一种研究与维度变化卡片分类任务表现相关的认知控制网络功能连接年龄差异的方法

本实验的总体目标是确定与任务切换相关的脑网络，并检验这些网络功能连接中与年龄相关的变化。首先，通过采集儿童和成人在完成维度变化卡片分类任务时的脑功能成像数据，实现这一目标。在对数据进行预处理后，将功能像数据分解为一组统计上相互独立的源信号或成分。

通过模板匹配和线性建模分别选择与执行功能和任务表现相关的成分。最后一步是确定成人与儿童在所选成分内的功能连接是否存在差异。最终，基于独立成分分析（ICA）的fMRI分析可用于识别与任务切换相关的网络，并检验这些网络功能组织的年龄相关差异。

与现有的静息态功能连接分析等技术相比，该技术的主要优势在于能够准确表征皮层网络的功能。该方法有助于回答发展性认知神经科学领域中的关键问题，例如，参与高级认知操作（如任务切换）的大尺度皮层网络在发育过程中是否会发生功能重组。首先，采用适合幼儿的流程采集功能性磁共振成像（fMRI）数据，通过在模拟扫描仪设施中对受试者进行预先训练，以减少不必要的混杂因素；准备就绪后，实施重复试验版本的维度变化卡片分类任务。

每次运行包括两个八次试验的转换区组和两个八次试验的重复区组，其中转换区组由四次转换试验和四次重复试验组成，重复区组则包含八次重复试验。在数据采集完成后，首先按照标准的fMRI预处理流程对fMRI数据进行预处理。下载并安装GIFT（Group ICA软件工具箱），该工具箱可与SPM（知名的fMRI分析软件包）协同使用。下载完成后，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（group ICA）对RAM内存有较高要求。

为避免内存问题，最好在服务器上运行独立成分分析（ICA）。如果在本地计算机上运行分析，可使用 gif 中的一个脚本估算内存需求，以对分析进行参数化，并修改存储在 gif 的 ICATB 批处理文件目录下的名为“Input data subjects one M”的现有批处理脚本。此操作也可通过使用 gif 的图形用户界面完成。

然而，通过稍加练习，修改现有的脚本来建立分析会容易得多。接下来，指定数据模态。对于FMRI，将分析类型指定为ICA，以使用I Casso流程运行ICA。

在分析类型中选择“二”，然后在设置文件的后续行中对 I Casso 过程进行参数化。通过在组 PCA 性能设置中选择“一”以启用从标准 SPM 设计矩阵进行排序，指定不同受试者是否有不同的矩阵。接下来，指定预处理后的功能数据的存储位置，以及包含设计矩阵的 SPM .mat 文件是否与预处理后的功能数据一起存储。

如果每位受试者的运行次数相同，请为方法一选择其中一次。在数据选择方法选项下，填写参数源引导文件模式、标志和位置，包括数据存储的文件路径、数据的文件格式，以及说明个体扫描会话以子目录形式存储在每个受试者文件夹内的声明，并指明分析结果应输出到的目录。该输出目录不应与数据存储的目录相同。

下一步是提供一个前缀，该前缀将被添加到所有输出文件中。接着，提供一个指向掩膜文件的路径。该掩膜至少应去除颅骨、颅外空间，尤其是眼球部分，如下图所示。

请注意，此示例中仍残留有眼球的痕迹。这将导致独立成分分析（ICA）分解结果不理想，因此在进行此类群体主成分分析（PCA）时应避免。请选择特定受试者以获得最佳的时间进程数据。

选择GICA作为反向重建方法。在选择数据和预处理类型时，使用强度归一化以避免输出中出现非数值。在本示例中，选择默认值1。

选择标准的 PCA 类型，并在 PCA 选项下接受默认值。接下来，指定在 ICA 之前对数据执行多少次 PCA。此外，指定每次 PCA 后保留多少个成分，使用 Z 分数标准化对数据进行评分，并为本研究选择一种用于 ICA 的盲源分离算法。

独立成分分析（ICA）完成后，使用Infomax方法。选择具有潜在理论意义的成分以供进一步分析。可选择空间排序，通过与现有模板的空间相关性对成分进行排序，而时间排序则按时间特性进行排序。

通过 SPM 设计矩阵中的线性预测器得到各成分的时间过程。分析完成后，检验所选成分的儿童版本与成人版本是否存在差异。此处展示了将 ICAS O 方法应用于包含 60 个成分的独立成分分析（ICA）的结果。

每个编号的点代表一个组分。黑色点表示使用不同随机种子对同一数据进行独立成分分析（ICA）分解的结果。理想情况下，此处以不同黑色斑点表示的多次分解结果应紧密聚集在编号点周围。

这表明分解具有良好的可靠性。执行控制模板和所选的右侧额顶叶成分叠加在高分辨率解剖扫描的相同切片上，显示出高度相似性。与儿童相比，成年人在内侧前额叶皮层、腹侧段区域以及背侧前额叶和下顶叶皮层的功能连接更强。

嗯，正在尝试此操作步骤。重要的是要记住在分析的每个阶段都检查输出结果。微小的错误会向前传播，导致结果无法解释。

采用此方案后，还可进行其他方法，例如功能网络连接性分析，以回答进一步的问题，如不同任务需求或参与者年龄是否会影响各组件之间的功能相互作用。