本视频介绍了一种通过特定任务或过程所激活的认知控制网络，来研究其功能连接随年龄变化的方法。该技术基于对功能性磁共振成像（fMRI）数据的多变量分析。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文内容
摘要
摘要
适应环境突发变化的能力在儿童期和青春期逐步发展。例如，在维度变化卡片分类任务中，参与者需要从按一种方式（如形状）对卡片进行分类，转换为按另一种方式（如颜色）进行分类。这种行为调整会带来轻微的表现代价，即转换代价，表现为在分类规则发生改变的转换试次中，反应通常比规则保持不变的重复试次更慢且更容易出错。行为灵活性等高级认知功能的发展通常被认为是一个渐进过程，部分原因在于转换代价等行为指标通常随年龄增长而逐渐减小。然而，为何诸如行为灵活性等高阶认知能力的发展如此缓慢，目前仍是一个未解的问题。一种假说是，这些变化与大尺度认知控制网络的功能性改变相关。根据这一观点，切换等复杂的心理操作涉及多个分布脑区之间的快速交互，包括更新和维持任务规则、重新定向注意力以及选择行为的脑区。随着发育，这些脑区之间的功能连接逐渐增强，从而实现更快、更高效的任务切换操作。本视频介绍了一种通过采集不同年龄参与者的功能磁共振成像（fMRI）数据并进行多变量分析来检验该假说的方法。
引言
调节行为的能力在儿童期和青春期逐渐发展（综述见 Diamond1）。例如，在维度变化卡片分类任务中，参与者需要从一种分类方式（如按形状）转换到另一种分类方式（如按颜色）2（见图2）。这种转换会带来轻微的表现代价，即转换代价，表现为在分类规则发生变化的转换试次中，反应通常比规则保持不变的重复试次更慢且更容易出错3。这些代价的幅度通常随着儿童年龄的增长而减小4，说明行为调节能力在生命早期持续发展。
由于复杂的心理操作（例如切换任务）涉及多个脑区之间的快速相互作用5，人们日益关注将高阶认知功能的发展与大规模皮层网络功能组织的变化联系起来6。
研究大尺度网络发育变化的一种方法是采用基于种子点的功能连接分析6,7该技术的第一步是查阅现有的研究文献并加以界定 先验的 感兴趣区域（ROIs），即可能与特定行为相关的脑区。这些 ROIs 或节点构成了网络的基本骨架。接下来，测量这些 ROIs 中活动的低频波动（或 T2* 加权信号强度）持续 5 分钟 至 10 分钟 当参与者在磁共振成像（MRI）扫描仪中处于静息状态时，网络中任意两个节点之间的功能连接性通过其各自时间序列信号的相关性进行量化。功能连接较强的节点应具有相似的时间序列信号，因而相关性较高；而功能连接较弱的节点则应具有不相似的时间序列信号，因而相关性较低。为了构建完整的网络模型，可在时间序列信号相关性超过选定阈值的节点之间绘制边（或连接）。针对网络内功能连接性的年龄相关差异，可对任意单个节点间的连接，或整个节点与边集合的拓扑结构进行检验。这些功能连接性的差异随后可与离线采集的认知行为表现测量指标进行关联分析。
本文介绍了一种基于任务态功能磁共振成像（fMRI）数据的组独立成分分析（group independent component analysis）的不同方法8。独立成分分析（Independent component analysis，简称 ICA）是一种统计方法，用于在无先验信息的情况下揭示观测数据背后隐藏的源信号，使得所提取的源信号之间具有最大程度的独立性。应用于 fMRI 数据分析时，该方法假设每个数据体素时间序列是若干空间上独立的源信号的混合。通过使用多种不同算法（例如 infomax 算法）之一，ICA 可估计出一个解混矩阵，将其应用于原始数据后，即可得到一组最大程度独立的源信号，即成分。每个成分可被视为一个功能网络，因为它由一组具有共同时间进程的体素构成。组 ICA 是 ICA 的一种特殊形式，首先从整个数据集中估计出一组共有的组成分，然后通过反向重构步骤计算每个被试个体对应的组成分集合。当整个数据集被分解为一组成分后，下一步是剔除代表噪声源的伪影成分，并识别出具有理论意义、对应于目标网络的成分。这一过程可通过在广义线性模型（GLM）框架下对成分的时间进程进行建模，以识别出符合预期激活模式的网络，或通过将成分与目标网络的模板进行空间相关分析，或结合两种方法来实现。最终获得的成分集合可进一步用于组间比较，以检验在理论上感兴趣的网络中是否存在与年龄相关的功能连接差异7,9,10。
