Waiting
Login processing...

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

Neuroscience

Conectividad funcional entre sujeto dinámico revela configuraciones de red del cerebro momento impulsadas por el continuo o paradigmas de la comunicación

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

El objetivo del enfoque descrito es determinar en qué momentos del paradigma (perspectiva temporal) y entre las regiones (perspectiva espacial), reconfiguraciones significativas en conectividad funcional se producen en la proyección de imagen de resonancia magnética funcional grabaciones durante el cual un estímulo tiempo-bloqueada se juega.

Abstract

Basada en la tarea de resonancia magnética funcional tiene gran potencial para comprender cómo nuestro cerebro reacciona a los diferentes tipos de estimulación; sin embargo, esto se logra a menudo sin tener en cuenta la faceta dinámica de procesamiento funcional y salidas analíticas típicamente representan influencias combinadas de efectos basados en la tarea y las fluctuaciones espontáneas subyacentes de actividad cerebral. Aquí, presentamos una nueva tubería metodológica que puede ir más allá de estas limitaciones: el uso de un esquema analítico de ventana corredera permite el seguimiento de cambios funcionales en el tiempo, y a través de mediciones correlacionales transversal-tema, el enfoque puede aislar los efectos puramente relacionados con el estímulo. Gracias a un proceso riguroso de la umbralización, cambios significativos en la correlación funcional entre sujeto pueden extraerse y analizados.

En un conjunto de sujetos sanos que se sometieron a estimulación audio-visual naturalista, demostramos la utilidad del enfoque atando las reconfiguraciones funcionales revelados a señales particulares de la película. Nos muestran cómo, a través de nuestro método, uno puede captar ya sea un perfil temporal de la actividad cerebral (la evolución de una determinada conexión), o centrarse en una espacial instantánea en un momento clave. Ofrecemos una versión públicamente disponible de la tubería entera y describir su utilización y la influencia de los parámetros claves paso a paso.

Introduction

La proyección de imagen de resonancia magnética funcional (fMRI) se ha convertido en la herramienta de la opción no invasiva vigilar los cambios en la actividad cerebral que resulta de la estimulación externa. Más específicamente, vivo interés ha surgido sobre la comprensión de la interdependencia estadística entre campos de tiempo de activación regional, conocido como conectividad funcional (CF)1 y normalmente se calcula como correlación de Pearson coeficiente. Contemplación de funcionales en el cerebro ha demostrado ampliamente a configurar en función de la tarea subyacente2,3,4.

Por separado se han seguido dos direcciones analíticas para ir más allá de esta caracterización introductoria: por un lado, se observó la respuesta inducida en una región del cerebro determinada por un estímulo tiempo-bloqueada correlacionar fuertemente en distintas materias5 . Cuantificar este inter-tema correlación (ISC) mostró potencial para refinar nuestra comprensión de la cognición6,7,8,9 y cerebro trastornos10,11 . Además, este enfoque correlacional cross-tema se extendió también a la evaluación de sincronicidad entre las regiones12, en lo que se conoce como el enfoque de la correlación funcional entre sujeta (ISFC)13.

Por otra parte, el sabor dinámico de reconfiguraciones FC empezó a recibir mayor atención (ver Hutchison et al14, Preti, Bolton y Van De Ville15,16 del Castillo Gonzales y Bandettini para revisiones recientes en la Estado de descanso y basada en tareas los lados de esta pregunta). En particular, todo cerebro FC cambios con el tiempo pueden ser rastreados a través de medidas de correlación consecutiva durante una ventana temporal poco a poco desplazado17,18, revelar información adicional en el contexto de tareas conductuales 19,20.

Aquí, presentamos un marco metodológico que combina las dos avenidas. De hecho, calculamos ISFC en ventana corredera de moda para seguir la evolución de la sincronicidad entre las regiones entre los sujetos expuestos a un paradigma naturalistico tiempo-bloqueada. Con el aspecto de la Cruz-tema del método, los análisis se centran en efectos basados en el estímulo, mientras que cambios espontáneos fMRI (que son sin correlación a través de temas) son fuertemente amortiguados. Esto es importante porque los patrones de actividad estado descansando y evocado por tarea se entienden cada vez más caracterizado por distintas propiedades21,22.

En cuanto al componente dinámica del método, permite una caracterización más completa y precisa de los estímulos de la tarea, particularmente cuando un paradigma naturalistico en la que se combinan un conjunto diverso de estímulos (auditivos, visuales, sociales, etc.) con el tiempo de sondeo. Además, como el sonido evaluación estadística de las fluctuaciones dinámicas significativas ha sido acaloradamente debatida23,24, nuestro enfoque toma especial cuidado este aspecto de los análisis aislando cambios significativos de la ISFC a través de comparación con datos nulos adecuados.

Ilustramos el método en un conjunto de sujetos sanos expuestos a un estímulo audiovisual de la película, para quienes nos muestran que el ISFC temporal y espacial cambiar perfiles derivados de película localizada los intervalos se pueden extraer con precisión. De esta manera, se describe también la influencia de los principales parámetros analíticos a ser seleccionado por el usuario. Los resultados presentados se basan en la parte de datos anteriormente publicados25,26.

