منهج في التحقيق المتعلقة العمر الاختلافات في الربط الوظيفي للتحكم الشبكات المعرفية المرتبطة بتغير الأبعاد بطاقة الأداء ترتيب

الهدف العام من هذا الإجراء هو تحديد شبكات الدماغ المرتبطة بتبديل المهام واختبار الاختلافات المرتبطة بالعمر في الاتصال الوظيفي لهذه الشبكات. يتم تحقيق ذلك عن طريق جمع بيانات FMRI أولا من الأطفال والبالغين أثناء إكمال مهمة فرز بطاقة تغيير الأبعاد. بعد المعالجة المسبقة للبيانات ، تتحلل وحدات التخزين الوظيفية إلى مجموعة من المصادر أو المكونات المستقلة إحصائيا.

يتم اختيار المكونات ذات الصلة بالأداء التنفيذي وأداء المهام عن طريق مطابقة القوالب والنمذجة الخطية على التوالي. تتمثل الخطوة الأخيرة في تحديد ما إذا كان الاتصال الوظيفي داخل المكونات المحددة يختلف باختلاف البالغين والأطفال. في النهاية ، يمكن استخدام تحليلات FMRI المستندة إلى ICA لتحديد الشبكات المرتبطة بتبديل المهام واختبار الاختلافات المرتبطة بالعمر في التنظيم الوظيفي لهذه الشبكات.

الميزة الرئيسية لهذه التقنية على التقنيات الحالية مثل تحليل الاتصال الوظيفي لحالة الراحة هي أنها توفر وسيلة لتوصيف وظيفة الشبكات القشرية بدقة. يمكن أن تساعد هذه الطريقة في الإجابة على الأسئلة الرئيسية في مجال علم الأعصاب المعرفي التنموي ، مثل ما إذا كانت الشبكات القشرية واسعة النطاق المشاركة في العمليات المعرفية عالية المستوى مثل تبديل المهام ، تخضع لإعادة التنظيم الوظيفي على التطوير. للبدء في الحصول على بيانات FMRI باتباع الإجراءات المناسبة للأطفال الصغار للحد من الارتباك غير المرغوب فيه عن طريق تدريب المشاركين مسبقا في منشأة ماسح ضوئي وهمي عندما تكون جاهزا ، قم بتنفيذ نسخة تجريبية متكررة من مهمة فرز بطاقة تغيير الأبعاد.

يتضمن كل تشغيل فدرتين ثماني فدرات تبديل تجريبية وثماني فدرات تكرار تجريبية حيث تتكون فدرات التبديل من أربع تجارب تبديل وأربع تجارب متكررة وتتكون كتل التكرار من ثماني تجارب متكررة بعد جمع البيانات المعالجة المسبقة لبيانات FMRI بعد إجراءات المعالجة المسبقة القياسية FMRI أولا تنزيل وتثبيت gif ، وهي مجموعة من أدوات برنامج ICA تعمل جنبا إلى جنب مع SPMA ، حزمة تحليل FMRI معروفة. بمجرد التنزيل ، أضف صندوق أدوات الهدايا وجميع الدلائل الفرعية إلى مسار بحث MATLAB واحفظ حوسبة ملف المسار. تقدم مجموعة ICA على بيانات FMRI باستخدام gif مطالب كبيرة على ذاكرة الوصول العشوائي.

لتجنب مشكلات الذاكرة ، من الأفضل تشغيل تحليل ICA على الخادم. في حالة تشغيل التحليل على جهاز كمبيوتر محلي ، يمكن تقدير متطلبات ذاكرة الوصول العشوائي باستخدام برنامج نصي يمثل جزءا من gif لمعلمة التحليل ، وتعديل برنامج نصي دفعي موجود مسبقا يسمى موضوعات بيانات الإدخال M واحد يتم تخزينه في gif ضمن ملفات دفعة ICAT B. يمكن القيام بذلك أيضا باستخدام واجهة مستخدم رسومية GIFS.

ومع ذلك ، فمن الأسهل بكثير مع القليل من الممارسة إعداد التحليل عن طريق تعديل هذا البرنامج النصي الموجود مسبقا. بعد ذلك ، حدد طريقة البيانات. كما حدد FMRI نوع التحليل ك ICA لتشغيل ICA مع إجراء I Casso.

حدد نوعين ضمن نوع التحليل ثم قم بتحديد معلمة إجراء I Casso في الأسطر التالية لملف الإعداد. قم بزيادة أداء PCA للمجموعة إلى أقصى حد عن طريق اختيار واحد ضمن إعدادات أداء PCA للمجموعة لتمكين الفرز من مصفوفة تصميم SPM قياسية تحديد ما إذا كانت هناك مصفوفات مختلفة لمواضيع مختلفة أم لا. بعد ذلك، حدد مكان تخزين البيانات الوظيفية المعالجة مسبقا وما إذا كان يتم تخزين ملف حصيرة SPM النقطي الذي يحتوي على مصفوفة التصميم مع البيانات الوظيفية المعالجة مسبقا أم لا.

