Name: Eine Methode zur Untersuchung altersbedingte Unterschiede in der Funktions Konnektivität der kognitiven Kontrolle Networks Verbunden mit Performance-Dimensional Change Card sortieren (Video) | JoVE Journal
Uploaded: 2014-05-07T13:00:00.000+00:00
Duration: 9 min 1 s
Description: Lernen Sie eine ICA-basierte fMRT-Analyse zur Untersuchung altersbedingter Unterschiede in der funktionellen Konnektivität kognitiver Kontrollnetzwerke bei Aufgabenwechsel. Diese Methode ermöglicht präzise Einblicke in die neuronale Organisation.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Diese Forschung mit Unterstützung der Zuschüsse von der National Science and Engineering Research Council (NSERC) J. Bruce Morton wurde möglich.

1. Erhalten Zulassung für Arbeiten mit menschlichen Probanden 2. FMRI Data Acquisition <ol><li> Erwerben fMRI-Daten folgende Verfahren für kleine Kinder geeignet (siehe Raschle, et al. 12). Alle Anstrengungen unternehmen, um mögliche altersbedingte Unterschiede in der Aufgabenerfüllung und der Bewegung zu begrenzen, da diese Unterschiede führen ungewollte verwechselt, dass man die Fähigkeit, Rückschlüsse auf entwicklungspolitisch relevante Unterschiede in der Hirnaktivierung und funktionelle Konnektivität ziehen zu begrenzen. Hinweis: In der aktuellen Protokoll wurde ein wiederholter Versuche Version der DCCS in Form eines Block-Design 13 verabreicht. Jeder Lauf besteht aus zwei 8-Studie Schalterblöcke und zwei 8-Studie Wiederholungsblöcke, wo Schalterblöcke bestehen aus 4 Schaltversuche und Studien 4 wiederholen, und wiederholen Sie die Blöcke bestehen aus 8 Wiederholungsversuchen. Das Protokoll ist perfekt für den Einsatz mit ereigniskorrelierten fMRI-Daten geeignet. Allerdings sind Block-Designs schön mit, wenn immer zuerst acqu arbeitenainted mit ICA, da es einfach zu Aufgabe Modulationen in den Komponentenzeitkurse zu sehen. </li><li> Vorverarbeitung fMRI-Daten folgende Standard-fMRI Vorverarbeitung Verfahren. <ol><li> Richten Sie alle Funktions Bilder in der gleichen Ausrichtung und Position. Typischerweise ist die erste funktionelle Volumen als Referenzbild für alle anderen Volumina ausgerichtet werden verwendet. </li><li> Coregister der T1-gewichteten (anatomischen) Bild mit dem T2 *-gewichteten (funktionale)-Scans, so dass die Aktivierung auf der richtigen anatomischen Lage überlagert. </li><li> Normalisieren alle Bilder auf eine standardisierte Größe, Raum und Position mit der Auswahl einer Vorlage Gehirn (zB Talairach Raum). Dies hilft sicherzustellen, dass die homologen Regionen aus verschiedenen Fächern verglichen werden. Hinweis: Bilder werden Talairach Raum, in dem aktuellen Protokoll verzogen, obwohl auch andere Vorlagen können auch verwendet werden (zB MNI {Montreal Neurological Institute} Raum) werden. </li><li> Glatte alle Funktionsvolumen in der dateine Gruppe mit 6 bis 10 mm Glättungskern. </li></ol></li><li> Sequester vorverarbeiteten Volumina in eine separate Gruppe von Verzeichnissen. Verwenden Sie &quot;Funktionsprüfungen&quot; als Top-Verzeichnis. Im Rahmen von &quot;Functional Scans&quot; gehören ein separates Verzeichnis für jeden Teilnehmer, und innerhalb der einzelnen Teilnehmerverzeichnis, ein separates Verzeichnis für jeden Lauf. Die Daten sind nun bereit für die ICA-Analyse. </li></ol> 3. Gruppe Independent Component Analysis (ICA) <ol><li> Downloaden und installieren Sie Gruppe ICA-Software. Es gibt eine Reihe von Werkzeugkästen für die Umsetzung ICA auf verschiedenen Arten von neurophysiologischen Daten, einschließlich fMRI verfügbar. Während jede Toolbox, die ICA-Gruppe führt würde möglicherweise geeignet sein, wird der in der aktuellen Protokoll genutzt genannt GESCHENK. GIFT wurde von Vince Calhoun und Kollegen an der Universität von New Mexico entwickelt. Die GESCHENK-Toolbox ist eine Sammlung von MATLAB-Skripten, die zusammen mit SPM, einem bekannten fMRT-Analyse-Paket funktioniert. Beide können be zum kostenlosen Download aus dem Internet (GIFT: mialab.mrn.org / Software / Geschenk / index.html #; SPM: www.fil.ion.ucl.ac.uk/spm/). Einmal heruntergeladen, fügen Sie den GIFT Toolbox und alle Unterverzeichnisse in den MATLAB-Suchpfad und Dateispeicherpfad. </li><li> Berechnen einer Gruppe ICA auf fMRI-Daten mit GESCHENK macht erhebliche Anforderungen an RAM-Speicher. Die genauen Anforderungen an Speicher wird abhängig von der Anzahl der Teilnehmer, die Menge der Daten von jedem Teilnehmer gesammelt, und die Auflösung der Daten zu variieren. Um Speicherprobleme zu vermeiden, ist es am besten, um die ICA-Analyse auf einem Server laufen. Wenn Sie die Analyse auf einem lokalen Computer können die RAM-Anforderungen durch den Einsatz von einem Skript &quot;icatb_mem_ica.m&quot;, die Teil des GIFT ist geschätzt werden. </li><li> Set-up oder die Analyse parametrieren. Tun Sie dies, indem Sie einen bereits vorhandenen Batch-Skript namens &quot;Input_data_subjects_1.m&quot;, die in GESCHENK unter &quot;icatb_batch_files&quot; gespeichert ist. Hinweis: Dies kann auch durch die Verwendung des Graphical User GESCHENK Interf getan werdenAs. Allerdings ist es viel einfacher, mit ein bisschen Übung, um durch Änderung dieser bereits bestehenden Skript Einrichten der Analyse. <ol><li> Geben Sie Daten Modalität wie fMRI </li><li> Geben Sie Art der Analyse als ICA mit ICASSO. Dadurch wird sichergestellt, der ICA ist mit der ICASSO Prozedur auszuführen. ICASSO schätzt die Zuverlässigkeit der Zersetzung, indem Sie die mehrfach ICA beginnend mit unterschiedlichen Zufalls Samen. Es prüft dann