Waiting
Login processing...

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

Neuroscience

Dynamiska mellan föremål funktionella anslutningsmöjligheter avslöjar ögonblick till ögonblick hjärnan nätverkskonfigurationer drivs av kontinuerlig eller meddelande paradigm

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 beskrivna metoden är att bestämma vid vilken stunder av paradigm (temporal perspektiv) och mellan vilka regioner (rumsliga perspektiv), uppstå betydande omkonfigurationer i funktionella anslutningsmöjligheter på funktionell magnetisk resonanstomografi inspelningar under vilken en tid-låst stimulans spelas.

Abstract

Uppgiftsbaserade funktionell magnetisk resonanstomografi björnar stor potential att förstå hur vår hjärna reagerar på olika typer av stimulering; men detta uppnås ofta utan att överväga den dynamiska aspekten av funktionella bearbetning och analytiska utgångar normalt redogöra för sammanslagna influenser av uppgift-driven effekter och underliggande spontana fluktuationer av hjärnaktivitet. Här, vi införa en roman metodologiska pipeline som kan gå bortom dessa begränsningar: användning av ett frontlucka analytiska system tillåter spårning av funktionella förändringar över tid, och genom ämnesövergripande correlational mätningar, kan metoden isolera rent stimulus-relaterade effekter. Tack vare en rigorös tröskelvärde process, kan betydande förändringar i Inter betvingar funktionella korrelation extraheras och analyseras.

En uppsättning av friska försökspersoner som genomgick naturalistiska audiovisuella stimulering, bevisa vi nyttan av metoden genom att knyta de avslöjad funktionella omkonfigurationer för särskilda signaler av filmen. Vi visar hur, genom vår metod, man kan fånga antingen en temporal profil av hjärnaktivitet (utvecklingen av en viss anslutning) eller fokusera på en rumslig ögonblicksbild vid en viktig tidpunkt. Vi tillhandahåller en allmänt tillgänglig version av hela rörledningen, och beskriva dess användning och påverkan av dess nyckelparametrar steg för steg.

Introduction

Funktionell magnetresonanstomografi (fMRI) har blivit verktyget val icke-invasivt övervaka förändringar i hjärnans aktivitet som följd av yttre stimulans. Mer specifikt, vuxit levande intresse fram om förståelsen av statistiska beroendet mellan regionala aktiveringen tidsförlopp, känd som funktionella anslutningsmöjligheter (FC)1 och normalt beräknas som Pearsons korrelation koefficient. Funktionella samspelar över hjärnan har utförligt visat konfigurera som en funktion av den underliggande uppgift2,3,4.

Två analytiska riktningar följts separat för att gå bortom denna inledande karakterisering: dels, de svar som induceras i en given hjärnregionen av en tid-låst stimulans observerades att starkt korrelerar över distinkta ämnen5 . Kvantifiera detta mellan föremål korrelation (ISC) visade potential att förfina vår förståelse av kognition6,7,8,9 och hjärnans sjukdomar10,11 . Detta ämnesövergripande correlational tillvägagångssätt förlängdes ytterligare, också för bedömningen av interregional synchronicity12, i vad som blev känt som Inter betvingar funktionella korrelation (ISFC) metod13.

Däremot, dynamisk smak av FC omkonfigurationer börjat få ökad uppmärksamhet (se Hutchison et al.14, Preti, Bolton och Van De Ville15, Gonzales-Castillo och Bandettini16 för senaste recensioner på den Vila-staten och uppgiftsbaserade sidor av denna fråga). I synnerhet kan hela-hjärnan FC förändringar över tid spåras genom på varandra följande korrelation mätningar över en gradvis skiftas temporal sub-fönster17,18, avslöjar ytterligare insikt i samband med beteendemässiga uppgifter 19,20.

Här presenterar vi en metodram som kombinerar dessa två vägar. Faktiskt, vi beräknar ISFC i frontlucka mode att spåra utvecklingen av interregional synkronicitet mellan de ämnen som utsätts för en tid-låst, naturalistiska paradigmet. Genom den ämnesövergripande aspekten av metoden fokuserar analyser på stimulus-driven effekter, medan spontana fMRI förändringar (som är okorrelerade över ämnen) är starkt dämpad. Detta är viktigt eftersom vila-staten och uppgift-framkallat aktivitetsmönster uppfattas alltmer att präglas av distinkta egenskaper21,22.

När det gäller den dynamiska komponenten av metoden gör det en mer komplett och korrekt karakterisering av uppgift stimuli, särskilt när sondera en naturalistisk paradigm där en rad olika ledtrådar (auditiv, visuell, sociala, etc.) kombineras med tiden. Ytterligare, som ljud statistisk utvärdering av betydande dynamiska fluktuationer har varit mycket omdiskuterad23,24, vår strategi tar särskild hand om denna aspekt av analyser genom att isolera betydande ISFC förändringar genom jämförelse till lämpliga null-data.

