Waiting
Login processing...

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

Neuroscience

Dynamisk Inter underlagt funksjonelle tilkobling avslører øyeblikk til øyeblikk hjernen nettverkskonfigurasjoner drevet av kontinuerlig eller kommunikasjon paradigmer

Published: March 21, 2019 doi: 10.3791/59083
Automatic Translation
1,2, 3, 3, 1,2
1Institute of Bioengineering, École Polytechnique Fédérale de Lausanne (EPFL), 2Department of Radiology and Medical Informatics, University of Geneva, 3Department of Neuroscience, University of Geneva

Summary

Målet med beskrevet tilnærming er å avgjøre hva øyeblikk av paradigmet (temporal perspektiv), og mellom hvilke områder (romlig perspektiv), forekommer betydelig detalj i funksjonelle tilkobling på funksjonell magnetisk resonans imaging innspillinger som spilles av en gang-låst stimulans.

Abstract

Oppgavebaserte funksjonell magnetisk resonans imaging bærer stort potensial til å forstå hvordan hjernen reagerer på ulike typer stimulering; men dette oppnås ofte uten betraktning dynamiske fasett av funksjonelle behandling og analytisk utganger vanligvis utgjør flettede påvirkninger av kvalitetssikrede oppgaver effekter og underliggende spontan svingninger av hjerneaktivitet. Her introduserer vi en ny metodologiske rørledningen som kan gå utover disse begrensningene: bruk av en skyve vinduet analytisk ordningen tillater sporing av funksjonelle endringer over tid, og kryss-emne correlational mål, tilnærming kan isolere rent stimulans-relaterte effekter. Takket være en streng terskelverdi prosess, kan betydelige endringer i Inter underlagt funksjonelle sammenheng utdraget og analyseres.

På et sett av sunn fag som gjennomgikk naturalistiske audiovisuelt stimulering, viser vi nytten av tilnærming ved å binde de avslørt funksjonelle detalj for bestemt signaler av filmen. Vi viser hvordan gjennom vår metode, kan ta enten en timelig profil av hjerneaktivitet (utviklingen av en gitt tilkobling), eller fokusere på en romlig bilde på et viktig tidspunkt. Vi tilbyr en offentlig tilgjengelig versjon av hele rørledningen, og beskriver bruken og påvirkning av sin nøkkelparametere trinnvis.

Introduction

Funksjonell magnetisk resonans imaging (fMRI) har blitt verktøyet valgfrihet til ikke-invasively overvåke endringer i hjerneaktivitet skyldes ytre stimulering. Mer spesifikt, livlig interesse har dukket opp om forståelsen av statistiske avhengighet mellom regionale aktivisering tid kurs, kjent som funksjonell tilkobling (FC)1 og vanligvis beregnet som Pearsons korrelasjon koeffisient. Funksjonell interplays over hjernen har vist mye rekonfigurere som en funksjon av underliggende oppgave2,3,4.

To analytisk retninger er separat fulgt for å gå utover denne innledende karakteristikken: på den ene siden, svaret indusert i en gitt hjernen regionen av en tid-låst stimulans ble observert å sterkt relatere over forskjellige elementer5 . Kvantifisere denne Inter emne sammenheng (ISC) viste potensial til å forbedre vår forståelse av kognisjon6,7,8,9 og hjernen lidelser10,11 . Videre, denne kryss-emne correlational ble også utvidet til vurdering av kryss-regional synkron12, i det som ble kjent som den Inter underlagt funksjonelle sammenheng (ISFC) tilnærming13.

På den annen side, dynamisk smaken av FC detalj begynte å få økt oppmerksomhet (se Hutchison et al.14, Preti, Bolton og Van De Ville15, Gonzales-Castillo og Bandettini16 for siste vurderinger på det hvile-stat og oppgavebaserte sider av dette spørsmålet). Spesielt kan hele-hjerne FC endringer over tid spores gjennom påfølgende korrelasjon mål over en gradvis skiftet timelige sub vinduet17,18, avslørende ekstra innsikt i forbindelse med atferdsdata aktiviteter 19,20.

Her presenterer vi et metodiske rammeverk som kombinerer de to veier. Faktisk beregne vi ISFC i skyve-vinduet mote sporer utviklingen av kryss-regional synkron mellom fagene utsatt for en tid-låst, naturalistisk paradigme. Gjennom det kryss-emne aspektet av metoden, er analyser fokusert på stimulans-drevet effekter, mens spontan fMRI endringer (som er uncorrelated over fag) er sterkt dempet. Dette er viktig fordi hviler statuser og oppgave-utløste mønstre er stadig forstått å være preget av forskjellige egenskaper21,22.

Som for komponenten dynamisk av metoden muliggjør mer fullstendig og nøyaktig karakteristikk av oppgaven stimuli, spesielt når undersøkelser en naturalistisk paradigme der ulike sett med signaler (auditory, visuelle, sosiale, etc.) er kombinert over tid. Videre, som lyd statistiske evalueringer av dynamisk svingningene er sterkt debattert23,24, vår tilnærming tar bestemt av dette aspektet av analysene av aisolering betydelige ISFC endringer gjennom sammenligning med passende nulldata.

