autohrf——R包生成data-informed事件模型的一般线性模型基于任务的功能磁共振成像数据

1。介绍

fMRI仍然是最先进的和普遍的方法研究参与者执行各种认知任务时大脑的活动情况。基于任务的功能磁共振成像数据分析的标准的个体参与者使用一般线性建模(GLM),旨在解释底层的大脑活动。预测模型中通常由卷积猜测时间的大脑活动与一个假定的血流动力学响应函数(HRF)。在大多数情况下,模型结构的组件是由预定义的假设大脑活动和他们的时间,通常是基于任务设计和研究的具体目标。然而,我们假设组件流程的开始和持续时间可能是不正确的。他们也可能不同于大脑区域大脑区域或从一个人到另一个人。这可能会导致不适当的或非最优预测模型,模型的数据不足,无效的大脑活动的估计。在本文中,我们提出一个新颖的方法,其利用的理论假设任务响应定义约束的基础上,最后一个模型是计算来自实际的数据。具体来说,我们开发了autohrf——R包,使数据驱动的事件模型估计GLM分析任务相关的功能磁共振成像数据。而在本文中,我们关注的挑战在参与者和地区指定一个最佳的事件模型,这种方法可以扩展到优化个体参与者和大脑区域的事件模型。

基于任务的功能磁共振成像数据分析的目的是确定神经反应与任务相关的刺激和操纵。在功能磁共振成像的研究中,神经活动是间接测量blood-oxygenation-level-dependent(粗体)信号,反映血流回应神经活动的变化。神经活动和大胆的信号是假定有一个随时间线性关系不变(博因顿et al ., 1996;科恩,1997;Logothetis et al ., 2001;林奎斯特2008;波特拉克et al ., 2011)。的线性关系是反映在观察,大胆的信号变化与神经活动的变化成线性比例和神经反应到多个任务事件被认为,这表明大胆信号反映了这种个人反应的总和(林奎斯特2008;波特拉克et al ., 2011)。这特别适用于与事件相关的研究设计,任务事件在短时间间隔的重叠导致个人的血流动力学反应(Huettel 2012;刘,2012)。这个线性关系允许使用线性统计模型描述的信号的时间进程的预期时间进程神经活动在认知任务,提供个人反应的贡献的估计测量大胆的时间序列。

GLM分析,大胆的信号被建模为一个事件和一个假定的HRF卷积的任务。这种方法依赖于几个假设。例如,实验设计的模式依赖于先验知识和假设认知过程中任务的性能。对于大多数控制研究,它是合理的假设所观察到大胆的响应是由个体对刺激的反应,提出了在任务设计(林奎斯特2008)。然而,它往往是很难预测准确的数字,时间,和持续时间的个人反应。此外,模型通常使用一个预定义的HRF形状被认为是稳定在大脑区域和个人(例如,Friston et al ., 1994 b,1998年;博因顿et al ., 1996)。然而,研究表明大脑区域和参与者之间的血流动力学反应差异很大(Aguirre et al ., 1998;Miezin et al ., 2000;汉沃克et al ., 2004;Badillo et al ., 2013),或与之相关的不同的脑部疾病(燕et al ., 2018;Rangaprakash et al ., 2021)。HRF的正确选择是至关重要的,以确保一个良好的漠视,大胆的时间序列预测。例如,汉沃克et al。(2004)相比一个假定的性能规范HRF和经验HRF神经反应检测的基于模拟大胆的时间序列。他们表明,经验HRF给更准确的估计响应大小和更高的统计力量。因此,假设我们所做出的关于神经反应明显影响结果当使用全球语言监测方法(汉沃克et al ., 2004;林奎斯特2008;Pernet 2014)。即使很小的错误假设会导致重大损失的统计力量或膨胀的假阳性检测(汉沃克et al ., 2004;林奎斯特2008;Loh et al ., 2008)。因此,获得有效和准确的估计任务响应重要的是构造一个模型的神经活动最适合的实际大胆对神经活动的反应。

相当一些努力已经产生对解决问题的变量HRF基于任务的功能磁共振成像分析。例如,一些作者提出了更灵活的建模的各种方法的HRF占不同HRF形状在大脑区域和个人(例如,兰格Zeger, 1997;巴克斯顿et al ., 1998;Friston et al ., 1998;格洛弗,1999;林奎斯特和赌,2007;Badillo et al ., 2013;Aggarwal et al ., 2015;Pedregosa et al ., 2015;阿里亚斯et al ., 2017)。几项研究已经调查HRF参数的变异性和使用这些知识改善任务激活的估计(Badillo et al ., 2013;Aggarwal et al ., 2015;Pedregosa et al ., 2015;阿里亚斯et al ., 2017)或静息状态的功能连通性(Rangaprakash et al ., 2018;吴et al ., 2021)。然而,没有多少研究专注于减轻的问题如何指定正确的任务事件预测。一些作者(罗和尼克尔斯,2003年;Loh et al ., 2008)试图开发技术,提供一个模型适合实际数据的图形表示,尽管这些技术让研究人员猜测,这将是一个有效的模型。因为功能磁共振成像分析涉及到大量的数据,这是不切实际的或有时不可能测试使用标准的诊断模型的有效性和适应性措施(林奎斯特2008)。由于这些原因,大多数基于任务的功能磁共振成像研究并没有证实他们的事件模型的有效性,使其结果不可靠(林奎斯特2008)。一个更好和更有效的方法来设计任务事件预测可能使用data-informed模型来源于实际的大胆的反应。这种方法也可以考虑的可变性大胆的反应和构建单独的模型适合每个个人或特定的大脑区域。

我们研究的目的是提供一种方法,将允许事件模型的建设和评估基于实际的功能磁共振成像数据。具体来说,我们开发了autohrf包,允许任务的开始和持续时间的估计预测,导致最高健身的GLM基于预定义的约束下的fMRI信号。我们评估的有效性autohrf包在两个任务相关的原始数据集fMRI活动。在第一个数据集(37参与者,20名妇女,19-30年),我们分析了缓慢与事件相关的空间工作记忆任务。在第二个数据集(30参与者,15位女性,24-52年),我们分析了混合state-item侧卫任务而设计的。重点分析理论的比较和自动派生模型提供的autohrf基于他们的包,结果。在这里,我们感兴趣的任何定性结果的差异,除了健康的变化产生的全球语言监测机构估计模型和效应的大小。我们假设数据驱动模型的基础上自动参数搜索将提供更高的健身模式,改善效应大小,给出定性更可靠的结果。我们还测试了普遍性的事件模型获得autohrf通过执行交叉验证和调查他们的有效性基于模拟的功能磁共振成像时间序列。

2。方法

autohrf以开源的形式可用R包(与GNU通用公共许可证许可v3.0)和它的代码存储在一个公共GitHub库:https://github.com/demsarjure/autohrf。包也可以在凹口,所以用户可以安装它通过R的install.packages函数。包的核心功能可分为两个模型评价函数和函数自动搜索最佳事件时间。

2.1。评估预定义的模型

的evaluate_model函数可以用来评估符合预定义的事件模型来获得大胆的数据。一个预定义的模型是一个我们定义手动通过指定每个事件的发生和持续时间内的时间序列下的研究。在R中,模型被定义为将该信息存储在数据帧的形式:

