باستخدام الربط المعلوماتي لقياس ظهور متزامن من الرنين المغناطيسي الوظيفي متعدد فوكسل معلومات عبر الزمن

Neuroscience
 

Cite this Article

Copy Citation | Download Citations

Coutanche, M. N., Thompson-Schill, S. L. Using Informational Connectivity to Measure the Synchronous Emergence of fMRI Multi-voxel Information Across Time. J. Vis. Exp. (89), e51226, doi:10.3791/51226 (2014).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

هو محل تقدير الآن أن المعلومات ذات الصلة حالة يمكن أن تكون موجودة ضمن أنماط توزيعها من التصوير بالرنين المغناطيسي الوظيفي (fMRI) نشاط الدماغ، حتى بالنسبة للظروف مع مستويات مماثلة من التنشيط وحيد المتغير. وقد استخدم نمط متعدد فوكسل (MVP) تحليل لفك هذه المعلومات مع نجاحا كبيرا. المحققون FMRI أيضا غالبا ما تسعى إلى فهم كيفية تفاعل مناطق الدماغ في شبكات مترابطة، واستخدام اتصال وظيفية (FC) لتحديد المناطق التي ترتبط الاستجابات مع مرور الوقت. تماما كما تحليلات حيد المتغير يمكن أن يكون غير حساس إلى المعلومات في مفبس، FC قد لا تميز بشكل كامل شبكات الدماغ التي تعالج الظروف مع التوقيعات MVP مميزة. الطريقة الموصوفة هنا، والربط المعلوماتي (IC)، ويمكن تحديد المناطق التي التغييرات المترابطة في MVP-discriminability عبر الزمن، وكشف عن الاتصال التي لا يمكن الوصول إلى FC. الأسلوب يمكن أن يكون استكشافية، وذلك باستخدام الكشافات لتحديد البذور كونالمناطق ected، أو المخطط لها، وبين المناطق من الفائدة المحددة مسبقا. النتائج يمكن توضيح شبكات المناطق التي معالجة الظروف المرتبطة MVP، يمكن انهيار نشاطهم البدني عنهن بنحو خرائط كشاف في شبكات منفصلة، ​​أو يمكن مقارنة عبر المهام ومجموعات المرضى.

Introduction

الهدف من أسلوب التحليل الموصوفة هنا هو قياس الربط بين مناطق الدماغ يعتمد على التقلبات في المعلومات متعددة فوكسل الخاصة بهم. وقد كشفت التطورات في مجال التصوير بالرنين المغناطيسي الوظيفي (fMRI) تقنيات التحليل أن كمية كبيرة من المعلومات التي يمكن الواردة في مستوى الأوكسجين في الدم التي تعتمد على (بولد) أنماط النشاط التي يتم توزيعها عبر voxels متعددة 1-3. وقد استخدمت لإظهار أن الظروف يمكن أن يكون مفبس مميزة على الرغم من وجود استجابات وحيد المتغير تمييزه 1،2،4 - هناك مجموعة من التقنيات التي تعتبر حساسة للمعلومات متعدد المتغيرات - المعروف باسم تحليل نمط متعدد فوكسل (نشاطهم البدني عنهن بنحو). التحليلات القياسية، التي تقارن استجابات حيد المتغير، يمكن أن يكون غير حساس لهذه المعلومات متعددة فوكسل.