Vi illustrerer metoden på et sett av sunn utsatt for et audiovisuelt film stimulans, som vi vise at den timelige og romlige ISFC endre profiler som oppstår fra lokaliserte film sub intervaller nøyaktig kan hentes. Dermed beskrive vi også innflytelsen til de viktigste analytisk parameterne velges av brukeren. Presenteres funnene er basert på en del av tidligere publiserte data25,26.

Protocol

Følgende protokollen er godkjent av den lokale etikk (biomedisinsk Inserm 365 protocol C08-39).

1. pre-tenkelig

  1. Registrere en studien befolkningen av fag, få skrevet, samtykke for dem alle. Søk godkjenning fra den lokale etikk.
  2. Velg et paradigme undersøke som kan brukes på alle fag i tid-låst måte.
    Merk: Her brukte vi en audiovisuell vitenskapelige dokumentar for unge (https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study).

2. imaging

  1. For hvert emne å vurdere i analysene, utføre minst én funksjonelle tenkelig økt der de skannede frivillige er utsatt for tid-låst paradigmet av interesse.
    1. Bruke en 3 Tesla Mr skanner for å erverve tverrgående skiver gjennom en echoplanar imaging sekvens.
    2. Benytter følgende tenkelig parametere: voxel størrelse = 3 mm x 3 mm x 3 mm, repetisjon tiden (TR) = 2 s, ekko tid = 50 ms, synsfelt = 192, 40 skiver.
      Merk: Raskere TR values oppmuntres innenfor gjennomførbarhet. Protokollen kan også brukes med et mer begrenset synsfelt (f.eks for analyser begrenset til en bestemt hjernen sub struktur), som vil gi en bedre timelige oppløsning (lavere TR), eller en romlig mer presis analyse.
    3. La noen sekunder av opptak (≥ 2 St) før og etter presentasjonen av stimulans.
  2. Utføre minst én egen funksjonelle tenkelig økt der de skannede frivillige ligger resten i skanneren, øynene lukket og beskjed om ikke for å sovne.
    Merk: Separat stimulans-relaterte og hvile-state oppkjøp hindre ellers mulig interplays mellom betingelsene (f.eks, etter å ha sett filmen på forhånd kan la varig spor senere ervervet hviler statuser opplest)27. Hvis det ikke ønsket å gå gjennom de nevnte ekstra hvile statuser oppkjøp, et alternativ (riktignok mer utsatt for påvisning av falske positiver; se diskusjon) beregningsorientert alternativet i rørledningen erstatter disse dataene med surrogat tiden kurs beregnet fra paradigme-relaterte signaler (se trinn 5.1.2).
  3. Utføre strukturelle bildebehandling.
    1. Bruk en 3 Tesla Mr skanner og en T1-vektet magnetization forberedt raske oppkjøp gradient ekko sekvens.
    2. Benytter følgende tenkelig parametere: voxel størrelse = 1 mm x 1 mm x 1 mm, synsfelt = 256 176 skiver.

3. data og programvare forberedelse

  1. For hver økt analysere, sikre eksistensen av følgende datafiler:
    1. Et sett med funksjonell MRI volumer, presentere som separate 3D NIFTI eller HDR/IMG filer med en konsekvent nummereringsstil (f.eks "fMRI_0001", "fMRI_0002", etc.).
    2. En T1 strukturelle MRI bilde, i NIFTI eller HDR/IMG-format.
    3. En atlas av interesse i Montreal nevrologiske Institute (MNI) plass, i NIFTI format.
      Merk: Et eksempel på nødvendige inndatafiler tilbys for et representativt emne ("S17"), sammen med full rørledning koden, https://c4science.ch/source/Intersubj_pipeline.git
  2. Dataoverføre det nyeste versjonen av offentlig tilgjengelig Freesurfer programvare28 (https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall).
  3. Last ned den nyeste versjonen av offentlig tilgjengelig statistiske parametrisk kartlegging (SPM) MATLAB verktøykassen fra https://www.fil.ion.ucl.ac.uk/spm/software/spm12/.
  4. Åpne MATLAB (versjon 2017a eller nyere) og Finn de nylig nedlastede "freesurfer" og "spm12" brosjyre. For hver, høyreklikk på den og velg den legge til bane > valgte mapper og undermapper alternativet.