事件start_time持续时间
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
event_1 0.00 - 2.50
event_2 2.50 - 5.00
…
event_n 10.00 - 3.00

评估模型,我们需要提供evaluate_model函数与一个数据帧,其中包含的数据和信息的序列重复时间(TR)。大胆的数据必须存储在一个数据帧与三列的名字感兴趣的区域(ROI),时间戳的值(t)和大胆的信号(y):

roi t y
- - - - - - - - - - - - - - - - - - - - - - - - -
ROI_1 0 2.445844
ROI_2 0 2.155406
ROI_3 0 2.345234
…
ROI_n 0 2.536729
ROI_1 2.5 - 7.725104
ROI_2 2.5 - 4.436729
…

的evaluate_model博因顿函数首先生成一个HRF使用(博因顿et al ., 1996)或SPM(统计参数映射)方法(Friston et al ., 1994 a,1998年)。两种方法之间的主要区别是,博因顿的方法使用HRF single-gamma函数模型,而SPM使用double-gamma方法。两种方法是使用原始手稿描述和实现参数设置为手稿中指定的默认值(博因顿et al ., 1996;Friston et al ., 1998)。然而,用户可以调整的参数使用p_boynton和p_spm参数。

一旦HRF构造,卷积神经产生的时间序列事件的描述。允许高精度计算的大胆预测时间序列,创建了HRF神经时间序列和高的时间分辨率,定义为TR/f。up-sampling因素f是一个可选参数默认值为100。计算后,产生的信号卷积第一down-sampled的因素f匹配的解决经验大胆的信号。最后,评估质量的预定义的事件模型的线性多元回归预测大胆的时间序列的执行是基于经验大胆的时间序列。详细的方程用于建设HRF和线性回归了补充材料。

函数返回的合适的模型R²(即。,coefficient of determination) andBIC(贝叶斯信息准则)。BIC基于信息理论和估计丢失的信息量模型(McElreath 2020)。在某种程度上,BIC也考虑到模型的复杂性,所以一个更高BIC价值当使用更复杂的模型可能会过度拟合的一个标志。应该注意的是,过度拟合不能单独使用的信息标准(检测到的McElreath 2020),但其他模型比较过程(例如,交叉验证)是必需的。

自拟合每个独立的ROI,执行这个函数输出几个不容小视的意思是,中位数、最小值,加权R²和BIC。均值和中位数计算所有ROI,而最低给的值的ROI模型表现最差。可以使用加权分数如果我们想把更多的重量如何符合特定子集的roi模型相比,其余的roi。为了实现这一点,我们可以使用参数指定权重为特定的roiroi_weights一个数据帧的形式包含ROI的名称和重量我们要分配给它。缺省情况下,每个ROI的重量是1。允许进行更深入的分析模型与数据的吻合程度如何evaluate_model函数也返回的质量适合使用的每个的roi。这些信息存储在by_roi数据帧中可以找到的对象返回的函数。为一个完整的列表的输入参数和输出的描述evaluate_model请参考官方文档的功能autohrf包中。

合适的质量与计算evaluate_model函数可以使用的视觉检查plot_model函数。这个函数的输入是输出的evaluate_model函数。可视化结果的例子plot_model函数可以在晚些时候给出的两个研究的例子在章节3和4。

2.2。自动参数搜索

自动搜索功能提供了事件参数的调优参数用于任务相关GLM分析以数据驱动的方式。这是使用来完成的autohrf函数。在这里,我们开始通过定义我们的模型使用的约束model_constraints在数据帧的形式参数:

事件start_time end_time
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
event_1 0.00 - 2.50
event_2 2.50 - 6.00
…
event_n 10.00 - 15.00

与上面的数据帧,我们指定event_1不能开始时间0和之前必须结束之前或在2.5秒。我们为其他活动指定类似的限制。通过添加附加可选的列数据帧,我们可以采取进一步的约束。第一个min_duration,我们可以使用它来定义一个事件的最小时间。同样,我们可以添加max_duration限制一个事件的最大长度。我们可以指定其中一个数据帧或多个数据帧不同的约束。函数将试图找到独立每个组约束的优化模型。在这种情况下,函数将返回的最佳模型为每个指定的约束集。

除了模型约束,唯一的其他两个强制参数autohrf函数包含大胆的数据帧数据,这是在前一节中描述的一样,和TR。函数将试图找到一个最优模型,满足给定的约束。

自动搜索参数autohrf使用遗传算法(荷兰,1992年)。遗传算法是搜索算法,模拟自然进化的家庭找到参数,提供最好的解决给定问题(或接近最佳)。创建初始种群的过程开始,一组随机的解决方案,满足给定的约束。定义的人口的规模人口参数。一旦我们开始人口,每个成员的健康使用加权评估R²分数,如2.1节所述。

接下来,指定的百分比的最佳解决方案,定义的精英主义参数,自动复制到下一个人口。保持相同的人口规模,剩余的解决方案通过生成解决方案从目前的人口。这涉及到混合两种解决方案从当前人口(父)创建一个新的解决方案(孩子)在接下来的人口。解决方案,有一个好成绩(权重R²在我们的例子中)有更高的概率被选中为父母。这种机制确保良好解决方案的参数有更高的几率被传播到下一个人口,模仿自然界中适者生存,在个人与“好”基因有更高的他们的特征传递给后代的概率。

一旦父母选择,生成一个新的孩子解决方案通过参数上半年的事件从第一个父母和事件的参数下半年从第二父母(在奇数的事件的情况下,一个额外的事件是来自第一个父)。此外,称为突变可以触发一个事件(使用的恰当方程autohrf可以找到的吗补充材料)。反过来,这模拟自然现象,基因在物种的DNA可以随机变异和变化。在我们的例子中,突变稍微变化发生的价值或抵消的事件。对于每个事件,开始/结束时间,有一个概率相等mutation_rate突变事件将被触发。与突变,我们不仅确保遗传算法寻找最佳的解决方案在随机生成的初始种群,而且探索新的解决方案,可能比现有的人口。看到图1两个家长的可视化解决方案用于生成一个新的子的解决方案。

父母选择和孩子创造的过程重复直到新的人口规模=的价值人口参数。一旦他们是平等的,我们有一个新的人口的第一次迭代过程完成。接下来,整个过程是每重复一遍解决方案评估,最好的解决方案是复制到新的人口,其余的都是由孩子创建过程,等等。我们重复这个过程,直到达到指定的迭代次数iter参数。为一个完整的列表的输入参数和输出的描述autohrf请参考官方文档的功能autohrf包中。

除了autohrf功能,有额外的辅助函数,使过程更加用户友好。的plot_fitness函数应该用作诊断工具检查解决方案是否已经聚集。情节如何健身(加权函数R²最好的模型更改)通过为每个指定的迭代模型约束。足够数量的迭代,给出拟合总是收敛,理想的全球最大。增加人口规模或突变率将帮助在这种情况下,这个过程是被困在一个局部最大值。这个函数的唯一输入参数的输出autohrf函数。看到图2的一个例证plot_fitness可以用来调查是否autohrf运行聚合。

的plot_best_models函数是用来情节的最佳模型为每个给定的约束。例子可以找到这个函数的可视化研究的例子在3和4部分。

的get_best_models函数返回并打印参数的最佳模型为每个指定的模型约束。这个函数的输出可用于进一步分析并作为输入函数评估预定义的模型。通过设置return_fitness参数真正的,最好的函数不会返回参数模型但是他们的健康。