Vi illustrera metoden på en uppsättning friska utsätts för en audiovisuell film stimulans, för vilka vi visar att den tidsmässiga och rumsliga ISFC ändra profiler som härrör från lokaliserade film sub intervall kan extraheras korrekt. Så beskriver vi också påverkan av de huvudsakliga analytiska parametrarna väljas av användaren. Presenteras resultaten är baserade på en del av tidigare publicerade data25,26.

Protocol

Följande protokoll har godkänts av den lokala etiska kommittén (biomedicinsk Inserm 365 protokoll C08-39).

1. före imaging

  1. Registrera en studiepopulation ämnen, att erhålla skrivet, informerat samtycke för dem alla. Inhämta godkännande från den lokala etiska kommittén.
  2. Välj ett paradigm att undersöka som kan tillämpas på alla ämnen i tid-låst sätt.
    Obs: Här använde vi en audiovisuell vetenskaplig dokumentär för ungdomar (https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study).

2. imaging

  1. För varje ämne att överväga i analyserna, utföra minst en funktionell bildsession som skannade volontären utsätts för tid-låst paradigm av intresse.
    1. Använd en 3 Tesla MRI scanner för att förvärva tvärgående skivor genom en echoplanar imaging sekvens.
    2. Anställa följande imaging parametrar: voxel storlek = 3 mm x 3 mm x 3 mm, upprepning tid (TR) = 2 s, echo tid = 50 ms, synfält = 192, 40 skivor.
      Obs: Snabbare TR värden uppmuntras inom ramen för genomförbarhet. Protokollet kan även appliceras med ett mer begränsat synfält (t.ex. för analyserna begränsas till en viss hjärnstruktur sub), vilket skulle möjliggöra en bättre temporal upplösning (lägre TR) eller ett rumsligt mer exakt analys.
    3. Lämna några sekunder inspelning (≥ 2 TR) före och efter presentationen av stimulans.
  2. Utför minst en separat funktionell bildsession som skannade volontären ligger i vila i skannern, ögonen stängda och instrueras att inte somna.
    Obs: Separat stimulus-relaterade och vila-state förvärv förhindra annars möjligt samspelar mellan villkoren (t.ex. att ha sett filmen i förväg kan lämna ett bestående spår till en senare förvärvade vilar-state inspelning)27. Om man inte vill gå genom ovannämnda ytterligare vila-state förvärvet ett alternativ (om än mer benägna att detektion av falsk positiv; se diskussion) computational alternativet i pipeline ersätter dessa data av surrogat tidsförlopp beräknas ur paradigm-relaterade signaler (se steg 5.1.2).
  3. Utföra strukturella imaging.
    1. Använd en 3 Tesla MRI scanner och en T1-vägd magnetisering-beredd snabb förvärv gradient echo sekvens.
    2. Anställa följande imaging parametrar: voxel storlek = 1 mm x 1 mm x 1 mm, synfält = 256, 176 skivor.

3. data och programvara förberedelse

  1. För varje session att analysera, att förekomsten av följande datafiler:
    1. En uppsättning av funktionell MRI volymer, presentera som separat 3D NIFTI eller HDR/IMG-filer med ett konsekvent numreringsschema (t.ex., ”fMRI_0001”, ”fMRI_0002”, etc.).
    2. En T1 strukturella MRI bild, i NIFTI eller HDR/IMG format.
    3. En atlas sevärdheter i Montreal neurologiska Institutet (MNI) utrymme, i NIFTI-format.
      Obs: Ett exempel på krävs indatafiler tillhandahålls för representativa ämne (”S17”), tillsammans med fullständig pipeline koden, på https://c4science.ch/source/Intersubj_pipeline.git
  2. Hämta den senaste versionen av de offentligt tillgängliga Freesurfer programvara28 (https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall).
  3. Hämta den senaste versionen av offentligt tillgängliga statistiska parametriska mappning (SPM) MATLAB verktygslådan från https://www.fil.ion.ucl.ac.uk/spm/software/spm12/.
  4. Öppna MATLAB (version 2017a eller nyare) och leta upp mapparna nyligen hämtade ”freesurfer” och ”spm12”. För varje, rätt klick på den och välj den lägga till sökvägen > valda mappar och undermappar alternativet.