4. dataene forbehandling

  1. I MATLAB terminalen, type spm lansere SPM12 hovedmenyen, og klikk på knappen fMRI å åpne alternativene for forbehandling viet til fMRI data. Utfør følgende trinn separat for hver fMRI økt til de.
    1. Klikk på justere (Est og Res), og i vinduet nyåpnede Batch redaktør, dobbeltklikk på Data > økt. I nyåpnede Session-vinduet, velger du alle funksjonelle bildene å behandle. Klikk på ferdig -knappen og deretter på ikonet Kjøre kjørselen fra vinduet Batch redaktør (grønn trekant). Vent til omstilling trinnet er fullført, som angitt i MATLAB terminalvinduet.
    2. Klikk på Coregister (Est og Res), og i vinduet nyåpnede Batch redaktør, dobbeltklikk på bildet. I vinduet nyåpnede referanseavbildning Velg gjennomsnittlig funksjonelle volum opprettet i følgende trinn prefikset med "betyr", og klikk på ferdig -knappen. Dobbel klikk på kildebilde, og i vinduet nyåpnede kildebildet, velger T1 bildet. Klikk på ferdig -knappen og deretter på ikonet Kjøre kjørselen fra vinduet Batch redaktør (grønn trekant). Vent til coregistration trinnet er fullført, som angitt i MATLAB terminalvinduet.
      Merk: T1 bildet overskrives på dette trinnet, slik at den oppdaterte som ligger i samme rom som funksjonell volumene.
    3. Klikk på segmentet, og i vinduet nyåpnede Batch redaktør, dobbeltklikk på volumer. Velg T1 bildet i vinduet nyåpnede volumer, og klikk på ferdig -knappen. Deretter i vinduet Batch redaktør, dobbeltklikk på Deformasjon felt og velger invers . Klikk på ikonet Kjøre Batch (grønn trekant), og vent til det segmentering trinnet er fullført, som angitt i MATLAB terminalvinduet.
  2. Skriv inn JOVE_GUI1 i MATLAB terminalen åpne første forbehandling grafisk bruker grenseflate. Utfør følgende trinn for hver fMRI økt analysere.
    1. Klikk på Angi fMRI data, og velge alle realigned funksjonelle volumer som er opprettet i trinn 4.1.1 (prefikset med "r"). IMG/HDR, velger du både IMG- og HDR volumer.
    2. Angi TR data (i sekunder) i vinduet dedikert redigerbar tekst.
    3. Klikk på Angi T1 data og velg tre probabilistisk vev type volumene opprettet i trinn 4.1.3 (prefikset med "c1", "c2" og "c3").
    4. Klikk på Enter bevegelse fil, og velg tekstfilen som inneholder bevegelse parametere fra økt interesse, opprettet i trinn 4.1.1 og prefikset med "rp".
    5. Velg ønsket type forbehandling, det vil si om dataene skal være detrended eller ikke (henholdsvis innstilling på dedikert alternativknappen på eller av), og hva covariates burde være regressed ut (ved å velge passende alternativ fra listen dedikert).
      Merk: Regresjon trinnet er inspirert fra en funksjon fra DPARSF verktøykassen29. Hvit substans og Cerebrospinalvæske signalene fra individuelle subjekter er gjennomsnitt over voxels som respektive mal DPARSF sannsynlig vev kartet viste et signal større enn 0,99. I våre analyser, vi detrended dataene og regressed ut hvit substans/cerebrospinal væsken tiden kurs så vel som konstant, lineær og kvadratisk trender.
    6. De dataene, klikk på Preprocess, og vente på at skjermen skal vises i vinduet. Dataene kan re faktatabell annerledes ved å endre alternativene, og å klikke igjen på Preprocess .
      Merk: Grå materie tomten er inspirert av representasjon foreslått av makt et al.30.
    7. Klikk på knappen Lagre for å lagre utdataene for følgende. Fjerne innholdet i vinduet, klikker du på knappen Fjern .

Supplementary Figure 1
Supplerende figur 1: eksempel skjermbilde fra første forbehandling grafisk bruker grenseflate vinduet. Voxel-klok tid kurs av grå materie voxels etter den valgte alternativene for forbehandling (øverste høyre tomt), og covariates som kan brukes i den forbehandling (fra topp til bunn: Cerebrospinalvæske/hvit saken Gjennomsnittstid kurs, translasjonsforskning bevegelse parametere og roterende bevegelse parametere. Klikk her for å se en større versjon av dette tallet.

  1. Skriv inn JOVE_GUI2 i MATLAB terminalen åpne andre forbehandling grafisk bruker grenseflate. Utfør følgende trinn for hver fMRI økt analysere.
    1. Klikk på Velg data, og merk datafilen lagret i trinn 4.2.7 (kalt "ISFC_VX.mat").
    2. Klikk på Velg bevegelse, og velg tekstfilen som inneholder bevegelse parametere fra økt interesse, opprettet i trinn 4.1.1 og prefikset med "rp".
    3. Klikk på Velg atlas, og velg filen NIFTI som representerer atlas skal brukes for parcellation.
    4. Klikk på Velg omvendt varp, og velg den NIFTI filen representerer feltet deformasjon fra MNI innfødt plass, opprettet i trinn 4.1.3 og med "iy" prefikset.
    5. Klikk på Velg fMRI volum, og velg fMRI data volumene.
      Merk: Dette trinnet aktiverer tilgang topptekstinformasjonen funksjonelle data, derav hvorfor faktiske valgte volumet ikke er viktig.
    6. Angi TR data (i sekunder) i vinduet dedikert redigerbar tekst.
    7. Angi skrubbing-relatert informasjon: type skrubbing å utføre (dvs., hvor mange rammer for å skrubbe ut før og etter de merket) i listen "Skrubbe type", og framewise forskyvning terskelverdien (Power kriterium31) som en fMRI volumet bør være skilt i vinduet "Scrubbing terskelen" redigerbar tekst (i mm).
      Merk: Kubikk spline interpolering utføres på skrubbet datapunktene å erstatte dem med beregningene fra nærliggende prøver. I våre analyser, vi skrubbet ramme etter de merkede volumene, og brukt en 0,5 mm terskel for skrubbing.
    8. Angi størrelsen på skyve-vinduet W bruke ISFC beregninger (se trinn 5), i TRs.
      Merk: Denne stykke informasjon vil aktivere filtrering av tiden kurs gjennom en funksjon fra DPARSF verktøykassen29, på f = 1/W Hz32. I våre analyser, vi brukt W = 10 St som en avveining verdi til fange dynamisk svingninger mens spare nok prøver for robust beregninger.
    9. Klikk på Plot -knappen for å vise indikativ atlased tiden kurs før (toppen plottet) og etter (nederst tomt) scrub og filtrering trinnene. Bekrefte, ved by visuell inspeksjon, det fulgte den valgte forbehandling trinn, de utsignaler ikke inkorporere fremtredende artifactual komponenter.
    10. For å lagre resultatene for følgende, angi en i vinduet dedikert redigerbar tekst, og klikk på Lagre -knappen. Fjerne innholdet i vinduet, klikker du på knappen Fjern .