die Ähnlichkeit jedes Ergebnis durch Clustering. Verwendung ICASSO wird als Mittel der Überprüfung der Qualität des ICA Zersetzung empfohlen, wird aber deutlich die Zeit, die GESCHENK zum Abschluss der Analyse zu erweitern. <ol><li> Um die ICA mit der ICASSO Verfahren, wählen Sie &#39;2 &#39;unter &quot;Art der Analyse&quot; laufen und dann parametrieren ICASSO Verfahren in den folgenden Zeilen des Setup-Datei. </li></ol></li><li> Maximieren Sie die Leistung der Gruppe PCA, indem Sie &#39;1 &#39;unter Gruppen-PCA-Performance-Einstellungen. Betrachten Sie diesen Parameter auf &#39;2&#39;Sollte Probleme nicht genügend RAM-Speicher auf. </li><li> Um später die Sortierung der resultierenden Komponenten mit Prädiktoren von einem Standard-SPM-Design-Matrix fest, ob oder nicht, es gibt verschiedene Matrizen für verschiedene Themen. </li><li> Bestimmen Sie, wo die vorverarbeiteten funktionellen Daten werden gespeichert und ob ein SPM.mat Datei, die die Design-Matrix wird zusammen mit den vorverarbeiteten funktionellen Daten gespeichert. <ol><li> Die direkteste Weg, um das GESCHENK um den Daten zu lesen, ist, wenn jeder Teilnehmer die gleiche Anzahl an Pisten, und das Datenverzeichnis strukturiert wie in Schritt 2.3 unter fMRI Datenerfassung beschrieben. Wenn ja, dann unter DataSelectionMethod, wählte &#39;1 &#39;für Methode 1, und füllen Sie den Parameter &quot;sourceDir_filePattern_flagLocation&quot;, indem der Dateipfad, wo die Daten gespeichert sind, das Dateiformat der Daten und einen Hinweis darauf, dass die einzelnen Sitzungen werden als Unterverzeichnisse gespeichert in jedem Fachordner. </li></ol></li&gt; <li> Geben Sie das Verzeichnis an, der Ausgang der Analyse sollte geschrieben werden. Die Ergebnisse Schreiben Sie nicht in das gleiche Verzeichnis, wo die Daten gespeichert sind. </li><li> Geben Sie ein Präfix, das für alle Ausgabedateien hinzugefügt werden. </li><li> Geben Sie einen Dateipfad zu einer Maske. Alle ICA vorgelegten Bände sind maskiert. GESCHENK stellt eine Standardmaske. Für diese Arbeit, einer Inhouse-Skript, um eine Maske aus den Daten, die ICA vorgelegt werden generieren. Zumindest sollte die Maske Schädel, extra-Hirn-Raum und vor allem die Augäpfel zu beseitigen. Signal vom Augapfel Voxel wird sehr großen Schwankungen während eines Laufes zeigen und daher einen beträchtlichen Einfluss auf die Struktur der endgültigen Komponenten. Abbildung 3 veranschaulicht, was eine gute Maske aussehen sollte. </li><li> Geben Sie die Art der Gruppe PCA verwendet werden. Verwenden Sie &quot;fachspezifische&quot;. </li><li> Geben Sie die Back-Rekonstruktionsverfahren. In dieser Phase einzelnen Themen IC und ihre zugehörigen Zeitkurse werden berechnet herbin die Ergebnisse der Gruppenanalyse. GICA ist für den Erhalt der besten Zeitkurse empfohlen, obwohl es erhebliche Diskussionen in der Literatur zu diesem Punkt. </li><li> Geben Datenvorverarbeitung Typ. Verwenden Intensität Normierung auf nicht-numerische Werte (dh Unendlichkeiten und NaN) in der Ausgabe zu vermeiden. In diesem Beispiel haben wir uns für die Rückstellung der &#39;1 &#39;. </li><li> Geben Sie die Art des PKA (verwenden wir Standard) und Standardwerte unter PCA-Optionen zu akzeptieren. GIFT führt eine PCA bei jedem Durchlauf der einzelnen Teilnehmer und behält eine Anzahl von Komponenten gleich der Anzahl von Quellen ungemischt in den ICA sein. Die PCA dient zwei wichtigen Zwecken. Zunächst hilft es, Lärmquellen, die einzigartig für jeden Teilnehmer und jeden Lauf sind zu beseitigen. Zweitens macht es die Rechenanforderungen der Analyse gefügiger. </li><li> Geben Sie, wie viele PKA, die Daten vor dem ICA laufen (2 wird empfohlen). Wie gut, anzugeben, wie viele Komponenten, die nach jeder PCA behalten (wenn läuft2, wird empfohlen, dass die Zahl der nach dem ersten PCA gehaltenen Komponenten zweimal der Zahl nach dem zweiten erhalten). </li><li> Geben Sie, wie die Daten skaliert werden. Für diese Arbeit wurde z-Score-Skalierung verwendet. </li><li> Wählen Sie ein Blind Source Separation Algorithmus für die ICA. Für diese Arbeit Infomax verwendet. GESCHENK bietet eine Auswahl von mindestens 10 verschiedenen Algorithmen. </li><li> Übrigen Parameter können belassen werden. </li></ol></li><li> Sobald die ICA abgeschlossen ist, aus den verfügbaren Komponenten wählen die, die von möglichen theoretischen Interesse sind. Durch die Gabe GUI, wählen Sie Komponentenauswahl: räumliche Sortierung sortiert die räumlichen Komponenten mittels der räumlichen Korrelation mit einem bereits existierenden Vorlage; zeitliche Sortierung sortiert die Komponente Zeitkurse durch lineare Vorhersagen vom SPM Design-Matrix, die Sie mit den Daten speichern kann (siehe 3.3.5). Hinweis: Die beiden Ansätze zur Komponentenauswahl haben Dienstprogramm. Allerdings, wenn die Arbeit mit Aufgabendaten, zeitliche AuswahlKriterien sind besonders nützlich, da sie ein Mittel zum Verifizieren, dass die ausgewählte Komponente von der Task aktiviert werden. In dem Fall der DCCS, kann die Verwendung von Zeitsortierung verwendet werden, um zu bestätigen, dass die ausgewählte Komponente war während Schalterblöcke als während der wiederholten Blöcke aktiver. </li><li> Testen Sie, ob Kinder-und Erwachsenen-Versionen dieser ausgewählten Komponenten unterscheiden. Aggregate Kinder-und Erwachsenen-Komponenten von Interesse in zwei separate Gruppen-und Test mittels eines Zwei-Stichproben-t-Test Regionen, in denen die Komponenten variieren. Dies ist relativ einfach, durch das GESCHENK GUI zu tun. </li></ol>

