Использование Информационный Connectivity измерить синхронной Появление МРТ Multi-воксельном информация во времени

1. Подготовьте МРТ данных Примечание: После проведения МРТ сканирование, предварительно процесс собранные данные, используя инструменты, доступные в большинстве программных МРТ пакетов до запуска этой протокол (хотя пространственное сглаживание следует избегать или минимизировать, чтобы сохранить образцы нескольких воксельных). Примером подходящего набора данных описана в предыдущей применения метода 7. Удалить движение и означает сигналы белого вещества из временных рядов предварительно обработанных данных МРТ, создав модель регрессии с предсказателей для параметров движения (крен, тангаж, рыскание, х, у, г) и означает сигнал белого вещества. Провести анализы ниже на полученных остатков (то есть оставшейся дисперсии). Импорт сгенерированные остатков в анализ пакета (например, MATLAB, Python). С открытым исходным кодом Информационно подключения Панель инструментов (http://www.informationalconnectivity.org) может импортировать данные МРТ в MATLAB. Z-оценка ВАСвременные ряды ч VOXEL в. Отделите моменты времени набора данных в независимых множеств ("складки"), таких как различные трасс сканера. Примечание: Использование сканера работает обеспечивает независимость между складок, которые в противном случае могут быть трудно гарантировать (например, зависимости могут быть созданы между моменты времени пробег во время предварительной обработки). Работает могут быть сгруппированы вместе, чтобы уменьшить количество складок (например, четные и нечетные работает 2), хотя использование один работает даст больше обучающие данные. Создание записи о состоянии этикеток, связанных с временных точках, генерируя вектор состояния этикеток, которое N временных точках долго. Сдвиг состояние этикетки вперед в каждой ведении ряда раз-до-повторения (TRS), эквивалентных 5 сек, для того, чтобы учесть гемодинамики лага между событиями и регистрируемых сигналов МРТ. 2. Выберите и анализ семенного Регион Выберите Ваш регион семян, изолируя анатомическогоаль область, функционально локализованы региона или наиболее эффективных 'отображение информации мозг "прожекторы 10. Примечание: Шаги 2,2 до 4,2 ниже, могут быть выполнены с открытым исходным кодом информационного Connectivity MATLAB Toolbox ( http://www.informationalconnectivity.org ). Сравните MVP каждого момента времени к прототипа MVP для каждого состояния (Примечание: это тот же самый подход, используемый в популярном корреляции на основе ближайшего соседа классификатора 2). Рисунок 1 (вверху) приводит пример из реальных данных, собранных в участники осмотрели блоки четырех типов искусственных объектов. Рассчитать прототипичный (среднее) MVP для каждого состояния путем усреднения временных точках каждого состояния всего-но-одно стадо. Это данные 'учебных' для каждой складки (например, для сгиба 2 5, средние-статусом MVP рассчитываются от временных точках в складках 1, 3, 4 и 5). Корреляция каждый временной точке '; С MVP со средним-MVP каждого условия по данным обучения. Это даст каждому временной точке одно значение корреляции для каждого условия (Примечание: состояние с наивысшим корреляции здесь будет предсказание популярной корреляции на основе MVPA классификатор 2) Фишер-преобразования R-значения Z-баллы. Количественная 'MVP discriminability' для каждой временной точке: Во-первых выявить корреляцию с 2.2.3, представляющий связь между MVP в временной точке и среднего-MVP состояния этой временной точке, а затем вычесть самая высокая из оставшихся корреляций (т.е. 'корреляция с правильными состояние "минус" максимальной корреляции с неправильной состоянии "). В результате MVP discriminability этой временной точке в. Альтернативный (и действует) подходом было бы вычесть среднюю корреляцию неправильных условиях. Примечание: Предлагаемый подход имеет интуитивно понятный AdvantaGE, что моменты времени с положительными значениями discriminability правильно классифицированы по корреляции на основе классификатора, в то время как моменты времени с отрицательными значениями не правильно предсказал. Пример полученных значений показан на рисунке 1 (внизу). Шаги до этой точки захватываются в приведенных ниже формул. X нормированный 1 на м вектор-строка со значениями активации м воксел на время точкой N, Y нормированный 1 на м вектор-строка о среднем учебном шаблон для правильной (в) или неправильных (I) условий для временной точке н. Функция artanh относится Фишер г преобразования. 3. Вычислить Временные ряды MVP Discriminability для каждого Searchlight Провести анализ прожектор 10: Место трехмерную грблеск вокруг каждого воксела в свою очередь ('прожектора'). Повторите шаги 2.2 и 2.3 для каждого прожектора, чтобы каждый прожектор имеет временной ряд значений discriminability MVP (по одному на временной точке). 4. Рассчитать Информационно подключения между семенем и Прожекторы Корреляция MVP discriminability временной ряд семени (из 2,3) с discriminability временных рядов каждого прожектора (из 3,2) с использованием ранговой корреляции Спирмена. Значение полученного в результате р с является IC между семенем и прожектора. Связать значение IC каждого прожектора, чтобы центральной вокселя прожектора и выписать карту результирующего человека мозга. 5. Рассчитать Группа Статистические Карта IC Если данные не сохранены в стандартизированной пространстве (например, Talairach или MNI), Transform участников отображает в том же пространстве. При желании сгладить лиц &# 39; прожектор карты. Создайте группу статистическую карту, используя один способ т-тест для того, значение IC каждого Searchlight является значительно больше нуля. 6. Значение теста Примечание: существуют многочисленные подходы для определения статистической значимости карт групповых МРТ. Как критерий перестановок можно определить значение с минимальных предположениях, а приходится уровне набора данных сглаживания (так как каждый переставляются группа карту претерпевает ту же обработку), эта опция изложены ниже. Для каждого из 1000 перестановок, случайно перемешать значения MVP-discriminability семя в по всему временному ряду. Хранить смежные моменты времени с временной автокорреляции (например, временных точках в пределах того же блока) вместе (например, путем перестановки блоков, а не смежных TRS). Рассчитать IC карты физических лиц для каждой перестановки (шаг 4 выше). Генерация 1000 переставленных групповые карты: RandomlŸ Выберите один переставляются карту диктофон от каждого участника и провести тест группы на этой случайного набора (шаг 5 выше). Порог каждый переставляются группа карту в желаемом порога (например, р <0,001) и извлечь максимальный размер кластера с карты. Сортировать результате 1000 томов предельно-кластера и определить размер кластера на 95-го процентиля (например, 50-й крупнейших за 1000 перестановок). Применить порог, используемый в 6,4 (например, р <0,001) и минимальный размер кластера от 6,5 до реальной (не переставляются) IC группы карте, с тем чтобы она кластер с коррекцией к р <0,05. Потому что каждый переставляются карту опирается на тех же значениях discriminability MVP (в другом порядке), это значение карту подчеркивает регионы с более синхронных значений discriminability чем ожидалось случайно.