Protocol

El siguiente protocolo ha sido aprobado por el Comité de ética local (protocolo biomédico Inserm 365 C08-39).

1. la proyección de imagen de

  1. Inscribir a una población de estudio de temas, obtener por escrito, el consentimiento informado para todos ellos. Buscan la aprobación del Comité de ética local.
  2. Seleccione un paradigma para investigar que se puede aplicar a todos los temas de manera tiempo-bloqueada.
    Nota: Aquí, utilizamos un audiovisual documental científico para jóvenes (https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study).

2. la proyección de imagen

  1. Para que cada tema a considerar en el análisis, realizar al menos una sesión de imagen funcional en que el voluntario escaneado se somete al paradigma de tiempo-bloqueada de interés.
    1. Use un scanner 3 Tesla MRI para adquirir rebanadas transversales a través de una secuencia de imágenes de echoplanar.
    2. Emplean los siguientes parámetros de imagen: tamaño de voxel = 3 mm x 3 mm x 3 mm, tiempo de repetición (TR) = 2 s, tiempo de eco = 50 ms, campo de visión = 192, 40 láminas.
      Nota: Valores de TR más rápidos se recomienda en el ámbito de factibilidad. El protocolo también puede aplicarse con un más restringido campo de visión (por ejemplo, para los análisis restringidos a una subestructura específicas del cerebro), que permitiría una mejor resolución temporal (TR inferior), o una espacial más precisa de análisis.
    3. Dejar unos segundos de grabación (TR ≥ 2) antes y después de la presentación del estímulo.
  2. Realizar al menos una sesión separada de proyección de imagen funcional en la que el voluntario escaneado se encuentra en reposo en el escáner, ojos cerrado y mandado para no caer dormido.
    Nota: Adquisiciones relacionadas con el estímulo y el estado reposo separados prevenir otra posible contemplación entre las condiciones (por ejemplo, haber visto previamente la película puede dejar una huella duradera a una grabación de estado descansando posteriormente adquirida)27. Si no se desea ir a través de la referida adquisición adicional de estado de descanso, una alternativa (aunque sea más propensa a la detección de falsos positivos; ver discusión) opción computacional en la tubería reemplaza estos datos por cursos del tiempo suplente calculado a partir de las señales relacionadas con el paradigma (ver paso 5.1.2).
  3. Realizar la proyección de imagen estructural.
    1. Utilizar un escáner de 3 Tesla MRI y una secuencia de eco de gradiente T1-weighted preparado magnetización rápida adquisición.
    2. Emplean los siguientes parámetros de imagen: tamaño de voxel = 1 m x 1 m x 1 m, campo de visión = 256, 176 láminas.

3. los datos y elaboración de Software

  1. Para que cada período de sesiones analizar, asegurar la existencia de los siguientes ficheros:
    1. Un conjunto de volúmenes de MRI funcionales, como archivos NIFTI o HDR/IMG 3D independientes, con un esquema de numeración consistente (por ejemplo, "fMRI_0001", "fMRI_0002", etcetera).
    2. Una T1 estructural MRI imagen, en formato NIFTI o HDR/IMG.
    3. Un atlas de interés en el espacio del Instituto neurológico Montreal (MNI), en formato NIFTI.
      Nota: Se proporciona un ejemplo de archivos de entrada requeridos para un sujeto representativo ("S17"), junto con el código completo de la tubería, en https://c4science.ch/source/Intersubj_pipeline.git
  2. Descargar la última versión de la disponible públicamente Freesurfer software28 (https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall).
  3. Descargar la última versión del cuadro de herramientas de mapeo paramétrico estadístico (SPM) MATLAB públicamente disponible de https://www.fil.ion.ucl.ac.uk/spm/software/spm12/.
  4. Abrir MATLAB (versión 2017a o más reciente) y localizar las carpetas "freesurfer" y "spm12" recién descargadas. Para cada uno, haga clic derecho sobre él y seleccione el añadir a la ruta de acceso > seleccionado carpetas y subcarpetas de opción.

