem en funktion med oprindelse fra DPARSF værktøjskasse29, ved f = 1/W Hz32. I vores analyser, vi brugte W = 10 TR som et trade-off værdi at fange dynamiske svingninger samtidig bevare nok prøver for robust skøn.
    9. Klik på knappen Plot at vise vejledende atlased tidsforløb før (top plot) og efter (nederst plot) skrubbe og filtrering trin. Kontrollere, ved visuel inspektion, der efter den valgte forbehandling trin, disse output signaler ikke indarbejde iøjnefaldende kunstig komponenter.
    10. For at gemme output til følgende trin, Angiv en Gem navn i vinduet dedikeret redigerbar tekst, og klik på knappen Gem . Hvis du vil rydde indholdet af vinduet, skal du klikke på knappen Ryd .

Supplementary Figure 2
Tillægs figur 2: eksempel screenshot fra anden forbehandling anskuelighed brugergrænseflade vinduet. Regionale tid kurser efter atlasing, før (top plot) og efter (nederst plot) skrubbe og filtrering i henhold til udvalgte parametre. Hver kurve skildrer en regional tidsforløb tilfældigt udvalgt blandt alle de tilgængelige dem. Venligst klik her for at se en større version af dette tal.

5. glidende vindue ISFC beregninger

  1. Skriv JOVE_GUI3 i MATLAB terminal til at åbne vinduet første ISFC-relaterede anskuelighed brugergrænseflade. Udfør følgende trin særskilt for hver type af erhvervede fMRI session segment (stimulus-relaterede segmenter, hvilende tilstand segmenter af stimulus-relaterede sessioner og rent hvilende tilstand segmenter).
    1. Klik på Indlæs data, og vælg alle de relevante datafiler oprettet gennem skridt 4.3.
    2. Vælg, om de valgte session segmenter skal gennemgå fase randomisering.
      Bemærk: Fase randomisering kan bruges som en alternativ mulighed for generation af null data fra stimulus-relaterede signaler, hvis ingen hvile-state optagelser er tilgængelige.
    3. Angiv TR af data (i sekunder) i vinduet dedikeret redigerbar tekst.
    4. Angiv glidende vindue parametre til brug for analyse i vinduerne dedikeret redigerbar tekst: vinduesstørrelse (i TRs) over hvilke tilslutningsmuligheder målinger skal beregnes, og trin størrelse (i TRs) som successive windows bør flyttes.
      Bemærk: I vores analyser, vi brugte en vinduesstørrelse 10 TR og et skridt nummer 1 TR.
    5. Ændre tabellen "Session typer" for at angive, hvilke af de indlæste session segmenter var erhvervet på den samme eksperimentelle betingelse. Bruge stigende heltal fra 1 og fremefter til tag forskellige typer af segmenter (fx, hvis stimulus var vises for først eller anden gang i en given optagelse). Forlade bordet urørt, hvis kun én type af session segment blev erhvervet.
      Bemærk: En session i den nuværende arbejde kan henvise til en kombineret film/hvile-tilstand optagelse (betegnes RUN1 og køre2 i figur 1A), eller til en rent hvilende tilstand optagelse (køre3). En session segment refererer til en sub del af en session optagelse, enten når filmen blev set, eller når emnerne, der løj i hvile. Ovennævnte oplysninger bruges i de efterfølgende beskrives ISFC beregninger (Se trin 5.1.8) til at begrænse den forstyrrende indflydelse af forskellige session segment typer.
    6. Angiv bootstrapping-relaterede parametre i vinduerne dedikeret redigerbar tekst: antallet af bootstrapping folder over til at udføre ISFC beregninger, og antallet af emner, der bør udgør referencegruppen for hver fold af ISFC beregninger.
      Bemærk: I vores analyser brugte vi 250 bootstrapping folder og 6 fag i referencegruppen.
    7. Angiv specifikationer om, hvilke sub del af tid kurser skal analyseres i vinduerne dedikeret redigerbar tekst i sektionen Timing parametre . Der kan ydes en start indeks og en ende indeks (i TRs). For at analysere hele båndoptagelsens varighed, bruge 1 som start indeks og antallet af prøver, som ende indeks.
    8. Klik på knappen Plot til at udføre ISFC beregninger. Viser opdateres gradvist over tid, samt det forløbne bootstrapping folder. For en region par (i, j) og en glidende vindue indeks τ, er ISFC beregnet som gennemsnittet af cross-korrelationer mellem session segment s og alle session segmenter fra referencegruppen, inden for en glidende vindue af længde W; betegne denne referencegruppe af Ψ, dens antal emner af NΨog lad xi[s](t) tid løbet af regionen for session segment s til tidspunktet t; et ISFC skøn er så givet ved:
      Equation 2
      ISFC målinger beregnes over det angivne antal bootstrapping folder, og med det valgte antal session segmenter, der anvendes som en referencegruppe på hver fold (Se trin 5.1.6). Hvis flere session segment undertyper er inkluderet, komponerer en blanding af subtype prøver altid referencegruppen. Det endelige output for hver session segment er den gennemsnitlige ISFC på tværs af alle folder, hvor det ikke var inkluderet som en reference måling.
      Bemærk: Referencegruppen er sæt af session segmenter som den funktionelle tid kurser af session segment s sammenlignes på hver fold af bootstrapping processen. Resultater til at være mere robust til outlier datapunkter, ISFC beregnes flere gange på en anderledes referencegruppe (det vil sige, et andet undersæt af session segmenter). Vigtigere, erhvervelse tid t svarer ikke til den glidende vinduet indeks τ, som sidstnævnte er beregnet over en række W datapunkter, og afhængig af trin vinduesstørrelsen for successive skøn. Bootstrapping processen var inspireret fra en tidligere undersøgelse af Byrge et al.33.
    9. For at gemme output til følgende trin, Angiv en Gem navn i vinduet dedikeret redigerbar tekst, og klik på knappen Gem . Hvis du vil rydde indholdet af vinduet, skal du klikke på knappen Ryd .

