نمذجة الشبكة الوظيفية للملاحة المكانية في الدماغ البشري

Summary

تقدم هذه الورقة نهجا تكامليا للتحقيق في الشبكة الوظيفية للملاحة المكانية في الدماغ البشري. يتضمن هذا النهج قاعدة بيانات تحليلية تلوية للتصوير العصبي على نطاق واسع ، والتصوير بالرنين المغناطيسي الوظيفي في حالة الراحة ، ونمذجة الشبكة وتقنيات الرسم البياني النظرية.

Abstract

الملاحة المكانية هي وظيفة معقدة تنطوي على تكامل ومعالجة المعلومات متعددة الحواس. باستخدام مهام الملاحة المختلفة ، تم تحقيق العديد من النتائج الواعدة على الوظائف المحددة لمناطق الدماغ المختلفة (على سبيل المثال ، الحصين ، القشرة المخية الداخلية ، ومنطقة مكان الحصن). في الآونة الأخيرة ، تم اقتراح أن عملية الشبكة غير المجمعة التي تنطوي على مناطق دماغية متفاعلة متعددة قد تميز بشكل أفضل الأساس العصبي لهذه الوظيفة المعقدة. تقدم هذه الورقة نهجا تكامليا لبناء وتحليل الشبكة الخاصة وظيفيا للملاحة المكانية في الدماغ البشري. باختصار ، يتكون هذا النهج التكاملي من ثلاث خطوات رئيسية: 1) تحديد مناطق الدماغ المهمة للملاحة المكانية (تعريف العقد) ؛ 2) تقدير التوصيلية الوظيفية بين كل زوج من هذه المناطق وبناء مصفوفة التوصيلية (بناء الشبكة)؛ 3) للتحقيق في الخصائص الطوبولوجية (على سبيل المثال ، النمطية والعالم الصغير) للشبكة الناتجة (تحليل الشبكة). يمكن أن يساعدنا النهج المقدم ، من منظور الشبكة ، على فهم أفضل لكيفية دعم دماغنا للتنقل المرن في البيئات المعقدة والديناميكية ، ويمكن أن توفر الخصائص الطوبولوجية المكشوفة للشبكة أيضا مؤشرات حيوية مهمة لتوجيه التحديد والتشخيص المبكر لمرض الزهايمر في الممارسة السريرية.

Introduction

الخصوصية الوظيفية هي مبدأ تنظيمي أساسي للدماغ البشري ، والذي يلعب دورا حاسما في تشكيل الوظائف المعرفية¹. يمكن أن تعكس التشوهات في تنظيم الخصوصية الوظيفية الإعاقات المعرفية المميزة والأسس المرضية المرتبطة باضطرابات الدماغ الرئيسية مثل التوحد ومرض الزهايمر ^2,3. بينما تميل النظريات والأبحاث التقليدية إلى التركيز على مناطق الدماغ المفردة ، مثل منطقة الوجه المغزلي (FFA) للتعرف على الوجوه⁴ ومنطقة مكان الحصين (PPA) ⁵ لمعالجة المشهد ، تشير مجموعة متزايدة من الأدلة إلى أن الوظائف المعرفية المعقدة ، بما في ذلك الملاحة المكانية واللغة ، تتطلب تنسيق النشاط عبر مناطق متعددة من الدماغ⁶. إن التحقيق في الآليات الكامنة وراء التفاعلات لدعم الوظائف المعرفية المعقدة هو سؤال علمي حاسم سيساعد في إلقاء الضوء على البنية الوظيفية وتشغيل الدماغ. هنا ، بأخذ الملاحة المكانية كمثال ، نقدم طريقة تكاملية لنمذجة الشبكة الوظيفية للملاحة المكانية في الدماغ البشري.