4. procesamiento de datos

  1. En la terminal MATLAB, tipo spm para lanzar el menú principal de SPM12 y haga clic en el botón de la fMRI para acceder a las opciones de preprocesamiento dedicado a datos de la fMRI. Realice los pasos siguientes por separado para cada sesión de fMRI preprocesar.
    1. Haga clic en realinear (Est & Res)y en la ventana recién abierta de Editor por lotes, haga doble clic en datos > sesión. En la ventana de sesión recién abierta, seleccione todas las imágenes funcionales para procesar. A continuación, haga clic en el botón hecho y luego, en el icono de Ejecutar por lotes desde la ventana del Editor por lotes (triángulo verde). Espere hasta que termine el paso de la reestructuración, como se indica en la ventana de terminal de MATLAB.
    2. Haga clic en Coregister (Est & Res)y en la ventana recién abierta de Editor por lotes, haga doble clic en la imagen de referencia. En la ventana recién abierta de la imagen de referencia, seleccione el volumen funcional promedio creado en el paso siguiente, el prefijo "significa" y haga clic en el botón hecho . A continuación, haga doble clic en la imagen de la fuentey en la ventana recién abierta de la fuente imagen, seleccionar la imagen de T1. Haga clic en el botón hecho y luego, en el icono de Ejecutar por lotes desde la ventana del Editor por lotes (triángulo verde). Espere hasta que termine el paso de coregistros, como se indica en la ventana de terminal de MATLAB.
      Nota: La imagen de T1 se sobrescribe en este paso, para que la actualización miente en el mismo espacio que los volúmenes funcionales.
    3. Haga clic en el segmentoy en la ventana recién abierta de Editor por lotes, haga doble clic en volúmenes. En la ventana recién abierta de volúmenes, seleccionar la imagen de T1 y haga clic en el botón hecho . Luego, en la ventana del Editor por lotes, haga doble clic en Campos de deformación y seleccionar la opción inversa . Haga clic en el icono de Ejecutar por lotes (triángulo verde) y esperar hasta que termine la etapa de segmentación, como se indica en la ventana de terminal de MATLAB.
  2. Escriba JOVE_GUI1 en el terminal MATLAB para abrir la primera ventana preprocesamiento de interfaz gráfica de usuario. Realice los pasos siguientes para cada sesión de RMF analizar.
    1. Haga clic en Enter fMRI datosy seleccione todos los volúmenes funcionales reajustados que creó en el paso 4.1.1 (el prefijo "r"). Para los archivos IMG/HDR, seleccione volúmenes la IMG y HDR.
    2. Introduzca el TR de los datos (en segundos) en la ventana de texto editable dedicada.
    3. Haga clic en T1 introducir datos y seleccionar los tres volúmenes de tipo probabilístico tejido creados en el paso 4.1.3 (el prefijo "c1", "c2" y "c3").
    4. Haga clic en archivo de movimiento de entrary seleccione el archivo de texto que contiene los parámetros de movimiento de la sesión de interés, creó en el paso 4.1.1 y el prefijo "rp".
    5. Seleccionar el modo de procesamiento, es decir, si los datos deben ser detrended o no (respectivamente ajuste el botón dedicado encendido o apagado), y qué covariables deben regresó (por seleccionar la opción correspondiente en la lista dedicada).
      Nota: El paso de la regresión se inspira en una función que se origina de la caja de herramientas DPARSF29. Las señales de la materia blanca y líquido cefalorraquídeo de sujetos individuales son un promedio sobre los voxels para que el mapa de tejido probabilísticos respectivos plantilla DPARSF demostró una señal mayor que 0.99. En nuestros análisis detrended los datos y regresó cursos tiempo fluido cerebroespinal/la materia blanca así como constante, lineales y cuadráticas las tendencias.
    6. Preprocesar los datos, haga clic en preprocesary espere que aparezca en la ventana. Los datos pueden ser preprocesados volver a diferente modificando las opciones, y pulsar nuevamente el botón de preprocesar .
      Nota: La trama de la materia gris está inspirada en la representación sugerida por poder et al30.
    7. Para guardar la salida para los siguientes pasos, haga clic en el botón Guardar . Para borrar el contenido de la ventana, haga clic en el botón Borrar .

Supplementary Figure 1
Suplementario Figura 1: captura de pantalla de ejemplo de la primera ventana de interfaz gráfica de usuario preprocesamiento. Voxel-sabio tiempo cursos de materia gris vóxeles siguiendo las opciones de preprocesamiento seleccionadas (parcela derecha superior) y covariables que se pueden utilizar en el proceso previo (de arriba a abajo: blanco líquido cerebroespinal asunto medio tiempo cursos, movimiento traslacional parámetros y parámetros de movimiento de rotación. Haga clic aquí para ver una versión más grande de esta figura.

  1. Escriba JOVE_GUI2 en el terminal MATLAB para abrir la ventana de interfaz gráfica de usuario preprocesamiento segundo. Realice los pasos siguientes para cada sesión de RMF analizar.
    1. Haga clic en seleccionar datosy seleccione el archivo de datos que guardó en el paso 4.2.7 (llamado "ISFC_VX.mat").
    2. Haga clic en seleccionar movimientoy seleccione el archivo de texto que contiene los parámetros de movimiento de la sesión de interés, creó en el paso 4.1.1 y el prefijo "rp".
    3. Haga clic en seleccionar atlasy seleccione el archivo NIFTI representando el atlas para parcelación.
    4. Haga clic en seleccionar inverso de la deformacióny seleccione el archivo NIFTI que representa el campo de deformación de MNI en espacio nativa, creado en paso 4.1.3 y el prefijo "iy".
    5. Haga clic en seleccionar volumen de fMRIy seleccionar cualquiera de los volúmenes de datos de la fMRI.
      Nota: Este paso permite para acceder a la información de encabezado de los datos funcionales, por lo tanto, por qué el volumen elegido real no es importante.
    6. Introduzca el TR de los datos (en segundos) en la ventana de texto editable dedicada.
    7. Escriba información de depuración: el tipo de lavado para realizar (es decir,, cuántos marcos para limpiar hacia fuera antes y después de las etiquetas) en la lista "Tipo de lavado" y el valor de umbral de desplazamiento framewise (criterio31) de la energía por encima del cual debe ser fregado un volumen de fMRI en la ventana de texto editable "Umbral de fregado" (en mm).
      Nota: Interpolación de spline cúbico se realiza en los puntos de datos fregado para reemplazarlos con los valores estimados de las muestras vecinas. En nuestros análisis, frotó un fotograma después de los volúmenes de etiquetado y utiliza un umbral de 0,5 mm para fregar.
    8. Indique el tamaño de la ventana corredera W para cómputos ISFC (ver paso 5), en TRs.
      Nota: Este dato será activar el filtrado de los cursos de tiempo a través de una función originaria de la caja de herramientas DPARSF del29, en f = 1/W Hz32. En nuestros análisis, hemos utilizado la W = 10 TR como un valor de intercambio para captar fluctuaciones dinámicas conservando suficiente muestras para estimaciones robustas.
    9. Clic en el botón de Diagrama para mostrar los cursos indicativo tiempo atlased antes (diagrama superior) y después (diagrama inferior) la limpieza y filtrado de pasos. Verificar, mediante inspección visual, que tras el procesamiento previo de las medidas, las señales de salida no incorporan componentes artifactual salientes.
    10. Para guardar las salidas para los siguientes pasos, ingrese a guardar el nombre en la ventana de texto editable dedicada y haga clic en el botón Guardar . Para borrar el contenido de la ventana, haga clic en el botón Borrar .