3所示。空间工作记忆任务

测试和评估的效用autohrf包,我们使用收集的数据在空间工作记忆的一项研究中,之前提出普格et al。(2022)。这项研究的目的是探讨不同空间工作记忆的神经关联策略和使用相关的表征,根据特定的任务要求。我们使用功能磁共振成像来记录大脑活动任务的性能。

试验评估活动对个人任务,我们使用一个缓慢与事件相关的研究设计,允许足够的时间的响应返回基线在inter-trial间隔(来)。然而,每个试验由几个事件被认为引发重叠的血流动力学反应。我们使用的漠视,区分这些单个响应的方法。我们面临的挑战在构建的事件模型用于GLM分析指定号码,时间和持续时间的个人事件,会导致大脑反应的有效估计任务感兴趣的事件。为此,我们使用autohrf评估不同的理论事件模型和提供额外的见解大胆的反应在任务的属性使用事件模型自动优化的数据驱动的过程。

在本文中,我们提出一个例子程序选择最合适的模型使用autohrf获得的,同时评估事件模型的普遍性autohrf和他们的结果的可靠性。此外,我们测试的有效性得到了基于模拟的功能磁共振成像时间序列事件参数。

3.1。数据信息

分析包括37个健康成年人(20女性,米= 21年,SD= 3年,范围= 19-30年)。伦理委员会批准的这项研究是文学院,斯洛文尼亚卢布尔雅那大学和国家医学伦理委员会、卫生部斯洛文尼亚共和国。参与者给之前书面知情同意参与这项研究。

在空间工作记忆任务(图3一),每个审判开始的演讲目标刺激(红色磁盘)0.1秒在屏幕上以一个恒定半径和不同的角度从屏幕的中心,其次是0.05年代屏蔽模式。参与者被要求记住目标刺激和保持它的位置在接下来的9.85秒延迟。延迟周期结束后,参与者回应移动探测器(灰色磁盘)的位置记得目标使用操纵杆。响应时间是固定的,这样的位置探测器记录为3 s后反应的位置。个人随机试验是由它的持续时间不同(15、16或17世纪一”型的比例),以便更好地分解任务相关的大胆的反应。由两个条件——的任务中心和不平衡的。在中心条件,响应探测器总是出现在屏幕的中心,而它与一个常数出现偏心半径,但随机角到目标位置不平衡的条件。这两个任务的条件是为了区分不同的空间工作记忆策略(任务的详细描述普格et al ., 2022)。

大脑活动在任务绩效测量和同步功能磁共振成像和脑电图记录在一至三个录音(6参与者与一个会话,12参与者有两个会议,和19个参与者与三个会话)。连续会话的参与者平均分离了五周(范围= 2 - 13周)。在本文中,我们报告结果仅基于功能磁共振成像数据。来自参与者参加了多个会话数据被组合在会话。每个任务在一个单独的大胆的运行条件进行了24个试验在单个会话。任务条件是伪随机的顺序不同的参与者在第一次会议和平衡。任务条件下被逆转的顺序为每个后续会话的参与者。核磁共振数据收集与飞利浦阿奇沃3.0 t TX扫描仪。T1和t2加权结构图像,旋转回声字段映射图像和大胆的图像是每个参与者。详细的核磁共振成像采集参数描述的补充材料。

3.2。数据分析

核磁共振进行预处理和分析使用量化神经成像环境&工具箱(QuNex v0.94.14;霁et al ., 2022)。部分的分析和可视化是准备使用R (v4.2.1;R核心团队,2022年)和连接体工作台(v1.5.0)工具。核磁共振数据预处理与人类连接体项目(HCP)最小的预处理管道(格拉瑟et al ., 2013详情看补充材料)。进一步分析parcellated整个大脑数据,提取得到的平均信号中确定每个ROI HCP-MMP1.0分割(格拉瑟et al ., 2016)。

我们执行事件的使用GLM方法活化分析预测与假定的卷积double-gamma HRF (Friston et al ., 1994 a,1998年)。我们准备几个模型都是基于理论假设的数量和时间过程的任务或自动导出基于实际大胆回应下使用预定义的限制autohrf包中。使用这些模型,然后我们建模的信号在每个任务条件下,分别对每个参与者和估计β为每个任务事件预测模型系数。我们还模拟试验和离群值的漠视行为反应作为一个单独的事件,将这些试验排除在进一步分析。统计分析在集团层面进行基于获得的β估计使用置换分析(500种排列,尾巴加速度)在棕榈(温克勒et al ., 2014)。识别的激活和解除激活个体事件期间,我们进行了双尾的一个示例t测试与罗斯福多重比较修正。我们也直接比较两个任务条件通过执行双尾配对t测试与罗斯福修正。意义阈值被设定为问< 0.05。

交叉验证的模型派生的使用autohrf的漠视,我们使用相同的方法如前所述,但这一次每个fMRI录音分别建模。基于获得的β估计我们在抵抗交叉验证执行基于31个参与者参加了至少两个录音,其中有19个参与者三个录音。在第一阶段获得的功能磁共振成像数据用于训练模型的使用autohrf函数,第二个和第三个会话的数据被用来测试模型使用evaluate_model函数。

我们另外测试了autohrf在模拟的功能磁共振成像数据。我们生成的模拟大胆应对工作记忆试验基础上四个不同的事件模型。所有四个模型包含相同数量和类型的事件的预测因子,但具体的开始和持续时间的不同事件。他们要么基于理论假设过程在空间工作记忆任务(模型A和B;补充图S1)或autohrf估计基于经验数据(模型C和D;补充图S1)。对于每个模式,大胆的一组时间序列是由卷积生成事件时间序列与一个假定的double-gamma HRF (图6)。在生成的数据,我们系统的不同HRF属性和噪音水平。我们使用HRF 4 s, 5 s, 6 s time-to-peak。这包括autohrf默认值5 s和大约覆盖了范围的实证测量HRFs (Aguirre et al ., 1998;Miezin et al ., 2000;汉沃克et al ., 2004)。我们在五个不同的生成的数据噪音水平通过添加随机高斯噪声的时间序列不同(即SD值。0,0.067,0.1,0.15,0.225)生成的大胆的信号。为每个描述事件模型的组合,HRF和噪声水平,数据时间序列生成10假想的roi,不同振幅的建模对特定事件的响应。接下来,我们进行自动参数搜索每一个60模拟数据集和两套预定义的约束,一个严格的模型和更宽容的模型。我们评估的结果autohrf在两个方面。首先,我们将估计的事件模型与模拟模型评估的程度autohrf识别潜在的事件结构。第二,我们生成新的合成数据和一组更大的216个模拟roi,然后比较了β与两个理论和两个估计获得autohrf优化模型与数据(见用于生成的值补充材料细节的数据模拟)。

3.3。结果

3.3.1。比较预测模型与不同数量的事件

大胆的分析信号潜在的空间工作记忆任务的性能,我们面对的挑战,选择一个事件模型,使之能够很好地适应我们的数据,并提供有效的估计大脑反应任务事件。建设的最合适的模型,我们首先面对的问题有多少,哪些任务事件我们应该包括在模型中。为此,我们准备和评估几个模型包含不同类型和数量的事件(图3 b)。评估模型,我们使用了evaluate_model函数与double-gamma HRF基于个体的平均活动任务的审判roi。