<ol><li>Diamond, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Normal+Development+of+Prefrontal+Cortex+from+Birth+to+Young+Adulthood%3A+Cognitive+Functions+Anatomy%2C+and+Biochemistry%5BTitle%5D)+AND+%22Principles+of+Frontal+Lobe+Function%22%5BJournal%5D)">Normal Development of Prefrontal Cortex from Birth to Young Adulthood: Cognitive Functions Anatomy, and Biochemistry.</a> Principles of Frontal Lobe Function. , 1-38 (2002).</li>
<li>Zelazo, P. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Dimensional+Change+Card+Sort+%28DCCS%29%3A+a+method+of+assessing+executive+function+in+children%5BTitle%5D)+AND+%22Nat+Protoc%22%5BJournal%5D)">The Dimensional Change Card Sort (DCCS): a method of assessing executive function in children.</a> Nat Protoc. 1, 297-301 (2006).</li>
<li>Monsell, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Task+switching%5BTitle%5D)+AND+%22Trends+Cogn+Sci+%28Regul+Ed%22%5BJournal%5D)">Task switching.</a> Trends Cogn Sci (Regul Ed. 7, 134-140 (2003).</li>
<li>Crone, E. A., Bunge, S. A., van der Molen, M. W., Ridderinkhof, K. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Switching+between+tasks+and+responses%3A+a+developmental+study%5BTitle%5D)+AND+%22Developmental+Science%22%5BJournal%5D)">Switching between tasks and responses: a developmental study.</a> Developmental Science. 9, 278-287 (2006).</li>
<li>Cole, M. W., Schneider, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+cognitive+control+network%3A+Integrated+cortical+regions+with+dissociable+functions%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">The cognitive control network: Integrated cortical regions with dissociable functions.</a> Neuroimage. 37, 343-360 (2007).</li>
<li>Fair, D. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Development+of+distinct+control+networks+through+segregation+and+integration%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+USA%22%5BJournal%5D)">Development of distinct control networks through segregation and integration.</a> Proc Natl Acad Sci USA. 104, 13507-13512 (2007).</li>
<li>Uddin, L. Q., Supekar, K., Menon, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Typical+and+atypical+development+of+functional+human+brain+networks%3A+insights+from+resting-state+FMRI%5BTitle%5D)+AND+%22Frontiers+in+systems+neuroscience%22%5BJournal%5D)">Typical and atypical development of functional human brain networks: insights from resting-state FMRI.</a> Frontiers in systems neuroscience. 4, (2010).</li>
<li>Calhoun, V. D., Adali, T., Pearlson, G. D., Pekar, J. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+method+for+making+group+inferences+from+functional+MRI+data+using+independent+component+analysis%5BTitle%5D)+AND+%22Human+brain+mapping%22%5BJournal%5D)">A method for making group inferences from functional MRI data using independent component analysis.</a> Human brain mapping. 14, 140-151 (2001).</li>
<li>Fransson, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Resting-state+networks+in+the+infant+brain%5BTitle%5D)+AND+%22Proceedings+of+the+National+Academy+of+Sciences+of+the+United+States+of+America%22%5BJournal%5D)">Resting-state networks in the infant brain.</a> Proceedings of the National Academy of Sciences of the United States of America. 104, 15531-15536 (2007).</li>
<li>Supekar, K., Menon, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Developmental+maturation+of+dynamic+causal+control+signals+in+higher-order+cognition%3A+a+neurocognitive+network+model%5BTitle%5D)+AND+%22PLoS+computational+biology%22%5BJournal%5D)">Developmental maturation of dynamic causal control signals in higher-order cognition: a neurocognitive network model.</a> PLoS computational biology. 8, (2012).</li>
<li>Power, J. D., Barnes, K. A., Snyder, A. Z., Schlaggar, B. L., Petersen, S. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spurious+but+systematic+correlations+in+functional+connectivity+MRI+networks+arise+from+subject+motion%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Spurious but systematic correlations in functional connectivity MRI networks arise from subject motion.</a> Neuroimage. 59, 2142-2154 (2012).</li>
<li>Raschle, N. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Making+MR+Imaging+Child%27s+Play+-+Pediatric+Neuroimaging+Protocol%2C+Guidelines+and+Procedure%5BTitle%5D)+AND+%22%22%5BJournal%5D)">Making MR Imaging Child's Play - Pediatric Neuroimaging Protocol, Guidelines and Procedure.</a> (29), (2009).</li>
<li>Morton, J. B., Bosma, R., Ansari, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Age-related+changes+in+brain+activation+associated+with+dimensional+shifts+of+attention%3A+an+fMRI+study%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Age-related changes in brain activation associated with dimensional shifts of attention: an fMRI study.</a> Neuroimage. 46, 249-256 (2009).</li>
<li>Ezekiel, F., Bosma, R., Morton, J. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dimensional+Change+Card+Sort+performance+associated+with+age-related+differences+in+functional+connectivity+of+lateral+prefrontal+cortex%5BTitle%5D)+AND+%22Developmental+Cognitive+Neuroscience%22%5BJournal%5D)">Dimensional Change Card Sort performance associated with age-related differences in functional connectivity of lateral prefrontal cortex.</a> Developmental Cognitive Neuroscience. , (2013).</li>
<li>Calhoun, V. D., Kiehl, K. A., Pearlson, G. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Modulation+of+temporally+coherent+brain+networks+estimated+using+ICA+at+rest+and+during+cognitive+tasks%5BTitle%5D)+AND+%22Human+brain+mapping%22%5BJournal%5D)">Modulation of temporally coherent brain networks estimated using ICA at rest and during cognitive tasks.</a> Human brain mapping. 29, 828-838 (2008).</li>
<li>Allen, E. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+baseline+for+the+multivariate+comparison+of+resting-state+networks%5BTitle%5D)+AND+%22Front+Syst+Neurosci%22%5BJournal%5D)">A baseline for the multivariate comparison of resting-state networks.</a> Front Syst Neurosci. 5, (2011).</li>
<li>Calhoun, V. D., Liu, J., Adali, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+review+of+group+ICA+for+fMRI+data+and+ICA+for+joint+inference+of+imaging%2C+genetic%2C+and+ERP+data%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">A review of group ICA for fMRI data and ICA for joint inference of imaging, genetic, and ERP data.</a> Neuroimage. 45, (2009).</li>
<li>Allen, E. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Tracking+whole-brain+connectivity+dynamics+in+the+resting+state%5BTitle%5D)+AND+%22Cerebral+Cortex%22%5BJournal%5D)">Tracking whole-brain connectivity dynamics in the resting state.</a> Cerebral Cortex. , (2012).</li>
</ol>