通过将组独立成分分析（group ICA）应用于任务态fMRI数据来研究与年龄相关的功能连接变化，相较于将基于种子点的方法应用于静息态fMRI数据具有多项优势。首先，不同于仅关注少量预设脑区的基于种子点的方法， 先验的 定义的感兴趣区域（ROI），当前的组独立成分分析（ICA）方法利用构成体积时间序列的全部体素。这减少了因选择少量种子区域而必然产生的偏差风险。 先验的 作为感兴趣区域。其次，将功能连接分析（基于独立成分分析或其他方法）应用于任务态而非静息态fMRI数据，其优势在于能够更直接地将网络组织与网络功能关联起来。例如，如果研究重点在于探讨功能连接的认知或行为意义（如DCCS任务表现的差异），则重要的是要证明所关注的网络与任务表现相关。而在静息态研究中，这一点极难实现，因为研究者无法获取被试在数据采集期间经历的任何认知、行为或情绪状态的记录，因此无法提供直接证据表明任何特定网络与任务表现相关。相比之下，当将功能连接分析（如ICA）应用于任务态数据时，有可能证实所关注的网络至少与任务执行相关。最后，ICA对噪声的不利影响具有更强的抗干扰能力。噪声来源（如受试者运动和心率相关的信号）具有独特的时空特征，因此在群体ICA分析中，这些噪声源会被分离并分配到独立的成分中，从而使其余成分相对不受这些干扰性变异源的影响。由于基于种子点的分析在估计功能连接时使用的是原始时间序列，而时间序列本质上是神经生理信号与人为噪声的混合物，因此功能连接估计中的组间差异可能反映了真实存在的神经生理基础差异、噪声结构的组间差异，或两者兼而有之。11.
访问受限。请登录或开始试用以查看此内容。
方案
1. 获得人类受试者研究的伦理审批
2. fMRI 数据采集
- 采集适合幼儿的fMRI数据（参见Raschle， 等12尽可能减少任务表现和运动方面可能存在的年龄相关差异，因为这些差异会引入不必要的混杂因素，限制研究者对脑激活和功能连接发育相关差异的推断能力。
注意：在本实验方案中，DCCS 的重复试验版本以区组设计的形式实施13每次运行包括两个8次试验的转换区组和两个8次试验的重复区组，其中转换区组包含4次转换试验和4次重复试验，重复区组包含8次重复试验。该方案非常适合用于事件相关fMRI数据。然而，当初次接触独立成分分析（ICA）时，区组设计更便于操作，因为可以在成分的时间过程中清晰观察到任务引起的调制效应。 - 按照标准的fMRI预处理流程对fMRI数据进行预处理。
- 将所有功能图像重新对齐至相同的方向和位置。通常以第一个功能像作为参考图像，其余图像均以此为基准进行对齐。
- 将T1加权（解剖）图像与T2*加权（功能）扫描图像进行共配准，以使激活信号准确叠加于相应的解剖位置。
- 使用模板脑来将所有图像归一化至标准的大小、空间和位置例如 Talairach空间）。这有助于确保对不同受试者的同源脑区进行比较。
注意：在本方案中，图像被配准至Talairach空间，但也可使用其他模板（例如，MNI {Montreal Neurological Institute} 空间）。 - 使用6至10的平滑核对数据集中的所有功能像进行平滑处理 mm平滑核。
- 将预处理后的数据集分离并存入独立的目录中。使用 "功能扫描" 作为顶级目录。在 "功能扫描" 为每位参与者建立独立的目录，并在每位参与者的目录下，为每次运行建立独立的子目录。数据现已准备就绪，可用于独立成分分析（ICA）。