Supplementary Figure 2
Suplementario Figura 2: captura de pantalla de ejemplo de la segunda ventana preprocesamiento de la interfaz gráfica de usuario. Cursos regional tiempo después atlasing, antes (diagrama superior) y después (diagrama inferior) lavado y filtrado de acuerdo a los parámetros seleccionan. Cada curva representa un curso de tiempo regional seleccionado al azar entre todos los disponibles. Haga clic aquí para ver una versión más grande de esta figura.

5.-ventana corredera ISFC cómputos

  1. Escriba JOVE_GUI3 en el terminal MATLAB para abrir la primera ventana de interfaz de usuario gráfica relacionadas con ISFC. Realice los pasos siguientes por separado para cada tipo de segmento de sesión fMRI adquirida (segmentos relacionados con el estímulo, segmentos de estado descansando de sesiones relacionadas con el estímulo y segmentos puramente de estado descansando).
    1. Haga clic en cargar datosy seleccione todos los archivos de datos adecuados creados a través de paso 4.3.
    2. Seleccione si los segmentos de la sesión seleccionada deben someterse a la aleatorización de la fase.
      Nota: Fase de aleatorización puede utilizarse como una opción alternativa para la generación de datos nulas de señales relacionadas con el estímulo, si no hay grabaciones de estado descansando están disponibles.
    3. Introduzca el TR de los datos (en segundos) en la ventana de texto editable dedicada.
    4. Introducir parámetros de ventana deslizante para el análisis en las ventanas de texto editable dedicada: tamaño de la ventana (en TRs) sobre que conexión se computaran las medidas y el tamaño de paso (en TRs) por el cual sucesivas ventanas deben ser cambiado de puesto.
      Nota: En nuestros análisis, hemos utilizado un tamaño de ventana de 10 TR y un tamaño de paso de 1 TR.
    5. Modificar la tabla de "Tipos de sesión" para especificar que de los segmentos de carga sesión fueron adquiridos en la misma condición experimental. Utilizar cada vez más números enteros de 1 a partir de los tipos diferentes de etiquetas de segmentos (por ejemplo, si el estímulo se muestra por primera o por segunda vez en una grabación dada). Dejar la mesa sin tocar si sólo un tipo de segmento de la sesión fue adquirido.
      Nota: Una sesión en el presente trabajo puede referirse a una grabación de película/descanso-estado combinada (denominado gestión1 y2 en figura 1A), o a una grabación puramente de estado descansando (carrera3). Un segmento de la sesión se refiere a una secundario-parte de una grabación de la sesión, cuando estaba viendo la película, o cuando los sujetos mintieron en reposo. La información anterior se utiliza en los cómputos ISFC posteriormente descritos (ver paso 5.1.8) para limitar la influencia de la confusión de los tipos de segmento de sesión diferente.
    6. Ingrese parámetros relacionados con el arranque en las ventanas de texto editable dedicada: el número de dobleces que realizar cómputos ISFC de arranque y el número de sujetos que deben constituir el grupo de referencia para cada pliegue de cómputos ISFC.
      Nota: En nuestros análisis, hemos utilizado 250 pliegues bootstrapping y 6 temas en el grupo de referencia.
    7. Entrar en especificaciones que sub parte de cursos de tiempo debe ser analizado en la sección de parámetros de sincronización , en las ventanas de texto editable dedicada. Deben proporcionar un índice de inicio y un final índice (TRs). Para analizar la duración de la grabación entera, usar 1 como empezar el índice y el número de muestras como índice final.
    8. Haga clic en el botón Plot para realizar cómputos ISFC. Pantallas se actualizan gradualmente con el tiempo, junto con la cantidad de pliegues bootstrapping transcurridos. Para un par de la región (i, j) y una corredera ventana índice τ, ISFC se calcula como el promedio de Cruz-correlaciones entre sesión segmento s y todos los segmentos del período de sesiones del grupo de referencia, dentro de una ventana corredera de longitud W; indica que este grupo de referencia Ψ, el número de sujetos por NΨy vamos xi[s](t) el curso del tiempo de la región para sesión segmento s en el tiempo t; una estimación de la ISFC entonces es dado por:
      Equation 2
      Las mediciones de la ISFC se calculan sobre la cantidad de pliegues de arranque y con el número seleccionado de segmentos de la sesión utilizada como grupo de referencia en cada doblan (ver paso 5.1.6). Si se incluyen varios subtipos de segmento de la sesión, una mezcla de muestras de subtipo siempre compone el grupo de referencia. El resultado final para cada segmento de la sesión es el ISFC promedio en todos los pliegues en los que no se incluyó como una medida de referencia.
      Nota: El grupo de referencia es el conjunto de segmentos de la sesión a la que el tiempo funcional cursos de sesión segmento s se comparan en cada pliegue del proceso de bootstrapping. Para que obtener los resultados más robustos a los puntos de datos aislados, ISFC calcula varias veces en un grupo de referencia diferente (es decir, un subconjunto diferente de segmentos de la sesión). Importante, el tiempo t de adquisición no coincide con la ventana índice τ deslizante, como éste se calcula sobre un conjunto de puntos de datos de W y se basa en el tamaño de paso de la ventana de estimaciones sucesivas. El proceso de bootstrapping fue inspirado de un estudio anterior por Byrge et al33.
    9. Para guardar las salidas para los siguientes pasos, ingrese a guardar el nombre en la ventana de texto editable dedicada y haga clic en el botón Guardar . Para borrar el contenido de la ventana, haga clic en el botón Borrar .