التنقل المكاني هو وظيفة معرفية معقدة ، والتي تنطوي على تكامل ومعالجة المكونات المعرفية المتعددة ، مثل الترميز البصري المكاني والذاكرة واتخاذ^{القرار 7}. مع التصوير بالرنين المغناطيسي الوظيفي (fMRI) ، حققت العديد من الدراسات تقدما كبيرا في فهم المعالجة المعرفية الأساسية والآليات العصبية. على سبيل المثال ، تم ربط وظائف محددة بمناطق مختلفة من الدماغ باستخدام مهام الملاحة المختلفة: ترتبط معالجة المشهد على وجه التحديد ب PPA ، ويرتبط تحويل استراتيجيات الملاحة بالقشرة خلف الطحال (RSC) ^8,9. قدمت هذه الدراسات رؤى مهمة حول الأساس العصبي للملاحة المكانية. ومع ذلك ، فإن الملاحة هي وظيفة ديناميكية داخليا ومتعددة الوسائط ، ووظائف المناطق المفردة ليست كافية لشرح الاختلافات الفردية الكبيرة في الملاحة المكانية¹⁰ التي يتم ملاحظتها بشكل شائع.

مع ظهور الشبكات العصبية القائمة على الرنين المغناطيسي الوظيفي ، بدأ الباحثون في استكشاف كيفية تفاعل بعض مناطق الدماغ الرئيسية مع بعضها البعض لدعم الملاحة المكانية. على سبيل المثال ، تم العثور على الاتصال الوظيفي بين القشرة الحزامية الداخلية والخلفية لدعم التناقضات الملاحية في مرض الزهايمر المعرض للخطر¹¹. في دراسة أخرى ، اقترحنا لأول مرة نهجا للشبكة من خلال دمج طرق الشبكة العصبية وجميع المناطق (العقد) ذات الصلة وظيفيا تقريبا للملاحة المكانية ، وأظهرت النتائج أن الخصائص الطوبولوجية لهذه الشبكة أظهرت ارتباطات محددة مع سلوكيات الملاحة¹². تقدم هذه الدراسة رؤى جديدة حول نظريات كيفية تفاعل مناطق الدماغ المتعددة مع بعضها البعض لدعم سلوكيات التنقل المرنة^10,13.

يوضح هذا العمل نسخة محدثة من النهج التكاملي لنمذجة الشبكة الوظيفية. باختصار ، تم تضمين تحديثين: 1) بينما تم تحديد العقد المحددة في الدراسة الأصلية بناء على قاعدة بيانات سابقة وأصغر (55 دراسة مع 2,765 عملية تنشيط ، تم الوصول إليها في عام 2014) ، استند التعريف الحالي إلى أحدث قاعدة بيانات (77 دراسة مع 3,908 عمليات تنشيط ، تم الوصول إليها في عام 2022) ؛ 2) لزيادة التجانس الوظيفي لكل عقدة ، إلى جانب أطلس AAL التشريحي الأصلي (وضع العلامات التلقائية التشريحية)¹⁴ ، قمنا بتطبيق تقسيم دماغي جديد ، والذي يتميز بدقة أدق بكثير وتجانس وظيفي أعلى (انظر أدناه). توقعنا أن يؤدي كلا التحديثين إلى تحسين نمذجة الشبكة الوظيفية. يوفر هذا البروتوكول المحدث إجراء مفصلا للتحقيق في الأساس العصبي للملاحة المكانية من منظور الشبكة ويساعد على فهم الاختلافات الفردية في سلوكيات الملاحة في الصحة والمرض. يمكن أيضا استخدام إجراء مماثل لنمذجة الشبكة للتركيبات المعرفية الأخرى (مثل اللغة والذاكرة).

