Usando Informativo Conectividad para Medir la Aparición síncrono de fMRI multi-voxel información a través del tiempo

1. Prepare los datos fMRI Nota: Después de realizar una exploración de resonancia magnética funcional, pre-procesar los datos recopilados utilizando las herramientas disponibles en la mayoría de los paquetes de software de fMRI antes de iniciar este protocolo (aunque suavizado espacial debe evitar o reducir al mínimo para conservar patrones multi-voxel). Un ejemplo de un conjunto de datos adecuado se describe en una solicitud anterior del método 7. Retire el movimiento y la media de las señales de la materia blanca de la serie temporal de datos de la fMRI pre-procesados ​​mediante la creación de un modelo de regresión con los predictores de los parámetros de movimiento (balance, cabeceo, guiñada, x, y, z) y la media de la señal de la sustancia blanca. Llevar a cabo los análisis a continuación en los residuos resultantes (es decir, la varianza restante). Importe los residuos generados en un paquete de análisis (por ejemplo, MATLAB, Python). El código abierto Informativo Conectividad Toolbox (http://www.informationalconnectivity.org) puede importar datos de la fMRI en MATLAB. Eac Z-scoreseries de tiempo h del voxel. Separar los puntos de tiempo del conjunto de datos en conjuntos independientes ("pliegues"), tales como diferentes carreras del escáner. Nota: El uso ejecuta el rastreador garantiza la independencia entre los pliegues, que de otra manera puede ser difícil garantizar (por ejemplo, se podrían crear dependencias entre los puntos de tiempo de un plazo durante el pre-procesamiento). Se ejecuta podrían agruparse para reducir el número de pliegues (por ejemplo, pares e impares carreras 2), aunque el uso de los análisis individuales dará más datos de entrenamiento. Crear un registro de las etiquetas de condiciones asociadas a los puntos de tiempo mediante la generación de un vector de etiquetas de condición que es N puntos de tiempo largo. Cambie las etiquetas de condiciones adelante en cada uno dirigido por un número de veces-a la repetición (TR) equivalente a 5 segundos, con el fin de tener en cuenta el retraso de hemodinámica entre los eventos y señales fMRI grabados. 2. Seleccionar y analizar una región de Semillas Seleccione una región de semillas mediante el aislamiento de un anatómicoal área, región funcionalmente localizada o superior rendimiento "Asignación de información de cerebros» reflectores 10. Nota: Los pasos 2.2 hasta 4.2 a continuación se puede realizar mediante la conectividad Informativo de código abierto MATLAB Toolbox ( http://www.informationalconnectivity.org ). Compare el MVP de cada punto de tiempo a un MVP prototípico para cada condición (Nota: este es el mismo enfoque que el utilizado en el popular clasificador del vecino más cercano basado en la correlación 2). Figura 1 (superior) da un ejemplo de datos reales recopilados como participantes veían bloques de cuatro tipos de objetos hechos por el hombre. Calcular una (media) MVP prototípico para cada condición promediando los puntos de tiempo de cada condición en todo-pero-un rebaño. Estos son los datos "formación" para cada pliegue (por ejemplo, para el doblez 2 de 5, significados MVPs se calculan a partir de momento en los pliegues 1, 3, 4, y 5). Relacionar cada punto de tiempo '; S MVP con la media-MVP de cada estado de los datos de entrenamiento. Esto le dará a cada punto de tiempo un valor de correlación para cada condición (Nota: el estado con la mayor correlación en este caso sería la predicción de la correlación populares clasificador basado AFMV 2) Fisher-a transformar los valores r de las puntuaciones z. Cuantificar 'MVP discriminabilidad' para cada punto de tiempo: En primer lugar identificar la correlación de 2.2.3 que representa la relación entre el MVP del punto de tiempo y la media-MVP de la condición de que punto de tiempo, y luego restar el más alto de las