وتشارك عدة مناطق الدماغ عند البشر معالجة المحفزات وإجراء العمليات المعرفية. اتصال وظيفية (FC) هو أسلوب يستخدم عادة لinvestiالبوابة مثل هذه الشبكات وظيفية 5،6. في أبسط أشكاله، FC الكمي شارك في التنشيط، أو التزامن، بين voxels أو مناطق مختلفة. وقد استخدم FC لتحديد شبكات الدماغ متصلة وظيفيا مع الكثير من النجاح. بالنسبة للعديد من المناطق والظروف، ومع ذلك، والاستجابات وحيد المتغير لا تعكس جميع المعلومات المتاحة داخل النشاط BOLD. تقنيات FC أن تتبع بشكل حيوي تغيير مستويات الاستجابة وحيد المتغير قد تفتقر حساسية لتقلبات شيوعا في المعلومات متعددة فوكسل. طريقة التحليل المقدم هنا، والربط المعلوماتي (IC؛ وصف لأول مرة في ورقة حديثة 7)، يسد فجوة بين نشاطهم البدني عنهن بنحو وFC، من خلال قياس الربط مع متري التي تعتبر حساسة للمعلومات متعددة فوكسل عبر الوقت. بينما FC المسارات المتغيرة بشكل ديناميكي تفعيل حيد المتغير، IC المسارات المتغيرة بشكل ديناميكي MVP discriminability - وهو مقياس لمدى يمكن تمييزها حالة وMVP الحقيقية من (غير صحيحة) بدائل. الأهم من ذلك، في رانه بنفس الطريقة التي يمكن أن تظهر مناطق مختلفة مستويات مماثلة من الردود وحيد المتغير إلى حالة الرغم من أداء حسابات متميزة (على سبيل المثال، وتجهيز مرئي أو التخطيط للعمل عندما يكون الشخص يرى الأشياء من صنع الإنسان)، ويمكن لها أيضا مناطق متميزة مستويات مماثلة (ومتزامنة) من لقاح التهاب السحايا discriminability في حين أنها معالجة ظروف مختلفة. أظهر التحقيق الأخيرة التي يمكن أن تكشف عن IC الربط بين المناطق التي لا يمكن كشفها مع FC نهج موحد 7. وبالتالي يمكن استخدام IC المحققين للتحقيق التفاعل بين مناطق الدماغ كما تستجيب لظروف المشاركين أو المحفزات التي لديها أنماط توزيع مميزة. IC تتميز عن العديد من التطبيقات اتصال حديثة أن فحص التقلبات في تفعيل وحيد المتغير بالنسبة للنتائج تصنيف 8، 9. خلافا لهذه المناهج، IC بالكشف متزامن متعددة فوكسل نمط discriminability بين المناطق.

Protocol

1. إعداد البيانات الرنين المغناطيسي الوظيفي

ملاحظة: بعد إجراء مسح الرنين المغناطيسي الوظيفي، قبل عملية البيانات التي تم جمعها باستخدام الأدوات المتاحة في معظم حزم البرمجيات الرنين المغناطيسي الوظيفي قبل البدء في هذا البروتوكول (على الرغم من تجانس المكاني يجب تجنبها أو التقليل منها للحفاظ على أنماط متعددة فوكسل). يوصف مثالا لبيانات مناسبة في تطبيق السابقة من الأسلوب 7.

  1. إزالة الحركة وتعني اشارات المادة البيضاء من سلسلة زمنية من البيانات الرنين المغناطيسي الوظيفي قبل معالجتها عن طريق إنشاء نموذج الانحدار مع تنبؤ لمعلمات الحركة (لفة، في الملعب، ياو، س، ص، ض) ويعني الأبيض إشارة المسألة. إجراء التحليلات أدناه على المخلفات الناتجة (أي الفرق المتبقية).
  2. استيراد المخلفات المتولدة في حزمة التحليل (على سبيل المثال، MATLAB، بيثون). المصدر المفتوح أدوات الربط المعلوماتي (http://www.informationalconnectivity.org) يمكن استيراد البيانات الرنين المغناطيسي الوظيفي في MATLAB.
  3. Z-النتيجة مجموعة شرق افريقياسلسلة ح فوكسل في الزمن.
  4. فصل timepoints مجموعة البيانات إلى مجموعات مستقلة في ('طيات')، مثل الماسح الضوئي أشواط مختلفة. ملاحظة: استخدام الماسح الضوئي يعمل يضمن الاستقلال بين طيات، والتي يمكن أن يكون الأمر خلاف ذلك من الصعب ضمان (على سبيل المثال، يمكن إنشاء تبعيات بين timepoints تشغيل خلال المعالجة التمهيدية). يمكن تجميع أشواط معا للحد من عدد من طيات (على سبيل المثال، حتى والغريب أشواط 2)، على الرغم من استخدام أشواط واحد سوف تعطي المزيد من البيانات التدريب.
  5. إنشاء سجل من التسميات المرتبطة حالة timepoints عن طريق توليد متجه من التسميات شرط أن timepoints N طويلة.
  6. تحويل تسميات حالة إلى الأمام في كل تديرها عدة مرات إلى تكرار (TRS) أي ما يعادل 5 ثانية، وذلك لحساب تأخر الدورة الدموية بين الأحداث وإشارات الرنين المغناطيسي الوظيفي المسجلة.

