Wir danken Jim Haxby und Kollegen für die Bereitstellung ihrer Daten für weitere Analysen. Marc N. Coutanche wurde durch ein Stipendium des Howard Hughes Medical Institute. Diese Arbeit wurde vom NIH Zuschüsse R0i DC009209-und R01-EY02171701 Sharon L. Thompson-Schill ausgezeichnet unterstützt.

1. Vorbereiten des fMRI-Daten Hinweis: Nach der Durchführung einer fMRI-Scan, Pre-Prozess die gesammelten Daten mit Hilfe der in den meisten fMRI-Software-Pakete vor Beginn dieses Protokoll Werkzeuge (obwohl räumliche Glättung sollten vermieden oder minimiert werden, um Multi-Voxel-Muster erhalten werden.) Ein Beispiel eines geeigneten Datensatzes in einer früheren Anmeldung des Verfahrens 7 beschrieben. <ol><li> Bewegung entfernen und meine weißen Substanz Signale aus der Zeitreihe der vorverarbeiteten fMRI-Daten durch die Erstellung eines Regressionsmodells mit Prädiktoren für die Bewegungsparameter (Roll-, Nick-, Gier-, x, y, z) und meine weißen Substanz Signal. Führen Sie die unten Analysen auf die resultierenden Residuen (dh die verbleibende Varianz). </li><li> Importieren Sie die erzeugten Residuen in ein Analysepaket (zB MATLAB, Python). Die Open-Source-Informations Konnektivität Toolbox (http://www.informationalconnectivity.org) können fMRI-Daten in MATLAB importieren. </li><li> Z-Score each-Voxel-Zeitreihen. </li><li> Trennen Zeitpunkten der Datenmenge in unabhängige Sätze (&#39;Falten&#39;), wie verschiedene Scanner läuft. Hinweis: Die Verwendung Scanner läuft gewährleistet Unabhängigkeit zwischen Falten, die sonst schwierig sein kann, um zu gewährleisten (zum Beispiel könnte Abhängigkeiten zwischen den Zeitpunkten eines Lauf während der Pre-Processing erstellt werden). Läuft könnten zusammen gruppiert werden, um die Anzahl der Falten (z. B. gerade und ungerade Läufe 2) zu reduzieren, wenn auch mit einzelnen Läufe werden mehr Trainingsdaten zu geben. </li><li> Erstellen Sie eine Aufzeichnung der Zustand Etiketten mit Zeitpunkten durch die Erzeugung eines Vektors von Etiketten, die Bedingung N Zeitpunkten lange verbunden. </li><li> Verschieben Sie die Bedingung Etiketten vorwärts in die jeweils durch eine Anzahl von Zeiten-zu-Wiederholung (TRS) entspricht 5 Sek. laufen, um für die hämodynamischen Verzögerung zwischen Ereignissen und aufgezeichnet fMRI-Signale berücksichtigen. </li></ol> 2. Wählen und Analysieren eines Seed Region <ol><li> Wählen Sie eine Seed-Region durch Isolierung eine anatomischeal-Bereich, funktionell lokalisierten Bereich oder Top-Performance &quot;Informations Brain Mapping&quot; 10 Scheinwerfer. Hinweis: Die Schritte 2,2-4,2 kann unten durch die Open-Source-Informations Connectivity MATLAB Toolbox durchgeführt werden ( <a href="http://www.informationalconnectivity.org">http://www.informationalconnectivity.org</a> ). </li><li> Vergleichen Sie die MVP jedem Zeitpunkt zu einer prototypischen MVP für jede Bedingung (Hinweis: Dies ist der gleiche Ansatz wie in der beliebten Korrelation-basierte nächste Nachbar Klassifikator 2 verwendet wird). Abbildung 1 (oben) zeigt ein Beispiel aus dem wirklichen Daten gesammelt Teilnehmer angesehen Blöcke von vier Typen von Menschen geschaffenen Objekte. <ol><li> Berechnen Sie eine prototypische (Mittelwert) MVP für jeden Zustand, der durch Mittelung der Zeitpunkte von jeder Bedingung in all-aber-ein-fach. Das sind die Daten &quot;Ausbildung&quot; für jede Falte (zB für 2-fach von 5, Mittelwert-MVPs werden von Zeitpunkten in Falten 1, 3, 4, berechnet, und 5). </li><li> Korrelieren jeden Zeitpunkt &#39;, S MVP mit dem Mittelwert-MVP jeder Bedingung aus den Trainingsdaten. Dies gibt jedem Zeitpunkt ein Korrelationswert für jede Bedingung (Anmerkung: die Bedingung mit der höchsten Korrelation wäre hier die Vorhersage des beliebten Korrelation basierend MVPA Klassifikator 2 sein) </li><li> Fisher-Transformation die r-Werte in z-Scores. </li></ol></li><li> Quantifizieren &quot;MVP Unterscheidbarkeit &#39;für jeden Zeitpunkt: Zunächst identifizieren die Korrelation von 2.2.3, die die Beziehung zwischen dem Zeitpunkt der MVP und der mittleren-MVP der betreffenden Zeitpunkt den Zustand darstellt und subtrahiert dann die höchste der verbleibenden Korrelationen (dh&quot; Korrelation mit der richtigen Zustand &quot;minus&quot; maximale Korrelation mit einer falschen Voraussetzung). Das Ergebnis ist, dass Zeitpunkt MVP Unterscheidbarkeit. Eine alternative (und gültigen) Ansatz wäre es, die durchschnittliche Korrelation der falschen Bedingungen zu subtrahieren. Hinweis: Das vorgeschlagene Konzept hat die intuitive vorteilge, die mit positiven Werten Unterscheidbarkeit Zeitpunkten korrekt durch die Korrelation auf Basis klassiert, während die Zeitpunkte mit negativen Werten werden nicht korrekt vorhergesagt. Ein Beispiel der erhaltenen Werte ist in Fig. 1 (unten) gezeigt. Die Schritte bis zu diesem Punkt sind in den folgenden Formeln eingefangen. <img alt="2.3 Gleichungen" fo:content-width="4.5in" src="/files/ftp_upload/51226/51226_2.3_equations.jpg" /> X ein normierter 1-für-m Zeilenvektor mit m Voxel Aktivierung Werte zum Zeitpunkt n-Punkt-, Y ein normierter 1-für-m Zeilenvektor der mittleren Trainingsmuster für die korrekte (c) oder falsch (i) Bedingungen für Zeit-Punkt-n. Die artanh Funktion gilt die Fisher z-Transformation. </li></ol> 3. Berechnen eines Zeitreihen von MVP Unterscheidbarkeit für jeden Search <ol><li> Führen Sie eine Such Analyse 10: Eine dreidimensionale cGlanz um jedes Voxel wiederum (a &#39;Such). </li><li> Wiederholen Sie die Schritte 2.2 und 2.3 für jeden Such, so dass jeder Scheinwerfer eine Zeitreihe von Werten MVP Unterscheidbarkeit (einen pro Zeitpunkt). </li></ol> 4. Berechnen Informations Konnektivität zwischen der Seed-und Suchscheinwerfer <ol><li> Korrelieren des Samens MVP Unterscheidbarkeit Zeitreihen (ab 2.3) mit Zeitreihen Unterscheidbarkeit der einzelnen Suchscheinwerfer (ab 3.2) mit Spearman-Rang-Korrelation. Die resultierende r s-Wert ist der IC zwischen dem Saatgut-und Suchscheinwerfer. </li><li> Weisen Sie jedem Such IC Wert auf zentralen Voxel der Suchscheinwerfer und schreiben Sie die resultierende individuelle Gehirn Karte. </li></ol> 5. Berechnen Gruppe Statistische Karte <ol><li> Wenn die Daten nicht bereits in standardisierten Raum (zB Talairach oder MNI), verwandeln Teilnehmer IC-Karten in den gleichen Raum. </li><li> Optional glatt die Personen &amp;# 39; Such Karten. </li><li> Erstellen Sie eine Gruppe mit einem statistischen Karte eine Möglichkeit t-Test, ob jedes Such IC-Wert ist deutlich größer als Null. </li></ol> 6. Testen Bedeutung Hinweis: Zahlreiche Ansätze zur Bestimmung statistische Signifikanz der fMRI-Gruppe Karten existieren. Als eine Permutation Test kann mit minimalen Annahmen Bedeutung zu bestimmen, während die Bilanzierung von der Datenmenge Glättungspegel (wie jeder Karte vertauscht Gruppe erfährt die gleiche Verarbeitung), wird diese Option im Folgenden erläutert. <ol><li> Für jede der 1.000 Permutationen, zufällig mischen MVP-Unterscheidbarkeit Werte des Samens in der Zeitreihe. Halten benachbarten Zeitpunkten mit Zeitkorrelationen (wie Zeitpunkte innerhalb des gleichen Blocks) zusammen (zum Beispiel durch Umstellblöcken anstatt benachbarten TRS). </li><li> Berechnen Einzelnen IC-Karten für jede Permutation (Schritt 4). </li><li> Generieren 1.000 Karten vertauscht Gruppe: RandomlŸ Wählen Sie einen vertauschten IC-Karte von jedem Teilnehmer und führen eine Gruppe Test auf dieser zufälligen Satz (Schritt 5). </li><li> Threshold jeder Gruppe vertauscht Karte an einem gewünschten Schwellenwert (zB p &lt;0,001) und entpacken Sie die maximale Clustergröße von der Landkarte. </li><li> Sortieren Sie die resultierende maximale 1000-Cluster-Volumes identifizieren und die Clustergröße bei den 95-Perzentil (zB die 50. größte für 1000 Permutationen). </li><li> Tragen Sie die Schwelle in 6,4 verwendet (z. B. p &lt;0,001) und die minimale Clustergröße von 6,5 auf der realen (nicht vertauscht) IC Gruppe Karte, um es zu p &lt;0,05 Cluster-korrigiert. Da jede Karte vertauscht stützt sich auf die gleichen MVP Unterscheidbarkeit Werte (in einer anderen Reihenfolge), unterstreicht diese Bedeutung Karte Regionen mit mehr synchron Unterscheidbarkeit Werte als durch Zufall zu erwarten. </li></ol>