4. data förbehandling

  1. I MATLAB terminal ägnas typ spm att starta SPM12 huvudmenyn och klicka på knappen fMRI att åtkomst till förbehandling alternativ fMRI data. Utför följande steg separat för varje fMRI session att Förbearbeta.
    1. Klicka på Justera (Est & Res), och i det nya öppna Batch Editor-fönstret, dubbelklicka på Data > Session. I nya öppna sessionsfönstret, markera alla funktionella bilder att bearbeta. Klicka på knappen klar och därefter på ikonen Kör Batch från fönstret Batch Editor (grön triangel). Vänta tills steget Omstruktureringsdirektiv är klar, vilket visas i MATLAB terminal-fönstret.
    2. Klicka på Coregister (Est & Res), och i det nya öppna Batch Editor-fönstret, dubbelklicka på referensavbildningen. I fönstret nya öppna referensavbildningen Välj den genomsnittliga funktionella volymen skapade i följande steg, prefixet ”elak”, och klicka på knappen klar . Dubbel klicka på källbild, och den nya öppna källbilden fönster, Välj T1 bilden. Klicka på knappen klar och därefter på ikonen Kör Batch från fönstret Batch Editor (grön triangel). Vänta tills det coregistration steget slutförs, som anges i terminalfönstret MATLAB.
      Obs: T1 bilden skrivs över vid detta steg, så att den uppdatera som ligger i samma utrymme som de funktionella volymerna.
    3. Klicka på Segment, och i det nya öppna Batch Editor-fönstret, dubbelklicka på volymer. I fönstret nya öppna volymer, Välj T1 bilden och klicka på knappen klar . Sedan i Batch Editor-fönstret, dubbelklicka på Deformation fält och markera alternativet Omvänd . Klicka på ikonen Kör Batch (gröna triangeln) och vänta tills steget segmentering är klar, vilket visas i MATLAB terminal-fönstret.
  2. Skriv JOVE_GUI1 i MATLAB terminalen att fönstret första förbehandling grafiskt gränssnitt. Utför följande steg för varje fMRI session att analysera.
    1. Klicka på RETUR fMRI dataoch välj alla uträtad funktionella volymer som skapats i steg 4.1.1 (prefixet med ”r”). Välj både IMG och HDR volymer för IMG/HDR-filer.
    2. Ange TR data (i sekunder) i fönstret dedikerad redigerbar text.
    3. Klicka på Ange T1 data och välj de tre probabilistiska vävnad typ volymer som skapats i steg 4.1.3 (prefixet ”c1”, ”c2” och ”c3”).
    4. Klicka på RETUR motion filoch välj den textfil som innehåller motion parametrar från sessionen av intresse, skapade i steg 4.1.1 och prefixet ”rp”.
    5. Välj önskad typ av förbehandling, d.v.s. om data bör vara detrended eller inte (respektive inställning knappen dedikerad eller inaktivera), och vilken kovariater bör vara regredierat ut (genom att välja lämpligt alternativ från listan dedikerad).
      Obs: Steget regression är inspirerad från en funktion med ursprung från den DPARSF verktygslåda29. Vit substans och cerebrospinalvätska signalerna från enskilda försökspersoner är i genomsnitt över de voxlar som respektive mall DPARSF probabilistiska vävnad kartan visade en signal större än 0,99. I våra analyser, vi detrended data och regredierat ut vit substans/ryggmärgsvätskan vätska tidsförlopp samt konstant, linjära och kvadratiska trender.
    6. Att förbehandla data, klicka på Preprocessoch vänta på displayen för att visas i fönstret. Data kan vara åter preprocessed annorlunda genom att ändra alternativen och klicka igen på knappen Preprocess .
      Obs: Grå materia handlingen är inspirerade från den representation som föreslagits av Power et al.30.
    7. Om du vill spara utdata för följande steg, klicka på knappen Spara . För att rensa innehållet i fönstret, klicka på knappen Rensa .

Supplementary Figure 1
Kompletterande figur1: exempel skärmdump från första förbehandling grafiskt gränssnitt fönstret. Voxel-wise tidsförlopp av grå hjärnsubstans voxlar efter valda alternativ för bildförbehandling (topp rätt tomt), och kovariater som kan användas i förbehandling (från toppen till botten: cerebrospinalvätska/vit materia genomsnittliga tidsförlopp, translationell motion parametrar och parametrar för roterande rörelse. Klicka här för att se en större version av denna siffra.

  1. Skriv JOVE_GUI2 i MATLAB terminalen att fönstret andra förbehandling grafiskt gränssnitt. Utför följande steg för varje fMRI session att analysera.
    1. Klicka på Välj dataoch välj datafilen sparade i steg 4.2.7 (namngiven ”ISFC_VX.mat”).
    2. Klicka på Välj motion, och välj den textfil som innehåller motion parametrar från sessionen av intresse, skapade i steg 4.1.1 och prefixet ”rp”.
    3. Klicka på Välj atlas, och välj filen NIFTI representerar atlas att använda för parcellation.
    4. Klicka på Välj Omvänd varp, och välj den NIFTI fil som representerar fältet deformation från MNI till infödda utrymme, skapat i steg 4.1.3 och prefixet ”iy”.
    5. Klicka på Välj fMRI volymoch välj någon av fMRI datavolymer.
      Obs: Detta steg kan komma åt informationen i huvudet av funktionella data, därav varför den faktiska valda volymen inte är viktigt.
    6. Ange TR data (i sekunder) i fönstret dedikerad redigerbar text.
    7. Ange skura-relaterad information: typ av skrubbning för att utföra (dvs., hur många bildrutor för att skrubba ut före och efter de taggade) i listan ”skura typ” och framewise förskjutning tröskelvärdet (Powers kriteriet31) ovan som en fMRI volym bör vara skrubbas i fönstret ”Scrubbing tröskel” redigerbar text (i mm).
      Obs: Kubisk spline interpolation utförs på skurade datapunkter att ersätta dem med uppskattade värden från intilliggande prover. I våra analyser, vi skurade en bildruta efter de taggarna volymerna och används en 0,5 mm tröskel för att skura.
    8. Ange storleken på frontlucka W för ISFC uträkningar (se steg 5), i TRs.
      Obs: Denna upplysning kommer att aktivera filtrering av tidsförlopp genom en funktion med ursprung från den DPARSF verktygslåda29, vid f = 1/W Hz32. I våra analyser, vi använde W = 10 TR som en avvägning värde att fånga dynamiska variationer samtidigt bevara tillräckligt prover för robust uppskattningar.
    9. Klicka på knappen Rita att Visa vägledande atlased tidsförlopp innan (översta tomt) och efter (botten tomt) den skrubbning och filtrering steg. Kontrollera, genom okulärbesiktning, som efter valda förbehandling steg, dessa utsignaler inte införliva salient artefaktiska komponenter.
    10. För att spara utgångarna för följande steg, ange en spara namn i fönstret dedikerad redigerbar text och klicka på knappen Spara . För att rensa innehållet i fönstret, klicka på knappen Rensa .