3. 分组 独立成分分析（ICA）
- 下载并安装组独立成分分析（group ICA）软件。目前有多种工具箱可用于对包括功能性磁共振成像（fMRI）在内的不同类型神经生理数据进行独立成分分析（ICA）。尽管任何能够执行组ICA的工具箱都可能适用，但本实验方案所使用的工具箱名为GIFT。GIFT由新墨西哥大学的Vince Calhoun及其同事开发，是一套与SPM协同工作的MATLAB脚本程序。SPM是一种知名的fMRI分析软件包。GIFT和SPM均可免费从互联网下载（GIFT：mialab.mrn.org/software/gift/index.html#；SPM：www.fil.ion.ucl.ac.uk/spm/）。 下载后，将 GIFT 工具箱及其所有子目录添加到 MATLAB 搜索路径中，并保存路径文件。
- 使用 GIFT 对 fMRI 数据进行组独立成分分析（ICA）对计算机 RAM 内存有较高需求。具体的内存需求取决于被试人数、每位被试采集的数据量以及数据的空间分辨率。为避免内存不足问题，最好在服务器上运行 ICA 分析。若在本地计算机上运行该分析，可通过脚本估算所需的 RAM 容量 "icatb_mem_ica.m" 这是GIFT的一部分。
- 设置或参数化分析。通过修改一个名为 "Input_data_subjects_1.m" 保存在 GIFT 中的 "icatb_batch_files".
注意：也可以通过使用 GIFT 的图形用户界面完成此操作。然而，稍加练习后，通过修改此现有脚本设置分析会更加简便。- 将数据模态指定为 fMRI
- 将分析类型指定为采用 ICASSO 的 ICA。这将确保使用 ICASSO 程序运行 ICA。ICASSO 通过多次运行 ICA（每次使用不同的随机种子）来评估分解结果的可靠性，然后通过聚类方法检验各次结果之间的相似性。建议使用 ICASSO 作为检查 ICA 分解质量的手段，但这将显著延长 GIFT 完成分析所需的时间。
- 要使用 ICASSO 程序运行 ICA，请在下方选择“2” "分析类型" 然后在配置文件的后续行中对 ICASSO 程序进行参数设置。
- 通过在组PCA性能设置中选择“1”来最大化组PCA的性能。如果出现内存不足的问题，可将此参数设置为“2”。
- 为了能够使用标准SPM设计矩阵中的预测因子对得到的成分进行后续排序，请指定不同受试者是否存在不同的矩阵。
- 指定预处理后的功能数据的存储位置，并说明是否将包含设计矩阵的 SPM.mat 文件与预处理后的功能数据一同存储。
- 让GIFT读取数据最直接的方法是每位受试者具有相同数量的运行次数，并且数据目录结构符合fMRI数据采集部分2.3步骤中的描述。若满足此条件，则在DataSelectionMethod中选择“1”以使用方法1，并完成相应参数设置 "源目录_文件模式_标志位置" 通过包含数据存储的文件路径、数据的文件格式，以及说明每个被试文件夹内的个体记录会话以子文件夹形式存储的声明。
- 指明分析结果输出应保存的目录。请勿将结果写入数据存储的同一目录中。
- 提供一个前缀，该前缀将被添加到所有输出文件中。
- 提供一个掩膜文件的路径。所有提交至独立成分分析（ICA）的图像数据均需进行掩膜处理。GIFT 提供了一个默认掩膜。在本研究中，使用实验室自编脚本，基于将提交至 ICA 的数据生成掩膜。该掩膜至少应去除颅骨、颅外空间，尤其是眼球部分。眼球体素的信号在扫描过程中会出现显著波动，因此会对最终成分的结构产生较大影响。 图3 展示了良好口罩应具备的特征。
- 指定要使用的分组主成分分析（PCA）类型。使用“个体特异性”。
- 指定反向重建方法。在此阶段，将根据组分析的结果计算每个被试的独立成分（IC）及其相关的时间过程。推荐使用组独立成分分析（GICA）以获得最佳的时间过程，尽管文献中对此尚存较多讨论。