Supplementary Figure 3
Supplerende figur 3: eksempel screenshot fra vinduet første ISFC-relaterede anskuelighed brugergrænseflade. (Top plot) Skematisk fremstilling af hvordan ofte betragtes hver session har sin ISFC målinger beregnet (dvs. er ikke markeret i referencegruppen). (Bunden plot) Om en vejledende emne, ISFC tid kurser beregnet for halvtreds eksempel forbindelser, valgt som dem, der udviser de største summeres absolutte ISFC værdier over tid. Venligst klik her for at se en større version af dette tal.

  1. Skriv JOVE_GUI4 i MATLAB terminal til at åbne vinduet anden ISFC-relaterede anskuelighed brugergrænseflade.
    1. Klik på Indlæs ISFC data og vælge den stimulus-relaterede ISFC output fil(er) skabt taktfast 5.1.
    2. Klik på indlæse null-data , og vælg, alt efter den anvendte null data generation ordning hvilende tilstand ISFC, eller fasen randomiseret stimulus-relaterede ISFC output fil(er) skabt taktfast 5.1.
    3. Klik på Indlæs Hawari og vælg filen Hawari skabt taktfast 4.3.
    4. Angiv TR af data (i sekunder) i vinduet dedikeret redigerbar tekst.
    5. Angiv parametrene glidende vindue bruges i beregninger af trin 5.1 (vinduesstørrelse og skridt nummer, i TRs) i vinduerne dedikeret redigerbar tekst.
    6. Angiv (i procent) af α-værdi som ISFC tid kurser skal thresholded at fremhæve væsentlige ændringer i vinduet dedikeret redigerbar tekst.
      Bemærk: Her og andetsteds, når der henvises til en α-værdi på 2,5%, betyder det, at betydningen er opnået, når en værdi er lavere end den 2,5th fraktil, eller større end den 97.5th fraktil, for null-data. I vores analyser, vi havde 5,762 hvilende tilstand datapunkter til vores rådighed, og valgt en α-værdi på 10-4. Det betyder, at vi ønskede 0,01% af data prøver at være større eller lig med de valgte tærskler forbi som en ISFC udflugt ville anses for væsentlige. Til sammenligningsformål, α-niveau krævet af Bonferroni korrektion ville være 0,05/44,551 = 1.12 x 10-6, og det strengeste mulige α-niveau aktiveret med vores mængden af data (n prøver) ville være Equation 3 .
    7. Klik på knappen Plot til at udføre ISFC tærskel proces, i hvilken alle tilgængelige null ISFC aggregeres målinger for en given forbindelse, at konstruere en null distribution, efter hvilken stimulus-relaterede ISFC målinger er thresholded ifølge den valgte α-værdi. Tidspunkter hvor en stimulus-relaterede ISFC værdi statistisk væsentligt overskrider den null fordeling er markeret som -1 / + 1 for betydelige ISFC falder og stiger, henholdsvis.
      Bemærk: Tærskel processen trækker inspiration fra hvilende tilstand dynamisk FC arbejde af Betzel et al.23.
    8. Træk skyderen under ISFC udflugt plot for at visualisere ISFC rumlige mønstre på forskellige tidspunkter.