我们开始分析最简单的模型组成的三个事件(模型1;图3 c),编码(开始= 0年代,时间= 0.15),延迟(开始= 0.15秒,持续时间= 9.85)响应(开始= 10年代,时间= 3 s)。调查改变任务的延迟期间,我们准备一个单独的模型(模型2;图3 d)的延迟周期分为两个事件,一个早期的延迟(开始= 0.15秒,持续时间= 4.85 s)和一个晚延迟(= 5 s,发作持续时间= 5 s)。此外,我们考虑了编码和响应阶段包括几个人的发展过程。例如,任务的响应时间开始表示假设的探测刺激引发的感知力和注意力过程,其次是motor-related活动所需的响应。反映,我们构建了一个模型,该模型包括在内编码(开始= 0年代,时间= 0.15),延迟(开始= 0.15秒,持续时间= 9.85),探针(开始= 10年代,时间= 0.5)响应(开始= 10.5秒,持续时间= 2.5 s)事件(模型3;图3 e)。同样,编码阶段可以分为暂时分离事件的最初感觉处理目标刺激和编码过程。应对这种可能性,我们包含了一个模型刺激(开始= 0年代,时间= 0.15),编码(开始= 0.15秒,持续时间= 1.85),延迟(= 2 s,发作持续时间= 8 s),探针(开始= 10年代,时间= 0.5)响应(开始= 10.5秒,持续时间= 2.5 s)事件(模型4;图3 f)。

这些模型显示相当大的差异的比较模型的适应性,以及获得估计个体的反应。事件的数量的增加导致更高的意思是健身,健身模型中观察到的最差的三个事件(R²= 0.67,图3 c)和最高的模型中有5个事件(R²= 0.83,图3 f)。这个结果是预期从一个模型在建模与预测提供了更多的自由度,能够解释更多的数据方差。然而,模型具有更高的预测会导致过度拟合数据和可怜的普遍性。避免这种情况,我们也比较BIC模型之间的值,相对较高的值在更复杂的模型可能表明过度拟合的可能性。我们的研究结果显示,降低BIC值模型1 - 3 (图3 c- - - - - -E),而BIC测量模型4(增加图3 f),这表明分离编码和响应时间为两个阶段可能会导致过度拟合。

此外,定性检查获得的估计显示,与越来越多的事件通常更有效的结果。例如,全球语言监测机构估计基于示例的可视化roi (图3 c- - - - - -F)有时会发现违反直觉的估计,如负的β估计在积极大胆的反应。此外,个人的反应有时似乎高估或低估与越来越多的事件。结果表明,附加解释变量主要解决HRF形状的变化,而不是提供洞察暂时分离事件。我们的结论是,明显减少的有效性β估计补偿健身的增加更复杂的模型。出于这个原因,我们决定使用前两个模型(即。模型1和2;图3 b)进一步分析,因为他们表现出足够的健康和生产β估计表面有效性最高的任务感兴趣的事件。

3.3.2。理论上的比较和自动派生事件模型

接下来,我们想要确定个人任务事件预测的最佳时机选择模型。例如,我们不确定编码阶段结束时,延迟开始阶段,如何在延迟周期响应阶段开始后不久,多久各个流程的任务,等。为此,我们使用了autohrf包来计算和评估不同的事件发作持续时间模型基于理论假设的事件时间课程任务或使用自动参数搜索基于实际的功能磁共振成像数据。特别是,我们的健身理论和自动派生模型相比,获得的效应大小和任何定性变化与每个模型获得的结果。

我们使用两个模型选择(即基于前面的分析。模型1和2;图3 b)。具体地说,我们第一次大胆的信号建模与事件编码,延迟,响应(图4),而在第二个模型我们另外建模延迟阶段与不同的解释早期和晚延迟(补充图S3)。的两个模型,我们首先评估了基于理论假设的事件时间的定义。因为理论假设可能不匹配与实际过程的任务,我们还准备了两个模型与自动派生事件发生和持续时间的基础上大胆的信号使用autohrf功能,有严格的预定义的限制和宽松的预定义的限制。更严格的模型允许自动调整事件的持续时间,而事件发生和抵消边界理论模型是一样的。更宽容的模型,事件发生和抵消设置允许偏离理论模型在每个方向1 s,而时间将达到至少理论上认为时间的一半。我们跑的自动搜索一个预定义的参数选择80 roi frontoparietal网络,视觉,motor-related大脑区域将显示反应任务。

理论上的比较并自动派生模型显示更好的模型适合自动对比理论模型(图4 b,C和补充数据S3B,C)。自动派生事件的发生和持续时间明显不同的理论参数。具体地说,所有事件的发生一般估计后次自动与理论模型相比,而事件的持续时间通常被降低(数字4,C和补充数据S3A,C)。的定性检验β例子roi估计个体的反应(图4 d和补充图S3D)表示估计表面有效性高的编码和响应阶段所有模型,而延迟估计似乎高估了在自动模式,尤其是在单一的情况延迟预测(图4 d)。

我们也感兴趣的任何差异,基于统计分析的结果β从理论和自动派生模型获得的估计。具体地说,我们研究重要的激活和失活在GLM分析个别任务事件建模,分别为中心和不平衡的任务条件。我们也对比β估计之间中心和不平衡的条件来识别任何观察到的反应存在显著差异。的模型实际上导致略有不同模式识别任务相关(de)激活和不同任务条件。例如,估计delay-related活动获得使用自动派生事件模型一般较高somatomotor和早期视觉区域,和较低的时间大脑区域相比,获得的估计与基于理论上的事件模型(图5一个)。此外,对比任务条件显示更少的roi更高的活动中心相比不平衡的somatomotor地区条件,和额外的roi前额叶和岛皮质表现出更高的活性不平衡的当使用条件自动派生而理论上基于事件模型。类似的定性观察差异也在编码(补充数据S4A S6A)和反应(补充数据S5A S9A)阶段,除了两个单独的估计的延迟周期活动,早期(补充图S7A)和晚期延迟(补充图S8A)。此外,我们比较了Z值之间的不同的大脑地图理论和自动提取模型,显示出巨大的差异Z值是高度变量之间特定的比较(图5 b和补充数据S4B- - - - - -9 b)。一般来说,Z值往往是增加基于自动派生事件模型的结果。

3.3.3。自动获取模型的普遍性不同fMRI录音

测试模型的普遍性与获得autohrf我们执行的拥护者交叉验证使用fMRI数据收集在不同的录音与两个或三个交易日31个参与者。具体来说,我们测试了两个模型,一个与更严格的预定义的限制和一个宽松的预定义的限制,如3.3.2节所述。在第一阶段获得的功能磁共振成像数据用于训练模型的使用autohrf函数,第二个和第三个会话的数据被用来测试模型使用evaluate_model函数。模型训练和测试基于预定义的选择80 roi,预计将对任务的反应。在模型训练(会话1;补充图S10),允许模型显示更高意味着健身(R²= 0.89)相比,严格模型(R²= 0.87)。相比之下,平均健身的理论模型在相同的数据集R²= 0.86。在评价模型基于数据的第二个和第三个录音,均值模型健身又宽容的最高模型(会话2:R²= 0.88;阶段3:R²= 0.89),第二高的严格模型(会话2:R²= 0.85;阶段3:R²= 0.86),最低为理论模型(会话2:R²= 0.84;阶段3:R²= 0.85)。自模型健身保持类似的甚至在测试模型的训练相比,这些结果显示高概括性的模型获得使用autohrf。