إذا كان لكل مشارك نفس عدد عمليات التشغيل ، فحدد واحدا للطريقة الأولى. ضمن خيار طريقة اختيار البيانات ، أكمل توجيه مصدر المعلمة نمط الملف ، والعلامة ، والموقع من خلال تضمين مسار الملف حيث يتم تخزين البيانات ، وتنسيق ملف البيانات ، وبيان يشير إلى أن الجلسات الفردية مخزنة كأدلة فرعية داخل كل مجلد موضوع يشير إلى الدليل الذي يجب كتابة مخرجات التحليل. لا ينبغي أن يكون هذا هو نفس الدليل الذي يتم تخزين البيانات فيه.

الخطوة التالية هي توفير بادئة ستتم إضافتها إلى جميع ملفات الإخراج. بعد ذلك ، قم بتوفير مسار ملف إلى قناع. كحد أدنى ، يجب أن يزيل القناع المساحة الدماغية الإضافية للجمجمة وخاصة مقل العيون كما هو موضح هنا.

لاحظ في هذا المثال الأدلة المتبقية على مقل العيون. سيؤدي ذلك إلى تحلل ICA دون المستوى الأمثل ويجب تجنبه لنوع مجموعة PCA المراد استخدامها. اختر موضوعا محددا للحصول على أفضل دورة زمنية.

حدد GICA كطريقة إعادة بناء الظهر. عند تحديد بيانات ، نوع المعالجة المسبقة ، استخدم تطبيع الشدة لتجنب القيم غير الرقمية في المخرجات. في هذا المثال، يتم إختيار الإعداد الافتراضي لواحد.

اختر نوع PCA القياسي واقبل القيم الافتراضية ضمن خيارات PCA. بعد ذلك ، حدد عدد PCAs التي يجب تشغيلها على البيانات قبل ICA. بالإضافة إلى ذلك، حدد عدد المكونات التي يجب الاحتفاظ بها بعد استخدام كل PCA لقياس Z-score لتسجيل البيانات، واختر خوارزمية فصل المصدر الأعمى ل ICA لهذا العمل.

تم استخدام Infomax بمجرد اكتمال ICA. حدد المكونات ذات الاهتمام النظري المحتمل لمزيد من الدراسة. يمكن تحديد الفرز المكاني لفرز المكونات عن طريق الارتباط المكاني مع قالب موجود مسبقا أثناء فرز الفرز الزمني.

الدورات الزمنية للمكون عن طريق تنبؤات خطية من مصفوفة تصميم SPM. بمجرد اكتمال التحليل ، اختبر ما إذا كانت الإصدارات الفرعية والبالغة للمكونات المحددة مختلفة. تفعيلك. فيما يلي نتائج إجراء ICAS O المطبق على ICA مع 60 مكونات.

تمثل كل نقطة مرقمة مكونا واحدا. تمثل النقاط السوداء تحللات ICA المختلفة لنفس البيانات ببذور عشوائية مختلفة. من الناحية المثالية ، يجب أن تتجمع النتائج الناتجة عن التحللات المختلفة التي تظهر هنا حيث يجب أن تتجمع البقع السوداء المختلفة بإحكام حول النقاط المرقمة.

هذا يدل على موثوقية جيدة في التحلل. يتم تراكب قالب التحكم التنفيذي والمكون الجداري الأمامي الأيمن المحدد على شرائح متطابقة من مسح تشريحي عالي الدقة ويبدو قابلا للمقارنة تماما. كان الاتصال الوظيفي أقوى في قشرة الفص الجبهي الإنسي والمنطقة المقطعية البطنية والقشرة الجدارية الظهرية والجبهية السفلية للبالغين عند مقارنتها بالأطفال.

حسنا ، إنها تحاول هذا الإجراء. من المهم أن تتذكر التحقق من مخرجاتك في كل مرحلة من مراحل التحليل. سوف تنتشر الأخطاء الصغيرة إلى الأمام وتؤدي إلى نتائج غير قابلة للتفسير.

باتباع هذا الإجراء. يمكن إجراء طرق أخرى مثل تحليل اتصال الشبكة الوظيفية للإجابة على أسئلة إضافية مثل ما إذا كانت التفاعلات الوظيفية بين المكونات تتغير كدالة لمتطلبات المهمة أو عمر المشارك.