Eine Methode zur Untersuchung altersbedingte Unterschiede in der Funktions Konnektivität der kognitiven Kontrolle Networks Verbunden mit Performance-Dimensional Change Card sortieren

Das übergeordnete Ziel dieses Verfahrens ist es, Gehirnnetzwerke zu identifizieren, die mit dem Aufgabenwechsel verbunden sind, und auf altersbedingte Unterschiede in der funktionellen Konnektivität dieser Netzwerke zu testen. Dies wird erreicht, indem zunächst FMRI-Daten von Kindern und Erwachsenen gesammelt werden, während die Sortieraufgabe der Dimensionswechselkarte abgeschlossen wird. Nach der Vorverarbeitung der Daten werden die funktionalen Volumina in eine Reihe statistisch unabhängiger Quellen oder Komponenten zerlegt.

Die Auswahl der Komponenten, die für die exekutive Funktion und die Aufgabenleistung relevant sind, erfolgt mittels Template-Matching bzw. linearer Modellierung. Der letzte Schritt besteht darin, festzustellen, ob sich die funktionale Konnektivität innerhalb der ausgewählten Komponenten für Erwachsene und Kinder unterscheidet. Letztendlich können ICA-basierte FMRI-Analysen verwendet werden, um Netzwerke zu identifizieren, die mit dem Aufgabenwechsel verbunden sind, und um altersbedingte Unterschiede in der funktionalen Organisation dieser Netzwerke zu testen.

Der Hauptvorteil dieser Technik gegenüber bestehenden Techniken, wie z.B. der Analyse der funktionellen Konnektivität im Ruhezustand, besteht darin, dass sie ein Mittel zur genauen Charakterisierung der Funktion kortikaler Netzwerke bietet. Diese Methode kann dazu beitragen, Schlüsselfragen im Bereich der kognitiven Neurowissenschaften zu beantworten, z. B. ob großräumige kortikale Netzwerke, die an kognitiven Operationen auf hoher Ebene wie dem Wechseln von Aufgaben beteiligt sind, im Laufe der Entwicklung eine funktionelle Reorganisation erfahren. Um mit der Erfassung von FMRI-Daten nach Verfahren zu beginnen, die für kleine Kinder geeignet sind, um unerwünschte Verwirrungen zu begrenzen, indem die Teilnehmer im Voraus in einer simulierten Scanner-Einrichtung geschult werden, implementieren Sie eine wiederholte Testversion der Sortieraufgabe für die Maßwechselkarte.

Jeder Lauf umfasst zwei Switch-Blöcke mit acht Versuchen und zwei Blöcke mit acht Testwiederholungen, wobei die Switch-Blöcke aus vier Switch-Versuchen und vier Wiederholungsversuchen bestehen und die Wiederholungsblöcke aus acht Wiederholungsversuchen bestehen, nachdem die Datenerfassung die FMRI-Daten gemäß den standardmäßigen FMRI-Vorverarbeitungsverfahren vorverarbeitet hat: Laden Sie zuerst gif herunter und installieren Sie es, eine ICA-Software-Toolbox für Gruppen, die mit SPMA zusammenarbeitet. bekanntes FMRI-Analysepaket. Fügen Sie nach dem Herunterladen die Geschenk-Toolbox und alle Unterverzeichnisse zum MATLAB-Suchpfad hinzu und speichern Sie den Pfad file computing. Eine Gruppen-ICA für FMRI-Daten mit GIF stellt erhebliche Anforderungen an den RAM-Speicher.

Um Speicherprobleme zu vermeiden, empfiehlt es sich, die ICA-Analyse auf einem Server auszuführen. Wenn Sie die Analyse auf einem lokalen Computer ausführen, können die RAM-Anforderungen mithilfe eines Skripts geschätzt werden, das Teil von gif ist. Um die Analyse zu parametrisieren, ändern Sie ein bereits vorhandenes Batch-Skript mit dem Namen Eingabedatensubjekte ein M, das in gif unter ICAT B-Batchdateien gespeichert ist. Dies kann auch über die grafische Benutzeroberfläche von gifs erfolgen.

Mit ein wenig Übung ist es jedoch viel einfacher, die Analyse einzurichten, indem Sie dieses bereits vorhandene Skript ändern. Geben Sie als Nächstes die Datenmodalität an. Geben Sie als FMRI die Art der Analyse als ICA an, um die ICA mit der I Casso-Prozedur auszuführen.

Wählen Sie unter Analysetyp zwei aus, und parametrisieren Sie dann die Prozedur I Casso in den folgenden Zeilen der Setup-Datei. Maximieren Sie die Leistung der Gruppen-PCA, indem Sie unter Gruppen-PCA-Leistungseinstellungen eine auswählen, um die Sortierung aus einer Standard-SPM-Designmatrix zu ermöglichen. Geben Sie an, ob für verschiedene Themen unterschiedliche Matrizen vorhanden sind oder nicht. Geben Sie als Nächstes an, wo die vorverarbeiteten Funktionsdaten gespeichert werden und ob eine SPM-Punktmattdatei, die die Designmatrix enthält, zusammen mit den vorverarbeiteten Funktionsdaten gespeichert wird oder nicht.