Protocol

ملاحظة: يتم عرض جميع البرامج المستخدمة هنا في جدول المواد. كانت البيانات المستخدمة في هذه الدراسة لأغراض العرض التوضيحي من مشروع الشبكة العصبية البشرية (HCP: http://www. humanconnectome.org)¹⁵. تمت الموافقة على جميع الإجراءات التجريبية من قبل مجلس المراجعة المؤسسية (IRB) في جامعة واشنطن. تم الحصول على بيانات التصوير في مجموعة بيانات HCP باستخدام ماسح ضوئي 3T Siemens Skyra معدل مع ملف رأس 32 قناة. تم تفصيل معلمات الحصول على الصور الأخرى في ورقة سابقة¹⁶. تم تنزيل الحد الأدنى من البيانات المعالجة مسبقا للعرض التوضيحي ، والذي انتهى من خطوات المعالجة المسبقة التالية: تصحيح تشوه التدرج ، وتصحيح الحركة ، والمعالجة المسبقة للخريطة الميدانية ، وتصحيح التشوه المكاني ، والتطبيع المكاني لمساحة معهد مونتريال للأعصاب (MNI) ، وتطبيع الشدة ، وإزالة مجال التحيز. يمكن أيضا استخدام بيانات التصوير بالرنين المغناطيسي الوظيفي في حالة الراحة من مشاريع الباحثين.

1. المعالجة المسبقة للبيانات

1. تحقق من جودة البيانات واستبعد المشاركين الذين لديهم بيانات إعادة اختبار مفقودة وحركة رأس مفرطة (3 مم في الترجمة و 3 درجات في الدوران).
   ملاحظة: تمت إزالة خمسة مشاركين ، وتم تضمين 38 شابا (22-35 عاما) في التحليلات الرئيسية.
2. افتح مربع أدوات تحليل الشبكة النظرية للرسم البياني (GRETNA)¹⁷ في MATLAB لتنفيذ المزيد من خطوات المعالجة المسبقة. انقر فوق دفعة FC Matrix Construction. حدد مسار مجموعة البيانات الوظيفية لتحميل مستندات NIFTI وتنفيذ الخطوات التالية ، كما هو موضح في خيار خط الأنابيب في الشكل 1:
   1. قم بإزالة أول 10 صور بالنقر المزدوج فوق رقم النقطة الزمنية لإزالتها في إزالة الصور الأولى وإدخال 10.
   2. سلس مكانيا (العرض الكامل بنصف الحد الأقصى [FWHM] = [4 4 4] بالنقر المزدوج فوق FWHM (مم) في السلس المكاني وإدخال [4 4 4]).
   3. انحدار المتغيرات المشتركة. اختر إشارات المادة البيضاء وإشارات CSF وحركة الرأس على أنها TRUE. حدد القناع المناسب وفقا لحجم voxel الفعلي ، على سبيل المثال ، قناع ب 2 مم هنا ، واختر معلمات Friston-24 لحركة الرأس.
   4. تصفية مؤقتا. أدخل قيمة TR وفقا لوقت تكرار فحص التصوير بالرنين المغناطيسي (على سبيل المثال ، 720 مللي ثانية هنا) وقم بإزالة الضوضاء عالية التردد ومنخفضة التردد بالنقر المزدوج فوق النطاق (هرتز) وإدخال [0.01 0.1].
      ملاحظة: النتائج مع وبدون انحدار إشارات الدماغ بأكملها معروضة أدناه. عند استخدام البيانات غير المعالجة مسبقا ، يوصى أيضا باستخدام خطوط أنابيب راسخة مثل fMRI-prep¹⁸ ومساعد معالجة البيانات للتصوير بالرنين المغناطيسي الوظيفي في حالة الراحة (DPARSF) ¹⁹ .

الشكل 1: المعالجة المسبقة للتصوير بالرنين المغناطيسي الوظيفي Rs-fMRI وتقدير اتصال الشبكة الوظيفي. إعدادات المعالجة المسبقة (إزالة أول 10 صور ، والتنعيم المكاني باستخدام FWHM من 4 مم ، وإلغاء الاتجاه الخطي زمنيا ، وتراجع إشارات المادة البيضاء ، وإشارات السائل النخاعي (CSF) ، وحركة الرأس مع 24 معلمة ، وتصفية النطاق من 0.01-0.1 هرتز) والارتباط الثابت مع تحويل فيشر Z. الاختصارات: Rs-fMRI = التصوير بالرنين المغناطيسي الوظيفي في حالة الراحة ؛ FWHM = العرض الكامل عند نصف الحد الأقصى ؛ CSF = السائل النخاعي. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

2. بناء الشبكة وتحليلها

ملاحظة: يتم تلخيص سير العمل العام لبناء وتحليلات شبكة الملاحة في ثلاث خطوات رئيسية (الشكل 2).

