समय के पार fMRI बहु voxel सूचना के तुल्यकालिक उभार उपाय करने के लिए सूचनात्मक कनेक्टिविटी का उपयोग

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

अब यह हालत प्रासंगिक जानकारी भी univariate सक्रियण के समान स्तर के साथ स्थितियों के लिए, कार्यात्मक चुंबकीय अनुनाद इमेजिंग (fMRI) मस्तिष्क की गतिविधियों का वितरित पैटर्न के भीतर मौजूद हो सकता है की सराहना की है. मल्टी voxel पैटर्न (एमवीपी) विश्लेषण बड़ी सफलता के साथ इस जानकारी को डिकोड करने के लिए इस्तेमाल किया गया है. FMRI जांचकर्ताओं ने यह भी अक्सर मस्तिष्क क्षेत्रों परस्पर नेटवर्क में बातचीत कैसे समझना चाहते हैं, और समय के साथ प्रतिक्रियाओं सहसंबद्ध है कि क्षेत्रों की पहचान करने के लिए कार्यात्मक कनेक्टिविटी (एफसी) का उपयोग करें. Univariate विश्लेषण MVPs में जानकारी के लिए असंवेदनशील हो सकता है बस के रूप में, एफसी पूरी तरह से विशेषता एमवीपी हस्ताक्षर के साथ स्थितियों की प्रक्रिया है कि मस्तिष्क नेटवर्क को चिह्नित नहीं हो सकता है. विधि यहाँ वर्णित, सूचना कनेक्टिविटी (आईसी), एफसी के लिए सुलभ नहीं है कि कनेक्टिविटी खुलासा, समय के पार एमवीपी-discriminability में सहसंबद्ध परिवर्तन के साथ क्षेत्रों की पहचान कर सकते हैं. विधि बीज Conn की पहचान करने के लिए सर्चलाइटों का उपयोग, खोजपूर्ण किया जा सकता हैected क्षेत्रों, या पूर्व चयनित क्षेत्रों के हित के बीच, योजना बनाई. परिणाम, एमवीपी से संबंधित स्थितियों की प्रक्रिया है कि क्षेत्रों के नेटवर्क को स्पष्ट टूटने MVPA सर्चलाइट नक्शे कर सकते हैं अलग नेटवर्क में, या कार्यों और रोगी समूहों में तुलना की जा सकती सकते हैं.

Introduction

यहाँ वर्णित विश्लेषण पद्धति का लक्ष्य उनकी बहु voxel जानकारी में उतार चढ़ाव के आधार पर मस्तिष्क क्षेत्रों के बीच संपर्क को मापने के लिए है. कार्यात्मक चुंबकीय अनुनाद इमेजिंग (fMRI) विश्लेषण तकनीक के क्षेत्र में अग्रिम जानकारी की एक बड़ी राशि कई voxels 1-3 भर में वितरित कर रहे हैं कि रक्त oxygenation स्तर पर निर्भर (बोल्ड) गतिविधि पैटर्न के भीतर समाहित किया जा सकता है कि पता चला है. बहु - voxel पैटर्न विश्लेषण (MVPA) के रूप में जाना जाता है - - बहुभिन्नरूपी जानकारी के प्रति संवेदनशील हैं कि तकनीक का एक सेट शर्तों अप्रभेद्य univariate प्रतिक्रियाओं 1,2,4 होने के बावजूद अलग पहचाना MVPs हो सकता है कि दिखाने के लिए इस्तेमाल किया गया है. Univariate प्रतिक्रियाओं की तुलना जो मानक विश्लेषण, इस बहु - voxel जानकारी के लिए असंवेदनशील हो सकता है.

