Resting state functional MRI is a relatively new and powerful method for evaluating regional interactions that arise when a subject is not performing an explicit task. Low frequency (<0.1 Hz) BOLD fluctuations often show strong correlations at rest even in distant gray matter regions. Fluctuations in spontaneous neural activity are assumed to underline the BOLD fluctuations, though the exact mechanisms giving rise to the neural fluctuations remain unclear.

The spatial patterns of R-fMRI correlations are stable, in that they are similar across multiple ‘resting’ states, such as eyes-open, eyes-closed, and fixation and across individuals and sessions. Several methods have been proposed to acquire and analyze resting state fMRI data. A major goal of laboratory is to find optimal combinations of methods to brain regions and understand relationships between them.

This entails optimization of many aspect of data acquisition (scan duration, spatial resolution, spatial smoothing during pre-processing) and data analysis (seed-based approaches and independent component analysis approaches).

1. Seed based Analysis

Seed-based analysis is the most commonly used method for observing the network and connectivity of the brain. In fMRI studies, signal of particular voxel or cluster, known as a seed or ROI, is used to compute correlations with other voxels. This provides a much more accurate and detailed observation of the specific connection of the brain area of interest. Applications of seed-based analysis to characterize dormant networks include partial correlation, coherence and partial coherence, phase relationships, clustering, and graph theory.

                                                                              
                                      




    

2. Independent Component Analysis (ICA)

Independent component analysis attempts to decompose multivariate signals into independent signals. For example, a sound is usually a numeric signal whenever there are signals from multiple sources. Then the question is whether you can separate these contributing sources from the overall observed signal. If the statistical independence assumption is true, blind ICA separation of the mixed signal gives very good results. The important thing to consider is that if you have the source, you need at least observation to recover the original signal in fMRI analysis.

   

 

                                               
    

3. Power Spectral Density (PSD)

Power spectrum of the time series represents power distribution of the frequency components that make up the signal. According to Fourier analysis, physical signals can be decomposed into frequencies on several discrete frequencies or continuous frequency ranges. The statistical mean of a particular signal including noise analyzed as a frequency component called a spectrum. Any Signals that can be represented by time varying amplitudes have corresponding frequency spectra. This includes familiar elements such as visible light, music sound, radio, TV and even regular rotation of the Earth. When looking at these signals in the form of a frequency spectrum, certain aspects of the received signals or the underlying processes producing them are revealed.

                                          

 

Resting state functional MRI는 피험자가 특정 Task를 수행하지 않을 때 일어나는 뇌의 영역별 상호작용을 평가하는 데 사용되는 비교적 새롭고 강력한 분석 방법입니다.

낮은 주파수 영역대의 BOLD 신호가 Gray matter의 일부 영역들 간에 높은 상관성을 가지고 진동하며, 신경학적 신호와 이러한 낮은 주파수 영역대의 신호가 정확히 어떤 메커니즘으로 발생하는지에 대해서는 여전히 명확하지는 않습니다.

1. Seed based Analysis

seed-based 분석은 뇌의 네트워크와 연결성을 관찰하는 데 가장 일반적으로 사용되는 방법입니다. fMRI 연구에서 우리가 원하는 특정 복셀(voxel) 또는 클러스터(cluster)의 신호와 다른 복셀과의 상관 관계를 계산하기 위하여 사용되며, 특히 뇌의 특정 영역에 대하여 다른 위치 또는 네트워크간 미치는 영향을 분석하는데 유리합니다. seed-based 분석의 응용으로는 부분 상관 관계(partial correlation), 일관성(coherence), 위상 관계(phase relationships), 클러스터링(clustering) 및 그래프 이론(graph theory)이 있습니다.

                                      
      

2. Independent Component Analysis (ICA)

독립성분분석(Independent component analysis)은 다변량 신호를 독립 신호로 분해하는 방법입니다. 예를 들면 우리가 듣는 노래는 여러 음원이 섞여 만들어진 혼합원입니다. 독립성분분석은 그 혼합원으로부터 각각의 음원을 분리하는데 만약 통계적 독립이 가정된다면 혼합 신호의 각각의 독립성분 추출은 매우 높은 신뢰도의 결과를 얻을 수 있습니다. 그러나 고려해야 할 중요한 것은 독립성분분석이 유의하게 작용하기 위하여 통계적으로 최소한의 원 신호의 샘플의 개수가 요구됩니다.

 

  

                                                     

      

3. Power Spectral Density (PSD)

시간에 따른 전력분포(power spectrum)은 주파수에 따른 신호의 구성성분의 분포로 나타낼 수 있습니다. 퓨리에 분석을 통하여 물리적인 신호는 여러개의 개별 주파수 또는 연속 주파수로 나뉘어 질수 있으며 잡음을 포함한 주파수 성분의 통계적 평균을 전력 분포라고 할 수 있습니다. 시간에 따라 세기의 변량을 가지는 모든 신호는 분포를 가질 수 있는데, 우리가 익숙한 가시광선, 노래 소리, 라디오, TV, 심지어 지구의 공전까지도 분포도를 가질 수 있습니다. 주파수 단위로 이러한 신호들을 볼 때 이전에는 인지하지 못했던 신호들의 특정 측면들을 발견 할 수 있는 분석법입니다.