接下来,我们也感兴趣的事件参数时的一致性autohrf函数给出相同的一组预定义的约束,但模型是基于不同数据集的训练。为了这个目的,我们使用了数据从19参与者三个录音,跑一个自动参数搜索使用基于严格和宽松的限制在每个单独的录音。我们的结果显示通常非常一致的事件发生和持续时间为两跨会话,严格和宽容,模型(补充图S11)。定量估算跨会话事件参数的一致性,我们计算的百分比重叠在事件定时任务跨会话试验全部时间间隔与活动中至少一个的会议,分别编码,延迟,响应事件(补充图S11B)。严格的模型中,我们观察到100%的重叠编码,89%的延迟和87%响应。同样地,允许跨会话模型返回一个重叠的49%编码,100%的延迟和79%响应。

3.3.4。自动获取事件的评价模型基于模拟的功能磁共振成像数据

即使我们的结果显示良好的可靠性和普遍性的事件模型获得autohrf,评估事件模型的有效性的问题基于实证fMRI数据是我们不知道什么样的认知过程实际上引发了大胆的测量信号,从而不能确保获得事件参数是有效的。这可以通过运行autohrf在模拟的功能磁共振成像数据与已知的事件参数用于生成大胆的信号。此外,还有其他因素可能会影响估计得到的有效性autohrf。例如,我们有兴趣在多大程度上不同的噪音干扰可靠的估计。此外,由于自动参数搜索autohrf使用预定义的和固定HRF时机,我们想要检查的敏感性autohrf结果的可变性HRF时机大胆的测量信号。

在分析和评价仿真结果,我们首先关注的重建时间和持续时间的事件。评估噪声的鲁棒性,我们计算的相对重叠事件重建在不同噪音水平为每个模拟事件模型和HRF计时。结果显示较高的重叠的延迟和响应事件和温和的重叠编码(图6 b)。评估重建时间的准确性,然后我们计算百分比重叠重建事件与模拟事件的所有模拟事件模型,HRFs和噪音水平(图6 c)。重叠最高最长的事件(例如,延迟)和最小和最变量为最短的事件(例如,编码)。为短事件这是可以预料到的,因为即使是最小的时间变化导致大变化重叠。最后,评估的灵敏度autohrfHRF时间差异,我们比较了模拟和估计事件不同的重叠HRF times-to-peak。结果显示最高的重叠的5 s HRF time-to-peak,与默认HRF时机autohrf和低重叠无与伦比的HRF times-to-peak (图6 d)。再次,相对重叠的差异更加明显,缩短事件比更长时间。详细审查实际重建时间(补充图S12)表明,autohrf调整时间来弥补差异HRF time-to-peak。在模型中较长的HRF time-to-peak,事件估计以后开始。在模型与短HRF time-to-peak,事件估计应尽早开始,短。这应该允许更精确的估计之间的不匹配情况下的大脑活动的假设和测量HRF时机。

接下来,我们专注于评估β估计。我们与大量的模拟数据集使用roi(参见补充材料)比较两个理论模型和模型的能力优化autohrf恢复模拟活动。我们评估和比较β估计在两个方面。首先,我们计算皮尔逊的r测试每一个线性模型在多大程度上再现了可变性在激活的三个模拟的事件。优化模型比理论模型在大多数情况下执行(图6 e和补充图S13A)。他们的优势明显的情况下的理论模型是misspecified HRFs不匹配。在这两种情况下,优化的模型拟合数据更好的和复制的潜在可变性激活更好。优化模型的性能又更好的长期的事件(例如,延迟和响应)比很短的事件(例如,编码)。第二,我们研究了在多大程度上个人与事件相关的激活的模型提供了一个客观的评估。具体来说,我们所有模拟roi计算估计的范围值的模拟活动下的事件研究是相同的但是其他的激活事件是不同的。换句话说,我们检查的程度β估计目标的事件(例如,延迟)是受到先前相关的活动(例如,编码)或随后的事件(例如,响应)。结果通常显示更好的性能的优化模型(图6 f)。不同性能取决于特定的事件结构模拟和事件研究(补充图S13B)。在优化模型的优点明显延迟他们不太清楚编码和响应事件。

4所示。侧卫任务

第二个例子的效用autohrf包侧的分析任务。在这项研究中(在准备Ličen et al .,),我们很感兴趣的程度不同类型的激励影响性能对侧卫任务及其神经相关。获得独立的估计的影响持续的激励认知过程(例如,目标表示,关注)和瞬态反应一致和不一致的刺激,我们使用了一个混合state-item设计激励机制在操纵不同任务块,每个块组成的伪随机混合的一致和不一致的试验。

在state-item设计的分析,解释变量为持续的活动和同时瞬态响应中包含的漠视。获得有效的估计重叠的解释变量,是很重要的模型尽可能准确地持续和瞬态响应因为任何原因不明的差异从一个回归量会影响另一个。为了避免次优的问题建模使用假设HRF的瞬态响应,一个可能的解决方案是使用怀着建模模型的瞬态响应,我们模型的每个时间点分别大胆的反应。

在我们的任务,我们面临着更多的挑战。在基线和激励条件下反应时间明显不同(719年和557年女士的不一致和全等试验基线条件,分别和女士600年和464年的刺激条件),因此观察到的瞬态响应的差异可能是由于时间在任务上面的效果而不是神经活动的差异。时间在任务上面效应的大小可以通过包括额外的回归量估计和控制的GLM每个事件的比例是反应时间。这个解决方案的问题是,反应时间之间的差异不仅一致和不一致的条件,而且在基线和激励。因为反应时间短的激励比基准块的块,持续活动块之间的差异可能会错误地归因于瞬态响应反应时间回归量,导致无效的估计(即持续活动。低估的基线差异和激励块)。

应对上述挑战,我们采用了一种两步方法。在第一步,我们的目标是获得最优的估计假设持续反应完全捕捉瞬态响应使用怀着建模。在第二步中,我们专注于解耦活动差异和瞬态响应时间在任务上面的效果。以来的估计的有效性提出了两步的持续活动和瞬态响应的方法是高度依赖于如何持续响应建模在任务块,我们使用autohrf定义最优事件规范建模任务块相关的大胆的反应。本文提出的具体研究问题解决与这个数据集获得发现目前在准备(准备Ličen et al .,)。而不是处理特定的研究问题,在本节中,我们只关注的使用autohrf方案优化研究事件模型。

4.1。数据信息

分析包括数据从30名健康成人(15位女性,米= 37年,SD= 8年,范围= 24-52年)提供书面知情同意参与这项研究。伦理委员会批准的这项研究是文学院,斯洛文尼亚卢布尔雅那大学。

每个参与者完成三个大胆的埃里克森侧卫任务(埃里克森和埃里克森,1974)。每次运行60年代由四个任务块隔开10 s休息时间。每个任务块开始围绕着中心的外观颜色的矩形屏幕的指示开始的任务和激励条件。第一次试验后2.5或5 s盒后发病。每个试验开始的目标刺激(500毫秒),一组七箭(“<”)显示在屏幕的中心。箭头指向同一个方向(“< < < < < < <”;全等试验)或中间箭头指向相反的方向(“> > > < > > >”;一个不一致的试验)。被试的任务是尽快显示一个按钮按下中间的方向箭头指向。刺激显示的是1.5秒响应时间结束的报告反馈。 The feedback was provided by a small box presented at the center of the screen for 300 ms, which was white when no response was provided and red or blue when the response was incorrect or correct, respectively. Reaction time and accuracy were recorded for each trial. To support analysis of transient responses, the ITI was jittered and lasted 0.2, 2.7, or 5.2 s in a 9:6:4 ratio. After the last ITI of the block, the colored rectangle disappeared, signaling the beginning of a rest period. Each block consisted of 13 trials presented in a counterbalanced pseudorandom order such that the same number of left and right responses and congruent and incongruent trials occurred across all four blocks.