मनुष्य उत्तेजनाओं की प्रक्रिया और संज्ञानात्मक कार्रवाई कई मस्तिष्क क्षेत्रों लगे हुए हैं. कार्यात्मक कनेक्टिविटी (एफसी) आमतौर पर जांच करने के लिए कार्यरत एक विधि हैफाटक ऐसे कार्यात्मक नेटवर्क 5,6. इसकी सबसे बुनियादी रूप में, एफसी अलग voxels या क्षेत्रों के बीच सहयोग सक्रियण, या synchrony, quantifies. एफसी ज्यादा सफलता के साथ कार्यात्मक जुड़े मस्तिष्क नेटवर्क की पहचान करने के लिए इस्तेमाल किया गया है. कई क्षेत्रों और शर्तों के लिए, हालांकि, univariate प्रतिक्रियाओं बोल्ड गतिविधि के भीतर सभी उपलब्ध जानकारी को प्रतिबिंबित नहीं करते. गतिशील रूप univariate प्रतिक्रिया का स्तर बदल रहा है कि ट्रैक एफसी तकनीक बहु voxel जानकारी में सामान्य उतार चढ़ाव के प्रति संवेदनशीलता की कमी हो सकती है. विश्लेषण विधि यहाँ प्रस्तुत, सूचना कनेक्टिविटी (आईसी, पहले एक कागज हाल ही 7 में वर्णित), समय के पार बहु voxel जानकारी के प्रति संवेदनशील है कि एक मीट्रिक के साथ जुड़ाव को मापने के द्वारा, MVPA और एफसी के बीच एक अंतर को पुल. एफसी को गतिशील univariate सक्रियण बदलते पटरियों, वहीं आईसी गतिशील रूप एमवीपी discriminability बदलते ट्रैक - एक एमवीपी की असली हालत (गलत) विकल्प से प्रतिष्ठित किया जा सकता है कितनी अच्छी तरह का एक उपाय. महत्वपूर्ण बात है, टीवह उसी तरह है कि विभिन्न क्षेत्रों में अलग संगणना (एक व्यक्ति मानव निर्मित वस्तुओं के विचार जब जैसे, दृश्य प्रसंस्करण या कार्रवाई योजना) प्रदर्शन के बावजूद एक शर्त को univariate प्रतिक्रियाओं के समान स्तर दिखा सकता है, विशिष्ट क्षेत्रों में भी एमवीपी की समान (और सिंक्रनाइज़) स्तर हो सकता discriminability वे अलग तरह की स्थितियों पर कार्रवाई करते हुए. हाल ही में एक जांच आईसी एक मानक एफसी दृष्टिकोण 7 के साथ detectable नहीं है कि अंतर - क्षेत्रीय संपर्क प्रकट कर सकते हैं कि प्रदर्शन किया. जांचकर्ता इसलिए प्रतिभागियों विशेषता वितरित पैटर्न है कि स्थितियों या उत्तेजनाओं का जवाब के रूप में मस्तिष्क क्षेत्रों के बीच बातचीत की जांच के लिए आईसी का उपयोग कर सकते हैं. आईसी वर्गीकरण परिणाम 8, 9 के संबंध में univariate सक्रियण में उतार चढ़ाव की जांच की है कि हाल ही में कई कनेक्टिविटी अनुप्रयोगों से अलग है. इन तरीकों के विपरीत, आईसी क्षेत्रों के बीच तुल्यकालिक बहु - voxel पैटर्न discriminability का पता लगाता है.

Protocol

1. FMRI डेटा तैयार

नोट: एक fMRI स्कैन करने के बाद, पूर्व प्रक्रिया (स्थानिक समरेखण बचा या बहु - voxel पैटर्न संरक्षित करने के लिए कम से कम किया जाना चाहिए, हालांकि) से पहले इस प्रोटोकॉल शुरू करने के लिए सबसे fMRI सॉफ्टवेयर पैकेज में उपलब्ध उपकरणों का उपयोग कर एकत्र आंकड़ों. एक उपयुक्त डाटासेट का एक उदाहरण विधि 7 के पिछले आवेदन में वर्णित है.