Supplementary Figure 2
Kompletterande figur 2: exempel skärmdump från den andra förbehandling grafiskt gränssnitt fönstret. Regionala tidsförlopp efter atlasing, innan (översta tomt) och efter (botten tomt) skrubbning och filtrering enligt valda parametrar. Varje kurva skildrar en regional tidpunkt kurs väljs slumpmässigt bland alla tillgängliga de. Klicka här för att se en större version av denna siffra.

5.-frontlucka ISFC uträkningar

  1. Skriv JOVE_GUI3 i MATLAB terminalen att öppna fönstret första ISFC-relaterade grafiskt gränssnitt. Utför följande steg separat för varje typ av förvärvade fMRI session segment (stimulus-relaterade segment, vila-statliga segment av stimulus-relaterade sessioner och renodlat vilande-statliga segment).
    1. Klicka på Ladda dataoch markera alla lämpliga datafiler skapas genom steg 4,3.
    2. Välj om segmenten valda sessionen bör genomgå fas randomisering.
      Obs: Fas randomisering kan användas som ett alternativ för generering av null-data från stimulus-relaterade signaler, om ingen vila-state inspelningar finns.
    3. Ange TR data (i sekunder) i fönstret dedikerad redigerbar text.
    4. Ange frontlucka parametrar som ska användas för analys i Fönstren dedikerad redigerbar text: fönsterstorlek (i TRs) över vilken anslutning mätningar bör beräknas och stegstorlek (i TRs) som successiva windows bör skiftas.
      Obs: I våra analyser, vi använde en fönsterstorlek 10 TR och en stegstorlek 1 TR.
    5. Ändra tabellen ”Session typer” för att ange vilken av segmenten laddade session förvärvades samma experimentella kondition. Använd ökande heltal från 1 och framåt till taggen olika typer av segment (t.ex. om stimulans visades för först eller andra gången i en viss inspelning). Lämna bordet orörda om endast en typ av session segmentet förvärvades.
      Obs: En session i den nuvarande arbetet kan syfta antingen till en kombinerad film/vila-state inspelning (kallas kör1 och köra2 i figur 1A) eller till en rent vilar-state inspelning (kör3). En session segment avser en sub del av en session-inspelning, antingen när filmen var såg, eller när försökspersonerna ljög i vila. Ovanstående information används i de senare beskrivna ISFC beräkningar (se steg 5.1.8) att begränsa störande påverkan av olika session segmenttyper.
    6. Ange bootstrapping-relaterade parametrar i Fönstren dedikerad redigerbar text: antalet bootstrapping veck över att utföra ISFC uträkningar, och antalet försökspersoner som bör utgöra referensgruppen för varje vik av ISFC beräkningar.
      Obs: I våra analyser använde vi 250 bootstrapping veck, och 6 försökspersoner i referensgruppen.
    7. Ange specifikationerna som sub del av tidsförlopp bör analyseras i avsnittet Timing parametrar i Fönstren dedikerad redigerbar text. En start och ett slut index (i TRs) bör ges. För att analysera hela inspelningstid, Använd 1 som startar index och antalet prover som slutet index.
    8. Klicka på knappen Rita för att utföra ISFC beräkningar. Visar uppdateras successivt över tiden, tillsammans med mängden förfluten bootstrapping veck. För en region par (i, j) och en glidande fönstret index τ beräknas ISFC som genomsnittet av cross-korrelationer mellan session segment s och alla session segment från referensgruppen, inom en-frontlucka längd W; beteckna denna referensgrupp av Ψ, dess antal försökspersoner av NΨ, och låt xi[s](t) Tidsförloppet av regionen för session segment s vid tiden t; en ISFC uppskattning ges sedan av:
      Equation 2
      ISFC mätningar beräknas över angiven mängd bootstrapping veck, och med det valda antalet segment, session som används som referensgrupp vid varje vik (se steg 5.1.6). Om flera session segmentet subtyper ingår, komponerar en blandning av subtyp prover alltid referensgruppen. Slutresultatet för varje session segment är den genomsnittliga ISFC över alla veck där det inte ingick som en referensmätning.
      Obs: Referensgruppen är uppsättningen session segment som funktionella gången kurser för session segment s jämförs på varje vik av bootstrapping processen. För att resultaten ska vara mer robust mot avvikare datapunkter, ISFC beräknas flera gånger på olika referensgrupp (d.v.s. en annan delmängd av session segment). Ännu viktigare, matchar förvärv tiden t inte det skjutbara fönster index τ, som den senare beräknas över en uppsättning av W datapunkter, och förlitar sig på steg fönsterstorleken för successiva uppskattningar. Bootstrapping processen inspirerades från en tidigare studie av Brest et al.33.
    9. För att spara utgångarna för följande steg, ange en spara namn i fönstret dedikerad redigerbar text och klicka på knappen Spara . För att rensa innehållet i fönstret, klicka på knappen Rensa .