Supplementary Figure 3
Suplementario Figura 3: captura de pantalla de ejemplo de la primera ventana de interfaz de usuario gráfica relacionadas con ISFC. (Diagrama superior) Representación esquemática de cómo cada uno considera sesión tiene sus medidas ISFC calculados (es decir, no está seleccionada en el grupo de referencia). (Diagrama inferior) Sobre un tema indicativo, cursos de tiempo ISFC computan para 50 conexiones de ejemplo, seleccionadas como los que exhibe los mayores valores sumados de ISFC absolutos a través del tiempo. Haga clic aquí para ver una versión más grande de esta figura.

  1. Escriba JOVE_GUI4 en el terminal MATLAB para abrir la segunda ventana de interfaz de usuario gráfica relacionadas con ISFC.
    1. Haga clic en datos de carga ISFC y seleccionar los archivos de salida ISFC relacionados con estímulo creados en el paso 5.1.
    2. Haga clic en cargar datos nulos y seleccione, según el esquema de generación de datos null, el ISFC estado de descanso, o la fase aleatorios relacionados con el estímulo ISFC salida archivos creados en el paso 5.1.
    3. Haga clic en códigos de carga y seleccione el archivo de códigos creado en el paso 4.3.
    4. Introduzca el TR de los datos (en segundos) en la ventana de texto editable dedicada.
    5. Introduzca los parámetros de ventana de deslizamiento utilizados en los cálculos del paso 5.1 (tamaño de la ventana y el tamaño de paso, en TRs) en las ventanas de texto editable dedicada.
    6. Entrar (en porcentaje) el valor de α en el cual los cursos de tiempo ISFC debe thresholded para poner de relieve cambios significativos en la ventana de texto editable dedicada.
      Nota: Aquí y en otros lugares, cuando se refiere a un valor de α de 2,5%, significa que significado se alcanza cuando un valor es menor queel percentil 2,5 o mayor queel percentil 97,5 de datos nulos . En nuestros análisis, teníamos 5.762 puntos de datos de estado de descanso a nuestra disposición y había seleccionado un valor de α de 10-4. Esto significa que queríamos 0,01% de muestras de datos a ser mayor o igual al umbral seleccionado más allá de que se considerará una excursión ISFC significativa. Para propósitos de comparación, el α-nivel exigido por la corrección de Bonferroni sería 0.05/44.551 = 1.12 x 10-6, y el más estricto posible α-nivel con la cantidad de datos (muestras números) sería Equation 3 .
    7. Clic en el botón Plot para llevar a cabo el proceso de umbralización ISFC, en que ISFC null disponibles todas las medidas se agregan, para que una conexión determinada, para construir una distribución nula, después de que ISFC relacionados con el estímulo son thresholded según el valor de α seleccionado. Puntos de tiempo en el que un valor relacionada con el estímulo de la ISFC supera significativamente la distribución nula son etiquetadas como -1 + 1 para ISFC significativa disminuye y aumenta, respectivamente.
      Nota: El proceso de umbralización inspira en el trabajo dinámico de FC de estado descansando Betzel et al23.
    8. Para visualizar la distribución espacial de la ISFC en diferentes puntos temporales, arrastre el control deslizante por debajo de la trama de excursión ISFC.

Supplementary Figure 4
Suplementario figura 4: captura de pantalla de ejemplo de la segunda ventana de interfaz de usuario gráfica relacionadas con ISFC. (Diagrama superior izquierdo) Sobre un tema indicativo, ISFC tiempo cursos calculado para tres conexiones ejemplo, seleccionaron como los que exhibe la mayor cantidad de excursiones ISFC significativos y muestran con sus umbrales de significación computada asociados (líneas horizontales). (Diagrama izquierdo inferior) Para las mismas conexiones, excursión asociado tiempo cursos un promedio a través de temas, con dos colas 95% intervalos de confianza muestra como medida de error. (Diagrama derecho) Patrón espacial de la ISFC (promedio ISFC excursiones en materias) para un punto de tiempo seleccionado había indicado por una línea negra vertical en el ISFC y excursión parcelas. Excursiones ISFC positivos aparecen en amarillo y negativo en color de rosa. El código de tamaño y color de los nodos es proporcional a su grado. Haga clic aquí para ver una versión más grande de esta figura.