الشكل 2: سير العمل العام لبناء وتحليل شبكة الملاحة. (أ) اختر التنقل كمصطلح للبحث عنه في قاعدة بيانات Neurosynth. (ب) يمكن إنشاء قائمة بإحداثيات التنشيط. (ج) قم بإجراء تحليل تلوي باستخدام وظائف من Neurosynth للحصول على العديد من خرائط الدماغ. (د، ه) من خلال دمج الخريطة التحليلية التلوية وأطلس تقسيم الدماغ بالكامل (AICHA) ، يمكن إنشاء العقد (ROI). (و) بناء شبكة ملاحة باستخدام عقد الملاحة الناتجة وتوصيلها الوظيفي (تقدير التوصيلية وتحليل الشبكة). الاختصارات: ROI = منطقة الاهتمام ؛ AICHA = أطلس الاتصال الجوهري للمناطق المتجانسة. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

1. تعريف عقدة الشبكة
   1. قم بتنزيل أحدث قاعدة بيانات Neurosynth (neurosynth.org)²⁰ عن طريق كتابة الأمر في Python:
         
      >استيراد neurosynth ك ns
      >ns.dataset.download (المسار = './' ، فك الضغط = صحيح)
         
      ملاحظة: يحتوي أرشيف مجموعة البيانات ('current_data.tar.gz') على ملفين: 'database.txt' و'features.txt'. تحتوي هذه على جميع إحداثيات التنشيط من مقالات التصوير العصبي وعلامات التحليل التلوي التي تحدث بتردد عال في تلك المقالة ، على التوالي.
   2. قم بإنشاء مثيل Dataset جديد من database.txt وإضافة ميزات إلى هذه البيانات عن طريق كتابة الأمر:
         
      > من استيراد مجموعة بيانات neurosynth.base.dataset
      > dataset = Dataset ('data/database.txt')
      > dataset.add_features ("بيانات/features.txt")
         
   3. قم بإجراء تحليل تلوي باستخدام مصطلح الاهتمام (أي "التنقل") عن طريق كتابة الأمر:
         
      > معرفات = dataset.get_ids_by_features ("التنقل" ، الحد = 0.01)
      > ma = ميتا. التحليل التلوي (مجموعة البيانات ، المعرفات)
      > ma.save_results('.'، 'الملاحة')
         
      ملاحظة: ينتج عن التحليل التلوي العديد من خرائط الدماغ بتنسيق NIFTI. تم تطبيق عتبة معدل الاكتشاف الخاطئ (FDR) البالغة 0.01 للتحكم في المعدل الإيجابي الخاطئ. هناك حاجة إلى المعرفة المودعة في هذه الخطوة لضمان تضمين المناطق المبلغ عنها بشكل شائع في خريطة التحليل التلوي. يمكن تطبيق خطوات مماثلة لإجراء التحليلات التلوية للوظائف المعرفية الأخرى مثل اللغة والذاكرة.
   4. حدد مجموعات الاهتمام من خلال دمج الخريطة التحليلية التلوية وأطلس تقسيم الدماغ بالكامل عن طريق كتابة الأمر من FSL:
         
      >fslmaths navigation_0.01.nii.gz -bin navi_bin.nii.gz
      >fslmaths navi_bin.nii.gz -mul AICHA/AAL.nii.gz navi_label_aicha/aal.nii.gz
      >FSLMATHS navi_label_aicha/aal.nii.gz -thr n -uthr n التسمية _n.nii.gz
      >تسمية المجموعة -i _n.nii.gz -t 0.2 -o cluster_n.nii.gz
      >fslmaths cluster_n.nii.gz -thr m -uthr m cluster_n_m.nii.gz
      >fslmaths cluster_n_m.nii.gz -بن مول س node_x.nii.gz
      >fslmaths node_1.nii.gz -إضافة ... -إضافة node_x.nii.gz navi_AICHA/AAL_mask.nii.gz
         