<ol>
	<li>Norman, K. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Beyond+mind-reading:+multi-voxel+pattern+analysis+of+fMRI+data.">Beyond mind-reading: multi-voxel pattern analysis of fMRI data.</a> Trends Cogn Sci. 10 (9), 424-430 (2006).</li><li>Haxby, J. V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Distributed+and+overlapping+representations+of+faces+and+objects+in+ventral+temporal+cortex.">Distributed and overlapping representations of faces and objects in ventral temporal cortex.</a> Science. 293 (5539), 2425-2430 (2001).</li><li>Tong, F., Pratte, M. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Decoding+patterns+of+human+brain+activity.">Decoding patterns of human brain activity.</a> Annu Rev Psychol. 63, 483-509 (2012).</li><li>Coutanche, M. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Distinguishing+multi-voxel+patterns+and+mean+activation:+Why,+how,+and+what+does+it+tell+us.">Distinguishing multi-voxel patterns and mean activation: Why, how, and what does it tell us.</a> Cogn Affect Behav Neurosci. 13 (3), (2013).</li><li>Biswal, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Functional+connectivity+in+the+motor+cortex+of+resting+human+brain+using+echo-planar+mri.">Functional connectivity in the motor cortex of resting human brain using echo-planar mri.</a> Magn Res Med. 34 (4), 537-541 (1995).</li><li>Friston, K. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Psychophysiological+and+modulatory+interactions+in+neuroimaging.">Psychophysiological and modulatory interactions in neuroimaging.</a> Neuroimage. 6 (3), 218-229 (1997).</li><li>Coutanche, M. N., Thompson-Schill, S. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Informational+Connectivity:+Identifying+synchronized+discriminability+of+multi-voxel+patterns+across+the+brain.">Informational Connectivity: Identifying synchronized discriminability of multi-voxel patterns across the brain.</a> Front Hum Neurosci. 7 (15), 1-14 (2013).</li><li>Chiu, Y. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Tracking+cognitive+fluctuations+with+multivoxel+pattern+time+course+(MVPTC)+analysis.">Tracking cognitive fluctuations with multivoxel pattern time course (MVPTC) analysis.</a> Neuropsychologia. 50 (4), 479-486 (2012).</li><li>Nelissen, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Frontal+and+parietal+cortical+interactions+with+distributed+visual+representations+during+selective+attention+and+action+selection.">Frontal and parietal cortical interactions with distributed visual representations during selective attention and action selection.</a> J Neurosci. 33 (42), 16443-16458 (2013).</li><li>Kriegeskorte, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Information-based+functional+brain+mapping.">Information-based functional brain mapping.</a> Proc Natl Acad Sci U S A. 103 (10), 3863-3868 (2006).</li><li>Cox, R. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=AFNI:+software+for+analysis+and+visualization+of+functional+magnetic+resonance+neuroimages.">AFNI: software for analysis and visualization of functional magnetic resonance neuroimages.</a> Comput Biomed Res. 29 (3), 162-173 (1996).</li><li>Fischl, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cortical+surface-based+analysis.+II:+Inflation,+flattening,+and+a+surface-based+coordinate+system.">Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system.</a> Neuroimage. 9 (2), 195-207 (1999).</li><li>Jimura, K., Poldrack, R. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Analyses+of+regional-average+activation+and+multivoxel+pattern+information+tell+complementary+stories.">Analyses of regional-average activation and multivoxel pattern information tell complementary stories.</a> Neuropsychologia. 50 (4), 544-552 (2012).</li><li>Coutanche, M. N., Thompson-Schill, S. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+advantage+of+brief+fMRI+acquisition+runs+for+multi-voxel+pattern+detection+across+runs.">The advantage of brief fMRI acquisition runs for multi-voxel pattern detection across runs.</a> Neuroimage. 61 (4), 1113-1119 (2012).</li><li>Coutanche, M. N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multi-voxel+pattern+analysis+of+fMRI+data+predicts+clinical+symptom+severity.">Multi-voxel pattern analysis of fMRI data predicts clinical symptom severity.</a> Neuroimage. 57 (1), 113-123 (2011).</li></ol>