Supplementary Figure 4
Supplerende figur 4: eksempel screenshot fra vinduet anden ISFC-relaterede anskuelighed brugergrænseflade. (Top venstre plot) Om en vejledende emne, ISFC tid kurser beregnet for tre eksempel forbindelser, valgt som dem, der udviser den største mængde af betydelig ISFC udflugter og vises med deres tilhørende beregnede betydning tærskler (horisontale linjer). (Nederste venstre plot) For de samme forbindelser, tilknyttede udflugt tidsforløbet i gennemsnit på tværs af fag, med to-sidede 95% konfidensintervaller vises som fejl foranstaltning. (Højre plot) Rumlig ISFC mønster (gennemsnit ISFC udflugter på tværs af fag) for et valgt tidspunkt angivet af en lodret sort streg på ISFC og udflugt parceller. Positiv ISFC udflugter er vist i gult, og negative dem i pink. Den størrelse og farve kode af knudepunkter er proportional med deres grad. Venligst klik her for at se en større version af dette tal.

Representative Results

Her, vi anses for n = 15 typisk udvikle (TD) fag for hvem vi indhentet skriftligt, informeret samtykke. Alle var højrehåndet hanner (23.42 ± 7,8 år gammel). Den valgte paradigme blev et audiovisuelt videnskabelige dokumentar for unge om farerne ved udsættelse for sol. Det indeholder en bred vifte af visuelle, auditive og sociale stimuli, og kan ses på https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study.

Vi har erhvervet to sessioner per emne (RUN1 og køre2), som blev vurderet filmen vises fra 5 til 353 s (5,8 min. varighed). En hvilende tilstand segment også fulgt fra 386 til 678 s (4.9 min. varighed). Derudover en udelukkende hvile-tilstand session (løb3) blev erhvervet for hvert emne (undtagen én, der led af klaustrofobi), varig for 310 s (5,2 min). Eksempel filmscener og timing af indsamlede data er sammenfattet i figur 1A. Vigtigere, erhvervelse protokol var ikke optimal i forstand, at hvile-state optagelser erhvervet lige efter film eksponering kan være delvis ødelagt af afsmittende virkninger27; Vi gør brug af disse data i de nuværende resultater for at have et tilfredsstillende antal prøver til statistiske tærskel, men dette bør undgås, når det er muligt.

Vi udelukket alle sessioner, mere end 10% af rammer var skrubbes, på en tærskelværdi på 0,5 mm, og betragtes som udstykninger fra Craddock et al.34 (to-niveau tidsmæssige sammenhæng algoritme) til at generere regionale tidsforløbet, for i alt 299 forskellige hjerneregioner.

ISFC blev beregnet særskilt på (1) film-subparts af RUN1 og køre2, (2) hvilende tilstand subpart RUN1 og køre2og (3) de hvilende tilstand Kør3 optagelser. Vi brugte et vindue længde W = 10 TR for vigtigste præsenteret resultater og sammenligne dem med en lavere værdi af W = 5 oversat trin størrelse altid forblev lige til 1 oversat Bootstrapping blev udført over 250 folder, herunder 6 session segmenter i hver referencegruppe.

Figur 1B viser ISFC tid kurser genereret på W = 10 TR og W = 5 TR for tre forskellige repræsentative forbindelser: tilslutning 1 involverede en venstre ringere parietal region relateret til forventning om at flytte objekter (MNI koordinater: 41,9,32)35 , og ret opercular frontareal knyttet til svar hæmning (-34,-52,45)36. Denne sidstnævnte region var også indblandet i forbindelser 2 og 3, henholdsvis med et område, der er impliceret i sensoriske koordinering (54,6,34)37, og et bundet til forarbejdning af betydningen af ord (6,62,9)38.