2 حدد وتحليل لمنطقة البذور

  1. تحديد منطقة البذور من خلال عزل والتشريحيةحي، المنطقة المترجمة وظيفيا أو أعلى أداء 'رسم خرائط الدماغ المعلومات' الكشافات 10.
    ملاحظة: الخطوات 2،2-4،2 أدناه يمكن أن يقوم بها المصدر المفتوح إخبارية اتصال MATLAB أدوات ( http://www.informationalconnectivity.org ).
  2. مقارنة MVP كل نقطة الوقت إلى MVP تنميط لكل حالة (ملاحظة: هذا هو نفس النهج كما هو مستخدم في القائمة على ارتباط شعبية أقرب المصنف الجار 2) الشكل 1 (أعلى) ويعطي مثالا من جمع بيانات حقيقية كما المشاركون شوهدت كتل من أربعة أنواع من صنع الانسان الكائنات.
    1. حساب تنميط (الوسط) MVP لكل حالة عن طريق حساب متوسط ​​timepoints من كل شرط في جميع أضعاف، ولكن واحدة. هذه هي البيانات 'التدريب' لكل أضعاف (على سبيل المثال، ل2 من 5 أضعاف، ويتم حساب متوسط ​​المتميزين-من timepoints في طيات 1 و 3 و 4 و 5).
    2. ربط كل timepoint '، ق MVP مع متوسط-MVP كل حالة من بيانات التدريب. هذا سيعطي كل timepoint قيمة الارتباط واحد لكل حالة (ملاحظة: شرط وفقا لأعلى الارتباط هنا سيكون التنبؤ العلاقة شعبية المصنف نشاطهم البدني عنهن بنحو يستند 2)
    3. فيشر تحويل القيم ص إلى ض العشرات.
  3. تحديد "MVP discriminability 'لكل timepoint: أولا تحديد العلاقة من 2.2.3 الذي يمثل العلاقة بين لقاح التهاب السحايا في timepoint ويعني-MVP من شرط أن timepoint، ثم طرح أعلى من الارتباطات المتبقية (أي" علاقة مع الصحيح حالة 'ناقص' الأقصى ارتباط مع حالة غير صحيحة '). والنتيجة هي أن timepoint في MVP discriminability. وثمة نهج بديل (وصحيحة) أن يكون لطرح متوسط ​​ارتباط الظروف غير صحيحة.
    ملاحظة: إن النهج المقترح لديه بديهية ADVANTAجنرال الكتريك التي timepoints مع القيم الإيجابية discriminability تصنف بشكل صحيح من قبل المصنف علاقة القائمة، في حين لا يتم توقع timepoints مع القيم السلبية بشكل صحيح. ويرد مثال على القيم الناتجة في الشكل 1 (القاع). يتم التقاط الخطوات تصل إلى هذه النقطة في الصيغ أدناه.
    2.3 المعادلات
    X هو تطبيع 1-كتبها m-ناقلات خلاف مع القيم تفعيل م فوكسل في وقت نقطة ن، Y هو تطبيع 1-كتبها m-ناقلات صف من نمط التدريب المتوسط ​​للالصحيح (ج) أو غير صحيحة (ط) الظروف ل الوقت نقطة ن. ينطبق على وظيفة artanh ض فيشر تحويل.

3. احسب سلسلة زمنية من MVP Discriminability عن كل كشاف

  1. إجراء تحليل كشاف 10: مكان ثلاثي الأبعاد جبريق حول كل فوكسل بدوره (أ 'الكشاف').
  2. كرر الخطوات من 2.2 و 2.3 لكل كشاف، بحيث أن كل كشاف لديه سلسلة زمنية من MVP القيم discriminability (واحد لكل timepoint).

4. حساب إخبارية الربط بين البذور والكشافات

  1. ربط MVP discriminability السلاسل الزمنية هذه البذور (من 2.3) مع discriminability السلاسل الزمنية لكل كشاف ل(من 3.2) باستخدام سبيرمان في الترتيب الارتباط. القيمة الناتجة ص s هو IC بين البذور وكشاف.
  2. تعيين قيمة كل كشاف IC لفوكسل المركزية للكشاف والكتابة خارج خريطة الدماغ الفرد في الناتج.

5. حساب المجموعة الإحصائية خريطة

  1. خرائط IC إذا كانت البيانات لم تكن بالفعل في الفضاء موحدة (على سبيل المثال، Talairach أو MNI)، وتحويل المشاركين في نفس الفضاء.
  2. سلس اختياريا الأفراد و# 39؛ خرائط كشاف.
  3. إنشاء مخطط المجموعة الإحصائية باستخدام طريقة واحدة لاختبار t سواء IC قيمة كل كشاف هو أكبر بكثير من الصفر.