核磁共振数据与飞利浦收购阿奇沃3.0 t。对于每个参与者我们收集结构T1和T2加权高分辨率图像,整个大脑功能扫描与T2 *三回波平面成像序列,和一对旋转回声字段映射失真校正。详细的核磁共振成像采集参数描述的补充材料。

4.2。数据分析

在空间工作记忆的研究中,核磁共振数据预处理和分析使用QuNex (v0.94.14;霁et al ., 2022)。核磁共振数据预处理使用HCP最小预处理的管道(格拉瑟et al ., 2013)。进一步分析parcellated全脑数据为每个ROI提取获得的平均信号,确定在HCP-MMP1.0分割(格拉瑟et al ., 2016)。

GLM分析任务都是在两个步骤完成。第一步包括假设任务解释变量block-related响应建模分别为每个刺激条件(基线和激励)和怀着解释变量的瞬态响应建模分别为每个刺激条件(基线和激励),每个试验条件(一致和不一致),和正确的和不正确的响应。假定解释变量是由事件时间序列的卷积double-gamma HRF (Friston et al ., 1994 a,1998年)。怀着解释变量分别是由建模试验开始后,每个8帧联合建模的时间间隔从0到20年代目标刺激后发病。第二步,剩余的时间序列计算通过消除信号的线性预测的趋势和block-related解释变量从原始大胆的时间序列。第二步只包括怀着瞬态响应的解释变量,又分别为每个模拟刺激条件(基线和激励),每个试验条件(一致和不一致),和正确的和不正确的响应。此外,我们怀着包括一个单独的单所有瞬态响应的回归量,反应时间转换成比例的Z值为每个参与者独立。

所有持续活动相关的分析使用β估计的块任务回归量。所有分析相关的瞬态响应进行平均的β估计帧2和3在刺激呈现(对应周期从2.5到7.5秒后刺激),被认为是估计试验相关峰值的瞬态响应。组级别统计分析使用置换分析(500种排列,尾巴加速度)在棕榈(温克勒et al ., 2014)。识别持续和瞬态的激活和解除激活,我们执行双尾的一个示例t测试与罗斯福修正。我们进行了集中通过计算双尾配对对比条件t测试与罗斯福修正。意义阈值被设定为问< . 05。

评估理论事件模型和构建优化的事件模型使用autohrf我们计算一组代表任务block-related时间序列。为了达到这个目标,我们进行了如上所述的第一步,然而,在这种情况下我们使用single-gamma HRF (博因顿et al ., 1996),以避免任何假设可能最初的高峰和低谷的最后任务块。然后我们计算了残余大胆信号占拦截后,线性趋势,所有瞬态解释变量和平均每个大脑产生的时间序列包裹在所有参与者。这允许我们提取的最佳估计任务block-related响应。接下来,使公正优化整个大脑分析,而不是专注于时间序列从侧卫区域被激活的任务(例如,Vanveen和卡特,2002年),我们进行了分层聚类分析360年的时间序列代表每个大脑集群。我们使用欧氏距离作为距离测量和集群包裹使用病房的聚类准则(Murtagh和勒让德,2014年)。我们选择欧几里得距离,而不是相关的距离测量强调(de)激活时间序列的一般形状。然而,相关的使用产生了类似的结果。聚类后,我们计算平均时间序列的时间序列代表所有包裹在同一个集群。最后,我们计算一个平均任务块响应通过提取和平均时间序列相关的每个块(4基线和8块的动机)。具体来说,我们提取时间点1到32块的开始后,代表80年代的大胆的信号。这些代表时间序列被用来评估和构建事件模型。对于所有的评估,使用加权平均模型适合估计R²在每个集群的贡献比例加权根据大脑的包裹包含在集群中。

集群和可视化的结果进行了使用R (v4.2.1;R核心团队,2022年)。整个大脑使用连接体工作台(v1.5.0)结果可视化。

4.3。结果

4.3.1。建设理论和数据优化事件模型

评估理论和生成优化的事件模型autohrf,我们首先创建代表任务块相关的时间序列。基于层次聚类分析,我们确定了6个集群功能的大脑包裹(图7)。我们选择了6个集群解决方案,因为它确保了一系列不同的(de)的激活模式。目视检查显示,与大量的集群解决方案不产生明显不同的行为模式。代表时间序列可以被描述为指示持续激活(C3 - 89地块,C5 - 78包裹;图7),持续的失活(C2 - 20包裹),和瞬时激活在发病和静止(C1 - 52包裹,C4 - 54包裹,包裹和C6 - 67)。

我们第一次评估理论事件模型用一个持续任务回归量生成块的长度(简单的块模型;图7 c)建模double-gamma HRF,可能是在块设计任务分析最常用的方法。的加权R²= 0.38,BIC= 216,和视觉检验模型的适应(图7 d),模型表现不佳,主要是由于无法解释瞬态响应的开始和结束任务块。

基于时间序列,代表我们接下来评估理论模型,包括单独的解释变量开始的任务块休息期(复杂的块模型;图7 c)。因为我们没有具体的依据确定这些事件的持续时间,我们每一个设置为任意时间的1 s轨道。这个模型有明显表现的更好R²= 0.79,BIC= 189。目视检查证实,该模型成功地捕获瞬态响应的开始和结束块(图7 d)。小BIC表明改进的适合的账户不是由于额外的预测事件模型过度拟合。

最后,我们使用autohrf创建优化的基于经验数据的事件模型。我们跑autohrf两组的约束。第一组是一套更为保守的约束。我们允许的开始事件不同0和2 s块后出现的最小时间0.1秒,任务后被设置为0到60年代之间发生阻塞发病持续时间的最低55年代,休息将发生在60和65年代,最低0.1秒的持续时间。第二组的约束更宽容开始事件最终被允许5 s成块,任务结束后回归量可能5 s的块,最低50年代期间,和休息可以开始已经5 s块结束之前。

令人鼓舞的是,两组约束成功聚合(图7 b),导致了非常相似的最佳活动规范,基于我们构造优化块模型(图7 c)。唯一的区别是的开始时间和持续时间开始事件,分别为0.06和0.10,分别为严格的事件模型和0.00和0.18,分别为宽容的模型。优化模型的评估显示稍微更好的性能R²= 0.85,BIC= 174,目视检查确认事件的不同规范更好的抓住了大胆的反应开始和结束的块(图7 d)。有趣的是,优化的开始任务回归量的平均时间开始的第一次审判块使用的2.5和5 s(平均),而最优结束后1.24秒的最后审判的开始。我们使用这些时间在构建新的事件规范GLM分析的第一步。