Supplementary Figure 3
Kompletterande figur 3: exempel skärmdump från det första ISFC-relaterade grafiskt gränssnitt fönstret. (Översta tomt) Schematisk bild av hur ofta anses varje session har dess ISFC mätningar beräknas (dvs. inte är vald inom referensgruppen). (Botten tomt) På ett vägledande ämne, ISFC tidsförlopp som beräknats för femtio exempel anslutningar, valde som de som uppvisar de största summerade absoluta ISFC värdena över tid. Klicka här för att se en större version av denna siffra.

  1. Skriv JOVE_GUI4 i MATLAB terminalen att öppna fönstret andra ISFC-relaterade grafiskt gränssnitt.
    1. Klicka på Load ISFC data och markera de stimulans-relaterade ISFC output filer skapade i steg 5.1.
    2. Klicka på Ladda null-data och välj, beroende på använda null-data generation systemet, antingen i vila-statliga ISFC eller fasen randomiserade stimulus-relaterade ISFC output filer skapade i steg 5.1.
    3. Klicka på Load kodbok och välj filen kodbok skapade i steg 4,3.
    4. Ange TR data (i sekunder) i fönstret dedikerad redigerbar text.
    5. Ange frontlucka parametrar används i uträkningarna av steg 5.1 (fönsterstorlek och stegstorlek i TRs) i Fönstren dedikerad redigerbar text.
    6. Ange (i procent) α-värdet som ISFC tid kurserna ska vara thresholded att markera betydande förändringar i fönstret dedikerad redigerbar text.
      Obs: Här och annorstädes, när man hänvisar till en α-värde på 2,5%, innebär det att signifikans uppnås när ett värde är lägre än den 2,5n : te percentilen, eller större än den 97,5n : te percentilen, null data. I våra analyser, vi hade 5,762 vila-state datapunkter till vårt förfogande, och valt ett α-värde av 10-4. Detta innebär att vi ville att 0,01% av data prover vara större eller lika med de valda tröskelvärden förbi som en ISFC utflykt skulle anses vara betydande. För jämförelser, att α-nivå efterfrågas av Bonferroni korrigering skulle vara 0,05/44,551 = 1,12 x 10-6, och den strängaste möjliga α-nivå aktiverad med vår mängd data (n prover) skulle vara Equation 3 .
    7. Klicka på knappen Rita att utföra ISFC tröskelvärde processen, i vilken alla tillgängliga null ISFC mätningar aggregeras, för en viss anslutning, att konstruera en null-distribution, efter vilken stimulans-relaterade ISFC mått är thresholded enligt det valda α-värdet. Tidpunkter där ett stimulus-relaterade ISFC värde statistiskt signifikant överskrider null fördelningen är taggade som -1 / + 1 för betydande ISFC minskar och ökar, respektive.
      Obs: Tröskelvärde processen hämtar inspiration från Vila-state dynamiska FC arbete Betzel et al.23.
    8. För att visualisera ISFC rumsliga mönster vid olika tidpunkter, dra reglaget under ISFC utflykt tomten.

Supplementary Figure 4
Kompletterande figur 4: exempel skärmdump från den andra ISFC-relaterade grafiskt gränssnitt fönstret. (Övre vänstra tomt) På ett vägledande ämne, ISFC tidsförlopp som beräknats för tre exempel anslutningar, markerat som de uppvisar den största mängden av betydande ISFC utflykter och visas med deras associerade beräknade betydelse tröskelvärdena (horisontella linjer). (Nedre vänstra tomt) Samma anslutningar associerade utflykt tidsförlopp i genomsnitt över försökspersoner med tvåsidiga 95% konfidensintervall visas som fel mått. (Rätt tomt) Rumsliga ISFC mönster (i genomsnitt ISFC utflykter över försökspersoner) för en vald tidpunkt anges med en lodrät svart linje på ISFC och utflykt tomter. Positiva ISFC utflykter visas i gult, och negativa sådana i rosa. Storlek och färg koden noder är proportionell till graden. Klicka här för att se en större version av denna siffra.