Es gibt keine konkurrierenden finanziellen Interessen.

Höherwertige mentalen Operationen, wie z. B. die Möglichkeit, Sortierregeln zu wechseln, entwickeln sich schnell in der Kindheit und Jugend. Da diese mentalen Operationen beinhalten Wechselwirkungen zwischen mehreren Hirnregionen verteilt, gibt es ein wachsendes Interesse an der Erforschung der Beziehung zwischen der Entwicklung der Kognition höherer Ordnung und altersbedingte Veränderungen in der Organisation der breit angelegte kortikaler Netzwerke. Wir präsentieren eine Methode, die auf Gruppe Independent Component A...

Die Fähigkeit, Verhalten zu regulieren entwickelt sich allmählich in der Kindheit und Jugend (für eine Übersicht siehe Diamond 1). In der Dimensional Change Card Aufgabe Sortieren, zum Beispiel wechseln die Teilnehmer von der Sortierung Karten eine Möglichkeit, wie Form, Sortierung ihnen eine andere Art und Weise, wie Farbe 2 (siehe Abbildung 2). Schalt abverlangt einen kleinen Leistungskosten oder Kosten-Schalter, so dass Reaktionen sind in der Regel langsamer und fehleranfälliger Schalter auf Studien, in denen die Sortierregeländerungen im Vergleich zu Studien, in denen die Sortierregel bleibt gleich 3 wiederholen. Die Höhe dieser Kosten in der Regel immer kleiner als 4 Kinder älter wachsen, veranschaulicht die Tatsache, dass die Fähigkeit zur Verhaltensregulation erfährt weitere Entwicklung früh im Leben. Da komplexe mentale Operationen, wie z. B. Schalt, beinhalten schnelle Interaktionen zwischen mehreren Hirnregionen 5 gibt es ein wachsendes Interesse in relating der Entwicklung von Kognition höherer Ordnung auf Veränderungen in der funktionellen Organisation des Breiten kortikaler Netzwerke 6. Ein Ansatz zur Untersuchung von Entwicklungs Änderung breit angelegte Netzwerke, ist die Verwendung von Saatgut-basierte funktionelle Konnektivität Analyse 6,7. Der erste Schritt in diese Technik ist es, mit den verfügbaren Forschungsliteratur zu konsultieren und zu definieren A-priori-Regionen von Interesse, oder ROIs, die relevant für das Verhalten in Frage zu sein scheinen. Diese ROIs oder Knoten definieren das Grundgerüst des Netzwerks. Weiter, Niederfrequenz-Schwankungen in der Aktivität (oder T2 *-gewichteten Signalintensität) in diesen ROIs werden für 5 bis 10 Minuten gemessen, während die Teilnehmer in Ruhe in einem MRI-Scanner. Funktionale Verbindung zwischen zwei beliebigen Knoten des Netzwerks wird dann als die Korrelation der jeweiligen Zeitverläufe quantifiziert. Knoten, die stark funktionell verbunden sind, sollten ähnlich, und so hoch korreliert, SignalZeitkurse. Auf der anderen Seite sollten Knoten, die schwach funktionell verbunden sind, haben unterschiedliche und damit schwach korreliert sind, signalisieren Zeitkurse. Um ein Modell des Netzwerks zu vervollständigen, werden Kanten (oder Links) zwischen den Knoten, deren Zeit Kurse korrelieren über einer gewählten Schwelle gezogen. Tests für altersbedingte Unterschiede in der funktionellen Verbindungen innerhalb eines Netzes auf jedem einzelnen Knoten-zu-Knoten-Verbindung oder auf die Topologie des gesamten Satzes von Knoten und Kanten durchgeführt werden. Diese Unterschiede in der funktionellen Konnektivität kann dann zu Maßnahmen der kognitiven Leistungsfähigkeit offline gesammelt bezogen werden. In dieser Arbeit wird ein anderer Ansatz beschrieben, die auf Gruppen unabhängige Analyse der Task-basierte fMRI-Daten 8 basiert. Independent Component Analysis (ICA oder) ist ein statistisches Verfahren für blind enthüllt verborgenen Quellen eine Reihe von Beobachtungen, dass die Quellen aufgedeckt maximal unabhängig sind zugrunde liegen. Um die Analyse der Daten fMRI, p angewendetERFAHREN setzt voraus, dass jeder Band eine Mischung aus einer endlichen Anzahl von räumlich unabhängigen Quellen. Verwendung einer aus einer Vielzahl von unterschiedlichen Algorithmen, wie die Infomax Algorithmus schätzt dann eine ICA-Mischmatrix, die, wenn sie zu den Originaldaten angewendet ergibt einen Satz von maximal unabhängigen Quellen oder Komponenten. Jede Komponente kann als ein Netzwerk betrachtet werden, soweit sie von einem Satz von Voxeln, die eine gemeinsame zeitliche Verlauf gemeinsam umfaßt. ICA-Gruppe ist eine besondere Art von ICA in dem ein gemeinsamer Satz von Gruppen Komponenten wird zunächst von einem gesamten Datensatzes geschätzt, und teilnehmerspezifische Sätze der Gruppe Komponenten werden in einem Back-Rekonstruktionsschritt berechnet. Sobald eine gesamte Datensatz wird in einen Satz von Komponenten zerlegt, ist der nächste Schritt die Artefakt-Komponenten, die Rauschquellen darstellen, zu verwerfen, und identifizieren theoretisch sinnvolle Komponenten, Netzwerke von Interesse entsprechen. Dies kann entweder durch Modellierungskomponente Zeitkurse im Rahmen eines GLM auf IDE erreicht werdenntify Netzwerke, die in einem vorhergesagten Weise zu aktivieren, räumlich korrelierende Bestandteile mit einer Schablone aus einem Netzwerk von Interesse, oder beides. Der resultierende Satz von Komponenten können dann an eine Gruppe Vergleich vorgelegt werden, um eine mögliche altersbedingte Unterschiede in der funktionellen Konnektivität innerhalb theoretisch interessante Netzwerke 7,9,10 testen. Studieren altersbedingte Veränderungen in der funktionellen Konnektivität durch die Anwendung der ICA-Gruppe zur Rede-basierte fMRI-Daten hat mehrere Vorteile gegenüber der Anwendung von Saatgut-basierte Techniken, um Ruhezustand-fMRI-Daten. Erste, im Gegensatz Saatgut-basierte Techniken, die auf einem kleinen Satz von a priori definierten ROIs zu konzentrieren, verwendet die aktuelle Gruppe ICA Ansatz alle Voxel, die eine volumetrische Zeitreihen. Dies verringert die Chancen für Bias zwangsläufig entstehen, wenn eine kleine Gruppe von ausgewählten Samen werden von vornherein als Regionen von Interesse. Zweitens, die Anwendung funktionelle Konnektivität Analysis (ICA-Basis oder anderweitig) aufgabeneher als Ruhezustand fMRI-Daten hat den Vorteil, dass die Netzwerkorganisation und Netzwerkfunktion, um mehr direkt zugeordnet werden. Wenn zum Beispiel die Untersuchung der kognitiven oder Verhaltens Auswirkungen funktionelle Konnektivität (z. B. Veränderung der DCCS Performance) ist eine Priorität, ist es wichtig zu zeigen, dass das Netzwerk von Interesse ist mit Aufgabenleistung verbunden. Mit Ruhe-State-Protokolle, das ist sehr schwierig, weil die Forscher keine Aufzeichnung aller kognitiven, Verhaltens-oder affektive Zustände durch den Teilnehmer während der Datenerfassung erlebt. Es ist daher unmöglich, einen direkten Nachweis, dass jedes Netzwerk von Interesse ist für die Ausführung der Aufgaben relevant sind. Wenn dagegen funktionellen Konnektivitätsanalyse, wie ICA wird aufgaben Daten angewendet wird, ist es möglich, zu bestätigen, dass das Netzwerk von Interesse zumindest mit der Durchführung der Aufgabe zugeordnet ist. Schließlich ist ICA weniger dem nachteiligen Einfluss von Rauschen. Rauschquellen, wie sie zugeordnet with Thema Bewegung und der Herzrhythmus, haben einzigartige Raum-Zeit-Profilen. Daher wird in dem Kontext einer Gruppe ICA, diese Quellen isoliert und getrennte Komponenten zugeordnet, so übrigen Komponenten relativ frei von diesen unerwünschten Quellen der Varianz. Da Saatgut-basierte Analysen verwenden Roh Zeitkurse in der Einschätzung der funktionellen Konnektivität und Zeitkurse sind, per Definition, Mischungen von neurophysiologischen Signal und Artefakt Lärm, Gruppenunterschiede in der funktionellen Konnektivität Schätzungen können wahr Gruppe Unterschiede in der zugrunde liegenden Neurophysiologie, Gruppenunterschiede in reflektieren die Struktur von Rauschen oder beides 11.