Supplementary Figure 2
Supplerende figur 2: eksempel skjermbilde fra andre forbehandling grafisk bruker grenseflate vinduet. Regionale tiden kurs etter atlasing, før (toppen plottet) og etter (nederst tomt) scrub og filtrering i henhold til valgt parametere. Hver kurve viser ett regionale tid kurs tilfeldig valgt blant alle de tilgjengelige. Klikk her for å se en større versjon av dette tallet.

5. skyve-vindu ISFC beregninger

  1. Skriv inn JOVE_GUI3 i MATLAB terminalen å åpne vinduet for første ISFC-relaterte grafisk bruker-grensesnitt. Utfør følgende trinn separat for hver ervervet fMRI økt segmentet (stimulans-relaterte segmenter, hvile statuser segmenter av stimulus-relaterte økter og rent hvile-state segmenter).
    1. Klikk på laster data, og velg alle de passende datafilene opprettet gjennom trinn 4.3.
    2. Velg om de valgte økt segmentene bør gjennomgå fase tilfeldig.
      Merk: Fase tilfeldig kan brukes som et alternativ for generering av null data fra stimulans-relaterte signaler, hvis ingen hvile statuser innspillinger er tilgjengelige.
    3. Angi TR data (i sekunder) i vinduet dedikert redigerbar tekst.
    4. Angi skyve-vinduet parametere for å bruke i analysen i vinduene dedikert redigerbar tekst: størrelsen (i TRs) over hvilken tilkobling målinger skal beregnes, og steg størrelse (i TRs) som påfølgende windows skal flyttes.
      Merk: I våre analyser, vi brukt størrelsen 10 St og et steg størrelse 1 TR.
    5. Endre tabellen "Økt typer" for å angi hvilke av de lastede økt segmentene ble kjøpt på samme eksperimentelle betingelse. Bruk økende heltall fra 1 videre til kode ulike segmenter (for eksempel hvis stimulans ble vist for første eller andre gang i et gitt opptak). Forlat bordet urørt hvis bare én type økt segmentet ble kjøpt.
      Merk: En økt i dette arbeidet kan være enten en kombinert film/hvile-state opptak (kalt kjøre1 og kjøre2 i figur 1A), eller til et rent hvile-state opptak (kjøre3). En økt segmentet refererer til en sub del av en økt opptak, når filmen var sett, eller når de løy på resten. Informasjonen ovenfor brukes i senere beskrevet ISFC beregninger (se trinn 5.1.8) begrense forvirrende påvirkning av annen økt segmentet.
    6. Angi bootstrapping-relaterte parametere i vinduene dedikert redigerbar tekst: antall bootstrapping folder som utfører ISFC beregninger, og antall emner som skal utgjøre referansegruppen for hver fold av ISFC beregninger.
      Merk: I våre analyser brukte vi 250 bootstrapping folder, og 6 fag i referansegruppen.
    7. Angi spesifikasjoner som sub del av tiden kurs bør analyseres i delen Timing parametere i vinduene dedikert redigerbar tekst. En startindeksen og en slutt indeks (i TRs) bør gis. For å analysere hele hele innspillingen, bruke 1 begynner indeksen og antall utdrag som slutten indeks.
    8. Klikk på knappen Plot utføre ISFC beregninger. Viser oppdateres gradvis over tid sammen med mengden av forløpt bootstrapping folder. For noen regionen (i, j) og en skyve vinduet indeks τ, er ISFC beregnet som gjennomsnittet av kryss-sammenhenger mellom økt segmentet s og alle økt segmenter fra referansegruppen, i en skyve-vindu på lengden W; Angi denne referansegruppe av Ψ, antall emner av NΨ, og la xjeg[s](t) time course regionen jeg for økt segmentet s ved tiden t; estimert ISFC gis av:
      Equation 2
      ISFC mål er beregnet over angitte mengden bootstrapping folder, og med det valgte antallet økt segmenter som en referansegruppe på hver fold (se trinn 5.1.6). Hvis flere økt segmentet subtyper følger, komponerer en blanding av undertype prøver alltid referansegruppen. Det endelige resultatet for hver økt segmentet er den gjennomsnittlige ISFC over alle kaster som det ikke ble inkludert som en referanse måling.
      Merk: Referansegruppen er settet med økt segmenter som funksjonell tiden kurs av økt segmentet s sammenlignes på hver fold av bootstrapping prosessen. For at resultatene skal være mer robust til avvikende datapunkt, ISFC er beregnet flere ganger på en annen referansegruppe (det vil si et annet delsett av økt segmenter). Viktigere, oppkjøp tiden t samsvarer ikke med det skyve vinduet indeks τ, sistnevnte beregnes et sett med W datapunkter, og er avhengig av vindusstørrelsen trinn for påfølgende estimater. Bootstrapping prosessen ble inspirert fra en tidligere studie av Byrge et al.33.
    9. For å lagre resultatene for følgende, angi en i vinduet dedikert redigerbar tekst, og klikk på Lagre -knappen. Fjerne innholdet i vinduet, klikker du på knappen Fjern .