Representative Results

Här, vi ansåg n = 15 vanligtvis utveckla (TD) ämnen för vilka vi erhållit skriftlig, informerade samtycke. Alla var högerhänt hanar (23.42 ± 7,8 år gammal). Den valda paradigmen var en audiovisuell vetenskaplig dokumentär för ungdomar om farorna med solexponering. Den innehåller ett stort utbud av sociala, visuella och auditiva stimuli, och kan ses på https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study.

Vi förvärvade två sessioner per ämne (kör1 och kör2) där bedömt filmen visades från 5 till 353 s (5.8 min varaktighet). En vila-state segmentet också följt från 386 till 678 s (4,9 min varaktighet). Dessutom en enbart vila-state session (kör3) förvärvades för varje ämne (exklusive en som drabbats av klaustrofobi), varaktig för 310 s (5,2 min). Exempel filmscener och tidpunkten för förvärvade data sammanfattas i figur 1A. Ännu viktigare, förvärv protokollet inte var optimal i avkänningen att vila-state recordings förvärvade strax efter film exponering kan vara delvis skadad av spridningseffekter effekter27; Vi gör användning av informationen i det här resultatet för att ha en tillfredsställande mängd prover för statistiska tröskelvärde, men detta bör undvikas om möjligt.

Vi uteslutit alla sessioner som var mer än 10% av ramar skurat, på en tröskel på 0,5 mm, och anses vara parcellation från Craddock et al.34 (två-nivå Stratigrafisk korrelation algoritm) att generera regionala tidsförlopp, för totalt 299 olika hjärnregioner.

ISFC beräknades separat på (1) film-tittande fortsätta RUN1 och kör2, (2) de vila-state kapitlen kör1 och kör2och (3) Vila-staten kör3 inspelningar. Vi använde en fönster längd W = 10 TR för viktigaste presenterade resultat och jämföra dem med ett lägre värde av W = 5 TR. steg storlek alltid förblev lika med 1 TR. Bootstrapping var utfört över 250 veck, inklusive 6 session segment i varje referensgrupp.

Figur 1B visar ISFC tidsförlopp genereras på W = 10 TR och W = 5 TR för tre olika representativa anslutningar: anslutning 1 inblandade vänster sämre parietala region besläktade med förväntan av rörliga objekt (MNI koordinater: 41,9,32)35 , och en rätt opercular frontyta kopplade till svar hämning (-34,-52,45)36. Denna sistnämnda region var också inblandad i anslutningar 2 och 3, respektive med en area som inblandad i sensoriska samordning (54,6,34)37, och en knuten till bearbetning av innebörden av orden (6,62,9)38.

En jämförelse över fönster längder avslöjar att i W = 5 TR inställning, temporal variansen i ämnena är totalt sett större i båda fall som film-tittande och vila-statliga segment jämfört med W = 10 TR, ett känt fenomen i frontlucka analyser39. För anslutning 1, oavsett längden på fönster, en lokaliserad kapitel av filmvisning inspelningen (cirka 55 s) visar en stark, synkroniserad ISFC öka över ämnen, som i hög grad överskrider intervallet av värden som vidtas i ärendet vilande-state. Således, vi förväntar oss att fånga detta timliga kapitel som en betydande ISFC övergående med vår tröskelvärde metod.

För anslutning 2, observerar vi liknande tidsmässig dynamik, men för W = 5 TR, ökningen blir mindre lätt att särskilja jämfört med vila-state tidsförlopp, på grund av det större frontlucka metodik-relaterade bullret. När det gäller anslutning 3, det återspeglar ett fall där finns det inga tydliga svar till filmen, och således svängningarna från film-tittande och vila-state tidsförlopp är liknande. Det förväntade utfallet i detta analytiska skede är en blandning mellan som visar tydlig stimulans-inducerad omkonfigurationer, och anslutningar som inte svarar.

Figure 1
Figur 1: förvärv timing och exempel ISFC tidsförlopp. (A), filmen såg av försökspersonerna involverat en rad olika sociala situationer (exempel bilder 1 och 4), vetenskapliga förklaringar med färgglada paneler (exempel bilder 2 och 5) och landskapet landskap (exempel bild 3). Tre sessioner förvärvades per ämne: två (kör1 och kör2) ingår film stimulering (från 5 till 353 s, markerade i grönt) följt av en vila-state period (från 386 till 678 s, visas i gult), medan en (kör3) enbart bestod i en vila-state inspelning (310 s längd, visas i orange). (B) för tre vägledande anslutningar (C1, C2 och C3, respektive mörk grön/röd, ljus grön/orange och turkos/gul spår) och utvecklingen av ISFC över tid under film-tittande (kalla färger) eller vilar-state (varma färger). För W = 10 TR (till vänster), film-tittande ISFC ändras mer till stor del stå ut jämfört med W = 5 TR (höger panel). Varje trace återspeglar ISFC tid kursen av en session. Denna siffra har delvis ändrats från Bolton et al.25. Klicka här för att se en större version av denna siffra.

