Met behulp Informatieve Connectiviteit om de Synchrone opkomst van fMRI Multi-voxel Informatie Across Time Meet

1. Bereid de fMRI gegevens Opmerking: Na het uitvoeren van een fMRI scan, pre-proces van de verzamelde gegevens met behulp van de beschikbare instrumenten in de meeste fMRI softwarepakketten voor het begin van dit protocol (hoewel ruimtelijke smoothing moet worden vermeden of geminimaliseerd om multi-voxel patronen te behouden). Een voorbeeld van een geschikte dataset wordt beschreven in een eerdere toepassing van de werkwijze 7. Verwijder beweging en betekenen materie signalen wit van de tijdreeksen van voorbewerkte fMRI gegevens door het creëren van een regressiemodel met voorspellers voor motion parameters (roll, pitch, yaw, x, y, z) en de gemiddelde materie signaal wit. Voeren de analyses hieronder op de resulterende residuen (dwz de resterende variantie). Importeer de gegenereerde reststromen tot een analyse-pakket (bijv. MATLAB, Python). De open source Informatieve Connectivity Toolbox (http://www.informationalconnectivity.org) kan fMRI gegevens importeren in MATLAB. Z-score each voxel's tijdreeksen. Scheid tijdstippen van de dataset in onafhankelijke sets ("plooien"), zoals verschillende scanner runs. Opmerking: Het gebruik scanner loopt zorgt voor onafhankelijkheid tussen de plooien, die anders moeilijk kan zijn om te garanderen (bijvoorbeeld, kon afhankelijkheden worden gecreëerd tussen tijdstippen een run tijdens pre-processing). Runs kunnen worden gegroepeerd om het aantal vouwen (bijvoorbeeld even en oneven runs 2) verminderen, hoewel enkelvoudige punten zal trainingsgegevens geven. Maak een verslag van de toestand labels die bij tijdstippen door het genereren van een vector van aandoening labels die N tijdstippen lang. Schuif de voorwaarde labels voorwaarts in elk geleid door een aantal malen te herhalen (TRS) gelijk aan 5 sec, om rekening te houden met de hemodynamische vertraging tussen gebeurtenissen en opgenomen fMRI signalen. 2. Selecteer en analyseren een Seed Regio Selecteer een zaad regio door het isoleren van een anatomischal ruimte, functioneel gelokaliseerd gebied of best presterende 'informatie brain mapping' zoeklichten 10. Opmerking: Stappen 2,2-4,2 hieronder kan worden uitgevoerd door de open-source Informatieve Connectiviteit MATLAB Toolbox ( http://www.informationalconnectivity.org ). Vergelijk de MVP van elke keer-punt om een prototypisch MVP voor elke conditie (Let op: dit is dezelfde aanpak als in de populaire-correlatie gebaseerde naaste buur classifier 2). Figuur 1 (boven) geeft een voorbeeld van echte gegevens verzameld in het deelnemers bekeken blokken van vier soorten van de mens gemaakte objecten. Bereken een prototypisch (gemiddelde) MVP voor elke aandoening door het gemiddelde van de tijdstippen van elke voorwaarde in alle-maar-een kudde. Dit is de "training" voor elke vouw (bijvoorbeeld voor vouwen 2 van 5 worden zin MVP berekend uit tijdspunten bij plooien 1, 3, 4 en 5). Correleren ieder tijdstip bepaald '; S MVP met de gemiddelde-MVP van elke conditie van de trainingsgegevens. Dit zal ieder tijdstip bepaald met een correlatie waarde voor elke aandoening te geven (Let op: de staat met de hoogste correlatie hier zou de voorspelling van de populaire correlatie gebaseerd MVPA classifier 2 zijn) Fisher-transformatie van de r-waarden z-scores. Kwantificeren 'MVP discriminability' voor elk meetpunt: identificeren Eerst de correlatie uit 2.2.3 dat de relatie tussen het meetpunt MVP en de gemiddelde-MVP van de toestand van dat tijdpunt vertegenwoordigt, en vervolgens aftrekken van de hoogste van de overige correlaties (dwz 'correlatie met de juiste voorwaarde 'minus' maximale correlatie met een onjuiste toestand '). Het resultaat is dat timepoint MVP discriminability. Een alternatieve (en geldige) benadering zou zijn de gemiddelde correlatie van de onjuiste condities aftrekken. Opmerking: De voorgestelde aanpak heeft de intuïtieve Advantage die tijdstippen met positieve discriminability waarden correct zijn ingedeeld door de correlatie gebaseerd classifier, terwijl tijdstippen met negatieve waarden zijn niet correct voorspeld. Een voorbeeld van de resulterende waarden weergegeven in Figuur 1 (onder). De stappen tot aan dit punt zijn vastgelegd in onderstaande formules. X is een genormaliseerde 1-op-m rij vector met m voxel activering waarden op tijdstip-point n, Y is een genormaliseerde 1-op-m rij vector van de gemiddelde opleiding patroon voor de juiste (c) of onjuiste (i) de voorwaarden voor tijd-punt n. De artanh functie past de Fisher z transformatie. 3. Bereken een tijdreeks van MVP Discriminability voor elke Zoeklicht Voer een zoeklicht analyse 10: Plaats een driedimensionale cglans rond elke voxel beurt (een 'zoeklicht'). Herhaal de stappen 2.2 en 2.3 voor elke zoeklicht, zodat elke zoeklicht heeft een tijdreeks van MVP discriminability waarden (een per meetpunt). 4. Bereken Informatieve Connectiviteit tussen het zaad en zoeklichten Correleren van het zaad MVP discriminability tijdreeks (vanaf 2.3) met discriminability tijdreeksen elk zoeklicht's (vanaf 3.2) met behulp van Spearman Rank correlatie. De resulterende r s waarde is de IC tussen het zaad en zoeklicht. Wijs aan elke zoeklicht's IC waarde aan centrale voxel het zoeklicht's en schrijf de resulterende individu hersenen kaart. 5. Bereken Groep Statistische Kaart IC als de gegevens nog niet in gestandaardiseerde ruimte (bijv. Talairach of MNI), transformeren deelnemers kaarten in dezelfde ruimte. Eventueel glad de individuen &# 39; zoeklicht kaarten. Maak een groep statistische kaart middels een manier t-test voor of elk zoeklicht's IC waarde aanzienlijk groter is dan nul. 6. Test Belang Opmerking: Talrijke benaderingen bestaan ​​voor het bepalen van de statistische significantie van fMRI groep kaarten. Als permutatietoets betekenis kan bepalen met minimale veronderstellingen, terwijl goed voor vloeiender (zoals elke gepermuteerde groep kaart ondergaat dezelfde verwerking) de dataset is, is deze optie hieronder uiteengezet. Voor elk van 1000 permutaties, willekeurige shuffle MVP-discriminability waarden van het zaad over de tijdreeks. Houd nabijgelegen tijdstippen temporele autocorrelaties (zoals tijdstippen in hetzelfde blok) samen (bijvoorbeeld door herverdelingsblokken plaats aangrenzend TR). Bereken individuen 'IC kaarten voor elke permutatie (stap 4 hierboven). Genereer 1000 gepermuteerde groep kaarten: Randomly selecteert u een gepermuteerde IC kaart van elke deelnemer en voeren een groep proef op deze willekeurige reeks (stap 5 hierboven). Drempel elke gepermuteerde groep kaart op een gewenst niveau (bijv. p <0,001) en haal de maximale clustergrootte van de kaart. Sorteer de resulterende 1000 maximum-cluster volumes en identificeren van de cluster grootte op de 95 e percentiel (bv. de 50e grootste voor 1000 permutaties). Breng de drempel die in 6.4 (bijv. p <0,001) en de minimale cluster grootte van 6,5 tot de echte (niet-gepermuteerde) IC groep kaart in zodat het cluster-gecorrigeerd p <0,05. Omdat elke gepermuteerde kaart is gebaseerd op dezelfde MVP discriminability waarden (in een andere volgorde), deze betekenis kaart wijst regio's met meer synchrone discriminability waarden dan verwacht door toeval.