6. اختبار أهمية

ملاحظة: توجد العديد من النهج لتحديد الدلالة الإحصائية للخرائط مجموعة الرنين المغناطيسي الوظيفي. كاختبار التقليب يمكن تحديد أهمية مع الحد الأدنى من الافتراضات، بينما يمثل مستوى ورقة العمل للتمهيد (حيث أن كل مجموعة خريطة مبدل يخضع لنفس المعالجة)، ويرد هذا الخيار أدناه.

  1. لكل من 1،000 التباديل، خلط ورق اللعب بشكل عشوائي القيم MVP-discriminability هذه البذور عبر سلسلة زمنية. إبقاء timepoints المتاخمة مع autocorrelations الزمنية (مثل timepoints ضمن نفس الكتلة) معا (على سبيل المثال، من خلال خلط كتل بدلا من TRS المجاورة).
  2. حساب الخرائط IC الأفراد لكل التقليب (الخطوة 4 أعلاه).
  3. توليد خرائط 1،000 مجموعة مبدل: Randomlذ حدد خريطة واحدة IC مبدل من كل مشارك وإجراء اختبار المجموعة على هذه المجموعة العشوائي (الخطوة 5 أعلاه).
  4. عتبة كل خريطة مجموعة مبدل في عتبة المطلوب (على سبيل المثال، ع <0.001) واستخراج الحد الأقصى لحجم الكتلة من على الخريطة.
  5. نوع الناتجة 1،000 أحجام الأقصى العنقودية وتحديد حجم الكتلة في المئين 95 عشر (على سبيل المثال، ال 50 أكبر ل1،000 التباديل).
  6. تطبيق العتبة المستخدمة في 6.4 (على سبيل المثال، ع <0.001) والحد الأدنى لحجم الكتلة من 6.5 إلى الحقيقية (غير مبدل) IC خريطة الفريق من أجل جعله كتلة تصحيح لع <0.05. لأن كل خريطة مبدل يعتمد على نفس القيم MVP discriminability (في ترتيب مختلف)، يسلط الضوء على أهمية هذه الخريطة المناطق مع أكثر القيم discriminability متزامن مما كان متوقعا عن طريق الصدفة.

Representative Results

ويمكن الآن نتائج IC يتم عرضها باستخدام الرنين المغناطيسي الوظيفي المفضل حزمة برامج التحليل المحقق. الشكل 2 يوضح نتائج IC، وتحسب من كتل من رجل قدم بصريا جعلت الكائنات (التفاصيل الكاملة في المنشور المرتبطة 7).

تحليل IC هو قيمة خاصة لظروف المعروف أن يرتبط المتميزين: شروط مع المتميزين مميزة، ولكن من دون اختلافات في استجابات حيد المتغير، هي أكثر عرضة للإصابة التمييز بين IC وFC (يتضح مع البيانات التي تم تسجيلها كمشاركين شوهدت أنواع مختلفة من الرجل جعلت الكائنات في الشكل 3). الشكل 4 يبين أن الكشافات مع معلومات هامة متعددة فوكسل يمكن أن تحتوى على نسبة عالية IC، ولكن يتم تمثيل أقل بشكل جيد في نتائج FC.

الشكل 1 . الشكل 1 أمثلة على نمط discriminability على مر الزمن الأعلى: إن ركائز من MVP discriminability حسابها من الموضوع في Haxby وآخرون (2001) كما تم تحليلها في Coutanche وتومسون Schill (2013) 7. ويبين الخط الأزرق العلاقة، وسجل ض بين 'المتميزين ومتوسط ​​الوقت نقطة (' التدريب ') نمط الطبقة الصحيحة. خطوط خضراء تمثل الارتباطات والمتميزين 'مع ثلاثة فصول غير صحيحة. القاع: نمط discriminability هو الفرق بين الارتباط لفئة الصحيح والطبقة العليا غير صحيحة. سيكون الوقت نقاط مع القيم نمط discriminability إيجابية يمكن تصنيفها بشكل صحيح من قبل المصنف على أساس الارتباط. الرقم نشرت أصلا في Coutanche وتومسون Schill (2013) 7. الرجاء انقر هنا لمشاهدة نسخة أكبر من هذا الرقم.

الرقم 2
الشكل 2. خرائط الربط مثال. يظهر كل صف مناطق مرتبطة إلى حد كبير في البذور (كما هو موضح باللون الأزرق). يتم تحديد الأهمية من قبل مجموعة اختبار t (ع <0.001) مع الحد الأدنى من حجم الكتلة من اختبار التقليب. يتم عرض النتائج IC باستخدام AFNI 1 1 على الخرائط السطحية المنتجة مع FreeSurfer 1 2. تم تعديل الرقم من Coutanche وتومسون Schill (2013) 7. الرجاء انقر هنا لمشاهدة نسخة أكبر من هذا الرقم.