Figur 2A visar resultaten efter statistiska tröskelvärde för ISFC tidsförlopp, för samma tre anslutningar som ovan. En tid kursen värdet 1 innebär att alla patienter genomgick den samma ISFC öka samtidigt peka; värdet 0 betyder att inget ämne genomgick en betydande förändring av ISFC; värdet -1 innebär en synkron ISFC minskning över alla ämnen. Som tidigare, vi kontrast W = 5 TR och W = 10 TR, och vi också belysa två α-värde fall: α = 0,01% och α = 5%.

Montering med ovanstående, minskar en lägre fönster längd mängden extraherade betydande ISFC förändringar. För anslutning 1, båda W = 5 TR och W = 10 TR, extrahera dock samma särskilda ögonblick (t = 55 s) som visar en kraftig ökning av ISFC. Tar en hemodynamiska fördröjning på ungefär 5 s hänsyn, detta motsvarar ett kapitel i filmen när färgade linjer utvidgade mot en docka, och plötsligt stannade precis framför det (46-49 s), passande med rollen av de berörda regionerna i flytta objekt förväntan och svar hämning35,36.

När ökar α från 0,01% till 5%, kan man observera en mycket lägre specificitet på de upptäckta ISFC transienter, sannolikt inklusive många falska positiva och expectedly visar mycket mindre temporal synchrony.

Som ett annat perspektiv som kan ställas in på data, figur 2B visar hela-hjärnan rumsliga kartor om väsentliga förändringar av ISFC vid t = 55 s. Det kan ses att svaret på filmscen sträcker sig långt bortom de exempel anslutningar som beskrivs här.

Figure 2
Figur 2: Temporal och spatial ögonblicksbilder av ISFC mönster. (A), ISFC övergående tidsförlopp, i genomsnitt över ämnen, för tre vägledande anslutningar (C1, C2 och C3, respektive mörk grönt, grönt och turkos spår). Filmscenen som drev ISFC ändringarna är markerade i ljusgrå och avbildad av exempel bilder. För W = 10 TR (vänster kolumn av tomter), ISFC förändringar upptäcks starkare än för W = 5 TR (högra kolumnen av tomter). För α = 0,01% (översta raden av tomter), specificitet till lokaliserade film ledtrådar är större än för α = 5% (nedersta raden av tomter). Varje trace återspeglar ISFC övergående tidsförloppet för en session, och de tvåsidiga 95%-konfidensintervall visas som fel mått. (B) för W = 10 TR och α = 0,01%, det är en snygg, begränsad rumsliga mönster av ISFC transienter vid t = 55 s (ISFC övergående toppvärdet för C1); för W = 5 TR och α = 5%, anslutningar som genomgår en betydande ISFC förändring vid denna tid är mycket mer talrika. Observera att vi antar en hemodynamiska försening på runt 5 s i det beskrivna temporalitet (dvs., ett värde av 55 s här avser film stimulans vid 50 s). Denna siffra har delvis ändrats från Bolton et al.25. Klicka här för att se en större version av denna siffra.

Discussion

På en datamängd av friska, vi visat hur synkron ämnesövergripande ökningar och minskningar i FC, de ISFC transienter, skulle matcha temporally lokaliserade film ledtrådar, som tillhandahåller information som går utöver en statisk beskrivning. Även om användningen av ämnesövergripande korrelation mäter möjliggör att fokusera analysen på stimulus-driven funktionella omkonfigurationer, en också måste vara medvetna om att det begränsar resultaten till de effekter som delas mellan den studerade populationen: därför lågaktivt sensorisk bearbetning är väntat till vara överrepresenterade jämfört med frontal bearbetning40. För att kringgå denna begränsning, nya metoder som också har förmåga att extrahera de regioner som starkast varierar mellan patienter som utvecklade41.

En annan begränsning från introducerade metoden uppkommer den frontlucka aspekten, som temporal upplösning av ISFC övergående tidsförlopp sänks jämfört med frame-wise metoder15. Som vi visade, en avvägning mellan en tillräckligt låg fönster längd att korrekt lösa dynamiska ISFC omkonfigurationer behövs, och en tillräckligt stor storlek för att få robust uppskattningar. Två kritiska steg i vår ram garantera att de extraherade ISFC transienter återspeglar verkligen förekommande förändringar i anslutning: första, högpass filtrering av regionala tidsförlopp med inversen av den fönster längd32; andra, användning av vila-state ISFC data för generering av en relevant null-distribution, med identiska förvärv parametrar jämfört med stimulans-relaterade data. Naturligtvis, kräver den senare också en längre globala förvärv tid, så att vila-state data kan samlas ovanpå stimulus-relaterade sessioner. Som ett alternativ att undvika ytterligare vila-state inspelningarna, erbjuder vi även möjligheten att generera randomiserad fas data direkt från stimulus-relaterade tidsförlopp, en metod som ofta används i dynamiska funktionella anslutningen analyser 23 , 24. ytterligare utvärdering på en delmängd av sessioner visade att även om metoden vilar-state null är mer konservativa, och därmed mindre benägna att falska positiva, de globala mönster av ISFC utflykt upptäckt var liknande över båda systemen (se Kompletterande bild 5).