The authors declare that they have no competing financial interests.

Informativ Konnektivität hat MVPA-Empfindlichkeit auf verteilten Musterinformationen und gibt eine Möglichkeit, zwischen-Region Wechselwirkungen durch eine Konnektivität Ansatz zu studieren. MVPA und Standard univariate Analysen kann jeder zeigen, die Beteiligung der verschiedenen Regionen, manchmal mit wenig Überschneidungen zwischen ihrer Ergebnisse 1 3. Als Verfahren, die auf diese Analyse Ansätze zieht erwartet, IC und FC geben auch ergänzende Ergebnisse 7. Die Entscheidung, ob IC beschäftigen wird letztlich von den Bedingungen, unter Untersuchung und die theoretischen Fragen, die gestellt. Design-Überlegungen, die Auswirkungen, ob MVPA auf einem Datensatz durchgeführt, wird auch beeinflussen, ob IC verwendet wird. Studien mit IC ausdrücklich konzipiert werden wollen, Empfehlungen für MVPA 1 4 folgen, und gleichzeitig sicherzustellen, dass die Studie-Level-Daten können aus dem gesamten Zeitverlauf des Scans extrahiert werden. Bei der Prüfungund Berichts IC Ergebnisse ist es wichtig, dass die Scheinwerfer Überlappung mit dem Samen entfernt werden, um Rund vermeiden. Wenn zusätzlich zum direkten Vergleich IC und FC Ergebnisse empfiehlt es sich, auch ein FC-Analyse auf der Basis des Durchschnitts Aktivierung der Scheinwerfer, nicht nur die Voxel zu vergleichen. Diese zusätzliche Analyse kann sicherstellen, daß die Unterschiede zwischen den Ergebnissen nicht aufgrund von Unterschieden in der Höhe der Signal-zu-Rauschen im Vergleich zu Scheinwerfern Voxel. Das hier beschriebene Verfahren konzentriert sich hauptsächlich auf einer explorativen Analyse beschäftigt Scheinwerfer. Es ist erwähnenswert, dass durch den Austausch mit den Regionen Scheinwerfer-of-Interest-, IC können auch Regionen, die ausgewählt werden, eine vorherige i vergleichen. Die aktuelle Unterscheidbarkeit metric - Vergleich eines MVP Korrelation für den &quot;wahren&quot; Zustand der Korrelation für die maximale alternativen Zustand - ist auch veränderbar. Viele Maschinenlern Klassifizierer haben Vorhersage Gewichte für different Klassen, die sich leicht ersetzen könnte hier die Korrelationsvergleiche durchgeführt (z. B. die &quot;Vertrauen&quot; von einem Klassifizierer über die Zeit zu verfolgen). IC hat eine Vielzahl von Anwendungsmöglichkeiten. Abgesehen davon, dass eine primäre Analyse zur Informationsnetze zu untersuchen, kann eine sekundäre Folge IC-Analyse zu einer MVPA Such sein. MVPA Such Karten sind wertvoll für das Verständnis, welche Regionen können verschiedene Bedingungen unterscheiden, sind aber in der Regel nicht in verschiedene Netzwerke gebrochen. Der IC-Ansatz kann hier helfen, durch die Enthüllung, welche der Scheinwerfer haben Synchron Unterscheidbarkeit setzt. Schließlich können IC-Karten aus verschiedenen Aufgaben, um Netzwerke zu verstehen Aufgabe verglichen werden, und die Patienten können auf die Kontrollen im Vergleich zu besser verstehen, wie Multi-Voxel Differenzen 1 5 sind auf der Netzebene manifestieren.