correlaciones restantes (es decir, la correlación "con correcta condiciones 'menos' máxima correlación con una condición incorrecta '). El resultado es MVP discriminabilidad de que punto de tiempo. Un enfoque alternativo (y válida) sería la de restar la correlación promedio de las condiciones incorrectas. Nota: El enfoque propuesto tiene la Advanta intuitivage que los puntos de tiempo con valores de discriminabilidad positivas se clasifican correctamente por el clasificador correlación basada, mientras que los puntos de tiempo con valores negativos no se predicen correctamente. Un ejemplo de los valores resultantes se muestra en la Figura 1 (abajo). Los escalones para llegar a este punto se capturan en las siguientes fórmulas. X es un vector fila normalizado 1-por-m con valores de activación m voxel en punto de tiempo N, Y es un vector fila normalizado 1-por-m del patrón de entrenamiento media para el correcto (c) o (i) las condiciones incorrectas para punto de tiempo n. La función artanh aplica la transformada z de Fisher. 3. Calcular una serie de tiempo de MVP discriminabilidad para cada Searchlight Realizar un análisis de reflector 10: Coloque un c tridimensionalbrillo alrededor de cada voxel a su vez (a 'reflector'). Repita los pasos 2.2 y 2.3 para cada foco de búsqueda, de modo que cada reflector tiene una serie de tiempo de los valores de discriminabilidad MVP (uno por punto de tiempo). 4. Calcular Informativo de conectividad entre la semilla y reflectores Correlacionar MVP series temporales discriminabilidad de la semilla (de 2,3) con series de cada reflector discriminabilidad tiempo (de 3,2), utilizando de Spearman de correlación de rangos. El valor resultante r s es la IC entre la semilla y el reflector. Asignar valor IC de cada reflector para voxel central del reflector y escribir mapa cerebral del individuo resultante. 5. Calcular Group Mapa de Estadística Mapas IC Si los datos no están ya en el espacio normalizado (por ejemplo, Talairach o MNI), transforman los participantes en el mismo espacio. Opcionalmente suavizar los individuos y# 39; mapas reflector. Crear un mapa estadístico de grupo mediante un t-test de una manera para que si el valor IC de cada reflector es significativamente mayor que cero. 6. Importancia Prueba Nota: Existen numerosos métodos para determinar la significación estadística de los mapas de grupos de fMRI. Como prueba de permutación se puede determinar la significación de las hipótesis mínimas, mientras que representan el nivel del conjunto de datos de suavizado (como cada mapa grupo permutado sufre el mismo proceso), esta opción se describe a continuación. Para cada uno de 1000 permutaciones, baraja al azar valores MVP-discriminabilidad de la semilla a través de la serie de tiempo. Mantenga los puntos de tiempo adyacentes con autocorrelaciones temporales (tales como puntos de tiempo dentro del mismo bloque) juntos (por ejemplo, por el intercambio de bloques en lugar de los TR adyacentes). Calcular los mapas individuales de CI para cada permutación (paso 4). Generar 1.000 mapas grupo permutados: randomly seleccione una mapa permutada IC de cada participante y llevar a cabo una prueba de grupo en este juego de azar (paso 5). Umbral de cada mapa grupo permutado en un umbral deseado (por ejemplo, p <0,001) y extraer el tamaño máximo de clúster desde el mapa. Ordenar el resultado 1,000 volúmenes de máxima racimo e identificar el tamaño del clúster en el percentil 95 (por ejemplo, la 50 ª más grande de 1000 permutaciones). Aplicar el umbral utilizado en 6.4 (por ejemplo, p <0,001) y el tamaño mínimo del conglomerado de 6,5 a la (no-permutada) IC mapa de grupo real con el fin de que sea corregida clúster para p <0,05. Debido a que cada mapa permutado se basa en los mismos valores de discriminabilidad MVP (en un orden diferente), este mapa importancia resalta las regiones con los valores más discriminabilidad síncronos lo esperado por azar.