      ملاحظة: تم استخدام أطلسين هنا: AAL و AICHA. AAL هو الأطلس الذي تم استخدامه في الدراسة الأصلية لتعريف العقدة¹². تم إنشاء هذا الأطلس بناء على الملامح التشريحية. أطلس الاتصال الجوهري للمناطق المتجانسة (AICHA)²¹ له دقة أدق بكثير وتجانس وظيفي أعلى. حددنا مناطق الاهتمام باستخدام كل من الأطلس.
   5. اكتب البرامج النصية في Python للتحقق من حجم كل منطقة في الخريطة:
         
      >بالنسبة لي في np.arange(n)+1:
      >____region_list.الملحق (ط)
      >____size1_list.append(np.sum(img_dat==i))
      >____size2_list.append(np.sum(aicha_img_dat==i))
      >____pct_list.append(np.sum(img_dat==i)/np.sum(aicha_img_dat==i))
         
      ملاحظة: يشير العدد الصحيح n في البرنامج النصي إلى العدد الإجمالي للمناطق داخل تقسيم AICHA و AAL (384 و 128 على التوالي). لتجنب آثار العناقيد الزائفة ، يقترح إزالة المجموعات ذات الأحجام الصغيرة نسبيا (على سبيل المثال ، 100 فوكسل). يتم إنشاء أطلس AICHA المستخدم هنا باستخدام بيانات الاتصال الوظيفي ، حيث تظهر كل منطقة تجانس النشاط الزمني الوظيفي داخل نفسها.
2. تقدير اتصال الشبكة
   ملاحظة: يتم استخدام صندوق أدوات GRETNA لتقدير الاتصال وتحليل الشبكة.
   1. انقر فوق دفعة FC Matrix Construction. قم بتحميل بيانات rs-fMRI المعالجة مسبقا عن طريق تحديد مسار مجموعة البيانات الوظيفية. انقر فوق خيار الارتباط الثابت . قم بتحميل العقدة التي تم الحصول عليها في الخطوة السابقة كأطلس لحساب الارتباط الثابت لإشارات rs-fMRI لكل زوج من المناطق ونقلها إلى درجات Fisher's z لتحسين الحالة الطبيعية.
      ملاحظة: العملية التفصيلية موضحة في الشكل 1. سيتم الحصول على مصفوفات شبكة الملاحة N × N (N تمثل عدد العقد) لكل مشارك في .txt الشكل.
   2. احصل على شبكة موجبة وموزونة بالخطوات التالية ، كما هو موضح في الشكل 3.
      1. انقر فوق دفعة تحليل الشبكة. أضف مصفوفات الشبكة إلى نافذة مصفوفة اتصال الدماغ واختر دليل إخراج واحد للتحضير.
      2. بالنسبة لخيار خط الأنابيب لتكوين الشبكة ، حدد موجبا في علامة المصفوفة ، والتي ستضبط الاتصالات السالبة في مصفوفة اتصال الوظيفة على 0 وتزيل الاتصالات الغامضة²². اختر نوع الشبكة على أنه مرجح للحصول على الشبكة المرجحة غير الموجهة.
         ملاحظة: إلى جانب الشبكات المرجحة ، يمكن للمرء أيضا تقسيم الشبكات لإنشاء شبكات ثنائية للتحليلات اللاحقة (مع مناهج مختلفة) ، ولكن غالبا ما يعتبر أن الشبكات المرجحة تظهر موثوقية أعلى^23,24.
3. تحليل الشبكة
   1. أضف العالم الصغير ، والكفاءة العالمية ، ومعامل التجميع ، وأقصر طول مسار ، ومركزية الدرجة ، والكفاءة المحلية إلى خط أنابيب التحليل المتري لشبكة GRETNA ، كما هو موضح في الشكل 3.
      ملاحظة: العالم الصغير والكفاءة العالمية هما مقياسان للشبكة العالمية. على وجه التحديد ، يمكن للشبكة ذات العالم الصغير أن تزيد من كفاءة نقل المعلومات بتكلفة أسلاك منخفضة نسبيا. تعكس الكفاءة العالمية المعلومات الموازية لكفاءة النقل في شبكة النقل. بالنسبة لمقاييس الشبكة العقدية ، تقيس مركزية الدرجة عدد الروابط المتصلة بالعقدة. أقصر طول مسار ، كما هو اسمه ، هو أساس لقياس التكامل. يشير معامل التجميع إلى درجة ترابط جيران العقد مع بعضهم البعض. الكفاءة المحلية هي كفاءة التواصل مع العقدة وجيرانها (تظهر الصيغة التفصيلية والاستخدام في هذه الأوراق) ^17,25. يمكن أيضا استخدام صندوق أدوات اتصال الدماغ (BCT)²⁵ وصناديق الأدوات الأخرى لحساب مقاييس الشبكة.
   2. حدد تباين الشبكة في طريقة العتبة لاستبعاد التأثيرات المربكة للاتصالات الزائفة ، وأدخل مجموعة من تسلسلات العتبة (على سبيل المثال ، 0.05 ، 0.1 ، 0.15 ، 0.2 ، 0.25 ، 0.3 ، 0.35 ، 0.4 ، 0.45 ، 0.5 يستخدم هنا) لتحديد العتبة المناسبة وفقا للنتائج الإحصائية.
      ملاحظة: تعرف نسبة الحواف إلى الحد الأقصى لعدد الحواف في شبكة مع نموذج عدد العقد باسم عتبة التناثر. تضمن عتبة التباين أن الأفراد المختلفين لديهم نفس عدد الحواف. اخترنا استكشاف عتبات مختلفة للتحقق من الصحة ، والتي يمكن أن توفر بيانات مفيدة لاختيار عتبة مثالية في الدراسات المستقبلية.
   3. قم بتعيين رقم الشبكة العشوائي على أنه 1,000 لإنشاء شبكات عشوائية باستخدام خوارزمية أسلاك ماركوف²⁶. انقر فوق تشغيل لتشغيل خط الأنابيب في GRETNA بعد إعداد كافة الخطوات.
      ملاحظة: على غرار شبكات الدماغ الحقيقية ، تحافظ الشبكات العشوائية على نفس العدد من العقد والحواف وتوزيع الدرجات. لتحديد ما إذا كانت مبنية طوبولوجيا بشكل غير عشوائي إلى حد كبير ، ستتم مقارنتها بشبكات الدماغ. بعد تشغيل خط الأنابيب ، سيتم الحصول على مجموعة من الدرجات لمقاييس الشبكة لكل من العتبات لإجراء مزيد من التحليلات الإحصائية.
   4. حدد العدد الأمثل للوحدات في الشبكة في أربع خطوات.
      1. احسب متوسط شبكة الملاحة. انقر فوق حمام مقارنة المقاييس واختر اتصال. قم بتحميل مصفوفات الشبكة التي تم الحصول عليها أعلاه واختر العملية المتوسطة (الوظيفية ). حدد اتجاه الإخراج للحفاظ على مصفوفة الشبكة المتوسطة ؛ انظر الشكل 4 لمزيد من التفاصيل.
      2. قسم متوسط الشبكة التي تم الحصول عليها من الخطوة أعلاه إلى وحدات 2 و 3 و 4 و 5 باستخدام العنقود الطيفي للوظيفة في MATLAB.
      3. احسب نسبة العقد المقسمة إلى نفس الوحدة في REST 1 و REST 2 بعد محاذاة أقسام الوحدة باستخدام البرنامج النصي procrustes_alignment.m. استخدم النسبة كمؤشر لتكرار قسم الوحدة النمطية.
      4. حدد عدد الوحدات ذات أعلى قابلية للتكرار.
4. التحليلات الإحصائية
   ملاحظة: التحليلات التالية هي أساسا للتحقق من الصحة ولن تكون ضرورية عند تطبيق هذا البروتوكول على دراسات التباين الفردية.
   1. افحص تشابه مقاييس الشبكة هذه بين شبكتين لهما أنواع مختلفة من الاستراتيجيات لتعريف العقدة (أي أن الشبكة الجديدة التي تم إنشاؤها في الدراسة الحالية ، والتي يطلق عليها اسم NaviNet_AICHA والسابقة من Kong et al. ، تسمى NaviNet_AAL)¹². احسب ارتباط بيرسون باستخدام الدالة corrcoef في MATLAB وكرر التحليلات لكل عتبة تفاوت.
      ملاحظة: بعد استخراج مقاييس الشبكة ، يمكن للمرء إجراء أي تحليلات إحصائية يهتم بها.
   2. تحقق من موثوقية الاختبار وإعادة الاختبار لمقاييس الشبكة هذه باستخدام الدالة ICC في MATLAB^27,28 ، والتي تنفذ حساب معامل الارتباط داخل الفئة.
      ملاحظة: تم الإبلاغ عن قيم p الأصلية غير المصححة في قسم النتائج التمثيلية. 0.2 < يتم تفسير ICC < 0.4 على أنه مؤشر على موثوقية عادلة للاختبار وإعادة الاختبار ويتم تفسير ICC > 0.4 على أنه موثوقية متوسطة إلى جيدة للاختبار^{وإعادة الاختبار 29,30}. تم تعيين درجات ICC السلبية إلى الصفر ، بالنظر إلى حقيقة أن وجود ICCs السلبية لا معنى له ويصعب تفسيره³¹.