  1. गति निकालें और गति मापदंडों के लिए भविष्यवक्ताओं के साथ एक प्रतिगमन मॉडल (रोल, पिच, रास्ते से हटना, एक्स, वाई, जेड) बनाकर पूर्व प्रसंस्कृत fMRI डेटा की समय श्रृंखला से सफेद बात का संकेत है मतलब और सफेद पदार्थ संकेत मतलब है. (शेष विचरण आईई) जिसके परिणामस्वरूप बच पर नीचे विश्लेषण आचरण.
  2. एक विश्लेषण पैकेज (जैसे, MATLAB, पायथन) में उत्पन्न बच आयात करें. खुला स्रोत सूचनात्मक कनेक्टिविटी उपकरण बॉक्स (http://www.informationalconnectivity.org) MATLAB में fMRI डेटा आयात कर सकते हैं.
  3. Z-स्कोर ईएसीज voxel के समय श्रृंखला.
  4. इस तरह अलग स्कैनर रन के रूप में स्वतंत्र सेट ('सिलवटों'), में डाटासेट के timepoints अलग करें. नोट: स्कैनर रन का प्रयोग अन्यथा (उदाहरण के लिए, निर्भरता पूर्व प्रसंस्करण के दौरान एक रन के timepoints के बीच बनाया जा सकता है) की गारंटी करने के लिए मुश्किल हो सकता है जो परतों के बीच स्वतंत्रता सुनिश्चित करता है. रन ही रन का उपयोग कर अधिक प्रशिक्षण डेटा देना होगा हालांकि, परतों की संख्या (जैसे, और भी अजीब रन 2) को कम करने के लिए एक साथ बांटा जा सकता है.
  5. लंबे एन timepoints है कि हालत लेबल के एक वेक्टर उत्पन्न करके timepoints के साथ जुड़े शर्त लेबल का एक रिकॉर्ड बनाएँ.
  6. घटनाओं और दर्ज fMRI संकेतों के बीच hemodynamic अंतराल के लिए खाते में करने के लिए, 5 सेकंड के बराबर गुना करने वाली पुनरावृत्ति (टीआरएस) के एक नंबर के द्वारा चलाये प्रत्येक में आगे हालत लेबल पाली.

2. का चयन करें और एक बीज क्षेत्र विश्लेषण

  1. एक शारीरिक अलग से एक बीज क्षेत्र का चयन करेंअल क्षेत्र, कार्यात्मक स्थानीयकृत क्षेत्र या 'जानकारी ब्रेन मैपिंग' शीर्ष प्रदर्शन 10 सर्चलाइटों.
    नोट: 2.2-4.2 नीचे खुला स्रोत सूचनात्मक कनेक्टिविटी MATLAB टूलबॉक्स द्वारा प्रदर्शन किया जा सकता है कदम ( http://www.informationalconnectivity.org ).
  2. . (नोट: इस सहसंबंध आधारित निकटतम पड़ोसी वर्गीकारक 2 में उपयोग के रूप में एक ही दृष्टिकोण है) हर हालत के लिए एक प्रोटोटाइप एमवीपी करने के लिए हर समय बिंदु के एमवीपी तुलना 1 (ऊपर) व्यक्ति के रूप में एकत्र वास्तविक आंकड़ों से एक उदाहरण देता है प्रतिभागियों को मानव निर्मित वस्तुओं के चार प्रकार के ब्लॉक देखी गयी.
    1. सभी लेकिन एक गुना में हर हालत में timepoints के औसत से हर हालत के लिए एक प्रोटोटाइप (माध्य) एमवीपी की गणना. यह प्रत्येक fold के लिए 'प्रशिक्षण' डेटा है (उदाहरण के लिए, 5 के गुना 2 के लिए, मतलब MVPs सिलवटों 1, 3, 4 में timepoints से गणना कर रहे हैं, और 5).
    2. हर timepoint 'सहसंबंधी; प्रशिक्षण डेटा से प्रत्येक हालत का मतलब एमवीपी साथ एस एम वी पी. यह (: यहां उच्चतम सहसंबंध के साथ शर्त आधारित MVPA क्लासिफायरफ़ाइल 2 लोकप्रिय सहसंबंध की भविष्यवाणी होगा नोट) हर timepoint हर हालत के लिए एक सहसंबंध मूल्य दे देंगे
    3. Z-स्कोर करने के लिए R-मूल्यों फिशर बदलना.
  3. प्रत्येक timepoint के लिए 'एम वी पी discriminability' यों: पहले timepoint के एमवीपी और उस timepoint की हालत का मतलब एमवीपी के बीच के रिश्ते का प्रतिनिधित्व करता है कि 2.2.3 से सहसंबंध पहचान है, और उसके बाद सही के साथ (यानी 'सहसंबंध शेष सहसंबंध के उच्चतम घटाना ) एक गलत हालत 'के साथ अधिकतम सहसंबंध' शून्य 'शर्त. परिणाम है कि timepoint के एमवीपी discriminability है. एक वैकल्पिक (और वैध) दृष्टिकोण गलत शर्तों का औसत सहसंबंध घटाना होगा.
    नोट: दृष्टिकोण का सुझाव दिया सहज ज्ञान युक्त एडवांटा हैनकारात्मक मूल्यों के साथ timepoints सही ढंग से भविष्यवाणी नहीं कर रहे हैं, जबकि सकारात्मक discriminability मूल्यों के साथ timepoints कि जीई सही ढंग से, सहसंबंध आधारित वर्गीकारक द्वारा वर्गीकृत कर रहे हैं. परिणामस्वरूप मूल्यों का एक उदाहरण चित्रा 1 (नीचे) में दिखाया गया है. इस बात के लिए कदम नीचे सूत्रों में कब्जा कर रहे हैं.
    2.3 समीकरण
    एक्स समय बिंदु n पर एम voxel सक्रियण मूल्यों के साथ एक सामान्यीकृत 1-by-M पंक्ति वेक्टर है, y सही (ग) या ग़लत (मैं) की स्थिति के लिए मतलब प्रशिक्षण पैटर्न के एक सामान्यीकृत 1-by-M पंक्ति वेक्टर है समय बिंदु एन. artanh समारोह फिशर Z बदलना लागू होता है.

3. प्रत्येक सर्चलाइट के लिए एमवीपी Discriminability की एक बार श्रृंखला की गणना

  1. प्लेस एक तीन आयामी सी: एक सर्चलाइट विश्लेषण 10 का संचालनबदले में प्रत्येक voxel (एक 'सर्चलाइट') के चारों ओर चमक.
  2. हर सर्चलाइट एमवीपी discriminability मूल्यों (timepoint प्रति एक) की एक समय श्रृंखला है कि इतनी दोहराएँ, 2.2 और प्रत्येक सर्चलाइट के लिए 2.3 दोहराएँ.

बीज और सर्चलाइटों के बीच 4. गणना सूचनात्मक कनेक्टिविटी

  1. स्पीयरमैन की रैंक सहसंबंध का उपयोग कर प्रत्येक सर्चलाइट के discriminability समय श्रृंखला (3.2 से) के साथ बीज के एमवीपी discriminability समय श्रृंखला (2.3) से सहसंबंधी. परिणामस्वरूप आर एस मूल्य बीज और सर्चलाइट के बीच आईसी है.
  2. सर्चलाइट के केंद्रीय voxel के लिए प्रत्येक सर्चलाइट के आईसी मान असाइन करें और जिसके परिणामस्वरूप व्यक्ति के मस्तिष्क का नक्शा लिखें.

5. गणना समूह सांख्यिकीय नक्शा

  1. डेटा मानकीकृत अंतरिक्ष में पहले से ही नहीं कर रहे हैं (जैसे, Talairach या MNI), परिणत प्रतिभागियों 'आईसी एक ही अंतरिक्ष में नक्शे.
  2. वैकल्पिक रूप से व्यक्तियों और चिकनी# 39; सर्चलाइट नक्शे.
  3. प्रत्येक सर्चलाइट के आईसी मूल्य शून्य से काफी अधिक है कि क्या के लिए एक तरह से एक टी परीक्षण का उपयोग कर एक समूह सांख्यिकीय मानचित्र बनाएँ.

6. टेस्ट महत्व

नोट: कई दृष्टिकोण fMRI समूह नक्शे के सांख्यिकीय महत्व को निर्धारित करने के लिए मौजूद हैं. (प्रत्येक permuted समूह मानचित्र उसी प्रसंस्करण की प्रक्रिया होती है) चौरसाई का डाटासेट के स्तर के लिए लेखांकन, जबकि एक क्रमचय परीक्षण, न्यूनतम मान्यताओं के साथ महत्व को निर्धारित कर सकते हैं, इस विकल्प नीचे दिए गए है.

  1. 1,000 क्रमपरिवर्तन में से प्रत्येक के लिए, अनियमित समय श्रृंखला भर में बीज की एमवीपी-discriminability मूल्यों फेरबदल. (उदाहरण के लिए, बल्कि आसन्न टीआरएस के अलावा ब्लॉक फेरबदल से) (जैसे कि एक ही ब्लॉक में timepoints के रूप में) अस्थायी autocorrelations साथ साथ सटे timepoints रखें.
  2. प्रत्येक क्रमचय (ऊपर चरण 4) के लिए 'व्यक्तियों आईसी नक्शे की गणना.
  3. Randoml: 1,000 permuted समूह नक्शे उत्पन्नY प्रत्येक भागीदार से एक permuted आईसी मानचित्र का चयन करें और यह यादृच्छिक सेट (ऊपर चरण 5) पर एक समूह परीक्षण का संचालन.
  4. थ्रेसहोल्ड हर permuted समूह एक वांछित दहलीज पर नक्शा (जैसे, पी <0.001) और नक्शे से अधिकतम क्लस्टर आकार निकालें.
  5. क्रमबद्ध 1,000 अधिकतम क्लस्टर मात्रा में जिसके परिणामस्वरूप और 95 वें प्रतिशतक (जैसे, 1000 क्रमपरिवर्तन के लिए 50 वां सबसे बड़ा) पर क्लस्टर आकार की पहचान.
  6. यह पी <0.05 क्लस्टर को सही बनाने के लिए आदेश में 6.5 से रियल (गैर permuted) आईसी समूह के नक्शे को 6.4 में इस्तेमाल सीमा (जैसे, पी <0.001) और न्यूनतम क्लस्टर आकार लागू करें. हर permuted नक्शा (एक अलग क्रम में) एक ही एमवीपी discriminability मूल्यों पर आ रही है, क्योंकि यह महत्व का नक्शा मौका द्वारा उम्मीद से अधिक तुल्यकालिक discriminability मूल्यों के साथ क्षेत्रों पर प्रकाश डाला गया.

Representative Results

आईसी परिणाम अब अन्वेषक के पसंदीदा fMRI विश्लेषण सॉफ्टवेयर पैकेज का उपयोग कर प्रदर्शित किया जा सकता है. चित्रा 2 नेत्रहीन प्रस्तुत आदमी के ब्लॉक से गणना आईसी परिणाम, वस्तुओं (संबद्ध प्रकाशन 7 में पूरी जानकारी) बनाया से पता चलता है.

आईसी विश्लेषण MVPs जुड़े है जाना स्थितियों के लिए विशेष रूप से महत्वपूर्ण है: विशेषता MVPs साथ स्थितियां, लेकिन univariate प्रतिक्रियाओं में अंतर के बिना, आईसी और एफसी के बीच भेद है की संभावना हैं (प्रतिभागियों के रूप में दर्ज किया गया डेटा के साथ सचित्र आदमी के विभिन्न प्रकार देखा ) चित्रा 3 में वस्तुओं की है. महत्वपूर्ण बहु voxel जानकारी उच्च आईसी हो सकता है, लेकिन कम अच्छी तरह एफसी परिणामों में प्रतिनिधित्व कर रहे हैं के साथ सर्चलाइटों कि 4 से पता चलता है.

चित्रा 1 .. चित्रा 1 समय के साथ पैटर्न discriminability के उदाहरण ऊपर:. एट अल Haxby में एक विषय से गणना की एमवीपी discriminability की substrates (2001) 2, Coutanche और थॉम्पसन-Schill (2013) में विश्लेषण के रूप में 7. ब्लू लाइन समय अंक 'MVPs और मतलब (' प्रशिक्षण ') सही वर्ग के पैटर्न के बीच Z-रन संबंध को दर्शाता है. हरे रंग की लाइनों तीन गलत वर्गों के साथ MVPs 'सहसंबंध का प्रतिनिधित्व करते हैं. नीचे: पैटर्न discriminability सही वर्ग और उच्चतम गलत वर्ग के लिए सहसंबंध के बीच का अंतर है. सकारात्मक पैटर्न discriminability मूल्यों के साथ समय अंक सही ढंग से एक संबंध आधारित वर्गीकारक द्वारा वर्गीकृत किया जाएगा. मूल रूप से Coutanche और थॉम्पसन-Schill (2013) में प्रकाशित चित्रा 7. इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें.

चित्रा 2
चित्रा 2. उदाहरण कनेक्टिविटी नक्शे. प्रत्येक पंक्ति काफी (नीले रंग में दिखाया गया है) एक बीज से जुड़े क्षेत्रों को दर्शाता है. महत्व क्रमचय परीक्षण से न्यूनतम क्लस्टर आकार के साथ एक समूह टी परीक्षण (पी <0.001) से निर्धारित होता है. आईसी परिणाम FreeSurfer 1 2 के साथ उत्पादन सतह नक्शे पर AFNI 1 1 का उपयोग कर प्रदर्शित कर रहे हैं. चित्रा Coutanche और थॉम्पसन-Schill (2013) से संशोधित किया गया है 7. इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें.

चित्रा 3
आंकड़ा3. सिंक्रनाइज़ एमवीपी discriminability सक्रियण मतलब की तुलना में तुल्यकालिक मतलब सक्रियण (यानी कार्यात्मक कनेक्टिविटी) के बिना तुल्यकालिक एमवीपी discriminability (यानी सूचना कनेक्टिविटी) के साथ दो क्षेत्रों में एमवीपी discriminability के उदाहरण हैं.; डेटा Haxby एट अल से एक विषय से आता है. (2001) 2, Coutanche और थॉम्पसन-Schill (2013) में विश्लेषण के रूप में 7. विषय बहु - voxel पैटर्न से अलग पहचाना जाता है, लेकिन प्रतिक्रियाओं का मतलब यह नहीं है जो मानव निर्मित वस्तुओं के दृश्य प्रस्तुतियों देखी गयी, जबकि इन आंकड़ों अंक एकत्र किए गए थे. इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें.

चित्रा 4
चित्रा 4. उदाहरण आईसी और LEF में एक बीज के बीच एफसी मूल्योंटी तकली जैसा गाइरस और मस्तिष्क भर सर्चलाइटों. सूचना और कार्यात्मक कनेक्टिविटी ताकत (z-कुल्हाड़ियों) चार के लिए प्रत्येक सर्चलाइट के माध्य प्रतिक्रिया (एक्स अक्ष) और MVPA वर्गीकरण सटीकता (Y-अक्ष) के संबंध में एक बीज और सर्चलाइटों, बीच में दिखाए जाते हैं मानव निर्मित वस्तुओं (मौका = 25%) के प्रकार. बीज क्षेत्र के साथ voxels बांटने सर्चलाइटों हटा दिया गया. आईसी ग्राफ उच्च वर्गीकरण प्रदर्शन पर (सही ग्राफ के ऊपर छोड़ दिया ऑक्टेंट में अंतर से देखा) एक ठेठ एफसी दृष्टिकोण में उठाया नहीं कर रहे हैं, जो कम मतलब प्रतिक्रिया स्तर, है कि मजबूत कनेक्टिविटी के साथ सर्चलाइटों का उदाहरण भी शामिल है. मूल रूप से Coutanche और थॉम्पसन-Schill (2013) में प्रकाशित चित्रा 7. इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें.

Discussion

सूचना कनेक्टिविटी वितरित पैटर्न जानकारी के लिए MVPA की संवेदनशीलता है, और एक कनेक्टिविटी दृष्टिकोण के माध्यम से बीच क्षेत्र संबंधों का अध्ययन करने की क्षमता देता है. MVPA और मानक univariate विश्लेषण प्रत्येक कभी कभी उनके परिणाम 1 से 3 के बीच थोड़ा ओवरलैप के साथ, अलग क्षेत्रों की भागीदारी प्रकट कर सकते हैं. इन विश्लेषण दृष्टिकोण पर आ रही है कि एक विधि के लिए उम्मीद थी, आईसी और एफसी भी पूरक परिणाम 7 दे. आईसी को रोजगार के लिए कि क्या निर्णय अंतत: जांच के तहत की स्थिति और समक्ष रखी जा रही सैद्धांतिक सवालों पर निर्भर करेगा. डिजाइन संबंधी MVPA एक डाटासेट पर आयोजित किया जाता है कि क्या प्रभाव है कि यह भी आईसी प्रयोग किया जाता है कि क्या प्रभावित करेगा. मन में स्पष्ट रूप से आईसी के साथ बनाया गया अध्ययनों से यह भी है कि परीक्षण के स्तर डेटा स्कैन के timecourse भर से निकाला जा सकता है जबकि यह सुनिश्चित करना, MVPA 1 से 4 के लिए सिफारिशों का पालन करना चाहते है.

जांचऔर आईसी परिणाम रिपोर्टिंग, यह बीज के साथ अतिव्यापी सर्चलाइटों घेरा से बचने के लिए, हटा रहे हैं कि महत्वपूर्ण है. सीधे आईसी और एफसी परिणामों की तुलना इसके अतिरिक्त, यदि यह भी नहीं बल्कि सिर्फ Voxels से सर्चलाइटों का मतलब सक्रियण, पर आधारित एक एफसी विश्लेषण की तुलना करने की सिफारिश की है. इस अतिरिक्त विश्लेषण के परिणाम के बीच कोई मतभेद क्योंकि संकेत करने वाली शोर voxels बनाम सर्चलाइटों में के स्तर में अंतर नहीं कर रहे हैं कि सुनिश्चित कर सकते हैं.

यहाँ वर्णित प्रक्रिया सर्चलाइटों रोजगार एक खोजपूर्ण विश्लेषण पर मुख्य रूप से केंद्रित है. यह क्षेत्रों के हित के साथ सर्चलाइटों जगह से, आईसी भी मैं एक पूर्व चयनित क्षेत्रों की तुलना कर सकते हैं कि ध्यान देने योग्य है. वर्तमान discriminability मीट्रिक - अधिकतम वैकल्पिक हालत के लिए सहसंबंध को 'सच' हालत के लिए एक एमवीपी के सहसंबंध की तुलना - भी परिवर्तनीय है. कई मशीन सीखने classifiers रचनाकार के लिए भविष्यवाणी भार हैआसानी से (जैसे, समय के साथ एक क्लासिफायरफ़ाइल का 'विश्वास' ट्रैक करने के लिए) यहां प्रदर्शन किया सहसंबंध तुलना की जगह ले सकता है जो erent कक्षाएं,. आईसी संभावित उपयोग करता है की एक किस्म है. के रूप में अच्छी तरह से सूचना के नेटवर्क की जांच के लिए एक प्राथमिक विश्लेषण किया जा रहा है के रूप में, आईसी एक MVPA सर्चलाइट के लिए एक उच्च माध्यमिक फॉलोअप विश्लेषण किया जा सकता है. MVPA सर्चलाइट नक्शे क्षेत्रों में विभिन्न स्थितियों भेद कर सकते हैं जो समझ के लिए मूल्यवान हैं, लेकिन आम तौर पर विभिन्न नेटवर्कों में टूट नहीं कर रहे हैं. आईसी दृष्टिकोण सर्चलाइटों तुल्यकालिक discriminability है की जो सेट खुलासा, यहाँ मदद कर सकते हैं. अंत में, विभिन्न कार्यों से आईसी नक्शे कार्य नेटवर्क को समझने के क्रम में तुलना की जा सकती है, और रोगियों को बेहतर बहु voxel मतभेद 1 5 नेटवर्क के स्तर पर प्रकट कर रहे हैं समझने के लिए कैसे नियंत्रण की तुलना में किया जा सकता है.

Acknowledgements

हम आगे के विश्लेषण के लिए अपने डेटा उपलब्ध बनाने के लिए जिम Haxby और उनके सहयोगियों को धन्यवाद. मार्क एन Coutanche हॉवर्ड ह्यूजेस मेडिकल इंस्टीट्यूट से एक फैलोशिप द्वारा वित्त पोषित किया गया. इस काम एनआईएच अनुदान R0I-DC009209 और शेरोन एल थॉम्पसन-Schill को सम्मानित किया R01-EY02171701 द्वारा समर्थित किया गया.

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