Wenn jeder Teilnehmer die gleiche Anzahl von Durchläufen hat, wählen Sie eine für Methode eins aus. Vervollständigen Sie unter der Option Datenauswahlmethode den Parameter source steer file pattern, flag und location, indem Sie den Dateipfad angeben, in dem die Daten gespeichert sind, das Dateiformat der Daten und eine Anweisung, die angibt, dass einzelne Sitzungen als Unterverzeichnisse innerhalb jedes Themenordners gespeichert werden, geben das Verzeichnis an, in das die Ausgabe der Analyse geschrieben werden soll. Dabei sollte es sich nicht um dasselbe Verzeichnis handeln, in dem die Daten gespeichert sind.

Der nächste Schritt besteht darin, ein Präfix bereitzustellen, das allen Ausgabedateien hinzugefügt wird. Geben Sie als Nächstes einen Dateipfad zu einer Maske an. Die Maske sollte mindestens den zusätzlichen Hirnraum des Schädels und insbesondere die Augäpfel beseitigen, wie hier dargestellt.

Beachten Sie in diesem Beispiel Reste von Spuren der Augäpfel. Dies führt zu einer suboptimalen ICA-Zerlegung und sollte für die Art der zu verwendenden PCA-Gruppe vermieden werden. Wählen Sie ein spezifisches Fach, um den besten Zeitkurs zu erhalten.

Wählen Sie GICA als Methode zur Rückenrekonstruktion. Verwenden Sie bei der Auswahl eines Vorverarbeitungstyps für die Datenverarbeitung die Intensitätsnormalisierung, um nicht-numerische Werte in der Ausgabe zu vermeiden. In diesem Beispiel wird der Standardwert eins ausgewählt.

Wählen Sie den Standard-PCA-Typ und übernehmen Sie die Standardwerte unter PCA-Optionen. Geben Sie als Nächstes an, wie viele PCAs für die Daten vor der ICA ausgeführt werden sollen. Geben Sie außerdem an, wie viele Komponenten beibehalten werden sollen, nachdem jede PCA die Z-Score-Skalierung zur Bewertung der Daten verwendet hat, und wählen Sie für diese Arbeit einen Algorithmus zur blinden Quellentrennung für den ICA aus.

Infomax wurde verwendet, sobald der ICA abgeschlossen ist. Wählen Sie Komponenten von potenziellem theoretischem Interesse für weitere Überlegungen aus. Die räumliche Sortierung kann ausgewählt werden, um Komponenten anhand der räumlichen Korrelation mit einer bereits vorhandenen Vorlage zu sortieren, während die zeitliche Sortierung sortiert.

Die Zeitverläufe der Komponenten mittels linearer Prädiktoren aus der SPM-Designmatrix. Wenn die Analyse abgeschlossen ist, testen Sie, ob sich die Kinder- und Erwachsenenversion der ausgewählten Komponenten unterscheiden. Gezeigt. Hier sind die Ergebnisse des ICAS O-Verfahrens, das auf einen ICA mit 60 Komponenten angewendet wurde.

Jeder nummerierte Punkt stellt eine Komponente dar. Die schwarzen Punkte stellen unterschiedliche ICA-Zerlegungen derselben Daten mit unterschiedlichen zufälligen Startwerten dar. Im Idealfall sollten sich die Ergebnisse verschiedener Zerlegungen, die hier als unterschiedliche schwarze Flecken zu sehen sind, eng um die nummerierten Punkte gruppieren.

Dies deutet auf eine gute Zuverlässigkeit bei der Zerlegung hin. Das Exekutivkontroll-Template und die ausgewählte rechte frontale parietale Komponente werden auf identischen Schichten aus einem hochauflösenden anatomischen Scan überlagert und erscheinen durchaus vergleichbar. Die funktionelle Konnektivität war im medialen präfrontalen Kortex und im ventralen segmentalen Bereich sowie im dorsalen präfrontalen und inferioren parietalen Kortex von Erwachsenen im Vergleich zu Kindern stärker.

Nun, es versucht dieses Verfahren. Es ist wichtig, dass Sie daran denken, Ihre Ausgabe in jeder Phase der Analyse zu überprüfen. Kleine Fehler verbreiten sich weiter und führen zu nicht interpretierbaren Ergebnissen.

Befolgen Sie dieses Verfahren. Andere Methoden können durchgeführt werden, wie z. B. die Analyse der funktionalen Netzwerkkonnektivität, um zusätzliche Fragen zu beantworten, z. B. ob sich funktionale Wechselwirkungen zwischen Komponenten in Abhängigkeit von den Aufgabenanforderungen oder dem Alter der Teilnehmer ändern.