الشكل 3: تحليل مقاييس الشبكة. يحدد هذا التحليل الشبكات الإيجابية المرجحة ب 10 عتبات. احسب مقياسين للشبكة العالمية للكلمة الصغيرة والكفاءة ، وأربعة مقاييس للشبكة العقدية لمعامل التجميع ، وأقصر طول مسار ، والكفاءة ، ومركزية الدرجة. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

الشكل 4: حساب متوسط شبكات الملاحة. تساعد العملية المتوسطة (الوظيفية) في حساب متوسط الشبكات لجميع المشاركين. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

النتائج

شبكات الملاحة
حددت الدراسة الحالية 27 منطقة دماغية مرتبطة بالملاحة المكانية من خلال دمج أحدث قاعدة بيانات للتصوير العصبي للتحليل التلوي وأطلس AICHA. تتكون هذه المناطق من المناطق الصدغية الإنسية والجدارية التي تم الإبلاغ عنها بشكل شائع في دراسات التصوير العصبي للملاحة. يظهر التوز...

Discussion

من المتوقع أن يساعد علم الأعصاب الشبكي في فهم كيفية دعم شبكة الدماغ للوظائف المعرفية البشرية³². يوضح هذا البروتوكول نهجا تكامليا لدراسة الشبكة الوظيفية للملاحة المكانية في الدماغ البشري ، والتي يمكن أن تلهم أيضا نمذجة الشبكة للتركيبات المعرفية الأخرى (مثل اللغة).

Materials

Name	Company	Catalog Number	Comments
Brain connectivity toolbox (BCT)	Mikail Rubinov & Olaf Sporns	2019	The Brain Connectivity Toolbox (brain-connectivity-toolbox.net) is a MATLAB toolbox for complex-network (graph) analysis of structural and functional brain-connectivity data sets.
GRETNA	Jinhui Wang et al.	2	GRETNA is a graph theoretical network analysis toolbox which allows researchers to perform comprehensive analysis on the topology of brain connectome by integrating the most of network measures studied in current neuroscience field.
MATLAB	MathWorks	2021a	MATLAB is a programming and numeric computing platform used by millions of engineers and scientists to analyze data, develop algorithms, and create models.
Python	Guido van Rossum et al.	3.8.6	Python is a programming language that lets you work more quickly and integrate your systems more effectively.
Statistical Parametric Mapping (SPM)	Karl Friston et.al	12	Statistical Parametric Mapping refers to the construction and assessment of spatially extended statistical processes used to test hypotheses about functional imaging data.