En sammenligning på tværs af vinduet længder afslører at i W = 5 TR indstilling, tidsmæssige varians i emnerne, der er samlet set større i begge film- og hvile-state segment tilfælde i forhold til W = 10 TR, et kendt fænomen i glidende vindue analyser39. For tilslutning af 1, uanset vindue længde, en lokaliseret subpart af film-optagelsen (på omkring 55 s) viser en stærk, synkroniseret ISFC øge på tværs af fag, som i høj grad overstiger værdierne taget i sagen hvile-tilstand. Således forventer vi at fange denne timelige subpart som en væsentlig ISFC forbigående med vores tærskel metode.

Forbindelse 2 vi iagttage lignende tidsmæssige dynamics, men for W = 5 TR, stigningen bliver mindre let at udrede i forhold til hvile-state tid kurser, på grund af den større glidende vindue metode-relaterede støj. Hvad angår forbindelse 3, det afspejler en sag, hvor der er ingen klare svar på filmen, og dermed, udsving fra film- og hvile-state tidsforløbet er lignende. Det forventede resultat i denne analytiske fase er en blanding mellem forbindelser, der viser klart stimulus-induceret rekonfigurationer og forbindelser, der ikke reagerer.

Figure 1
Figur 1: eksempel ISFC og erhvervelse timing tid kurser. (A) film set af emnerne, der er involveret en bred vifte af sociale situationer (eksempel billeder 1 og 4), videnskabelige forklaringer med farverige paneler (eksempel billeder 2 og 5) og landskabet scenerier (eksempel billede 3). Tre sessioner blev erhvervet per emne: to (køre1 og køre2) omfattede film stimulation (fra 5 til 353 s, markeret med grønt) efterfulgt af en hvilende tilstand periode (fra 386 til 678 s, vist med gult), mens en (løb3) udelukkende bestod i en hvilende tilstand optagelse (310 s varighed, vises i orange). (B) For tre vejledende forbindelser (C1, C2 og C3, henholdsvis mørk grøn/rød, lys grøn/orange og turkis/gul spor), udviklingen i ISFC over tid under film (cold farver) eller hvile-tilstand (varme farver). W = 10 TR (venstre panel), film ISFC ændrer flere stort set stå ud i forhold til W = 5 TR (højre panel). Hver spore afspejler ISFC tid løbet af én session. Dette tal er dels blevet ændret fra Bolton et al.25. Venligst klik her for at se en større version af dette tal.

Figur 2A viser resultaterne efter statistiske tærskel for ISFC tid kurser, for de samme tre forbindelser som ovenfor. En gang kursus værdi på 1 betyder, at alle fag undergik samme ISFC stigningen samtidig påpege; en værdi på 0 betyder, at intet emne undergik en betydelig ændring af ISFC; en værdi på -1 repræsenterer en synkron ISFC fald på tværs af alle fag. Som før, vi kontrast W = 5 TR og W = 10 TR, og vi også fremhæve to α-værdi tilfælde: α = 0,01%, og α = 5%.

Montering med ovenstående bemærkninger, reducerer en lavere vindue længde mængden af uddraget betydelige ISFC ændringer. For tilslutning af 1, både W = 5 TR og W = 10 TR, men uddrag den samme tidspunkt (t = 55 s) som viser en stærk ISFC stigning. At tage en hæmodynamiske forsinkelse på omtrent 5 s hensyn, dette svarer til en subpart af filmen når farvede linjer var udvidelse mod en dukke, og brat stoppet lige foran det (46-49 s), passende med rollen for de involverede regioner i omflytning objekt forventning og svar hæmning35,36.

Når stigende α fra 0,01% til 5%, kan man iagttage en meget lavere specificiteten af de fundne ISFC transienter, sandsynligvis herunder mange falske positiver og expectedly viser langt mindre tidsmæssige synchrony.