Representative Results

Aquí, consideramos n = 15 sujetos (TD) por lo general en vías de desarrollo para los cuales se obtuvo consentimiento informado por escrito. Todos eran varones diestros (23.42 ± 7,8 años). El paradigma elegido fue un documental científico audiovisual a los jóvenes sobre los peligros de la exposición al sol. Contiene una gran variedad de estímulos visuales, auditivos y sociales y puede ser visto en https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study.

Hemos adquirido dos sesiones por tema (carrera1 y carrera2) en que fue exhibida la película cuota de 5 a 353 s (5,8 min de duración). Un segmento de estado de reclinación también seguido de 386 a 678 s (4,9 min de duración). Además, adquirió una sesión únicamente descansando-estado (carrera3) para cada asignatura (excepto uno que sufría de claustrofobia), duradero para 310 s (5,2 min). Escenas de la película de ejemplo y la sincronización de los datos adquiridos se resumen en la figura 1A. Lo importante, el protocolo de adquisición no fue óptimo en el sentido que estado descansando los registros adquiridos justo después de la exposición de la película puede estar dañada en parte por efectos de contagio27; hacemos uso de esta información en los actuales resultados para tener una cantidad satisfactoria de las muestras para el umbral estadístico, pero esto debe evitarse siempre que sea posible.

Se excluyeron todas las sesiones que más del 10% de marcos fueron lavado, en un umbral de 0,5 mm y considera la parcelación de Craddock et al34 (algoritmo de correlación temporal de dos niveles) para generar cursos de tiempo regional, para un total de 299 regiones diferentes del cerebro.

ISFC se calculó por separado por (1) la película-ver subpartes de RUN1 y carrera2, (2) el estado descansando subpartes de funcionamiento1 RUN2y (3) las grabaciones de3 ejecutar estado descansando. Utilizamos una longitud de ventana W = 10 TR para el principal presentó resultados y compararlos con un valor menor de W = 5 TR. el tamaño de paso siempre permaneció igual a 1 TR. Bootstrapping fue realizado más de 250 pliegues, incluyendo sesión 6 segmentos en cada grupo de referencia.

Figura 1B muestra cursos de tiempo ISFC generadas en W = 10 TR y W = 5 TR para tres diversas conexiones representativas: conexión 1 involucrados a la izquierda la región parietal inferior relacionados con la expectativa de mover objetos (coordenadas MNI: 41,9,32)35 y el derecho de área opercular frontal ligado a la inhibición de respuesta (-34,-52,45)36. Esta última región también estuvo implicada en las conexiones 2 y 3, respectivamente con un implicado en la coordinación sensorial (54,6,34)37y uno vinculado a la transformación del significado de palabras (6,62,9)38.

Una comparación a través de longitudes de ventana revela que en la W = 5 ajuste de TR, variación temporal en los temas en general es mayor en ambos casos viendo películas y descansando-estado del segmento en comparación con W = 10 TR, un fenómeno conocido en el análisis de la ventana corredera39. Conexión 1, independientemente de la longitud de la ventana, una subparte localizada de la grabación viendo películas (en alrededor de 55 s) muestra un fuerte y sincronizado ISFC aumentar a través de temas, que excede en gran medida la gama de valores en el caso del estado de reposo. Por lo tanto, esperamos captar esta subparte temporal como un significativo ISFC transitoria con nuestro método de umbralización.

Para la conexión 2, se observa similar dinámica temporal, pero para W = 5 TR, el aumento llega a ser menos fácil de desenredar en comparación con los cursos de tiempo de estado de descanso, debido al ruido de relacionados con la metodología de la ventana corredera más grande. En cuanto a la conexión 3, refleja un caso en que no hay ninguna respuesta clara a la película, y por lo tanto, las fluctuaciones de cursos tiempo viendo películas y descansando-estado son similares. Los resultados esperados en esta fase analítica es una mezcla entre las conexiones que muestran claras reconfiguraciones inducida por el estímulo y las conexiones que no responden.

Figure 1
Figura 1: ejemplo ISFC y sincronización de adquisición tiempo cursos. (A) la película por los sujetos implicados una gran variedad de situaciones sociales (imágenes 1 y 4 del ejemplo), las explicaciones científicas con paneles coloridos (imágenes 2 y 5 del ejemplo) y paisaje paisajes (imagen de ejemplo 3). Tres sesiones fueron adquiridas por cada tema: dos (1 y2) incluyeron la estimulación de la película (de 5 a 353 s, resaltado en verde) seguido de un estado de descanso (de 386 a 678 s, se muestra en amarillo), mientras que uno (carrera3) únicamente consistió en una grabación de estado descansando (310 s de duración, aparece en color naranja). (B) para tres conexiones indicativas (C1, C2 y C3, respectivamente oscuro verde y rojo, luz verde/naranja y turquesa/amarillo rastros), evolución del ISFC en el tiempo durante la película-ver (colores fríos) o estado de reposo (colores calientes). Para W = 10 TR (panel izquierdo), ver película ISFC cambia más en gran parte soporte hacia fuera en comparación con W = 5 TR (panel derecho). Cada rastro refleja el curso del tiempo ISFC de una sesión. Esta figura se ha modificado en parte del Bolton et al.25. Haga clic aquí para ver una versión más grande de esta figura.