4.3.2。基于理论和数据优化事件模型的结果

构建三个模型后,我们漠视执行任务分析和比较的结果。我们关注的一个子集可能的分析选择代表不同类型的研究问题,(我)估计的持续和瞬态响应,(ii)之间的持续和瞬态响应对比条件,和(3)评价的行为回归量。

首先,我们关注与持续的任务响应结果,这应该是最直接影响三种模式之间的区别。这三个模型产生了一个类似的激活模式在基线条件(图8),积极的简单的块模型导致稍高一些Z值,而复杂,优化块模型取得了类似的结果(图8 b)。略高的积极Z值可能是由于这样的事实:回归量任务还必须考虑瞬态活动开始和结束的任务块,分别建模的复杂和优化模型。之间的持续活动比较基线和激励条件在所有模型也显示出类似的模式,但这里的差异更加明显。复杂的块模型导致大幅度降低Z值,恢复的优化模型(图8 b)。后者可能是由于缺乏之间的重叠任务,开始,休息事件优化模型中的解释变量,它允许任务持续的活动是瞬态响应的估计完全独立任务的开始和结束。

接下来,我们研究了不同的建模任务块的响应如何影响估计试验相关的瞬态响应。再一次,所有三个模型产生了类似的模式重要的激活和失活的皮质包裹(图9)。在这里,复杂的块模型产生了积极略高Z值(图9 b),导致更确定显著激活额叶和颞叶皮层。优化块模型,另一方面,确定额外的后壁激活和失活在内侧前额叶皮质和左颞极。的比较重要的动机对瞬态响应的影响实质上不同的三个模型之间的(图9)。而简单的模型导致少量的减少反应激励条件下,增加任务相关的复杂模型确定了数量的包裹,和优化模型确定无显著差异。这两个Z值(图9 b)和考试un-thresholded整个大脑图像(补充图S15A)显示一个整体的转变,从减少增加复杂的简单的模型和优化模型。看来,瞬态响应的开始和结束块被任务简单模型中的解释变量面具瞬态响应的增加,导致误导,导致简单的模型和复杂模型高估了。类似的观察可以从比较基准块内的不一致和一致响应,在简单的模型表明大量减少的瞬态反应不一致的试验相比,而又复杂的和优化的模型提供更多类似的结果(图9)。

最后,我们检查了程度不同的模型捕获瞬态响应和trial-to-trial反应时间之间的相关性。类似于以前的结果,简单的块模型产生了大量的包裹与反应时间确定为显著相关的复杂和优化块模型(图10)。这里应该注意,反应时间协变量是计算所有试验所有任务块,在平均反应时间不同,如前所述。如果有持续的反应差异条件没有被持续回归量,会影响瞬态响应的估计。瞬态响应会高估了如果持续活动被低估了,反之亦然。似乎是这样简单的模型时使用。略有高估的持续反应的动力条件和基线条件的低估会导致过高的瞬态响应的大小的基线条件和动力条件的低估,这将反映在与反应时间的增加正相关。这种模式也符合先前观察到的矛盾减少瞬态响应的动力条件与基线相比条件简单模型时使用(图9),以及增加估计略高的观察持续激励条件的活动与基线条件(图8)。

共同,评审的结果无效的三个模型显示一个高概率的结果与简单的块模型和可能的有效性在使用也会进一步提升autohrf优化模型。

5。讨论

的autohrf包提供了一个独特和新颖的方法事件模型建设GLM分析任务相关的功能磁共振成像数据。漠视虽然是一个功能强大的工具,分解大胆的信号和估计个体对神经活动的反应,它是由相对有限的任意规格的事件模型用于描述的信号(罗和尼克尔斯,2003年;林奎斯特2008;Loh et al ., 2008;波特拉克et al ., 2011;Pernet 2014)。而不是定义基于预定义的事件模型的假设,我们提出一个方法来构造事件模型的基础上,大胆的测量信号。此外,支持功能提供信息评价和可视化的构造模型。而autohrf包不能代替必要的特定领域的知识的认知过程研究和它们是如何反映在大胆的信号,这为研究人员提供额外的信息来做出明智的决定在设计GLM分析事件模型。

我们演示了该实用程序包的两个示例数据集和数据仿真。不同行为的任务和研究设计用于数据集显示广泛的适用性autohrf包中。然而,我们的分析的重点是评估性能和可靠性的自动派生模型相比,理论上定义模型。我们感兴趣的模型,影响大小的变化产生的响应的估计,和任何定性观察模式的差异的结果。虽然优化模型并不总是导致更高的尺度效应,定性评估的特定模式的结果表明改善结果的有效性。需要指出的是,使用的autohrf评估理论模型也导致更好的理论定义事件模型结果与更高的有效性。在任何情况下,我们必须意识到即使是小的变化事件模型最终结果导致相当大的质的差异。这些结果表明,模型的选择是一个有效的一步任务相关功能磁共振成像分析。不过,建模的可靠性HRF和事件时间用于任务相关的功能磁共振成像研究很少评估(林奎斯特2008)。

基于空间工作记忆的研究中,我们提出一个例子程序选择最合适的事件模型使用autohrf包中。首先,我们的研究结果表明,选择任务事件的数量大大影响了响应估计。事件有时太少无法占据足够的可变性大胆的反应,而太多的事件可能会导致不恰当的GLM估计。第二,正如所料,自动派生事件定时参数提供了一个更好的适合实际的大胆的反应而定义的理论模型。然而,面对的漠视,估计的有效性似乎减少传递到放松的预定义的约束autohrf。在目视检查,这是明显高估或低估的形式,在事件发生的时间,意想不到的变化。这可能表明对大脑活动的理论假设仍然提供必要的信息,而autohrf可以用来调整活动规范。然而,也有可能autohrf显示不正确的假设认知过程和相关的神经活动在我们的任务设计,可以为研究提供一个分析的工具组件的详细属性大胆任务的响应。最后,执行统计分析的反应估计得到自动派生相对于理论模型显示大量定性的差异活动模式和任务不同。在某些情况下,大脑区域,理论模型导致更高的尺度效应,并自动派生的。由于这种变化,我们无法明确地确定哪些类型的模型产生更好的结果。这突显出可能不是最优使用单个事件模型的整个大脑,因为组件的时间认知过程的差异和相关的神经活动在不同的大脑系统和地区。我们看到了两种可能的方法来解决这个问题。一个是扩展autohrf不同的大脑系统的优化独立事件模型。另一个是开发deconvolutional方法不依赖于明确的神经活动的规范。

其他验证模型的优化autohrf使用交叉验证和数据模拟也提供了有价值的信息。的autohrf模型优化的第一次会议上表现得比理论模型在随后的会议,和模型优化在不同会话配合的非常好。结果表明,autohrf结果是稳定的,反映了数据的事件结构而不是利用噪音。模拟的数据还表明,工作记忆任务autohrf可以可靠地重建事件结构出现在信号和适应HRF差异。然而,性能更好的事件持续时间更长。的β估计活动获取真正的变化很好,但不提供一个完美的分解,因为他们仍然可以前后事件的影响。

