Usando Informativa Conectividade medir o Emergence Synchronous de fMRI Multi-voxel Informações Across Time

1. Preparar os dados fMRI Nota: Após a realização de um fMRI scan, pré-processar os dados coletados utilizando as ferramentas disponíveis na maioria dos pacotes de software de fMRI antes de iniciar este protocolo (embora suavização espacial deveria ser evitada ou minimizada para preservar os padrões de multi-voxel). Um exemplo de um conjunto de dados adequados é descrita no pedido anterior do método 7. Remover movimento e significa sinais de substância branca da série temporal de dados de fMRI pré-processados, criando um modelo de regressão com preditores para os parâmetros de movimento (roll, pitch, yaw, x, y, z) e sinal da substância branca dizer. Realizar as análises a seguir sobre os resíduos resultantes (ou seja, a variação restante). Importe os resíduos gerados em um pacote de análise (por exemplo, MATLAB, Python). A fonte aberto Informativa Conectividade Toolbox (http://www.informationalconnectivity.org) pode importar dados de fMRI em MATLAB. Eac Z-scoreséries temporais h do voxel. Separe timepoints do conjunto de dados em conjuntos independentes ('dobras'), tais como corridas diferentes scanner. Nota: O uso do scanner é executado garante a independência entre as pregas, que podem ser difíceis de garantir (por exemplo, poderia ser criado dependências entre timepoints um prazo durante o pré-processamento). Executa poderia ser agrupados em conjunto para reduzir o número de dobras (por exemplo, é executado e ímpares 2), apesar de utilizar pistas individuais vai dar mais dados de formação. Criar um registro dos rótulos condição associada a timepoints gerando um vetor de rótulos de condição que é N timepoints longo. Desloca os rótulos condição para a frente em cada executado por um número de vezes-a-repetição (TRs), equivalente a 5 segundos, a fim de explicar o atraso de hemodinâmica entre os eventos e sinais de fMRI gravados. 2. Selecione e analisar uma região Semente Selecione uma região de sementes por isolar um anatômicaárea al, região funcionalmente localizada ou de alto desempenho 'mapeamento de informações de cérebros' holofotes 10. Nota: Os passos 2,2-4,2 abaixo podem ser executados pelo open-source Conectividade Informativa MATLAB Toolbox ( http://www.informationalconnectivity.org ). Compare o MVP de cada ponto de tempo a um MVP protótipo para cada condição (Nota: esta é a mesma abordagem usada no popular baseada em correlação mais próximo classificador vizinho 2). Figura 1 (superior) dá um exemplo a partir de dados reais coletados como participantes visto blocos de quatro tipos de objetos feitos pelo homem. Calcule a (média) MVP protótipo para cada condição pela média dos pontos temporais de cada condição em todo-mas-um só rebanho. Estes são os dados "formação" para cada dobra (por exemplo, por vezes 2 de 5, médios-MVPs são calculadas em pontos de tempo em dobras 1, 3, 4 e 5). Correlacionar a cada ponto no tempo ", S MVP com a média-MVP de cada condição a partir dos dados de treinamento. Isso vai dar a cada ponto no tempo um valor de correlação para cada condição (Nota: o estado com a maior correlação aqui seria a previsão da correlação popular baseado classificador MVPA 2) Fisher-transformar os valores de R-TO escores z. Quantificar 'MVP discriminabilidade' para cada ponto no tempo: Primeiro identificar a correlação de 2.2.3 que representa a relação entre o MVP da timepoint ea média-MVP da condição desse timepoint, em seguida, subtrair a maior das correlações restantes (ou seja, correlação "com correta condição 'menos' correlação máxima com uma condição incorreta '). O resultado é que o MVP discriminabilidade do ponto de tempo. Uma abordagem alternativa (e válida) seria para subtrair a correlação média das condições incorrectas. Nota: A abordagem sugerida tem a vanta intuitivoge que timepoints com valores Discriminabilidade positivos são classificados corretamente pelo classificador correlação com base, enquanto timepoints com valores negativos não são previu corretamente. Um exemplo dos valores resultantes são mostrados na Figura 1 (parte inferior). Os passos até esse ponto são capturadas nas fórmulas abaixo. X é um vetor linha normalizada 1-por-m com valores de ativação m voxel na hora do ponto-n, y é um 1-a-m vetor linha normalizada do padrão médio para formação correta (c) ou (i) condições impróprias para tempo de ponto n. A função artanh aplica o Fisher z transformar. 3. Calcular uma série temporal de MVP Discriminabilidade para cada Searchlight Realizar uma análise holofote 10: Coloque um c tridimensionalbrilho em torno de cada voxel, por sua vez (um 'holofote'). Repita os passos 2.2 e 2.3 para cada holofote, para que cada holofote tem uma série temporal de valores Discriminabilidade MVP (um por timepoint). 4. Calcular Informativa conectividade entre a semente e Holofotes Correlacionar MVP discriminabilidade séries temporais da semente (de 2,3) com discriminabilidade séries temporais de cada holofote (de 3,2), utilizando classificação de correlação de Spearman. O valor resultante r s é o IC entre a semente eo holofote. Atribuir valor IC de cada holofote para voxel central do holofote e escrever mapa cerebral do indivíduo resultante. 5. Calcular Grupo Estatístico Mapa IC Se os dados não estiverem no espaço padronizado (por exemplo, Talairach ou MNI), transformam dos participantes mapeia no mesmo espaço. Opcionalmente suavizar as pessoas e# 39; mapas holofote. Criar um mapa estatístico grupo usando uma t-teste de uma forma para se valor IC de cada holofote é significativamente maior do que zero. 6. Significado Teste Nota: Existem inúmeras abordagens para determinar a significância estatística dos mapas grupo fMRI. Como um teste de permutação pode determinar a significância com os pressupostos mínimos, enquanto representando o nível do conjunto de dados de suavização (como cada mapa grupo permutados sofre o mesmo processo), esta opção é descrita abaixo. Para cada um dos 1.000 permutações, embaralhar aleatoriamente valores MVP-Discriminabilidade da semente em toda a série histórica. Manter instantes adjacentes com autocorrelações temporais (tais como marcas de tempo dentro do mesmo bloco) em conjunto (por exemplo, por blocos, em vez de baralhar TRs adjacentes). Calcule mapas IC dos indivíduos para cada permutação (passo 4 acima). Gerar 1.000 mapas grupo permutadas: Randomly selecionar um permutado mapa IC de cada participante e realizar um teste de grupo sobre este conjunto aleatório (passo 5 acima). Limite de cada mapa grupo permutados em um limite desejado (por exemplo, p <0,001) e extrair o tamanho máximo do cluster do mapa. Ordenar resultante 1.000 volumes máximo do cluster e identificar o tamanho do cluster no percentil 95 (por exemplo, a 50 ª maior em 1000 permutações). Aplique o limiar usado em 6.4 (por exemplo, p <0,001) eo tamanho mínimo aglomerado de 6,5 para o real (não-permutados) mapa grupo IC, a fim de torná-lo cluster de corrigida para p <0,05. Porque cada mapa permutados baseia-se nos mesmos valores Discriminabilidade MVP (em uma ordem diferente), este mapa significado destaca as regiões com mais valores Discriminabilidade síncronos do que o esperado por acaso.