<table><tbody><tr><td>SPM8</td><td>Die MathWorks, Inc.</td><td>Nr. R2013a</td><td></td></tr></tbody></table>

eine methode zur untersuchung altersbedingte unterschiede in der funktions konnektivität der kognitiven kontrolle networks verbunden mit performance-dimensional change card sortieren

A Method for Investigating Age-related Differences in the Functional Connectivity of Cognitive Control Networks Associated with Dimensional Change Card Sort Performance

Die Fähigkeit, Verhalten zu plötzlichen Veränderungen in der Umwelt anzupassen entwickelt sich allmählich in Kindheit und Jugend. Zum Beispiel, in dem Dimensional Change Card Aufgabe Sortieren, wechseln die Teilnehmer von der Sortierung Karten eine Möglichkeit, wie Form, Sortierung ihnen eine andere Art und Weise, wie Farbe. Einstellen Verhalten auf diese Weise eine kleine Leistung abverlangt Kosten oder Kosten-Schalter, so dass Reaktionen sind in der Regel langsamer und fehleranfälliger Schalter auf Studien, in denen die Sortierregeländerungen im Vergleich zu Studien, in denen die Sortierregel bleibt das gleiche zu wiederholen. Die Fähigkeit, flexibel Verhalten anzupassen wird oft gesagt, nach und nach entwickeln, zum Teil wegen Verhaltens Kosten wie Schalter Kosten sinken in der Regel mit zunehmendem Alter. Warum Aspekte der Kognition höherer Ordnung, wie Verhaltensflexibilität, so nach und nach entwickeln, bleibt eine offene Frage. Eine Hypothese ist, dass diese Änderungen in Verbindung mit funktionalen Änderungen in breit angelegte kognitive Kontrolle Netzwerken auftreten. Aus dieser Sichtkomplexe geistige Vorgänge wie Schalten, beinhalten schnelle Interaktionen zwischen verschiedenen Hirnregionen verteilt sind, einschließlich derjenigen, aktualisieren und pflegen Aufgabe Regeln neu zu orientieren Aufmerksamkeit und wählen Verhaltensweisen. Mit der Entwicklung, funktionale Verbindungen zwischen diesen Regionen zu stärken, schneller und effizienter Schaltvorgänge zu führenden. Das aktuelle Video beschreibt ein Verfahren zur Prüfung dieser Hypothese durch die Sammlung und multivariate Analyse von fMRI-Daten von Teilnehmern verschiedener Altersstufen.

ICA-Gruppe, auch auf einem relativ kleinen fMRI-Daten-Set, wird eine Reihe von Komponenten, die denen in anderen Studien beobachtet zurückkehren. 4 ist eine Überlagerung von fünf solcher Bauteile und die damit verbundenen Zeitkurse ungemischten aus einer Stichprobe von 12 Kindern und 13 Erwachsenen , mit rund 800 Bände pro Teilnehmer. Wie in Fig. 4, Standardmodus, fronto-parietalen gezeigt, kann cingulo-Insel und visuellen Netzwerke ohne weiteres aus den Ergebnissen dieser Zersetzung ge...

Dieses Video stellt eine Methode zur Untersuchung altersbedingter Veränderungen der funktionellen Konnektivität der kognitiven Steuerungsnetzwerke durch gezielte Aufgaben / Prozesse beschäftigt. Die Technik basiert auf multivariate Analyse von fMRI-Daten.

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

The ability to adjust behavior to sudden changes in the environment develops gradually in childhood and adolescence. For example, in the Dimensional ...