Supplementary Figure 3
Supplerende figur 3: eksempel skjermbilde fra første ISFC-relaterte grafisk bruker grenseflate vinduet. (Toppen plottet) Skjematisk fremstilling av hvor ofte hver vurdert økten har sin ISFC målinger beregnet (dvs. ikke valgt i referansegruppen). (Nederste tomt) På et indikativ emne, ISFC tiden kurs beregnet for femti eksempel tilkoblinger, valgt som de viser de største summerte absolutte ISFC verdiene over tid. Klikk her for å se en større versjon av dette tallet.

  1. Skriv inn JOVE_GUI4 i MATLAB terminalen å åpne vinduet for andre ISFC-relaterte grafisk bruker-grensesnitt.
    1. Klikk på Last ISFC data og velg stimulans-relaterte ISFC utdatafil(er) opprettet i trinn 5.1.
    2. Klikk på Last nulldata og velg, avhengig av brukte nulldata generasjon ordningen, enten hviler-statlige ISFC, eller fasen randomisert stimulans-relaterte ISFC utdata filer opprettet i trinn 5.1.
    3. Klikk på Last føre og velg filen føre opprettet i trinn 4.3.
    4. Angi TR data (i sekunder) i vinduet dedikert redigerbar tekst.
    5. Angi parameterne skyve-vinduet brukes i beregninger av trinn 5.1 (vindusstørrelse og steg størrelse, i TRs) i vinduene dedikert redigerbar tekst.
    6. Angi (i prosent) α-verdien som ISFC tiden kurs skal thresholded å markere vesentlige endringer i vinduet dedikert redigerbar tekst.
      Merk: Her og andre steder, når det refereres til en α-verdi på 2,5%, betyr det at betydning oppnås når en verdi lavere enn den 2,5th persentilen eller større enn den 97.5th persentilen, null data. I våre analyser, vi hadde 5,762 hviler statuser datapunkt til rådighet, og valgt en α-verdi på 10-4. Dette betyr at vi ønsket 0,01% dataene prøver å være større eller lik for valgte tersklene forbi som en ISFC utflukt blir sett på som betydelig. For sammenligningsformål, α-nivået krevde av Bonferroni korreksjon ville være 0,05/44,551 = 1.12 x 10-6, og den strengeste mulige α-nivået med våre datamengden (n eksempler) ville være Equation 3 .
    7. Klikk på knappen Plot utføre ISFC terskelverdi prosessen i som alle tilgjengelige null ISFC mål er akkumuleres for en gitt tilkobling, å konstruere en null distribusjon, etter som stimulans-relaterte ISFC mål er thresholded i henhold til valgte α-verdien. Tidspunkt som en stimulans-relaterte ISFC verdi overstiger statistisk signifikant null fordelingen er merket som -1 / 1 for betydelig ISFC reduseres og øker, henholdsvis.
      Merk: Terskelverdi prosessen trekker inspirasjon fra hvile-state dynamisk FC arbeidet til Betzel et al.23.
    8. For å visualisere ISFC romlige mønstre på forskjellige tidspunkt, kan du dra glidebryteren under ISFC utflukt tomten.

Supplementary Figure 4
Supplerende figur 4: eksempel skjermbilde fra andre ISFC-relaterte grafisk bruker grenseflate vinduet. (Øverste venstre tomt) På et indikativ emne, ISFC tiden kurs beregnet for tre eksempel tilkoblinger, merket som de viser den største mengden av betydelig ISFC utflukter og vises med deres tilknyttede beregnet betydning terskler (horisontale linjer). (Nederste venstre tomt) For de samme tilkoblingene, tilknyttede utflukt tiden kurs gjennomsnitt over fag, med tosidig 95% sikkerhet intervaller vises som feil. (Høyre tomt) Romlige ISFC mønster (gjennomsnitt ISFC utflukter over fag) for et valgt tidspunkt er angitt med en loddrett svart linje på ISFC og ekskursjon tomter. Positiv ISFC utflukter vises i gult, og negative i rosa. Størrelse og farge koden til nodene er proporsjonal med sin grad. Klikk her for å se en større versjon av dette tallet.