Figura 2A muestra los resultados después de umbral estadístico de evolución temporal ISFC, para las mismas tres conexiones arriba. Un tiempo curso valor de 1 significa que todos los temas experimentaron el aumento mismo de la ISFC al mismo tiempo punto; un valor de 0 significa que ningún sujeto experimentó un cambio significativo de la ISFC; un valor de -1 representa una disminución ISFC sincrónica a través de todos los temas. Como antes, contraste W = 5 TR y W = 10 TR y también destacar dos casos de valor α: α = 0.01% y α = 5%.

Conexión con las observaciones anteriores, una menor longitud de la ventana reduce la cantidad de cambios significativos extraídos del ISFC. Para la conexión 1, ambos W = 5 TR y W = 10 TR, sin embargo, extraer el mismo momento (t = 55 s) como una muestra de un fuerte aumento del ISFC. Teniendo un plazo hemodinámico de aproximadamente 5 s en cuenta, esto corresponde a una subparte de la película cuando líneas coloreadas fueron extendiéndose hacia una muñeca y abruptamente se detuvo justo en frente de él (46-49 s), con el papel de las regiones implicadas en el objeto móvil expectativa y la respuesta de inhibición35,36.

Al aumentar α de 0.01% a 5%, se puede observar una especificidad mucho más bajada de los transitorios ISFC detectados, probablemente incluyendo muchos falsos positivos y expectedly mostrando mucho menos temporal sincronía.

Como otro punto de vista que se puede fijar en los datos de la figura 2B muestra los mapas espaciales de todo el cerebro de cambios significativos de la ISFC t = 55 s. Se aprecia que la respuesta a la escena de la película va más allá de las conexiones del ejemplo descritas aquí.

Figure 2
Figura 2: copias instantáneas temporales y espaciales de los patrones de la ISFC. (A) ISFC cursos de tiempo transitorio, promediados a través de temas, de tres conexiones indicativos (C1, C2 y C3, respectivamente oscuros verdes, luz verdes y turquesas los rastros). La escena de la película que impulsó los cambios ISFC es resaltada en gris claro y representada por imágenes de ejemplo. Para W = 10 TR (columna izquierda de parcelas), ISFC cambios se detectan más fuertemente que para W = 5 TR (columna de la derecha de parcelas). Para α = 0.01% (fila superior de parcelas), especificidad a las señales de la película localizada es más grande que para α = 5% (fila inferior de parcelas). Cada rastro refleja el curso del tiempo transitorio ISFC de una sesión, y se muestran los intervalos de confianza de 95% dos colas como medida de error. (B) para W = 10 TR y α = 0,01%, existe un patrón espacial ordenado, restringido de transitorios ISFC t = 55 s (el pico ISFC transitorio valor de C1); para W = 5 TR y α = 5%, experimentando un cambio significativo de la ISFC en este momento las conexiones son mucho más numerosos. Tenga en cuenta que nosotros asumimos un plazo hemodinámico de alrededor de 5 s en la temporalidad descrita (es decir,, un valor de 55 s aquí se relaciona con el estímulo de la película en 50 s). Esta figura se ha modificado en parte del Bolton et al.25. Haga clic aquí para ver una versión más grande de esta figura.

Discussion

En un conjunto de datos de sujetos sanos, demostramos cómo síncronos Cruz-tema aumentos y disminuciones en FC, los transitorios de la ISFC, encontraría temporal localizada de la película señales, suministro de información que va más allá de una descripción estática. Aunque el uso de cross-tema de correlación medidas permite centrar el análisis en reconfiguraciones funcionales basada en el estímulo, también uno debe ser consciente que limita los resultados a los efectos que se comparten entre la población estudiada: por lo tanto, bajo nivel procesamiento sensorial se espera que sea sobre-representado en comparación con el proceso frontal40. Para saltarse esta limitación, nuevos métodos que también tienen la habilidad de extraer las regiones que más fuertemente varían temas están siendo desarrollados41.