- 指定数据预处理类型。使用强度归一化以避免非数值型数据（即 输出中的无穷值和 NaN 值。在本示例中，我们选择了默认值“1”。
- 指定PCA类型（我们使用标准型），并在PCA选项中接受默认值。GIFT会对每位参与者的每次运行进行PCA，保留的成分数目等于ICA中待分离的源数目。PCA具有两个重要作用：第一，有助于消除每位参与者及每次运行中特有的噪声源；第二，使分析的计算需求更加可行。
- 指定在ICA之前对数据执行的PCA次数（建议执行2次）。同时，指定每次PCA后保留的主成分数量（若执行2次PCA，建议第一次PCA后保留的主成分数为第二次保留数的两倍）。
- 指定数据的缩放方式。本研究中采用 z 分数标准化进行缩放。
- 为独立成分分析（ICA）选择一种盲源分离算法。本研究中采用了Infomax算法。GIFT提供了至少10种不同算法可供选择。
- 其余参数可保持不变。
- ICA 完成后，从可用的组分中选择具有潜在理论意义的组分。通过 GIFT 图形用户界面，选择组分筛选：空间排序通过与预先存在的模板进行空间相关性分析对空间组分进行排序；时间排序则利用可随数据存储的 SPM 设计矩阵中的线性预测因子，对组分的时间过程进行排序（参见 3.3.5）。
注意：两种组分选择方法均有其应用价值。然而，在处理任务态数据时，时间选择标准尤为有用，因为它可提供一种验证所选组分是否由任务激活的方法。以DCCS为例，利用时间排序可确认所选组分在切换任务时段中的活动性强于重复任务时段。 - 检验所选成分的儿童版本与成人版本是否存在差异。将感兴趣的儿童和成人成分分别归为两个独立组别，并通过双样本 t 检验对成分存在差异的区域进行统计分析。此过程可通过 GIFT 图形用户界面（GUI）相对简便地实现。
访问受限。请登录或开始试用以查看此内容。
结果
即使在相对较小的fMRI数据集上，组独立成分分析（Group ICA）也能得到与其他研究中观察到的相似的一组成分。图4展示了从12名儿童和13名成人样本中分离出的5个此类成分及其对应的时间过程，每位参与者约有800个体积数据。如图4所示，该分解结果中可清晰识别出默认模式网络、额顶网络、扣带-岛叶网络以及视觉网络。此外，注意在视觉网络和默认模式网络成分的时间过程中，块设计结构非常易于识别。
一次成功的独立成分分析（ICA）分解应当具有可靠性。可通过检查 ICASSO 程序的输出结果来评估分解的可靠性。图5展示了在 GIFT 中进行的一次可靠分解的 ICASSO 输出结果的一部分。
在使用空间相关性作为成分选择依据时，应报告相关系数，并将模板与所选成分一同呈现，以便进行视觉比较。在最近的一项研究中，通过空间和时间排序方法共同识别出一个额顶网络成分，该成分不仅在空间上与执行控制网络模板具有相关性，而且在DCCS任务中对切换区块的活动...
访问受限。请登录或开始试用以查看此内容。
讨论
诸如切换分类规则能力等高级认知功能，在儿童期和青春期迅速发展。由于这些认知功能涉及多个分散脑区之间的相互作用，人们日益关注高级认知发展与大脑皮层大尺度网络组织随年龄变化之间的关系。本文介绍一种基于群体独立成分分析的方法，将其应用于基于任务的fMRI数据，以直接检验这种关系。
与任何组间比较研究一样，该方法的成功依赖于来自成人和儿童的高质量fMRI数据。两组之间在运动相关伪影方面的差异可能严重影响ICA分解的质量，并导致所得成分出现虚假差异。组间在任务表现上的差异也可能带来潜在问题，因为这会削弱对所有组进行时间排序的有效性。例如，如果一组在实验试次和控制试次之间表现出显著的绩效差异，而另一组则没有，则很难识别出可以被认为在两组中以相同方式与任务相关的成分。因此，务必花时间正确采集数据。遵循Raschle et al., 2009年详细描述的儿科神经影像学操作规程，并投入时间开发认知行为方法，以减少组间在任务表现或策略使用上的差异。
问题排查/注意事项
组独立成分...
