Abstract
Oscillatory neuronal activity may provide a mechanism for dynamic network coordination. Rhythmic neuronal interactions can be quantified using multiple metrics, each with their own advantages and disadvantages. This tutorial will review and summarize current analysis methods used in the field of invasive and non-invasive electrophysiology to study the dynamic connections between neuronal populations. First, we review metrics for functional connectivity, including coherence, phase synchronization, phase-slope index, and Granger causality, with the specific aim to provide an intuition for how these metrics work, as well as their quantitative definition. Next, we highlight a number of interpretational caveats and common pitfalls that can arise when performing functional connectivity analysis, including the common reference problem, the signal to noise ratio problem, the volume conduction problem, the common input problem, and the sample size bias problem. These pitfalls will be illustrated by presenting a set of MATLAB-scripts, which can be executed by the reader to simulate each of these potential problems. We discuss how these issues can be addressed using current methods
چکیده
فلعالیت های نوسانیِ نورونی ممکن است مکانیزمی را برای هماهنگ سازی شبکه پویا فراهم آورد. فعل و انفعالات منظم و هماهنگ نورونی، را می توان با استفاده از چندین معیار تعیین نمود که هر یک دارای مزایا و معایبی می باشد. این گفتار، روش های آنالیز کنونی مورد استفاده در زمینۀ الکتروفیزیولوژیِ تهاجمی و غیرتهاجمی را جهت بررسی ارتباط پویا میانِ جمعیت نورونی مرور و بطور مختصر آنها بررسی می کند. نخست، معیارهای مربوط به ارتباط کارکردی همچون همبستگی یا انسجام (coherence)، همگام سازی فاز، شاخص شیب فاز (phase slope)، و علیت گرانجر ( یک آزمون فرض آماری برای تشخیص علیت میان سری های زمانی )، را بررسی می کنیم و توجه خاصی به درک نحوه کار این معیارها و نیز تعریف کمّیِ آنها داریم. سپس، چند نکته تفسیری و اشکالات معمول را که هنگام انجامِ آنالیز ارتباط کارکردی ممکن است رخ دهد - از جمله مسئله رفرنس مشترک، مسئله نسبت سیگنال به نویز، مسئله رسانش یا انتقال حجم، مسئله ورودی مشترک، و مسئله اریبیِ سایز نمونه (bias problem) - بیان می کنیم. این اشکالات با ارائه مجموعه ای از الگوهای MATLAB نشان داده خواهد شد که جهت شبیه سازی هر یک از این مسائل بالقوه، توسط خواننده قابل اجرا می باشند. نحوه رفع این مسائل با استفاده از روش های کنونی را بحث و بررسی می کنیم.
1-مقدمه
کارهای مختلف شناختی یا ادراکی نیازمند جریان منظم و هماهنگی از اطلاعات در شبکه های نواحی مغز - که کارکردی اختصاصی دارند - می باشند. ثابت شده که نوسان های نورونی، مکانیزمی فراهم می کنند که متضمن هماهنگی پویا در مغز می باشد (Singer, 1999; Varela et al. , 2001; Fries, 2005, 2015; Siegel et al. , 2012). این نوسان ها شاید منعکس کننده تغییرات منظم و همگام تحریک پذیری در مجموعه نورون های محلی باشند (Buzsáki and Wang, 2012) و ممکن است جریان اطلاعات عصبی میان نودها را در شبکه - زمانی که نوسان ها میان این نودها همگام است - تسهیل نمایند (Womelsdorf et al. , 2007). اطلاعات عصبی ارسال شده از یک ناحیه به ناحیه دیگر، توسط پتانسیل عملکرد منعکس می شود که در آن پتانسیل های عمل خود ممکن است بطور موقتی بصورت دسته ای سازماندهی شده باشند. این دسته ها ممکن است درطول نوسان واقع یا ایجاد شده و ممکن است همچنین اعتبار در ارسال اطلاعات را بهبود بخشند (Lisman, 1997) یا در برقراری همگام سازیِ دوربرد کمک کنند (Wang, 2010). مغز می تواند بطور پویا، جریان اطلاعات را با تغییرِ شدت، الگو، یا فرکانس، هماهنگ نماید که برای انجام این کار نواحی مختلفی از مغز در همگامی یا همزمانیِ نوسانی درگیر خواهند بود...