Som et andet perspektiv, der kan indstilles på data, figur 2B viser hele-hjerne geografisk kort over betydelige ISFC ændringer på t = 55 s. Det kan ses, at svar på film scenen strækker sig langt ud over de eksempel forbindelser beskrevet her.

Figure 2
Figur 2: tidsmæssige og rumlige snapshots af ISFC mønstre. (A) ISFC forbigående tid kurser, et gennemsnit på tværs af fag, for tre vejledende forbindelser (C1, C2 og C3, henholdsvis mørk grøn, lys grøn og turkis spor). Den film scene, der kørte ISFC ændringer er fremhævet i lys grå og skildret af eksempel billeder. W = 10 TR (venstre kolonne af parceller), ISFC ændringer registreres mere kraftigt end for W = 5 TR (højre kolonne af parceller). For α = 0,01% (øverste række af parceller), specificitet til lokaliserede film stikord er større end for α = 5% (nederste række af parceller). Hver spore afspejler ISFC forbigående tid løbet af én session, og de to-sidede 95% konfidensintervaller vises som fejl foranstaltning. (B) For W = 10 TR og α = 0,01%, der er en pæn, begrænset geografisk mønster af ISFC transienter på t = 55 s (ISFC forbigående spidsværdien for C1); w = 5 TR og α = 5% undergår en betydelig ændring af ISFC på dette tidspunkt-forbindelser er meget mere talrige. Bemærk, at vi antager en hæmodynamiske forsinkelse på omkring 5 s i den beskrevne temporalitet (dvs., en værdi af 55 s her vedrører film stimulus på 50 s). Dette tal er dels blevet ændret fra Bolton et al.25. Venligst klik her for at se en større version af dette tal.

Discussion

På et datasæt af raske forsøgspersoner, vi demonstreret hvordan synkron cross-emne stigninger og fald i FC, ISFC transienter, ville matche tidsligt lokaliserede film stikord, oplysning, der går ud over en statisk beskrivelse. Selv om brugen af Kors-emne korrelation foranstaltninger gør det muligt at fokusere analysen på stimulus-drevet funktionelle rekonfigurationer, man skal også være klar over, at det begrænser resultaterne til de virkninger, som deles på tværs af den undersøgte population: derfor, low-level sensorisk forarbejdning forventes at være overrepræsenteret i forhold til frontal behandling40. For at omgå denne begrænsning, nye metoder, der også har evnen til at udtrække de regioner, der stærkest varierer på tværs af fag er ved at blive udviklet41.

En anden begrænsning fra metoden indført skyldes det glidende vindue aspekt, som tidsmæssige opløsning af ISFC forbigående tid kurser er sænket i forhold til frame-wise tilgange15. Som vi viste, en trade-off er nødvendig mellem en tilstrækkelig lav vindue længde at ordentligt løse dynamisk ISFC rekonfigurationer, og en tilstrækkelig stor størrelse at opnå robuste skøn. To kritiske trin i vores ramme sikre, at de udpakkede ISFC transienter afspejler virkelig forekommende ændringer i connectivity: første, Højpas filtrering af regionale tid kurser med inverse af vinduet længde32; anden, brug af resting state ISFC data for generation af en relevant null distribution, med identiske erhvervelse parametre i forhold til den stimulus-relaterede data. Selvfølgelig kræver sidstnævnte også en længerevarende globale erhvervelse tid, så at hvile-stats data kan indsamles på toppen af stimulus-relaterede sessioner. Som en alternativ metode til at undgå de ekstra hvile-state optagelser, tilbyder vi også muligheden for at generere fase randomiseret data direkte fra de stimulus-relaterede tidsforløbet, en tilgang, der ofte bruges i dynamisk funktionelle connectivity analyser 23 , 24. yderligere evaluering på en delmængde af sessioner viste, at selv om metoden hvilende tilstand null er mere konservative, og dermed mindre tilbøjelige til at falske positiver, de globale mønstre af ISFC udflugt opdagelse var ens på tværs af begge ordninger (Se Supplerende figur 5).

Supplementary Figure 5
Supplerende figur 5: påvisning af ISFC udflugter på tværs af null data generation metoder. For hvile-tilstand (venstre kolonne, blå parceller) eller fase randomisering (højre kolonne, røde parceller) null data generation metoder, procentdel af ISFC udflugter udvundet på tværs af forbindelser. De nederste er indsatsen på de forbindelser, som stammer fra de første tre betragtes som hjerneregioner. Fejl repræsenterer standardafvigelsen på tværs af fag. Venligst klik her for at se en større version af dette tal.