الرقم 3
شخصية3 المتزامنة MVP discriminability مقارنة يعني تفعيل أمثلة MVP discriminability في منطقتين مع متزامن discriminability MVP (أي الربط المعلوماتي) دون متوسط ​​تفعيل متزامن (أي اتصال الوظيفية)؛ يأتي البيانات من الموضوع من Haxby وآخرون (2001) كما تم تحليلها في Coutanche وتومسون Schill (2013) 7. وقد تم جمع بيانات هذه النقاط في حين أن موضوع شوهدت العروض المرئية من صنع الإنسان الأشياء، التي يمكن تمييزها من قبل أنماط متعددة فوكسل، ولكن لا يعني الاستجابات. الرجاء انقر هنا لمشاهدة نسخة أكبر من هذا الرقم.

الرقم 4
الشكل 4. مثال IC والقيم FC بين البذور في LEF. ترد التلفيف ر مغزلي والكشافات عبر الدماغ إخبارية والقوة الربط الوظيفية (Z-محاور) بين البذور والكشافات، فيما يتعلق يعني استجابة كل كشاف في (محور س) ودقة التصنيف نشاطهم البدني عنهن بنحو (المحور الصادي) إلى أربعة أنواع الأجسام من صنع الانسان (فرصة = 25٪). أزيلت الكشافات تقاسم voxels مع المنطقة البذور. يتضمن الرسم البياني IC أمثلة الكشافات مع اتصال قوي بأن يكون الأداء تصنيف عالية ولكن انخفاض مستويات استجابة المتوسط، والتي لا يتم انتقاؤها في نهج FC النموذجية (التي اطلعت عليها الفجوة في ثمن محيط الدائرة العلوية اليسرى من الرسم البياني على اليمين). الرقم نشرت أصلا في Coutanche وتومسون Schill (2013) 7. الرجاء انقر هنا لمشاهدة نسخة أكبر من هذا الرقم.

Discussion

الربط المعلوماتي لديه حساسية نشاطهم البدني عنهن بنحو على المعلومات نمط توزيعها، ويعطي القدرة على دراسة التفاعلات بين الإقليم من خلال نهج الاتصال. ونشاطهم البدني عنهن بنحو التحليلات حيد المتغير القياسية يمكن أن تكشف عن تورط كل من مناطق مختلفة، وأحيانا مع تداخل كبير بين نتائجها 1 3. كما هو متوقع للأسلوب الذي يعتمد على تحليل هذه المناهج، وجيم وFC أيضا تعطي نتائج التكميلية 7. فإن قرار ما إذا كان لتوظيف IC تعتمد في نهاية المطاف على شروط قيد التحقيق والأسئلة النظرية التي طرحت. اعتبارات التصميم التي تؤثر سواء تتم على نشاطهم البدني عنهن بنحو مجموعة البيانات سوف تؤثر أيضا على ما إذا كان يتم استخدام IC. سوف دراسات مصممة مع IC صراحة في الاعتبار تريد أن تتبع توصيات لنشاطهم البدني عنهن بنحو 1 4، مع ضمان أيضا يمكن استخراج تلك البيانات على مستوى المحاكمة من مختلف أنحاء timecourse الفحص و.

عند دراسةوالإبلاغ عن النتائج IC، فمن المهم أن الكشافات متداخلة مع البذور تتم إزالة، لتجنب دائرية. بالإضافة إلى ذلك، إذا IC ومقارنة النتائج FC مباشرة، فمن المستحسن للمقارنة أيضا تحليلا FC استنادا إلى تفعيل متوسط ​​الكشافات، بدلا من voxels فقط. يمكن هذا التحليل إضافية ضمان أن أي خلافات بين النتائج ليست بسبب الاختلافات في مستويات الإشارة إلى الضوضاء في الكشافات مقابل voxels.