Das übergeordnete Ziel dieses Verfahrens besteht darin, Gehirnnetzwerke zu identifizieren, die mit dem Aufgabenwechsel assoziiert sind, und altersbedingte Unterschiede in der funktionalen Konnektivität dieser Netzwerke zu untersuchen. Dies wird erreicht, indem zunächst fMRT-Daten von Kindern und Erwachsenen erhoben werden, während sie die dimensionale Wechselfunktionstest-Aufgabe durchführen. Nach der Vorverarbeitung der Daten werden die funktionellen Volumina in eine Reihe statistisch unabhängiger Quellen oder Komponenten zerlegt.Die für die exekutive Funktion und die Aufgabenleistung relevanten Komponenten werden jeweils mittels Template-Matching und linearer Modellierung ausgewählt. Im letzten Schritt wird geprüft, ob die funktionelle Konnektivität innerhalb der ausgewählten Komponenten bei Erwachsenen und Kindern unterschiedlich ist. Letztendlich können mittels ICA basierende fMRT-Analysen verwendet werden, um Netzwerke zu identifizieren, die mit dem Aufgabenwechsel assoziiert sind, und um altersbedingte Unterschiede in der funktionellen Organisation dieser Netzwerke zu testen.Der Hauptvorteil dieser Technik gegenüber bestehenden Verfahren wie der Analyse der funktionellen Konnektivität im Ruhezustand besteht darin, dass sie eine Möglichkeit bietet, die Funktion kortikaler Netzwerke genau zu charakterisieren. Diese Methode kann helfen, zentrale Fragen im Bereich der Entwicklungs- und kognitiven Neurowissenschaft zu beantworten, beispielsweise, ob groß angelegte kortikale Netzwerke, die an komplexen kognitiven Operationen wie dem Wechsel von Aufgaben beteiligt sind, im Laufe der Entwicklung eine funktionelle Neuausrichtung durchlaufen. Um zu beginnen, werden FMRT-Daten mithilfe von Verfahren erhoben, die für kleine Kinder geeignet sind; unerwünschte Störfaktoren werden minimiert, indem die Teilnehmer im Voraus in einer Simulations-Scanner-Anlage geschult werden. Sobald sie bereit sind, wird eine wiederholte Versuchsversion der Dimensional-Change-Kartensortieraufgabe durchgeführt.Jeder Durchlauf umfasst zwei Wechselblöcke mit jeweils acht Versuchen und zwei Wiederholblöcke mit jeweils acht Versuchen, wobei die Wechselblöcke aus vier Wechselversuchen und vier Wiederholversuchen bestehen, während die Wiederholblöcke aus acht Wiederholversuchen bestehen. Nach der Datensammlung wurden die fMRT-Daten gemäß den Standardverfahren der fMRT-Vorverarbeitung vorverarbeitet. Laden und installieren Sie zunächst GIFT, eine Gruppen-ICA-Software-Toolbox, die zusammen mit SPMA, einem etablierten fMRT-Analysepaket, funktioniert. Fügen Sie nach dem Herunterladen die GIFT-Toolbox und alle Unterverzeichnisse dem MATLAB-Suchpfad hinzu und speichern Sie die Pfaddatei. Die Durchführung einer Gruppen-ICA auf fMRT-Daten mithilfe von GIFT stellt hohe Anforderungen an den Arbeitsspeicher (RAM).Um Speicherprobleme zu vermeiden, ist es am besten, die ICA-Analyse auf einem Server durchzuführen. Falls die Analyse auf einem lokalen Computer ausgeführt wird, können die RAM-Anforderungen mithilfe eines Skripts geschätzt werden, das Teil von gif ist, um die Analyse zu parametrisieren, und ein bereits vorhandenes Batch-Skript mit der Bezeichnung Input data subjects one M, das in gif unter ICAT B Batch-Dateien gespeichert ist, anzupassen. Dies kann auch über die grafische Benutzeroberfläche von gif erfolgen.Doch mit etwas Übung ist es viel einfacher, die Analyse einzurichten, indem man dieses bereits vorhandene Skript anpasst. Als Nächstes geben Sie die Datenmodusart an. Geben Sie bei FMRI den Analysentyp als ICA an, um die ICA mit dem I-Casso-Verfahren durchzuführen.Wählen Sie unter „Typ der Analyse“ zwei aus und parametrieren Sie dann das I-Casso-Verfahren in den folgenden Zeilen der Setup-Datei. Maximieren Sie die Leistung der Gruppen-PCA, indem Sie unter „Leistungseinstellungen der Gruppen-PCA“ eine Option auswählen, um das Sortieren aus einer standardmäßigen SPM-Designmatrix zu ermöglichen, und geben Sie an, ob unterschiedliche Matrizen für verschiedene Probanden existieren. Geben Sie anschließend an, wo die vorverarbeiteten funktionellen Daten gespeichert sind, und