Das Ziel der hier beschriebenen Analyseverfahren, um die Verbindung zwischen den Gehirnregionen, basierend auf Schwankungen in ihrer Multi-Voxelinformationen messen. Fortschritte in der funktionellen Magnetresonanztomographie (fMRI) Analyse-Techniken haben gezeigt, dass eine große Menge von Informationen innerhalb von Blut-Sauerstoff-Level-abhängigen (BOLD) Aktivitätsmuster, die über mehrere Voxel 1-3 verteilt sind, enthalten sein. Eine Reihe von Techniken, die empfindlich auf multivariate Informationen sind - wie Multi-Voxel-Muster-Analyse (MVPA) bekannt - ist verwendet worden, um zu zeigen, dass die Bedingungen unterscheiden kann MVPs trotz nicht zu unterscheiden univariate Antworten 1,2,4 haben. Standard-Analysen, die univariate Antworten vergleichen, können unempfindlich gegenüber dieser Multi-Voxel-Informationen sein. Mehrere Gehirnregionen werden aktiviert, wenn Menschen verarbeiten Reize und kognitiven Operationen durchführen. Funktionelle Konnektivität (FC) ist eine Methode, die üblicherweise zur untersuchenTor wie funktionalen Netzwerke 5,6. In seiner einfachsten Form, quantifiziert FC Co-Aktivierung oder Synchronisation zwischen verschiedenen Voxel oder Regionen. FC wurde verwendet, um funktionell mit Gehirnnetzwerken mit großem Erfolg zu identifizieren. Für viele Regionen und Konditionen, aber eindimensionale Antworten spiegeln nicht alle verfügbaren Informationen im BOLD-Aktivität. FC-Techniken, die sich dynamisch verändernden univariate Antwortstufen verfolgen kann die Empfindlichkeit üblichen Schwankungen in Multi-Voxel-Informationen fehlen. Die Analysemethode hier vorgestellten Informations Konnektivität (IC, zuerst in einer aktuellen Arbeit 7 beschrieben), eine Lücke zwischen MVPA und FC-Konnektivität durch Messung mit einer Metrik, die empfindlich auf Multi-Voxel-Informationen über die Zeit ist. Während FC-Tracks dynamisch verändernden univariate Aktivierung, Titeln IC dynamisch verändernden MVP Unterscheidbarkeit - ein Maß dafür, wie gut ein MVP wahren Zustand kann bei (falscher) Alternativen zu unterscheiden. Wichtig ist, dass in ter gleichen Weise, dass verschiedene Regionen finden Sie ähnliche Niveaus der univariaten Antworten auf eine Bedingung trotz Durchführung verschiedene Berechnungen (z. B. visuelle Verarbeitung oder Aktionsplanung, wenn eine Person sieht Mann aus Objekten) zeigen, kann verschiedene Regionen haben auch ähnliche (und synchronisiert) Ebenen der MVP Unterscheidbarkeit, während sie Bedingungen anders zu verarbeiten. Eine aktuelle Untersuchung zeigte, dass IC kann die interregionale Konnektivität, die nicht mit einer Standard-FC Ansatz 7 nachweisbar offenbaren. Die Ermittler können daher IC Wechselwirkungen zwischen Hirnregionen zu untersuchen, wie die Teilnehmer reagieren auf Reize, die Bedingungen oder charakteristische Muster verteilt haben. IC unterscheidet sich von mehreren neueren Konnektivität Anwendungen, die Schwankungen in der univariaten Aktivierung in Bezug auf die Klassifikationsergebnisse 8, 9 untersucht. Im Gegensatz zu diesen Ansätzen erkennt IC synchrone Multi-Voxel-Muster Unterscheidbarkeit zwischen den Regionen.

<table border="0" cellpadding="0" cellspacing="0" width="585">
	<tbody>
		<tr height="21">
			<td height="21" style="height:21px;width:216px;">MATLAB software package</td>
			<td style="width:83px;">MathWorks</td>
			<td style="width:119px;"></td>
			<td style="width:167px;"></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:216px;">AFNI software package</td>
			<td style="width:83px;">NIMH</td>
			<td style="width:119px;"></td>
			<td></td>
		</tr>
	</tbody>
</table>

using informational connectivity to measure the synchronous emergence of fmri multi-voxel information across time

Es wird nun klar, dass diese Bedingung relevanten Informationen innerhalb verteilter Muster der funktionellen Magnetresonanztomographie (fMRI) die Gehirnaktivität vorhanden sein, auch für die Bedingungen mit einem ähnlichen univariate Aktivierung. Multi-Voxel-Muster (MVP)-Analyse wurde verwendet, um diese Informationen mit großem Erfolg zu entschlüsseln. FMRI Ermittler auch oft versuchen zu verstehen, wie Hirnregionen interagieren miteinander verbundene Netzwerke, und verwenden Sie funktionelle Konnektivität (FC) in Regionen, die Antworten über die Zeit korreliert zu identifizieren. Ebenso wie univariate Analysen können unempfindlich, um Informationen in MVPs sein kann, kann nicht vollständig FC charakterisieren die Gehirn-Netzwerke, die mit charakteristischen Bedingungen MVP Signaturen verarbeiten. Die hier beschriebene Methode, Informations-Konnektivität (IC) können Regionen mit entsprechenden Veränderungen in der MVP-Unterscheidbarkeit über die Zeit zu identifizieren und enthüllt Konnektivität, die nicht zugänglich ist FC. Das Verfahren kann Sondierungs sein, mit Hilfe von Scheinwerfern, Saatgut-conn identifizierenektiert Gebieten oder geplant, zwischen vorher ausgewählten Regionen von Interesse. Die Ergebnisse können Netzwerke von Regionen, die MVP-bezogene Prozessbedingungen zu klären, kann Zusammenbruch MVPA Such Karten in separate Netzwerke oder können über Aufgaben und Patientengruppen verglichen werden.