侧卫研究提供有用的另一个例子autohrf包在两种评价理论,构建优化的实证模型。创建代表时间序列允许更有效和可翻译的调查和审查各种事件模型。初始模型的评价鼓励更好的理论模型的发展块任务响应,而进一步的优化显示额外的价值特性的大胆的反应。构造模型的比较又揭示了事件模型的修改程度导致重要的定性的差异结果超越了尺度效应的变化。观察到的变化并不总是很明显,作为改进建模的一个事件在其他估计会导致相当大的变化。在侧卫的例子研究中,变化的建模持续回归量导致瞬态响应的差异,包括trial-to-trial行为的相关性。

这两个示例研究被选为了说明评估和优化事件模型的用例autohrf。他们使产生重大影响的事件的识别建模决定最终结果和提供了宝贵的见解慢性病和混合state-item设计中常用功能神经成像。我们主要关注展示不同的使用方式autohrf和获得的结果的差异。虽然我们所描述的主要观测模式的结果,我们没有深入探索的具体差异和潜在机制。尽管额外的见解可以通过测试得到不同的解释观察到的结果,这不是本文的主要焦点。我们希望观察了刺激进一步的调查由该领域的其他研究人员,促进更好的理解和欣赏的漠视任务相关的决策。

5.1。限制

当前包的限制之一是处理时间的增加自动参数搜索所需的数量增加roi,人口规模和迭代。在2019 MacBook Pro,单个迭代与37个研究参与者,100年的人口规模,需要大约10年代遇到36 roi, 180和100年代,当遇到roi。自动参数搜索模型的默认100次迭代大约需要20分钟36 roi和3 h 180 roi。这些时间可以显著减少在使用现代桌面计算机或专用的计算服务器。所需的处理时间仍然可控的在处理最常用的分割。例如,我们已经成功地应用了autohrf包中定义的数据组成的360 roi HCP-MMP1.0分割(格拉瑟et al ., 2016)。除此之外的时间自动搜索迅速增加,使体素或grayordinate-based分析的当前版本包中不可行。

当使用autohrf函数模型约束的不同复杂性作为输入,必须承认一个事实,更复杂的模型更加灵活和总是适合更好的数据。因此,为了避免过度拟合的模型最好使用技术开发的机器学习。最常见的方法来解决过度拟合是交叉验证。在交叉验证,数据的一个子集用于火车/适应模型。培训完成后,评估模型的质量用看不见的测试数据。如果模型是overfitted训练数据,它不能很好地概括来独立的数据和接收评价得分较低。我们提出一个抵抗交叉验证在空间工作记忆的研究中,我们使用fMRI数据从第一个记录会话作为输入autohrf函数自动参数搜索的目的。然后我们测试获得的模型使用evaluate_model函数的功能磁共振成像数据从剩下的第二和第三。执行这个过程,模型评价的数据没有用于自动化参数搜索。应该注意的是,训练和测试数据集应该精心挑选,以避免引入系统的因素,可能影响模型的普遍性。例如,跨多个会话可以进行交叉验证问题是否有长时间的会议由于潜在发展之间的变化(例如,懂得et al ., 2018)或疾病进展(例如,汉et al ., 2022)。因为在神经影像数据采集常常是昂贵的和数据集很小,交叉验证并不总是可行的。在这种情况下,用户应该考虑BIC测量报告的evaluate_model占模型的复杂性。注意,适当的交叉验证更健壮和可靠的BIC最好,所以交叉验证当足够的数据可用。

5.2。未来的发展

我们考虑autohrf目前的形式一个有用的概念,我们打算进一步发展方面的附加功能和分析功能。功能已经在管道,但没有进入最初版本包括执行自动搜索模型参数的能力每个参与者和ROI。因为研究表明大脑区域和参与者之间的血流动力学反应差异很大(Aguirre et al ., 1998;Miezin et al ., 2000;汉沃克et al ., 2004;Badillo et al ., 2013),我们的目标是进一步发展一个单独的模型参数估计的roi和参与者个体可以解释这种变化大胆的反应,从而提供更可靠的估计的大脑活动。此外,这种工具也可以用来研究大胆的反应的个体差异以及不同的大脑系统的血流动力学特性。

扩展的效用autohrf包,我们计划将其他类型的大胆的响应建模,如怀着建模。另外,我们计划整合autohrf包成QuNex (霁et al ., 2022),这将允许一个更简单的使用模型获得autohrf在大规模的功能磁共振成像数据分析。

作为一个额外的评估分析的一部分,我们计划在遗传算法研究不同参数如何影响模型获得autohrf。默认值的迭代次数,人口规模,突变率遗传算法是基于一系列的实验与一个目标使用我们自己的数据,提供模型的收敛在一个合理的时间框架。由于这些参数的最优值是study-dependent,一些用户可能需要优化它们通过自己的实验。我们计划分析这些参数对模型收敛的影响和未来的详细结果。这将允许用户设置更好的价值观的研究更有效。

5.3。结论

自动优化的探索基于经验数据表明事件模型autohrf可以用来检查和验证理论模型,建立优化模型,导致一个更好的适合观察大胆的反应,并探讨事件结构的底层任务大胆的反应。使用autohrf定义了合理的限制可能导致的大脑活动更有效和可靠的估计和更高的统计力量。因此,autohrf可以作为一个强大的工具,可以用于一个简单和高效的方式结合其他分析工具支持和引导大规模GLM分析任务相关的功能磁共振成像数据。此外,我们表明,该自动参数搜索启用autohrf可以提供独特的功能磁共振成像信号的属性信息,挑战现有的假设在功能神经影像学和打开一个新的分析方法。

数据可用性声明

的源代码autohrf可以在GitHub库吗https://github.com/demsarjure/autohrf。在凹口包也可以,所以用户可以通过R安装它install.packages函数。在包,用户会发现压缩数据集的两个研究,空间工作记忆研究和侧卫研究。此外,我们还包含示例分析步骤使用autohrf包基于两项研究的数据,可用于测试和繁殖的结果报道。数据和脚本用于评价分析基于空间工作记忆的研究,模拟空间工作记忆,侧卫在OSF存储库也可以学习https://osf.io/amhb2/。

道德声明

涉及人类受试者的研究伦理委员会审查和批准的文学院,卢布尔雅那大学卢布尔雅那,斯洛文尼亚,而空间工作记忆研究是另外国家医学伦理委员会批准,共和国卫生部斯洛文尼亚、卢布尔雅那、斯洛文尼亚。参与者提供了他们的书面知情同意参与这项研究。

作者的贡献

NP、JD和GR:概念化,原创作品草稿,writing-review和编辑。JD和GR:方法。NP和GR:调查。格:资金收购和监督。所有作者的文章和批准提交的版本。

资金

这项工作得到了斯洛文尼亚研究机构(年轻的研究计划和研究:格兰特Nos。j3 - 9264, p3 - 0338和p5 - 0110)和CIMA一般慈善信托基金。

确认

作者要感谢同事和学生,帮助与数据收集,以及所有参与研究的时间和合作。我们也感谢审稿人和编辑的建设性的意见和建议。

的利益冲突

作者JD清单技术咨询。作者GR咨询和持有股权的Neumora疗法和显化技术。

其余作者宣称,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

补充材料

本文的补充材料在网上可以找到:https://www.雷竞技rebatfrontiersin.org/articles/10.3389/fnimg.2022.983324/full补充材料

引用