Representative Results

Her vi vurdert n = 15 typisk utvikler (TD) fag for hvem vi innhentet skriftlig informert samtykke. Alle var høyrehendt menn (23.42 ± 7,8 år). Den valgte paradigmet var en audiovisuell vitenskapelige dokumentar for ungdommer om farene ved soleksponering. Den inneholder et stort utvalg av visuell, auditiv og sosial stimuli, og kan bli sett på https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study.

Vi kjøpte to økter per emne (Kjør1 og kjøre2) der vurdert filmen ble vist fra 5 til 353 s (5,8 min varighet). En hvile-state-segmentet også fulgte fra 386 til 678 s (4,9 min varighet). I tillegg bare hvile-state økter (Kjør3) ble kjøpt for hvert emne (unntatt som led av klaustrofobi), varig for 310 s (5,2 min). Eksempel film scener og tidspunktet for hentede dataene oppsummeres i figur 1A. Viktigere, oppkjøp protokollen ikke var optimal i forstand at hviler statuser opptak ervervet etter filmen eksponering kan være delvis ødelagt av ekstra effekter27; vi gjøre bruk av disse dataene i resultatene av for å ha en tilfredsstillende mengde prøver for statistiske terskelverdi, men dette bør unngås når det er mulig.

Vi utelatt alle økter som var mer enn 10% av rammer skrubbet, ved en 0,5 mm, og vurdert parcellation fra Craddock et al.34 (to-nivå timelige korrelasjon algoritme) til å generere regionale tiden kurs, totalt 299 forskjellige hjernen regioner.

ISFC ble beregnet separat på (1) film-ser subparts av RUN1 og kjøre2, (2) hviler statuser kapittel kjøre1 og kjøre2og (3) hvile-statlige kjøre3 opptak. Vi brukte en vindu lengde W = 10 St på hovedsiden presenterte resultater, og sammenligne dem med en lavere verdi av W = 5 St. steg størrelse alltid forble lik 1 St. Bootstrapping ble utført over 250 folder, inkludert 6 økt segmenter i hver referansegruppe.

Figur 1B viser ISFC tiden kurs generert på W = 10 St og W = 5 St til tre forskjellige representant tilkoblinger: tilkobling 1 involvert venstre mindreverdig parietal regionen knyttet til forventningen av bevegelige objekter (MNI koordinater: 41,9,32)35 , og rett frontal opercular området knyttet til svar hemming (-34,-52,45)36. Denne sistnevnte regionen var også innblandet i tilkoblinger 2 og 3, henholdsvis et område innblandet i Sensorisk koordinering (54,6,34)37og en knyttet til behandling av betydningen av ord (6,62,9)38.

En sammenligning over vinduet lengder avslører at i W = 5 TR innstillingen, timelige variansen i fagene er generelt større i både film-ser og hvile statuser segmentet tilfeller i forhold til W = 10 St, et kjent fenomen i skyve-vinduet analyser39. For tilkobling 1, uavhengig av vinduet lengden, en lokalisert underavsnitt av film-ser opptaket (på rundt 55 s) viser en sterk, synkronisert ISFC øke fag, som i stor grad overstiger verdiområdet i hvile-state saken. Derfor forventer vi å fange denne timelige underavsnitt som en betydelig ISFC forbigående med vår terskelverdi-metode.

For tilkobling 2 vi observerer lignende timelige dynamikk, men for W = 5 St, økningen blir mindre lett å greie i forhold til de hviler statuser tid banene, større skyve-vinduet metodikk-relaterte støy. Som for tilkobling 3, gjenspeiler et tilfelle der det er ingen klare svar til filmen, og dermed svingningene fra film-ser og hvile statuser kurs er like. Forventet resultat på dette analytiske stadiet er en blanding mellom tilkoblinger som viser klart stimulans-indusert detalj og tilkoblinger som ikke svarer.

Figure 1
Figur 1: oppkjøp timing og eksempel ISFC tid kurs. (A) filmen sett av fagene involvert en rekke sosiale situasjoner (eksempel bilder 1 og 4), vitenskapelige forklaringer med fargerike paneler (eksempel bilder 2 og 5) og landskap natur (eksempel bilde 3). Tre økter anskaffet per emne: to (kjøre1 og kjøre2) inkludert film stimulering (fra 5 til 353 s, uthevet i grønt) etterfulgt av løpet hvile tilstand (fra 386 til 678 s, vises i gult), mens man (Kjør3) utelukkende besto av en hvile statuser innspilling (310 s varighet, vises i oransje). (B) For tre indikativ tilkoblinger (C1, C2 og C3, henholdsvis mørk grønn/rød, lys grønn/oransje og turkis/gul spor), utviklingen av ISFC over tid under filmvisning (kalde farger) eller hvile-state (varme farger). For W = 10 TR (venstre panel), film-ser ISFC endres mer i stor grad skiller seg ut i forhold til W = 5 TR (høyre panel). Hvert spor gjenspeiler ISFC gang løpet av en økt. Dette tallet er delvis endret fra Bolton et al.25. Klikk her for å se en større versjon av dette tallet.