Die IC Ergebnisse können nun mit den Prüfer bevorzugte fMRT-Analyse-Software-Paket angezeigt werden. Abbildung 2 zeigt IC Ergebnisse, aus Blöcken von visuell dargestellt berechnet Mann gemacht Objekte (weitere Informationen in der zugehörigen Publikation 7). Die IC-Analyse ist für die Bedingungen bekannt, MVPs verbunden waren besonders wertvoll: Bedingungen mit charakteristischen MVPs, aber ohne Unterschiede in der univariaten Antworten sind eher Unterschiede zwischen IC und FC haben (mit Daten, die als Teilnehmer aufgenommen wurde, veranschaulicht haben, haben verschiedene Arten von Menschen in Abbildung 3 vorgenommen Objekte). Abbildung 4 zeigt, dass mit erheblichen Mehr Voxel Informationen können hohe IC haben, aber weniger gut in FC Ergebnisse dargestellt Scheinwerfer. <img alt="Figur 1" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig1highres.jpg" width = &quot;500&quot; /&gt; .. Abbildung 1: Beispiele für Muster Unterscheidbarkeit im Laufe der Zeit. Oben: Die Substrate der MVP Unterscheidbarkeit von einem Gegenstand in Haxby et al (2001) 2, wie in Coutanche &amp; Thompson-Schill (2013) analysierte 7. Die blaue Linie zeigt die z-erzielte Korrelation zwischen Zeit-Punkte &quot;MVPs und der mittleren (&quot; Ausbildung &quot;)-Muster der richtigen Klasse. Die grünen Linien stellen die MVPs &quot;Korrelationen mit drei Fehl Klassen. Unten: Muster Unterscheidbarkeit ist der Unterschied zwischen Korrelationen für die richtige Klasse und höchste falsche Klasse. Zeitpunkte mit positiven Muster Unterscheidbarkeit Werte würden korrekt durch eine Korrelation-basierten Klassifikator klassifiziert werden. Abbildung ursprünglich in Coutanche &amp; Thompson-Schill (2013) 7 veröffentlicht. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig1highres.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Figur sehen</a>. <img alt="Figur 2" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig2highres.jpg" width="500" /> Beispiel Konnektivität Abbildung 2 Karten.. Jede Zeile zeigt Regionen wesentlich zu einem Samen (in blau dargestellt) verbunden. Die Signifikanz wird durch eine Gruppe t-Test (p &lt;0,001) mit mindestens Clustergröße von Permutation Tests bestimmt. Die Ergebnisse werden mit IC AFNI 1 1 auf mit Freesurfer 1 2 produziert Oberflächenkarten angezeigt. Abbildung von Coutanche &amp; Thompson-Schill (2013) 7 modifiziert. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig2highres.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.</a> <img alt="Fig. 3" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig3highres.jpg" width="500" /> Abbildung. 3 Synchronized MVP Unterscheidbarkeit gegenüber Aktivierung bedeuten Beispiele MVP Unterscheidbarkeit in zwei Regionen mit Synchron MVP Unterscheidbarkeit (dh Informations-Konnektivität), ohne Synchron mittlere Aktivierung (dh funktionelle Konnektivität). Daten stammen von einem Gegenstand aus Haxby et al. (2001) 2, wie in Coutanche &amp; Thompson-Schill (2013) analysierte 7. Diese Datenpunkte wurden gesammelt, während das Subjekt angesehen visuelle Darstellungen von Menschen geschaffenen Objekte, die unterscheidbar von Multi-Voxel-Muster sind, aber nicht, dass Antworten. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig3highres.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.</a> <img alt="Fig. 4" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig4highres.jpg" width="500" /> Abbildung 4. Beispiel IC und FC Werte zwischen einem Samen in der left spindelförmigen Gyrus und Scheinwerfer über das Gehirn. Informativ und funktionelle Konnektivität Stärken (z-Achse) zwischen einem Samen und Scheinwerfer, in Bezug auf jedes Such mittlere Antwort (x-Achse) und MVPA Klassifikationsgenauigkeit (y-Achse) bis vier gezeigt Arten von Menschen gemachte Objekte (Chance = 25%). Scheinwerfer teilen Voxel mit der Seed-Region wurden entfernt. Die IC-Graph enthält Beispiele für Scheinwerfer mit starker Konnektivität, die hohe Leistung, sondern Einstufung niedrigen mittleren Reaktionszeiten, die Sie in einem typischen FC-Ansatz (gesehen von der Lücke in der linken oberen Oktanten der rechten Grafik) nicht aufgenommen werden können. Abbildung ursprünglich in Coutanche &amp; Thompson-Schill (2013) 7 veröffentlicht. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig4highres.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.</a>

Watch this Scientific Journal Video about Using Informational Connectivity to Measure the Synchronous Emergence of fMRI Multi-voxel Information Across Time at JoVE.com

Using Informational Connectivity to Measure the Synchronous Emergence of fMRI Multi-voxel Information Across Time

Informational connectivity measures the correspondence between time courses of multi-voxel information across different brain regions. Multi-voxel pattern discriminability time series are extracted from regions and compared, revealing networks that are not identified in a typical functional connectivity approach.

Mit Informations Konnektivität, um das synchrone Entstehung von fMRI Multi-Voxel-Informationen Auf Zeit messen

It is now appreciated that condition-relevant information can be present within distributed patterns of functional magnetic resonance imaging (fMRI) brain ...

using-informational-connectivity-to-measure-synchronous-emergence

Research

JoVE Journal

Neuroscience

12.2K Aufrufe.  University of Pennsylvania. Informational connectivity measures the correspondence between time courses of multi-voxel information across different brain regions. Multi-voxel pattern discriminability time series are extracted from regions and compared, revealing networks that are not identified in a typical functional connectivity approach.