الإجراء الموضح هنا يركز في المقام الأول على تحليل استكشافية توظيف الكشافات. ومن الجدير بالذكر أنه من خلال استبدال الكشافات مع المناطق من الفائدة، IC يمكن أيضا مقارنة المناطق التي تم تحديدها لقبل ط. متري discriminability الحالي - مقارنة علاقة لقاح التهاب السحايا للحالة الحقيقية 'إلى ارتباط لأقصى قدر من شرط البديل - هو أيضا للتعديل. العديد من المصنفات تعلم الآلة لها أوزان التنبؤ للفرقerent الطبقات، والتي يمكن بسهولة استبدال مقارنات علاقة يؤديها هنا (على سبيل المثال، لتعقب 'الثقة' من المصنف على مر الزمن). IC لديها مجموعة متنوعة من الاستخدامات المحتملة. فضلا عن كونه تحليلا الأولية للتحقيق في شبكات إعلامية، يمكن أن تكون IC تحليل متابعة الثانوي إلى كشاف نشاطهم البدني عنهن بنحو. نشاطهم البدني عنهن بنحو خرائط كشاف هي قيمة لفهم المناطق التي يمكن أن نميز ظروف مختلفة، ولكن لم يتم كسر عادة أسفل إلى شبكات مختلفة. يمكن للنهج IC المساعدة هنا، من خلال الكشف الذي يحدد من الكشافات لديها discriminability متزامن. أخيرا، يمكن مقارنة الخرائط IC من مهام مختلفة من أجل فهم الشبكات المهمة، والمرضى يمكن مقارنة ضوابط لفهم أفضل لكيفية تتجلى اختلافات متعددة فوكسل-1 5 على مستوى الشبكة.

Acknowledgements

نشكر جيم Haxby وزملاؤه لصنع بياناتها متاحة لمزيد من التحليلات. وقد تم تمويل مارك N. Coutanche بواسطة زمالة من معهد هوارد هيوز الطبي. وأيد هذا العمل من قبل المعاهد الوطنية للصحة منح DC009209 R0I-R01-EY02171701 ومنحت لشارون L. تومسون Schill.

Materials

Name Company Catalog Number Comments
MATLAB software package MathWorks
AFNI software package NIMH

DOWNLOAD MATERIALS LIST

References

  1. Norman, K. A., et al. Beyond mind-reading: multi-voxel pattern analysis of fMRI data. Trends Cogn Sci. 10, (9), 424-430 (2006).
  2. Haxby, J. V., et al. Distributed and overlapping representations of faces and objects in ventral temporal cortex. Science. 293, (5539), 2425-2430 (2001).
  3. Tong, F., Pratte, M. S. Decoding patterns of human brain activity. Annu Rev Psychol. 63, 483-509 (2012).
  4. Coutanche, M. N. Distinguishing multi-voxel patterns and mean activation: Why, how, and what does it tell us. Cogn Affect Behav Neurosci. 13, (3), (2013).
  5. Biswal, B., et al. Functional connectivity in the motor cortex of resting human brain using echo-planar mri. Magn Res Med. 34, (4), 537-541 (1995).
  6. Friston, K. J., et al. Psychophysiological and modulatory interactions in neuroimaging. Neuroimage. 6, (3), 218-229 (1997).
  7. Coutanche, M. N., Thompson-Schill, S. L. Informational Connectivity: Identifying synchronized discriminability of multi-voxel patterns across the brain. Front Hum Neurosci. 7, (15), 1-14 (2013).
  8. Chiu, Y. C., et al. Tracking cognitive fluctuations with multivoxel pattern time course (MVPTC) analysis. Neuropsychologia. 50, (4), 479-486 (2012).
  9. Nelissen, N., et al. Frontal and parietal cortical interactions with distributed visual representations during selective attention and action selection. J Neurosci. 33, (42), 16443-16458 (2013).
  10. Kriegeskorte, N., et al. Information-based functional brain mapping. Proc Natl Acad Sci U S A. 103, (10), 3863-3868 (2006).
  11. Cox, R. W. AFNI: software for analysis and visualization of functional magnetic resonance neuroimages. Comput Biomed Res. 29, (3), 162-173 (1996).
  12. Fischl, B., et al. Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system. Neuroimage. 9, (2), 195-207 (1999).
  13. Jimura, K., Poldrack, R. A. Analyses of regional-average activation and multivoxel pattern information tell complementary stories. Neuropsychologia. 50, (4), 544-552 (2012).
  14. Coutanche, M. N., Thompson-Schill, S. L. The advantage of brief fMRI acquisition runs for multi-voxel pattern detection across runs. Neuroimage. 61, (4), 1113-1119 (2012).
  15. Coutanche, M. N., et al. Multi-voxel pattern analysis of fMRI data predicts clinical symptom severity. Neuroimage. 57, (1), 113-123 (2011).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics