時間を越えてのfMRI多ボクセル情報の同期出現を測定するために情報を使用した接続

1。fMRIのデータの準備注意：fMRIのスキャン行った後、前処理（空間スムージングを回避またはマルチボクセルパターンを維持するために最小化されるべきであるが）前に、このプロトコルを開始する最もfMRIのソフトウェアパッケージで使用可能なツールを使用して収集したデータ。適切なデータセットの例は、方法7の先の出願に記載されている。 モーションを削除し、動きパラメータの予測因子で回帰モデルを作成することによって前処理されたfMRIのデータの時系列から白質信号を意味する（ロール、ピッチ、ヨー、x、y、z）と白質信号を意味する。生じた残差（残りの分散IE）上で、以下の分析を行う。 解析パッケージ（ 例えば 、MATLABやPython）に生成された残差をインポートします。オープンソースの情報コネクティビティツールボックス（http://www.informationalconnectivity.org）はMATLABにfMRIのデータをインポートすることができます。 ZスコアEACHボクセルの時系列。 このような様々なスキャナの実行としての独立したセット（「ひだ」）の中に、データセットの時点を分離する。注：スキャナの実行を使用して他の方法で（例えば、依存関係は、前処理の間に実行の時点の間で作成することができる）を保証することが困難であることができる折り目の間の独立性を保証する。シングルランを使用すると、より多くの学習データが得られますが、実行すると、ひだの数（ 例えば 、偶数と奇数の実行2）を低減するためにグループ化することができた。 長いN個の時点で条件のラベルのベクトルを生成することによって、時点に関連した条件ラベルのレコードを作成します。 イベントや記録されたfMRIの信号間の血行動態のタイムラグを考慮するために、5秒に相当の時間への反復（TRS）の数だけ実行するたびに前進条件のラベルをシフト。 2。シード領域を選択し、分析する解剖学的を単離することによりシード領域を選択アル·エリア、機能的にローカライズされた領域または「情報脳マッピング'最高性能は、10をサーチライト。 注：以下の4.2から2.2は、オープンソースの情報コネクティビティ、MATLABツールボックス（で行うことができるステップhttp://www.informationalconnectivity.org ）。 すべての条件のために、原型のMVPに、各時点のMVPを比較する（注：これは人気の相関ベースの最近傍識別器2で使用したものと同じアプローチです）。 図1（上）はとして収集、実データからの例を示します参加者は人工物体の4種類のブロックを閲覧。 すべて – ブタ1倍で各条件の時点を平均化することによって、すべての状態のため（平均）プロトタイプのMVPを計算します。これは、各ひだのための「トレーニング」データ（ 例えば 、5倍2について、平均のMVPは襞1、3、4の時点から計算され、および5）。 「あらゆる時点を関連付ける;のMVPトレーニングデータから、各条件の平均MVPを有する。これは、すべての時点の各条件1の相関値が得られます（注：ここでは最も相関の高い条件が人気の相関に基づくMVPA分類器2の予測になります） ZスコアにR値をフィッシャー変換。 各時点のために'のMVP識別性」を定量化する：第1の時点のMVPとその時点の状態の平均MVPとの関係を表す2.2.3から相関を特定し、正しいと（ すなわち 「相関残りの相関関係の最高を引く条件 'マイナス'間違った状態で最大の相関 '）。結果はその時点のMVPの識別性である。代替（と有効な）アプローチは間違った条件の平均相関を減算することであろう。 注：提案さアプローチは直感的アドバンタがある負の値を持つ時点が正確に予測されていないながら、正の識別能力値が正しく、相関に基づく分類器によって分類されているとの時点GE。得られた値の例を図1（下）に示されている。ここまでの手順は以下の式に取り込まれます。 Xは、Yが正しい（C）の平均トレーニングパターンの正規化された1行m行ベクトルで、時点nにおけるMボクセル活性値で正規1行m行ベクトルであるかの不正な（I）の条件時点nである 。 artanh機能は、フィッシャーZ変換が適用されます。 3。それぞれのサーチライトのためのMVP識別性の時系列を計算場所3次元C：サーチライトの分析10を実施順番に各ボクセルの周りの光沢（ 'サーチライト」）。 すべてのサーチライトは、MVPの弁別値（時点ごとに1つ）の時系列を持つように繰り返して、それぞれのサーチライトのための2.2と2.3を繰り返します。 種子と投光器の間4。計算情報コネクティビティスピアマンの順位相関を用いて、各サーチライトの弁別力の時系列（3.2）を用いた種子のMVPの弁別時系列（2.3〜）を関連付ける。結果のR、S値はシードとサーチライトの間のICである。 サーチライトの中央ボクセルに各サーチライトのIC値を代入し、その結果、個々の脳地図を書き出す。 5。計算グループ統計地図データは標準化された空間に入っていない場合（ 例えば 、タライラッハまたはMNI）は、変換参加者のICが同じ空間にマップする。 必要に応じて個人をスムーズ＆＃39;サーチライトマップ。 各サーチライトのIC値がゼロよりも有意に大きいかどうかは一方向t検定を用いて統計的なグループマップを作成する。 6。テストの意義注：多数のアプローチがfMRIのグループマップの統計的有意性を決定するために存在する。 （各順列グループマップは、同じ処理が行われたように）平滑化データセットのレベルを考慮しながら、並べ替え検定は、最小限の仮定で有意性を決定することができますように、このオプションは以下の通りです。 千順列のそれぞれに対して、ランダムに時系列間での種子のMVP-弁別値を切り直す。 （例えば、むしろ隣接のTRよりもブロックをシャッフルして）（同じブロック内の時点のような）時間的自己相関と一緒に隣接する時点を保つ。 各順列（上記の手順4）のために、個人でICマップを計算します。 Randoml：千入れ替えグループマップを生成Yは、各参加者から1順列のICマップを選択し、このランダムセット（上記ステップ5）上のグループテストを実施しています。 しきい値は、すべての所望の閾値（ 例えば 、p <0.001）でのグループマップを並び替え、マップから最大のクラスタサイズを抽出します。 結果の千最大クラスタボリュームをソートし、95 パーセンタイル （ たとえば 、千順列の最大50 回目 ）でクラスタサイズを識別します。 は、p <0.05、クラスタ補正させるために、6.5から実数（非順列）IC群マップに6.4に用いる閾値（ 例えば 、p <0.001）および最小クラスタサイズを適用する。すべての順序を変えた地図（異なる順序で）同じのMVP弁別値に描画するため、この重要度マップは、偶然に予想以上の同期弁別値で領域を強調しています。