Serie: Using Informational Connectivity to Measure the Synchronous Emergence of fMRI Multi-voxel Information Across Time

Combining Transcranial Magnetic Stimulation and fMRI to Examine the Default Mode Network

The default mode network is a group of brain regions that are active when an individual is not focused on the outside world and the brain is at "wakeful rest."1,2,3 It is thought the default mode network corresponds to self-referential or "internal mentation".2,3
It has been hypothesized that, in humans, activity within the default mode network is correlated with certain pathologies (for instance, hyper-activation has been linked to schizophrenia 4,5,6 and autism spectrum disorders 7 whilst hypo-activation of the network has been linked to Alzheimer's and other neurodegenerative diseases 8). As such, noninvasive modulation of this network may represent a potential therapeutic intervention for a number of neurological and psychiatric pathologies linked to abnormal network activation. One possible tool to effect this modulation is Transcranial Magnetic Stimulation: a non-invasive neurostimulatory and neuromodulatory technique that can transiently or lastingly modulate cortical excitability (either increasing or decreasing it) via the application of localized magnetic field pulses.9
In order to explore the default mode network's propensity towards and tolerance of modulation, we will be combining TMS (to the left inferior parietal lobe) with functional magnetic resonance imaging (fMRI). Through this article, we will examine the protocol and considerations necessary to successfully combine these two neuroscientific tools.

In this article, we examine the methodology and considerations relevant to the combination of TMS and fMRI to examine the effects of brain stimulation on the default network.

Die Kombination TMS und fMRT dem Standard-Modus Netzwerk Untersuchen

The default mode network is a group of brain regions that are active when an individual is not focused on the outside world and the brain is at "wakeful ...

Forschung

Neurowissenschaften

Co-analysis of Brain Structure and Function using fMRI and Diffusion-weighted Imaging

The study of complex computational systems is facilitated by network maps, such as circuit diagrams. Such mapping is particularly informative when studying the brain, as the functional role that a brain area fulfills may be largely defined by its connections to other brain areas. In this report, we describe a novel, non-invasive approach for relating brain structure and function using magnetic resonance imaging (MRI). This approach, a combination of structural imaging of long-range fiber connections and functional imaging data, is illustrated in two distinct cognitive domains, visual attention and face perception. Structural imaging is performed with diffusion-weighted imaging (DWI) and fiber tractography, which track the diffusion of water molecules along white-matter fiber tracts in the brain (Figure 1). By visualizing these fiber tracts, we are able to investigate the long-range connective architecture of the brain. The results compare favorably with one of the most widely-used techniques in DWI, diffusion tensor imaging (DTI). DTI is unable to resolve complex configurations of fiber tracts, limiting its utility for constructing detailed, anatomically-informed models of brain function. In contrast, our analyses reproduce known neuroanatomy with precision and accuracy. This advantage is partly due to data acquisition procedures: while many DTI protocols measure diffusion in a small number of directions (e.g., 6 or 12), we employ a diffusion spectrum imaging (DSI)1, 2 protocol which assesses diffusion in 257 directions and at a range of magnetic gradient strengths. Moreover, DSI data allow us to use more sophisticated methods for reconstructing acquired data. In two experiments (visual attention and face perception), tractography reveals that co-active areas of the human brain are anatomically connected, supporting extant hypotheses that they form functional networks. DWI allows us to create a "circuit diagram" and reproduce it on an individual-subject basis, for the purpose of monitoring task-relevant brain activity in networks of interest.

We describe a novel approach for simultaneous analysis of brain function and structure using magnetic resonance imaging (MRI). We assess brain structure with high-resolution diffusion-weighted imaging and white-matter fiber tractography. Unlike standard structural MRI, these techniques allow us to directly relate anatomical connectivity to functional properties of brain networks.

Co-Analyse von Hirnstruktur und-funktion mittels fMRT und Diffusionsgewichtete Imaging

The study of complex computational systems is facilitated by network maps, such as circuit diagrams. Such mapping is particularly informative when ...

Functional Imaging of Auditory Cortex in Adult Cats using High-field fMRI

Current knowledge of sensory processing in the mammalian auditory system is mainly derived from electrophysiological studies in a variety of animal models, including monkeys, ferrets, bats, rodents, and cats. In order to draw suitable parallels between human and animal models of auditory function, it is important to establish a bridge between human functional imaging studies and animal electrophysiological studies. Functional magnetic resonance imaging (fMRI) is an established, minimally invasive method of measuring broad patterns of hemodynamic activity across different regions of the cerebral cortex. This technique is widely used to probe sensory function in the human brain, is a useful tool in linking studies of auditory processing in both humans and animals and has been successfully used to investigate auditory function in monkeys and rodents. The following protocol describes an experimental procedure for investigating auditory function in anesthetized adult cats by measuring stimulus-evoked hemodynamic changes in auditory cortex using fMRI. This method facilitates comparison of the hemodynamic responses across different models of auditory function thus leading to a better understanding of species-independent features of the mammalian auditory cortex.

Functional studies of the auditory system in mammals have traditionally been conducted using spatially-focused techniques such as electrophysiological recordings. The following protocol describes a method of visualizing large-scale patterns of evoked hemodynamic activity in the cat auditory cortex using functional magnetic resonance imaging.

Funktionelle Bildgebung Auditory Cortex bei erwachsenen Katzen mit Hochfeld-fMRI

Current knowledge of sensory processing in the mammalian auditory system is mainly derived from electrophysiological studies in a variety of animal ...

A Free-breathing fMRI Method to Study Human Olfactory Function

The study of human olfaction is a highly complex and valuable field with applications ranging from biomedical research to clinical evaluation. Currently, evaluation of the functions of the human central olfactory system with functional magnetic resonance imaging (fMRI) is still a challenge because of several technical difficulties. There are some significant variables to take into account when considering an effective method for mapping the function of the central olfactory system using fMRI, including proper odorant selection, the interaction between odor presentation and respiration, and potential anticipation of or habituation to odorants. An event-related, respiration-triggered olfactory fMRI technique can accurately administer odorants to stimulate the olfactory system while minimizing potential interference. It can effectively capture the precise onsets of fMRI signals in the primary olfactory cortex using our data post-processing method. The technique presented here provides an efficient and practical means for generating reliable olfactory fMRI results. Such a technique can ultimately be applied in the clinical realm as a diagnostic tool for diseases associated with olfactory degeneration, including Alzheimer&#39;s and Parkinson&#39;s disease, as we begin to further understand the complexities of the human olfactory system.

We present the technical challenges and solutions for obtaining reliable functional magnetic resonance imaging (fMRI) data from the human central olfactory system. This includes special considerations in olfactory fMRI paradigm design, descriptions of fMRI data acquisition with an MRI-compatible olfactometer, odorant selection, and a special software tool for data post-processing.

Eine frei atmende fMRI-Methode zur Untersuchung der menschlichen olfaktorischen Funktion

The study of human olfaction is a highly complex and valuable field with applications ranging from biomedical research to clinical evaluation. Currently, ...

A Simple Way to Measure Alterations in Reward-seeking Behavior Using Drosophila melanogaster

We describe a protocol for measuring ethanol self-administration in fruit flies (Drosophila melanogaster) as a proxy for changes in reward states. We demonstrate a simple way to tap into the fly reward system, modify experiences related to natural reward, and use voluntary ethanol consumption as a measure for changes in reward states. The approach serves as a relevant tool to study the neurons and genes that play a role in experience-mediated changes of internal state. The protocol is composed of two discrete parts: exposing the flies to rewarding and nonrewarding experiences, and assaying voluntary ethanol consumption as a measure of the motivation to obtain a drug reward. The two parts can be used independently to induce the modulation of experience as an initial step for further downstream assays or as an independent two-choice feeding assay, respectively. The protocol does not require a complicated setup and can therefore be applied in any laboratory with basic fly culture tools.

A Simple Way to Measure Alterations in Reward-seeking Behavior Using Drosophila melanogaster

We describe a protocol for inducing rewarding and nonrewarding experiences in fruit flies (Drosophila melanogaster) using voluntary ethanol consumption as a measure for changes in reward states.

Ein einfacher Weg zu messen Veränderungen in Reward-seeking Verhalten verwenden<em&gt; Drosophila melanogaster</em

We describe a protocol for measuring ethanol self-administration in fruit flies (Drosophila melanogaster) as a proxy for changes in reward states. We ...

Analyzing Dendritic Morphology in Columns and Layers

In many regions of the central nervous systems, such as the fly optic lobes and the vertebrate cortex, synaptic circuits are organized in layers and columns to facilitate brain wiring during development and information processing in developed animals. Postsynaptic neurons elaborate dendrites in type-specific patterns in specific layers to synapse with appropriate presynaptic terminals. The fly medulla neuropil is composed of 10 layers and about 750 columns; each column is innervated by dendrites of over 38 types of medulla neurons, which match with the axonal terminals of some 7 types of afferents in a type-specific fashion. This report details the procedures to image and analyze dendrites of medulla neurons. The workflow includes three sections: (i) the dual-view imaging section combines two confocal image stacks collected at orthogonal orientations into a high-resolution 3D image of dendrites; (ii) the dendrite tracing and registration section traces dendritic arbors in 3D and registers dendritic traces to the reference column array; (iii) the dendritic analysis section analyzes dendritic patterns with respect to columns and layers, including layer-specific termination and planar projection direction of dendritic arbors, and derives estimates of dendritic branching and termination frequencies. The protocols utilize custom plugins built on the open-source MIPAV (Medical Imaging Processing, Analysis, and Visualization) platform and custom toolboxes in the matrix laboratory language. Together, these protocols provide a complete workflow to analyze the dendritic routing of Drosophila medulla neurons in layers and columns, to identify cell types, and to determine defects in mutants.

Here, we show how to analyze dendritic routing of Drosophila medulla neurons in columns and layers. The workflow includes a dual-view imaging technique to improve the image quality and computational tools for tracing, registering dendritic arbors to the reference column array and for analyzing the dendritic structures in 3D space.

Analyse dendritischer Morphologie in Spalten und Schichten

In many regions of the central nervous systems, such as the fly optic lobes and the vertebrate cortex, synaptic circuits are organized in layers and ...

A Protocol for the Administration of Real-Time fMRI Neurofeedback Training

Neurologic disorders are characterized by abnormal cellular-, molecular-, and circuit-level functions in the brain. New methods to induce and control neuroplastic processes and correct abnormal function, or even shift functions from damaged tissue to physiologically healthy brain regions, hold the potential to dramatically improve overall health. Of the current neuroplastic interventions in development, neurofeedback training (NFT) from functional Magnetic Resonance Imaging (fMRI) has the advantages of being completely non-invasive, non-pharmacologic, and spatially localized to target brain regions, as well as having no known side effects. Furthermore, NFT techniques, initially developed using fMRI, can often be translated to exercises that can be performed outside of the scanner without the aid of medical professionals or sophisticated medical equipment. In fMRI NFT, the fMRI signal is measured from specific regions of the brain, processed, and presented to the participant in real-time. Through training, self-directed mental processing techniques, that regulate this signal and its underlying neurophysiologic correlates, are developed. FMRI NFT has been used to train volitional control over a wide range of brain regions with implications for several different cognitive, behavioral, and motor systems. Additionally, fMRI NFT has shown promise in a broad range of applications such as the treatment of neurologic disorders and the augmentation of baseline human performance. In this article, we present an fMRI NFT protocol developed at our institution for modulation of both healthy and abnormal brain function, as well as examples of using the method to target both cognitive and auditory regions of the brain.