Varigheden af resting state erhvervelser rent faktisk vedrører en kritisk parameter af analyserne: α-værdi. Som eksemplificeret ovenfor, vil en for eftergivende valg føre til et stort antal falske positiver i de fundne ISFC transienter. Jo større mængden af tilgængelige data, hvilende tilstand, de strengere den opnåelige falsk positiv sats, fordi tærskel kan være baseret på flere ekstreme værdier fra null-distribution. Som en indikation for n = 299 atlas regioner som her og får vores stemme overens med 5,762 hvilende tilstand datapunkter, kunne vi i bedste fald opnår en α-værdi på 0,01% (Se trin 5.2.6 for matematiske detaljer).

Et andet centralt punkt vedrører en fMRI analyse ligger i grundig fjernelse af eventuel motion-relaterede artefakter fra analyserede data30,42. Især hvis man ønsker at anvende den indførte rørledning til syge populationer udstiller markeret bevægelse i scanneren, vi anbefaler at oven på herunder motion variabler som kovariater i de udførte statistiske analyser, yderligere forbehandling trin køres som wavelet denoising43 eller ICA-AROMA44. Gruppere sammenligning, for eksempel for at sammenligne ISFC transienter mellem en sund og en syge gruppe, kan let udføres ved at køre den beskrevne tilgang parallelt på begge grupper af interesse (Se Bolton et al.25 for et eksempel på en population diagnosticeret med autisme spektrum forstyrrelser). Dog en forskel mellem grupperne kan derefter opstår i to forskellige indstillinger: (1) en fraværende ISFC ændre i én gruppe, eller (2) en mere heterogene evolution i denne gruppe. For at udrede disse to faktorer, bør rørledningen køres en gang mere for gruppen syge, ved hjælp af sund emnet indstille som referencegruppen på trinnet selvstart. Førstnævnte tilfælde vil stadig resultere i en fraværende svar, mens sidstnævnte ikke ville.

På toppen af hvad vi beskrevet her, metoden indført også åbner lovende fremtidige muligheder: fra et analytisk side, ISFC forbigående kort kunne betragtes som hjernen grafer fra hvilke målinger kvantificere hjernen connectivity kunne være afledt45, eller dynamisk ISFC stater kunne udvindes gennem klyngedannelse tilgange og vurderes ud fra deres rumlige og tidsmæssige karakteristika17,46. Desuden kunne man også overveje brugen af mere avancerede tilslutningsmuligheder måleværktøjer end Pearsons korrelationskoefficient at afsløre mere subtile sider af FC47,48.

Fra den eksperimentelle side, anvendelsen af vores pipeline til en mere udvidet sæt af paradigmer er et lovende perspektiv: for eksempel, i stedet for en film som studerede her, man kunne forestille sig for at bruge et stykke musik49 eller en fortælling13, 50 som en tid-låst stimulus. Alternativt, det kunne endda være forestillede, gennem hyperscanning51, for at sonden naturalistiske social kommunikation52,53.

Disclosures

Forfatterne har ikke noget at oplyse.

Acknowledgments

Dette arbejde blev støttet i en del af hver af følgende: den schweiziske National Science Foundation (tilskud antal 205321_163376 til DVDV), Bertarelli Foundation (til TB og DVDV), Center for biomedicinsk Imaging (CIBM) og det nationale agentur for forskning ( tempofront giver 04701 til ALG). Forfatterne vil gerne takke Roberto Martuzzi og Giulia Preti for deres bidrag til den video indhold af dette arbejde som henholdsvis operatoren Mr og scannet frivillige.

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

Neurovidenskab spørgsmål 145 funktionel magnetisk resonans skanning task-baseret analyse dynamisk funktionelle connectivity Inter underlagt funktionelle sammenhæng glidende vindue analyse tærskel film-paradigme
Dynamisk Inter underlagt funktionelle Connectivity afslører øjeblik til øjeblik hjernen netværkskonfigurationer drevet af kontinuerlig eller kommunikation paradigmer
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