시간에 걸쳐 fMRI를 다 복셀 정보의 동시 출현을 측정하는 정보를 제공하는 연결을 사용하여

1.의 fMRI 데이터에게 준비 참고 : fMRI를 스캔 수행 한 후, 전처리 (공간 스무딩을 피하거나 다중 복셀 패턴을 유지하기 위해 최소화해야하지만) 이전에이 프로토콜을 시작하는 대부분의 fMRI 소프트웨어 패키지에서 사용할 수있는 도구를 사용하여 수집 된 데이터. 적합한 데이터 세트의 예는 방법 (7)의 이전 애플리케이션에서 설명된다. 움직임을 제거하고 움직임 파라미터 예측과 회귀 모델 (롤, 피치, 요, X, Y, Z)를 작성하여 전처리의 fMRI 데이터의 시계열로부터 백질 신호를 의미하고 백질 신호를 의미한다. (나머지 분산 예) 결과 잔류에 아래의 분석을 실시한다. 분석 패키지 (예를 들어, MATLAB, 파이썬)에 생성 된 잔류 물을 가져옵니다. 오픈 소스 정보를 제공하는 연결 도구 상자 (http://www.informationalconnectivity.org)는 MATLAB으로의 fMRI 데이터를 가져올 수 있습니다. Z-점수 EACH 복셀의 시계열. 같은 다른 스캐너 실행 독립적 인 세트 ( '주름')에 데이터 집합의 timepoints을 분리합니다. 참고 : 스캐너 실행을 사용하여 그렇지 않으면 (예를 들어, 종속성을 사전 처리하는 동안 실행의 timepoints 사이에 생성 될 수 있었다) 보장하기 어려울 수 있습니다 주름 사이에 독립성을 보장합니다. 실행은 하나의 실행을 사용하여 더 많은 교육 자료를 제공 할 것입니다 있지만, 주름의 수 (예를 들면, 짝수 및 홀수 실행 2)를 줄이기 위해 함께 그룹화 할 수 있습니다. 길이 N의 timepoints입니다 조건 레이블의 벡터를 생성하여 timepoints와 연관된 조건 레이블의 기록을 만듭니다. 이벤트 및 기록의 fMRI 신호 간의 혈역학 지연을 고려하기 위해, 5 초에 해당 회 투 반복 (거래 정보 저장소)의 개수에 의해 실행 각각 순방향 상태 라벨 시프트. 2. 선택하고 종자의 지역 분석 해부학을 분리하여 시드 지역을 선택알 영역, 기능적으로 지역화 된 지역 또는 '정보 뇌 매핑'가장 실적이 10 탐조등. 참고하면 : 2.2-4.2 아래의 오픈 소스 정보를 제공하는 연결 MATLAB 도구 상자에 의해 수행 될 수있는 단계 ( http://www.informationalconnectivity.org ). . (주 : 이것은 인기있는 상관 관계를 기반으로 가장 가까운 이웃 분류기 2에 사용 된 것과 동일한 방법입니다) 모든 조건에 대한 원형 MVP 매번 포인트의 MVP 비교 1 (위) 그림은으로 수집 된 실제 데이터의 예를 보여주고 있습니다 참가자는 사람이 만든 개체의 네 가지 유형의 블록을 보았다. 모든하지만 – 한 배에 각 조건의 timepoints를 평균하여 각 조건에 대한 프로토 타입 (평균) MVP를 계산합니다. 이것은 각각의 배에 대한 '교육'데이터 (예를 들면, 5 배 2, 평균-MVP가이 겹 1, 3, 4 timepoints 계산하고, 5). 모든 평가시기를 '상관 관계, 훈련 데이터에서 각 조건의 평균-MVP와의 MVP. 이 (여기 가장 높은 상관 관계가있는 상태를 기준으로 MVPA의 분류 2 인기의 상관 관계 예측 될 것이다 주) 모든 평가시기 각 조건에 대해 하나의 상관 값을 줄 것이다 Z-점수에 R-값을 피셔 – 변환. 각 평가시기에 대해 'MVP의 discriminability'를 정량화 : 우선 평가시기의 MVP 및 그 평가시기의 상태의 평균 – MVP 간의 관계를 나타내는 2.2.3의 상관 관계를 파악하고 올바른으로 (즉, '상관 관계가 남아있는 상관 관계가 가장 높은 빼기 ) 잘못된 조건 '으로 최대의 상관 관계'마이너스 '상태. 