ob eine SPM-Dot-Mat-Datei, die die Designmatrix enthält, gemeinsam mit den vorverarbeiteten funktionellen Daten abgelegt ist.Wenn jeder Teilnehmer die gleiche Anzahl von Durchläufen aufweist, wählen Sie einen Durchlauf für Methode eins aus. Gehen Sie unter der Option Datenauswahlmethode zur Parameterquelle und vervollständigen Sie das Steuerdateimuster, das Flag und den Speicherort, indem Sie den Dateipfad angeben, an dem die Daten gespeichert sind, das Datenformat der Dateien sowie einen Hinweis darauf, dass einzelne Sitzungen als Unterverzeichnisse innerhalb jedes Probandenordners abgelegt sind. Geben Sie außerdem das Verzeichnis an, in das die Ergebnisse der Analyse geschrieben werden sollen. Dieses Verzeichnis darf nicht mit dem Speicherort der Daten identisch sein.Der nächste Schritt besteht darin, ein Präfix anzugeben, das allen Ausgabedateien hinzugefügt wird. Geben Sie anschließend einen Dateipfad zu einer Maske an. Mindestens sollte die Maske den Schädel, den außergehirnigen Raum und insbesondere die Augäpfel eliminieren, wie hier veranschaulicht.Beachten Sie in diesem Beispiel den Rest von Augapfelstrukturen. Dies führt zu einer suboptimalen ICA-Zerlegung und sollte bei der verwendeten Art der Gruppen-PCA vermieden werden. Wählen Sie fächerspezifische Daten, um den besten Zeitverlauf zu erhalten.Wählen Sie GICA als Methode für die Rückrekonstruktion. Bei der Auswahl einer Daten- und Vorverarbeitungsart verwenden Sie die Intensitätsnormalisierung, um nicht-numerische Werte in der Ausgabe zu vermeiden. In diesem Beispiel wird der Standardwert eins gewählt.Wählen Sie den Standard-PCA-Typ aus und übernehmen Sie die Standardwerte in den PCA-Optionen. Geben Sie anschließend an, wie viele PCAs auf den Daten vor der ICA durchgeführt werden sollen. Außerdem legen Sie fest, wie viele Komponenten nach jeder PCA beibehalten werden sollen, verwenden Sie Z-Score-Skalierung, um die Daten zu bewerten, und wählen Sie einen Blindquellentrennungs-Algorithmus für die ICA für diese Arbeit aus.Infomax wurde einmal nach Abschluss der ICA verwendet. Wählen Sie Komponenten mit potenziellem theoretischem Interesse zur weiteren Betrachtung aus. Die räumliche Sortierung kann ausgewählt werden, um Komponenten anhand ihrer räumlichen Korrelation mit einer vorhandenen Vorlage zu sortieren, während die zeitliche Sortierung zeitliche Aspekte berücksichtigt.Die zeitlichen Verläufe der Komponenten mithilfe linearer Prädiktoren aus der SPM-Designmatrix. Sobald die Analyse abgeschlossen ist, prüfen Sie, ob sich die kindlichen und erwachsenen Versionen der ausgewählten Komponenten unterscheiden. Gezeigt sind hier die Ergebnisse des ICAS-O-Verfahrens, angewendet auf eine ICA mit 60 Komponenten.Jeder nummerierte Punkt steht für eine Komponente. Die schwarzen Punkte stellen verschiedene ICA-Zerlegungen der gleichen Daten mit unterschiedlichen Zufallsseeds dar. Im Idealfall sollten die Ergebnisse verschiedener Zerlegungen, hier als unterschiedliche schwarze Punkte dargestellt, eng um die nummerierten Punkte gruppiert sein.Dies deutet auf eine gute Zuverlässigkeit bei der Zerlegung hin. Die Vorlage für die exekutive Kontrolle und die ausgewählte rechte frontoparietale Komponente sind überlagert auf identischen Schnitten aus einer hochauflösenden anatomischen Aufnahme dargestellt und erscheinen recht vergleichbar. Die funktionelle Konnektivität war im medialen präfrontalen Kortex und im ventralen segmentalen Bereich sowie im dorsalen präfrontalen und im unteren parietalen Kortex von Erwachsenen im Vergleich zu Kindern stärker ausgeprägt.Nun, es versucht dieses Verfahren. Es ist wichtig, daran zu denken, Ihre Ergebnisse in jeder Phase der Analyse zu überprüfen. Kleine Fehler können sich fortsetzen und zu nicht interpretierbaren Ergebnissen führen.Nach Durchführung dieses Verfahrens können weitere Methoden angewendet werden, wie beispielsweise die Analyse der funktionellen Netzwerkanalyse, um zusätzliche Fragen zu beantworten, etwa ob funktionelle Wechselwirkungen zwischen Komponenten in Abhängigkeit von Aufgabenanforderungen oder dem Alter der Teilnehmer variieren.