Figur 2A viser resultatene etter statistiske terskelverdi for ISFC gang kurs for de samme tre tilkoblingene som ovenfor. Gangen kurs verdi av 1 betyr at alle fag gjennomgikk den samme ISFC øker samtidig pek. verdien 0 betyr at ingen emne gjennomgikk en betydelig ISFC endring; verdien -1 representerer en synkron ISFC nedgang over alle fag. Som før vi kontrast W = 5 St og W = 10 St, og vi også markere to α-verdien tilfeller: α = 0,01% og α = 5%.

Montering med over observasjoner, reduserer en lavere vinduet lengde utdraget betydelige ISFC endringer. For tilkobling 1, både W = 5 St og W = 10 St, imidlertid ekstra samme bestemt øyeblikk (t = 55 s) som viser en sterk økning i ISFC. Ta en hemodynamic forsinkelse på omtrent 5 s hensyn, dette tilsvarer et underavsnitt av filmen når fargede linjer ble utvide mot en dukke og brått stoppet rett foran det (46-49 s), passende av regionene involvert i å flytte objektet forventning og svar hemming35,36.

Når økende α fra 0,01% til 5%, kan man observere en mye lavere spesifisitet av de oppdaget ISFC transienter, sannsynlig inkludert mange falske positiver og ventet viser mye mindre timelige synkronisering.

Som et annet perspektiv som kan settes på data, finne 2B viser hele-hjerne romlige kart av betydelige ISFC endringer på t = 55 s. Det kan sees at svaret filmscene strekker seg langt utover eksempel tilkoblinger beskrevet her.

Figure 2
Figur 2: timelige og romlig øyeblikksbilder av ISFC mønstre. (A) ISFC forbigående tiden kurs, gjennomsnitt over fag, for tre indikativ tilkoblinger (C1, C2 og C3, henholdsvis mørk grønn, lys grønn og turkis spor). I filmen scenen som drev ISFC endringene utheves i lys grå, og avbildet av eksempel bilder. For W = 10 TR (venstre kolonne av tomter), ISFC endringer oppdages sterkere enn for W = 5 TR (høyre kolonne av tomter). For α = 0,01% (øverste rad av tomter), spesifisitet for lokaliserte film signaler er større enn for α = 5% (nederste rad av tomter). Hvert spor reflekterer ISFC forbigående gang løpet av en økt, og de tosidige 95% konfidensintervall vises som feil. (B) For W = 10 St og α = 0,01%, det er en pen, begrenset romlige mønster av ISFC transienter på t = 55 s (topp ISFC forbigående verdi for C1); for W = 5 St og α = 5%, tilkoblinger gjennomgår en betydelig ISFC endring nå er mye mer tallrike. Merk at vi antar en hemodynamic forsinkelse på rundt 5 s i beskrevet temporalitet (dvs., verdien 55 s her gjelder film stimulans 50 s). Dette tallet er delvis endret fra Bolton et al.25. Klikk her for å se en større versjon av dette tallet.

Discussion

Vi viste hvordan synkron kryss-emne øker dataset av friske, og nedgang i FC, ISFC-transienter passer timelig lokaliserte film Stikkordene, informasjon som går utover en statisk beskrivelse. Selv om bruk av kryss-emne korrelasjon måler kan fokusere analyse på stimulans-drevet funksjonelle detalj, en må også være klar over at det begrenser resultatene til effekter som er felles for hele befolkningen studerte: derfor lavt nivå Sensorisk prosessering forventes å bli overrepresentert sammenlignet frontal behandling40. For å omgå denne begrensningen, blir nye metoder som også har muligheten til å trekke ut regionene som sterkest varierer på tvers av fag utviklet41.

En annen begrensning fra introdusert metodikken oppstår det skyve-vindu aspektet, som midlertidig løsning av ISFC forbigående tid kurs senkes sammenlignet med frame-wise tilnærminger15. Vi viste, kreves en avveining mellom en nok vinduet lengde riktig løse dynamisk ISFC detalj, og en stor nok størrelse å skaffe robust anslår. To avgjørende skritt i vårt rammeverk sikrer at de utpakkede ISFC transienter reflektere virkelig forekommende endringer i tilkobling: første, høypass-filtreringen av regionale tiden kurs med inverse av vinduet lengde32; andre bruk av hvile-statlige ISFC data for generering av en relevant null distribusjon, med identiske oppkjøpet parametere i forhold til stimulans-relaterte data. Selvfølgelig, krever sistnevnte også et lengre globale anskaffet, slik at hvile-dataene kan samles på stimulans-relaterte økter. Som en alternativ tilnærming til unngå ekstra hvile statuser opptakene, tilbyr vi også muligheten til å generere fase randomisert data direkte fra stimulans-relaterte tiden kurs, en metode som ofte brukes i dynamiske funksjonelle tilkobling analyser 23 , 24. videre evaluering på et delsett av økter avslørte at selv om hvile-tilstand null metoden er mer konservative, og dermed mindre utsatt for falske positiver, globale mønstre av ISFC utflukt var like over begge ordninger (se Supplerende figur 5).