결과는 평가시기의 MVP의 discriminability입니다. 대안 (유효) 접근 방식은 잘못된 조건의 평균 상관 관계를 빼야하는 것입니다. 참고 : 제안 된 접근 방식은 직관적 ADVANTA가음의 값으로 timepoints가 제대로 예측하지하는 동안 긍정적 인 discriminability 값으로 timepoints GE가 제대로 상관 관계 기반의 분류에 의해 분류된다. 결과 값의 예는 그림 1 (아래)에 표시됩니다. 이 시점까지의 단계는 아래 수식에서 캡처됩니다. X는 시간 점 N에서 M 복셀 활성화 값을 정규화 1 별 M 행 벡터이고, Y는 올바른 (C) 나에 대한 잘못된 (I) 조건에 대한 평균 훈련 패턴의 정규화 1 별 M 행 벡터이다 시간 포인트 N. artanh 함수 피셔 Z 변환을 적용한다. 3. 각 서치에 MVP Discriminability의 시계열을 계산 장소 입체 C를 : 서치 분석 (10)에게 실시차례로 각 복셀 ( '서치')의 주위에 광택. 모든 서치는 MVP의 discriminability 값 (평가시기 당 하나)의 시계열을 갖도록 반복, 2.2 및 각 서치 2.3 단계를 반복합니다. 종자 및 야시경 사이 4. 계산 정보를 제공하는 연결 스피어의 순위 상관을 사용하여 각 그룹의 서치 discriminability 시계열 (3.2)와 시드의 MVP의 discriminability 시계열 (2.3)에 연관. 그 결과 R의 값은 씨와 탐조등의 IC이다. 탐조등의 중앙 복셀 각 서치의 IC 값을 할당하고 그 결과 개인의 뇌지도를 작성. 5. 계산 그룹 통계지도 데이터가 표준화 된 공간에없는 경우 (예를 들어, Talairach 또는 MNI)는, 변환 참가자 IC는 같은 공간에 매핑합니다. 선택적으로 개인 및 매끄러운# 39; 서치지도. 각 서치의 IC 값이 0보다 크게 큰지 여부에 대한 단방향 t-테스트를​​ 이용하여 통계적 그룹 맵을 작성. 6. 테스트의 의미 주 : 많은 접근법의 fMRI 그룹 맵의 통계적 중요성을 결정하기 위해 존재한다. (각 순열 그룹지​​도는 동일한 처리를 거쳐으로) 반반의 데이터 셋의 수준을 차지하고있는 동안 순열 시험은 최소한의 가정에 의미를 확인할 수 있습니다,이 옵션은 아래에 설명되어 있습니다. 1000 순열 각각에 대해 무작위로 시계열에 걸쳐 시드의 MVP-discriminability 값 셔플. (예를 들어, 오히려 인접 거래 정보 저장소 이상의 블록을 걸어 갔다에 의해) (예 : 동일 블록 내 timepoints 등) 시간적 자기 상관과 함께 인접 timepoints을 유지합니다. 각 순열 (위의 4 단계)에 대한 개인의 IC 맵을 계산합니다. Randoml : 1,000 순열 그룹 맵을 생성y는 각 참가자의 하나의 순열 IC 맵을 선택하고이 임의 설정 (위의 5 단계)에 그룹 테스트를 실시하고 있습니다. 임계 모든 순열 그룹 원하는 임계 값에지도 (예를 들어, P <0.001) 맵에서 최대 클러스터 크기의 압축을 풉니 다. 정렬 1,000 최대 클러스터 볼륨을 결과 및 95 번째 백분위 수 (예를 들면, 1000 순열의 50 번째 규모)에서 클러스터 크기를 확인합니다. 그것은 p <0.05 클러스터 보정하기 위해 6.5에서 진정한 (비 – 순열) IC 그룹 맵에 6.4에서 사용 된 임계 값 (예를 들면, p <0.001) 및 최소 클러스터 크기를 적용한다. 모든 순열지도 (다른 순서) 같은 MVP의 discriminability 값을 그립니다 때문에이 의미지도 기회가 예상보다 더 많은 동기 discriminability 값으로 영역을 강조한다.