访问受限。请登录或开始试用以查看此内容。
致谢
这项研究得益于加拿大自然科学与工程研究理事会（NSERC）向 J. Bruce Morton 提供的资助，得以顺利开展。
访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| SPM8 | MathWorks 公司 | R2013a |
参考文献
- Diamond, A. Normal Development of Prefrontal Cortex from Birth to Young Adulthood: Cognitive Functions Anatomy, and Biochemistry. Principles of Frontal Lobe Function. , 1-38 (2002).
- Zelazo, P. D. The Dimensional Change Card Sort (DCCS): a method of assessing executive function in children. Nat Protoc. 1, 297-301 (2006).
- Monsell, S. Task switching. Trends Cogn Sci (Regul Ed. 7, 134-140 (2003).
- Crone, E. A., Bunge, S. A., van der Molen, M. W., Ridderinkhof, K. R. Switching between tasks and responses: a developmental study. Developmental Science. 9, 278-287 (2006).
- Cole, M. W., Schneider, W. The cognitive control network: Integrated cortical regions with dissociable functions. Neuroimage. 37, 343-360 (2007).
- Fair, D. A., et al. Development of distinct control networks through segregation and integration. Proc Natl Acad Sci USA. 104, 13507-13512 (2007).
- Uddin, L. Q., Supekar, K., Menon, V. Typical and atypical development of functional human brain networks: insights from resting-state FMRI. Frontiers in systems neuroscience. 4, (2010).
- Calhoun, V. D., Adali, T., Pearlson, G. D., Pekar, J. J. A method for making group inferences from functional MRI data using independent component analysis. Human brain mapping. 14, 140-151 (2001).
- Fransson, P., et al. Resting-state networks in the infant brain. Proceedings of the National Academy of Sciences of the United States of America. 104, 15531-15536 (2007).
- Supekar, K., Menon, V. Developmental maturation of dynamic causal control signals in higher-order cognition: a neurocognitive network model. PLoS computational biology. 8, (2012).
- Power, J. D., Barnes, K. A., Snyder, A. Z., Schlaggar, B. L., Petersen, S. E. Spurious but systematic correlations in functional connectivity MRI networks arise from subject motion. Neuroimage. 59, 2142-2154 (2012).
- Raschle, N. M., et al. Making MR Imaging Child's Play - Pediatric Neuroimaging Protocol, Guidelines and Procedure. (29), (2009).
- Morton, J. B., Bosma, R., Ansari, D. Age-related changes in brain activation associated with dimensional shifts of attention: an fMRI study. Neuroimage. 46, 249-256 (2009).
- Ezekiel, F., Bosma, R., Morton, J. B. Dimensional Change Card Sort performance associated with age-related differences in functional connectivity of lateral prefrontal cortex. Developmental Cognitive Neuroscience. , (2013).
- Calhoun, V. D., Kiehl, K. A., Pearlson, G. D. Modulation of temporally coherent brain networks estimated using ICA at rest and during cognitive tasks. Human brain mapping. 29, 828-838 (2008).
- Allen, E. A., et al. A baseline for the multivariate comparison of resting-state networks. Front Syst Neurosci. 5, (2011).
- Calhoun, V. D., Liu, J., Adali, T. A review of group ICA for fMRI data and ICA for joint inference of imaging, genetic, and ERP data. Neuroimage. 45, (2009).
- Allen, E. A., et al. Tracking whole-brain connectivity dynamics in the resting state. Cerebral Cortex. , (2012).
访问受限。请登录或开始试用以查看此内容。
重印与许可