The ability to induce and/or control neural plasticity may be critical in future treatments for neurologic disorders and the recovery from brain injury. In this paper, we present a protocol on the use of neurofeedback training with functional magnetic resonance imaging to modulate human brain function.

Ein Protokoll für die Verwaltung von Real-Time-fMRT Neurofeedback Training

Neurologic disorders are characterized by abnormal cellular-, molecular-, and circuit-level functions in the brain. New methods to induce and control ...

Assay to Measure Nucleocytoplasmic Transport in Real Time within Motor Neuron-like NSC-34 Cells

Nucleocytoplasmic transport refers to the import and export of large molecules from the cell nucleus. Recently, a number of studies have shown a connection between amyotrophic lateral sclerosis (ALS) and impairments in the nucleocytoplasmic pathway. ALS is a neurodegenerative disease affecting the motor neurons and resulting in paralysis and ultimately in death, within 2-5 years on average. Most cases of ALS are sporadic, lacking any apparent genetic linkage, but 10% are inherited in a dominant manner. Recently, hexanucleotide repeat expansions (HREs) in the chromosome 9 open reading frame 72 (C9orf72) gene were identified as a genetic cause of ALS and frontotemporal dementia (FTD). Importantly, different groups have recently proposed that these mutants affect nucleocytoplasmic transport. These studies have mostly shown the final outcome and manifestations caused by HREs on nucleocytoplasmic transport, but they do not demonstrate nuclear transport dysfunction in real time. As a result, only severe nucleocytoplasmic transport deficiency can be determined, mostly due to high overexpression or exogenous protein insertion. 
This protocol describes a new and very sensitive assay to evaluate and quantify nucleocytoplasmic transport dysfunction in real time. The rate of import of a NLS-NES-GFP protein (shuttle-GFP) can be quantified in real time using fluorescent microscopy. This is performed by using an exportin inhibitor, thus allowing the shuttle GFP only to enter the nucleus. To validate the assay, the C9orf72 HRE translated dipeptide repeats, poly(GR) and poly(PR), which have been previously shown to disrupt nucleocytoplasmic transport, were used. Using the described assay, a 50% decrease in the nuclear import rate was observed compared to the control. Using this system, minute changes in nucleocytoplasmic transport can be examined and the ability of different factors to rescue (even partially) a nucleocytoplasmic transport defect can be determined.

This protocol describes a method to sensitively measure the nucleocytoplasmic transport rate within motor neuron-like NSC-34 cells by quantifying the real-time change in the nuclear import of a NLS-NES-GFP protein.

Assay zur Messung des nukleozytoplasmatischen Transports in Echtzeit in motorischen Neuronen-ähnlichen NSC-34-Zellen

Nucleocytoplasmic transport refers to the import and export of large molecules from the cell nucleus. Recently, a number of studies have shown a ...

Using Near-infrared Fluorescence and High-resolution Scanning to Measure Protein Expression in the Rodent Brain

Neuroscience is the study of how cells in the brain mediate various functions. Measuring protein expression in neurons and glia is critical for the study of neuroscience as cellular function is determined by the composition and activity of cellular proteins. In this article, we describe how immunocytochemistry can be combined with near-infrared high-resolution scanning to provide a semi-quantitative measure of protein expression in distinct brain regions. This technique can be used for single or double protein expression in the same brain region. Measuring proteins in this fashion can be used to obtain a relative change in protein expression with an experimental manipulation, molecular signature of learning and memory, activity in molecular pathways, and neural activity in multiple brain regions. Using the correct proteins and statistical analysis, functional connectivity among brain regions can be determined as well. Given the ease of implementing immunocytochemistry in a laboratory, using immunocytochemistry with near-infrared high-resolution scanning can expand the ability of the neuroscientist to examine neurobiological processes at a systems level.

Here, we present a protocol that uses near-infrared dyes in conjunction with immunohistochemistry and high-resolution scanning to assay proteins in brain regions.

Einsatz von Infrarot-Fluoreszenz und hochauflösendem Scannen zur Messung des Protein-Expression im Rodentrains

Neuroscience is the study of how cells in the brain mediate various functions. Measuring protein expression in neurons and glia is critical for the study ...

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

Non-invasive electrophysiological recordings are useful for the evaluation of nervous system function. These techniques are inexpensive, fast, replicable, and less resource-intensive than imaging. Further, the functional data produced have excellent temporal resolution, which is not achievable with structural imaging.
Current applications of electroencephalograms (EEG) are limited by data processing methods. Standard analysis techniques using raw time series data at individual channels are very limited methods of interrogating nervous system activity. More detailed information about cortical function can be achieved by examining relationships between channels and deriving statistical models of how areas are interacting, allowing visualization of connectivity between networks.
This manuscript describes a method for deriving statistical models of cortical network activity by recording EEG in a standard manner, then examining the interelectrode coherence measures to assess relationships between the recorded areas. Higher order interactions can be further examined by assessing the covariance between the coherence pairs, producing high-dimensional &#34;maps&#34; of network interactions. These data constructs can be examined to assess cortical network function and its relationship to pathology in ways not achievable with traditional techniques.
This approach offers greater sensitivity to network level interactions than is achievable with raw time series analysis. It is, however, limited by the complexity of drawing specific mechanistic conclusions about the underlying neural populations and the high volumes of data generated, requiring more advanced statistical techniques for evaluation, including dimensionality reduction and classifier-based approaches.

Standard EEG analysis techniques offer limited insight into nervous system function. Deriving statistical models of cortical connectivity offers far greater ability to investigate underlying network dynamics. Improved functional assessment opens new possibilities for diagnosis, prognostication, and outcome prediction in nervous system diseases.

Statistische Modellierung der kortikalen Konnektivität mit nichtinvasiven Elektroenzephalogrammen

Non-invasive electrophysiological recordings are useful for the evaluation of nervous system function. These techniques are inexpensive, fast, replicable, ...