Otra limitación de la metodología introducida se presenta desde el aspecto de ventana de deslizamiento, como resolución temporal de los cursos de tiempo transitoria del ISFC es baja en comparación con enfoques frame-wise15. Como hemos mostrado, es necesario una relación inversa entre la longitud de una ventana lo suficientemente baja para resolver correctamente reconfiguraciones ISFC dinámicos, y estima un tamaño lo suficientemente grande como para obtener robustas. Dos pasos críticos en nuestro marco de aseguran que los transitorios ISFC extraídos reflejan cambios que realmente ocurren en conectividad: primero, el filtrado de paso alto de evolución temporal regional con el inverso de la longitud de ventana32; en segundo lugar, el uso de datos del estado de reclinación del ISFC para la generación de una distribución nula relevante, con parámetros de adquisición idénticos en comparación con los datos relacionados con el estímulo. Por supuesto, este último también requiere un tiempo más largo de la adquisición global, por lo que pueden recolectar datos de estado de reposo sobre sesiones relacionadas con el estímulo. Como una alternativa para evitar las grabaciones adicionales de estado descansando, también ofrecemos la posibilidad de generar datos aleatorizado de fase de los cursos relacionados con el estímulo del momento, un enfoque de uso frecuente en análisis de conectividad funcional dinámico 23 , 24. evaluación continua en un subconjunto de sesiones reveló que aunque el método nulo estado de descanso es más conservadora, y por lo tanto menos propenso a falsos positivos, los patrones globales de detección de excursión ISFC fueron similares en ambos regímenes (ver Adicional 5 de la figura).

Supplementary Figure 5
Suplementario Figura 5: excursiones detección del ISFC a través de métodos de generación de datos null. Estado de reposo (parcelas de la columna de la izquierda, azul) o métodos de generación datos null fase aleatorización (parcelas de la columna de la derecha, rojo), porcentaje de excursiones ISFC extraído a través de conexiones. Las parcelas de abajo son un detalle de las conexiones de las tres primeras regiones del cerebro considerado. Error representa la desviación estándar a través de temas. Haga clic aquí para ver una versión más grande de esta figura.

La duración de las adquisiciones del estado de reposo se refiere realmente a un parámetro crítico de los análisis: el valor de α. Ejemplificado por encima, una elección demasiado indulgente dará lugar a una gran cantidad de falsos positivos en los transitorios ISFC detectados. Cuanto mayor sea la cantidad de datos de estado de descanso, los más exigentes índice posible de falso positivos, porque umbral puede basarse en valores más extremos de la distribución nula. Como indicación, para n = 299 regiones atlas aquí y dada nuestra cuenta de 5.762 puntos de datos de estado de descanso, en el mejor podríamos alcanzar un valor de α cerca de 0.01% (véase el paso 5.2.6 detalles matemáticos).

Otro de los puntos clave relativos a cualquier análisis de fMRI está en la eliminación rigurosa de posibles artefactos relacionados con el movimiento de los datos analizados30,42. En particular, si se desea aplicar la tubería introducida a las poblaciones enfermas exhibiendo marcado movimiento en el scanner, recomendamos que en la parte superior incluyendo variables de movimiento como covariables en los análisis estadísticos realizados, procesamiento adicional pasos se ejecutan, como wavelet denoising43 o44de ICA-AROMA. Grupo de comparación, por ejemplo para comparar transitorios ISFC entre un sano y un grupo enfermo, se puede fácilmente realizar paralelamente el enfoque descrito en ambos grupos de interés (véase Bolton et al.25 un ejemplo en una población diagnosticada con trastornos del espectro autista). Sin embargo, una diferencia entre los grupos puede surgir entonces en dos configuraciones distintas: (1) un ISFC ausente cambios en un grupo, o (2) una evolución más heterogénea en ese grupo. Para separar esos dos factores, la tubería se debe ejecutar una vez más para el grupo enfermo, utilizando al tema sano establecer como grupo de referencia en el paso de bootstrapping. El primer caso aún daría lugar a una respuesta ausente, mientras que este último no lo haría.

Encima de lo que aquí descrito, la metodología introducida también abre prometedoras avenidas futuras: de un lado analítico, mapas transitorias ISFC podrían verse como gráficos de cerebro de qué métricas cuantificar cerebro conectividad podría ser derivado45, o dinámica ISFC Estados podrían obtenidos mediante métodos de clustering y evaluados en términos de sus características espaciales y temporales17,46. Además, uno también podría considerar el uso de herramientas de medición de conectividad más sofisticados que el coeficiente de correlación de Pearson para revelar las partes más sutiles de FC47,48.

Desde el lado experimental, la aplicación de nuestra línea de tubería en un conjunto más amplio de los paradigmas es una perspectiva prometedora: por ejemplo, en lugar de una película como el estudiado aquí, uno podría considerar utilizar un pedazo de música49 o una historia narrativa13, 50 de estímulo tiempo-bloqueada. Alternativamente, se podría incluso ser visualizada, a través de hyperscanning51, para comunicación social naturalista52,53.

Disclosures

Los autores no tienen nada que revelar.

Acknowledgments

Este trabajo fue financiado en parte por cada uno de los siguientes: la Swiss National Science Foundation (grant número 205321_163376 a DVDV), la Fundación de Bertarelli (a TB y DVDV), el centro de la proyección de imagen biomédica (CIBM) y la Agencia Nacional de investigación () tempofront número de concesión 04701 a ALG). Los autores agradecemos Roberto Martuzzi y Giulia Preti por su contribución al contenido de vídeo de esta obra como, respectivamente, el operador de MRI y analizan voluntarios.

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

Neurociencia número 145 la proyección de imagen de resonancia magnética funcional análisis basado en la tarea conectividad funcional dinámico correlación funcional entre sujeto análisis de ventana corredera umbralización ver película paradigma
Conectividad funcional entre sujeto dinámico revela configuraciones de red del cerebro momento impulsadas por el continuo o paradigmas de la comunicación
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