resting state

The features to be classified were based on functional connectivity between functionally defined regions of interest (ROIs). This choice was suggested by recent findings demonstrating that functional ROI selection outperforms anatomical selection for functional connectivity based fMRI classification (Shirer et al., 2011). First, an independent component analysis (ICA) of the concatenated periods of wakefulness in all datasets was performed using MELODIC FSL (www.fmrib.ox.ac. uk/fsl/) (Beckmann and Smith, 2006). Components reproducing 6 well established resting state networks (medial and lateral visual, auditory, somato-sensory, default mode and executive control) were selected. The selection of these RSN obeys reproducibility criteria, an important requirement for the generalizability of the method.

Die Features zu klassifizierenden stützten sich auf funktionelle Konnektivität zwischen funktional definierte Regionen von Interesse (ROIs). Diese Wahl wurde angeregt durch neuere Befunde zeigen, dass funktionale ROI Auswahl übertrifft anatomische Auswahl für funktionelle Konnektivität auf der Grundlage fMRI-Klassifikation (Shirer Et Al., 2011). Erstens, eine unabhängige Komponentenanalyse (ICA) der verketteten Perioden Wachheit in alle Datasets durchgeführt MELODIC FSL (www.fmrib.ox.ac. UK/LFS /) (Beckmann und Smith, 2006). Komponenten reproduzieren 6 gut etablierten Zustand Netzwerke (medialen und lateralen visuelle, auditive, ruhelosigkeit Somato-sensorische, Standard-Modus und Executive-Steuerelement) ausgewählt wurden. Die Auswahl an diesen RSN gehorcht Reproduzierbarkeit Kriterien, eine wichtige Voraussetzung für die Generalizability der Methode.

In contrast, resting state experiments require the subject to passively lie inside the scanner, usually with the eyes closed. Subjects are sometimes instructed not to fall asleep, however, one can argue that engagement in strategies to avoid loss of vigilance (such as focusing attention) diverts the brain state from true “rest”.

Im Gegensatz dazu erfordern Ruhezustand Experimenten das Thema passiv im Scanner liegen, meist mit geschlossenen Augen. Themen sind manchmal angewiesen, nicht einzuschlafen, kann jedoch ein, dass das Engagement in Strategien argumentieren, um den Verlust von Wachsamkeit (z. B. die Aufmerksamkeit) zu vermeiden lenkt den Zustand des Gehirns von der wahren "Rest".

Lack of adequate vigilance control could result in confounds when comparing populations (e.g. patients vs. healthy controls) with different sleep patterns (for instance, hypersomnia is prevalent in many psychiatric illnesses (Ford and Kamerow, 1989)). In the present work we have shown that the association of specific functional connectivity patterns with each sleep stage allows to distinguish between resting wakefulness, N1, N2 and N3 sleep, facilitating fMRI based vigilance control in resting state experiments.

Mangel an angemessenen Wachsamkeit Kontrolle könnte in confounds führen beim Vergleich Populationen (zB Patienten vs gesunde Kontrollen) mit verschiedenen Schlaf-Muster (zum Beispiel, ist Hypersomnie verbreitet in vielen psychiatrischen Erkrankungen (Ford und Kamerow, 1989)). In der vorliegenden Arbeit haben wir gezeigt, dass die Assoziation von spezifischen funktionellen Konnektivität Muster mit jedem Schlafstadium zwischen ruhenden Wachheit, N1, N2 und N3 Schlaf zu unterscheiden, die Erleichterung fMRI basierte Wachsamkeitskontrolle im Ruhezustand Experimente.

While more demanding, our implementation of sleep staging using multiclass SVM provides benefits over a binary wakefulness– NREM sleep (N1, N2 and N3) classifier. First, it offers the specificity required to make sleep itself the subject of study, allowing researchers to study phenomena specific to different sleep stages. Second, if the method is implemented to decide whether resting state fMRI data has to be rejected due to sleep confounds, sleep staging allows a more informed decision. For instance, examination of the confusion matrices presented in Fig. 3B suggests that misclassifications between N1 sleep and wakefulness are more likely to occur than misclassifications of wakefulness as deeper sleep stages.

Während mehr anspruchsvoll, bietet unsere Implementierung des Schlafes Inszenierung mit Multiclass SVM Vorteile gegenüber einer binären Wacherhaltung NREM Schlaf (N1, N2 und N3) Klassifikator. Erstens bietet es die Spezifität erforderlich, um Schlaf selbst das Thema der Studie, so dass die Forscher Phänomene individuell für die verschiedenen Schlafstadien zu studieren. Zweitens, wenn das Verfahren implementiert, um zu entscheiden, ob Ruhezustand fMRI Daten abgelehnt wegen confounds eingeschläfert werden muss, erlaubt Schlaf Inszenierung eine fundierte Entscheidung. Zum Beispiel, Prüfung der Verwechslungsgefahr Matrizen in Abb. 3B zeigt, dass Fehlklassifikationen zwischen N1 Schlaf und Wachsein häufiger auftreten als Fehlklassifikationen von Wachheit als tiefere Schlafphasen sind.

resting state

Ruhezustand

resting state

Ruhezustand

resting-state

Ruhe-Zustand

a canonical HRF is somewhat less justifiable in resting state data since sparse stimulation,

eine kanonische HRF ist etwas weniger gerechtfertigt in Ruhe Zustandsdaten seit spärlich Stimulation,