Supplementary Figure 5
Supplerende figur 5: gjenkjenning av ISFC utflukter over nulldata generasjon metoder. For hvile-state (venstre kolonne, blå tomter) eller fase tilfeldig (høyre kolonne, rød tomter) nulldata generasjon metoder, andelen ISFC utflukter utdraget over tilkoblinger. Bunnen tomtene er en innsats på tilkoblinger fra de første tre vurdert hjernen regionene. Feil representerer standardavviket på tvers av fag. Klikk her for å se en større versjon av dette tallet.

Varighet av hvile-state oppkjøp faktisk gjelder en viktig parameter av analysene: α-verdien. Som eksemplifisert ovenfor, vil et for mild utvalg føre til et stort antall falske positiver i de oppdaget ISFC transienter. Jo større mengden tilgjengelige hvile-stat-dataene, de strengere oppnåelig falsk positiv rate, fordi terskelverdi kan baseres på mer ekstreme verdier fra null distribusjon. Som en indikasjon, for n = 299 atlas regioner som her og gitt våre tally 5,762 hviler statuser datapunkt, vi kunne i beste oppnå en α-verdi nær 0,01% (se trinn 5.2.6 for matematiske detaljer).

Et annet viktig poeng knyttet til enhver fMRI analyse ligger i strenge fjerning av mulig bevegelse-relaterte gjenstander fra analyserte data30,42. Spesielt hvis man ønsker å bruke introdusert rørledningen til syke befolkninger viser merket bevegelse i skanneren, anbefaler vi at over inkludert bevegelse variabler som covariates i de utføres statistiske analysene, ekstra forbehandling trinn kjøres, for eksempel wavelet denoising43 eller ICA-AROMA44. Gruppere sammenligning, for eksempel for å sammenligne ISFC transienter mellom en sunn og en syk gruppe, kan lett utføres av kjører beskrevet tilnærming parallelt på begge grupper av interesse (se Bolton et al.25 for et eksempel på en populasjon diagnostisert med autism spectrum disorders). Imidlertid en forskjell mellom gruppene kan deretter oppstå i to forskjellige innstillinger: (1) en fraværende ISFC endring i en gruppe, eller (2) en mer heterogen utviklingen i gruppen. For å skille disse to faktorene, skal rørledningen kjøres igjen for gruppen syke, bruker sunn emnet angi som referansegruppen ved bootstrapping trinn. Tilfelle vil fortsatt føre en fraværende svar, mens sistnevnte ikke ville.

På hva vi beskrevet her, introduserte metodikken åpner også lovende fremtid veier: fra et analytisk side, ISFC forbigående kart kan sees som hjernen grafer fra hvilke beregninger kvantifisere hjernen tilkobling kan være avledet45, eller dynamisk ISFC stater kunne trekkes ut gjennom klynging tilnærminger og vurdert med hensyn til deres romlige og tidsmessige egenskaper17,46. I tillegg kan en også ser bruken av mer sofistikert tilkobling måleverktøy enn Pearsons korrelasjonskoeffisient å avsløre subtil sider av FC47,48.

Fra eksperimentelle siden har anvendelsen av vår rørledning til en mer utvidet rekke paradigmer er et lovende perspektiv: for eksempel i stedet for en film som studerte her, en kan forestille seg for å bruke et stykke musikk49 eller en fortellende historien13, 50 som en tid-låst stimulans. Også kan det selv være seg, gjennom hyperscanning51, for å undersøke naturalistiske sosial kommunikasjon52,53.

Disclosures

Forfatterne ikke avsløre.

Acknowledgments

Dette arbeidet var støttes delvis av hver av følgende: Swiss National Science Foundation (gi nummer 205321_163376 til DVDV), Bertarelli stiftelsen (til TB og DVDV), senter for biomedisinsk bildebehandling (CIBM) og National Agency for forskning ( tempofront gi nummer 04701 til ALG). Forfatterne takker Roberto Martuzzi og Giulia Preti for deres bidrag til videoinnholdet dette arbeidet som, henholdsvis, MRI operatør og skannet frivillig.

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

Nevrovitenskap problemet 145 funksjonell magnetisk resonans imaging oppgavebaserte analyse dynamisk funksjonelle tilkobling Inter underlagt funksjonelle korrelasjon skyve-vinduet analyse terskelverdi film-ser paradigme
Dynamisk Inter underlagt funksjonelle tilkobling avslører øyeblikk til øyeblikk hjernen nettverkskonfigurasjoner drevet av kontinuerlig eller kommunikasjon paradigmer
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Bolton, T. A. W., Jochaut, D.,… More

Bolton, T. A. W., Jochaut, D., Giraud, A. L., Van De Ville, D. Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms. J. Vis. Exp. (145), e59083, doi:10.3791/59083 (2019).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter