利用信息化连通性来衡量的功能磁共振成像多体素穿越时空信息的同步崛起

1，准备功能磁共振成像数据注：进行的功能磁共振成像扫描后，前处理使用功能磁共振成像大多数软件包开始本协议之前，可用的工具（但应避免或减少维护多体素模式空间平滑）收集的数据。一个合适的数据集的例子中的方法7的先前申请中描述。 除去运动和平均脑白质信号从时间序列预处理的fMRI数据的创建与预测回归模型运动参数（横滚，俯仰，偏航，X，Y，Z）和平均脑白质信号。进行下面对所得的残差（ 即剩余的方差）的分析。 导入生成的残差成分析软件包（ 如 MATLAB，Python的）。开源信息化连通性工具箱（http://www.informationalconnectivity.org）可以导入fMRI数据到MATLAB中。 Z评分​​EACħ体素的时间序列。 独立数据集的时间点到独立集（'折叠'），如不同的扫描仪运行。注意：使用扫描仪的运行，确保褶皱，可以以其他方式难以保证（例如，依赖关系可以运行的时间点之间的前处理过程中产生）之间的独立性。运行可被组合在一起，以减少褶皱的数量（ 例如 ，偶数和奇数奔跑2），虽然采用单次运行将给予更多的训练数据。 创建与时间点通过生成的条件标签的向量是N久时间点相关联的条件标签的记录。 向前移动的状态标签中的每个通过数次到重复（TRS）相当于5秒运行，为了解释事件和记录的fMRI信号之间的血流动力学滞后。 （2）选择和分析一个地区种子通过隔离解剖选择种子区域人区，在功能上局部区域或表现最出色的“信息脑地形图'射灯10。 注：步骤2.2至4.2以下可以由开源信息化连通MATLAB工具箱进行（ http://www.informationalconnectivity.org ）。 比较每个时间点的最有价值球员为原型的MVP每个条件（注：这是因为在流行的相关性为基础的最近邻分类2用同样的方法）。 图1（上）给出了一个例子从收集真实的数据与会者认为，四种类型的人造物体块。 通过平均所有，但一折的每个条件的时间点计算出一个原型（平均值）最有价值球员为每个条件。这是'训练'数据为每个倍（ 例如 ，5倍2，均值的MVP是由褶皱1，3，4个时间点计算，和5）。 每一个相关时间点“;最有价值球员从训练数据中每个条件的均MVP。这将使每一个时间点的每个条件一个相关值（注：这里有最高相关性的条件将是受欢迎的相关基础MVPA分类2的预测） 费雪变换的r值z分数。 量化'MVP的辨别力'为每个时间点：首先确定从2.2.3，表示该时间点的MVP和该时间点的状态的均值-MVP之间的关系的相关性，然后减去最高的剩余相关性（ 即 '相关的正确条件'减'有一个不正确的条件“最大相关）。其结果是，时间点的MVP鉴别力。一种替代（和有效的）的方法是减去的不正确的条件下的平均相关性。 注：建议的方法具有直观的优势的GE与正面的鉴别力值时间点的相关​​性为基础的分类是正确的分类，而时间点与负的值不正确预测。所得到的值的一个例子示于图1（下部）。步骤至此为止被捕获在下面的公式。 x是归一化的1×M个行向量，在时间点n×m个像素的激活值，Y是正确的（c）或不正确的（ⅰ）的条件下的平均训练模式的归一化的1×M个行向量时间点 n。该artanh功能应用费希尔Z变换。 3，计算时间序列的MVP区分度为每个探照灯进行分析探照灯10：将三维C周围依次在每个体素（A'探照灯'）光泽。 重复步骤2.2和2.3为每个探照灯，让每一个探照灯具有时间序列的MVP鉴别力值（每个时间点一个）。 4，计算信息化连接的种子和探照灯之间相关种子的MVP鉴别力的时间序列（2.3）使用Spearman秩相关各探照灯的鉴别力的时间序列（3.2）。由此产生的R S值是种子和探照灯之间的IC。 每个探照灯的IC值分配给探照灯的中心像素，并写出所产生的个体的大脑地图。 5，计算集团统计地图如果数据是不是已经在标准化的空间（ 例如 ，塔莱拉什或MNI），变换参与者的集成电路映射到相同的空间中。 可选的平滑和个人＃39;探照灯地图。 创建使用单程t-检验对每个探照灯的集成电路值是否显著大于零的一组统计图。 6，测试的意义注：许多方法来确定的功能磁共振成像组地图统计学意义存在。作为置换检验可以用最少的假设确定的意义，而占平滑（因为每个置换组映射经过相同的处理）的数据集的水平，这个选项概述如下。 对于每1,000排列，随机整个时间序列洗牌种子的MVP，鉴别力值。保持相邻的时间点与时间自相关性（如相同的块内的时间点）在一起（例如，通过混洗块，而不是相邻的TR）。 计算个体的集成电路地图的每个置换（上面的步骤4）。 产生1,000置换群图：RandomlŸ选择从每个参与者一个置换IC图，并在此随机设置（上面的步骤5）进行一组测试。 阈值（ 例如 ，P <0.001），每置换组映射在所需的阈值，并从地图中提取的最大簇大小。 排序产生的1,000最大类卷和识别该集群的大小在95 百分位（ 如 50 个最大的1000排列）。 为了使群集校正为p <0.05适用于6.4中使用的阈值（ 例如 ，P <0.001）和最小群集大小从6.5到真正的（非重排的）集成电路组的映射。因为每一个置换图绘制在同一MVP的鉴别力值（以不同的顺序），这个地图的意义与突出偶然比预期的更同步鉴别力值区域。