Supplementary Figure 5
Kompletterande figur 5: detektering av ISFC utflykter över null-data generation metoder. För vila-state (vänstra kolumnen, blå tomter) eller fas randomisering (högra kolumnen, röda områden) null-data generation metoder, andelen ISFC utflykter utdraget över anslutningar. Botten Tomterna är en infälld på anslutningar som härrör från de tre första övervägt hjärnregioner. Fel representerar standardavvikelse över ämnen. Klicka här för att se en större version av denna siffra.

Varaktigheten av vila-state förvärven avser faktiskt en kritisk parameter analyser: α-värdet. Som exemplifieras ovan, kommer att ett alltför överseende val leda till en stor mängd falsklarm i de upptäckta ISFC transienter. Ju större mängden tillgängliga vilar-state data, den strängare de uppnåeliga falska positiva Betygsätt, eftersom tröskelvärde kan baseras på mer extrema värden från null fördelningen. Som en indikation, för n = 299 atlas regioner som här och gett våra tally 5,762 vila-state datapunkter, kunde vi i bästa uppnå en α-värde nära 0,01% (se steg 5.2.6 för matematiska Detaljer).

En annan viktig punkt som hänför sig till någon fMRI-analys ligger i rigorösa avlägsnandet av möjliga rörelse-relaterade artefakter från de analyserade data30,42. Särskilt om man vill applicera introducerade rörledningen till sjuka befolkningen uppvisar märkt rörelse i skannern, rekommenderar vi att ovanpå inklusive rörelse variabler som kovariater i de statistiska analyserna som utförs, ytterligare förbehandling steg köras, såsom wavelet denoising43 eller ICA-arom44. Gruppera jämförelse, till exempel för att jämföra ISFC transienter mellan en hälsosam och en diseased grupp, kan lätt utföras genom att köra den beskrivna metoden parallellt på båda grupperna av intresse (se Bolton et al.25 för ett exempel på en befolkning diagnostiserade med autismspektrumstörningar). Dock en skillnad mellan grupperna kan då uppstå i två olika inställningar: (1) en frånvarande ISFC förändring i en grupp, eller (2) en mer heterogen evolution i gruppen. För att särskilja dessa två faktorer, ska rörledningen köras en gång till för sjuka gruppen, med friska ämnet Ställ som referensgruppen i det bootstrapping steget. Det förstnämnda fallet skulle fortfarande resultera i ett frånvarande svar, medan de senare inte skulle.

Utöver vad vi beskrivit här, introducerade metoden också öppnar upp lovande framtida vägar: från en analytiska sida, ISFC övergående kartor kan ses som hjärnan grafer från vilka mätvärden som kvantifiera hjärnan anslutning kunde vara härledda45, eller dynamisk ISFC staterna kunde utvinnas genom klustring metoder och bedömas på grundval av deras spatiala och temporala egenskaper17,46. Dessutom kan också tänka sig användningen av mer sofistikerade verktyg för resultatmätning av anslutning än Pearsons korrelationskoefficient att avslöja subtilare sidor av FC47,48.

Från den experimentella sidan, tillämpningen av vår pipeline till en mer utökad uppsättning paradigm är ett lovande perspektiv: till exempel, istället för en film som studerats här, kan man tänka sig för att använda en bit musik49 eller en narrativ berättelse13, 50 som tid-låst stimulans. Alternativt, det kunde även vara tänkt, genom hyperscanning51, sond naturalistiska social kommunikation52,53.

Disclosures

Författarna har något att avslöja.

Acknowledgments

Detta arbete stöds delvis av vardera av följande: schweiziska National Science Foundation (grant nummer 205321_163376 till DVDV), Stiftelsen Bertarelli (till TB och DVDV), centrum för biomedicinsk Imaging (CIBM) och den nationella byrån för forskning ( tempofront licensnummer 04701 till ALG). Författarna vill tacka Roberto Martuzzi och Giulia Preti för deras bidrag till videoinnehåll av detta arbete som, respektive MRI operator och skannats volontär.

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

Neurovetenskap fråga 145 funktionell magnetisk resonanstomografi uppgiftsbaserade analys dynamisk funktionell konnektivitet mellan föremål funktionella korrelation frontlucka analys tröskelvärde filmvisning paradigm
Dynamiska mellan föremål funktionella anslutningsmöjligheter avslöjar ögonblick till ögonblick hjärnan nätverkskonfigurationer drivs av kontinuerlig eller meddelande paradigm
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