a-method-for-investigating-age-related-differences-functional

Research

Forschung

JoVE Journal

Behavior

Verhalten

Das Ziel unserer Forschung ist es, Verhalten zu Hirnaktivität korreliert. Genaue Verhaltensmaßnahmen und bildgebenden Verfahren ermöglichen es uns, Gehirn-Verhalten Zusammenhänge aufzuklären.

Korrelation von Verhaltensreaktionen auf fMRI Signalen von Human präfrontalen Kortex: Untersuchung kognitiver Prozesse mit dem Task Analysis

Wir testeten die Usability einer Tablette-Computer-basierte Anwendung (EmoCogMeter) bei der Untersuchung der Auswirkungen des Alters auf die Kognition. Die Ergebnisse zeigen eine altersbedingten kognitiven Abbau, wodurch die Benutzerfreundlichkeit unserer Anwendung beweisen. Die Ergebnisse unterstreichen das große klinische und praktische Potential eines Tablet-basierte Anwendung zur Erfassung und Überwachung der kognitiven Dysfunktion.

Bewertung der Altersbedingte Veränderungen der kognitiven Funktionen Verwenden EmoCogMeter, einen Tablet-Computer Novel Based Approach

Die Übertragung eines Paradigmas mit einer Geschichte der Verwendung in EEG-Experimenten auf ein fMRT-Experiment wird in Betracht gezogen. Es wird gezeigt, dass die Manipulation der Aufgabenanforderungen in der visuellen Sonderlingsaufgabe zu unterschiedlichen Mustern der BOLD-Aktivierung führte und zeigte, wie wichtig das Aufgabendesign in fMRT-Experimenten ist.

Übertragen kognitiven Aufgaben zwischen Gehirnbildgebende Verfahren: Implikationen für die Aufgabengestaltung und Ergebnisse Interpretation in fMRT-Studien

Dieser Artikel beschreibt den 4-Berge-Test (4MT), einen Hippocampus-abhängigen Test des arbeitenden allozentrischen räumlichen Gedächtnisses. Der Hippocampus ist früh in der Alzheimer-Krankheit (AD) betroffen, und dieser Artikel beschreibt die 4MT-Methodik und die Ergebnisse von Patiententests, die den Wert der 4MT bei der Diagnose von Prädemenz AD zeigen.

Die 4-Berge-Test: Ein kurzer Test des räumlichen Gedächtnisses mit hoher Empfindlichkeit für die Diagnose von Pre-Demenz Alzheimer-Krankheit

Dieses Manuskript beschreibt das Implementieren eines psychophysiologischen Interaktionsanalyse um Aufgabe-abhängige Änderungen in funktionelle Verknüpfung zwischen einem ausgewählten Samen Region und Voxel in anderen Regionen des Gehirns sichtbar zu machen. Psychophysiologische Interaktionsanalyse ist eine beliebte Methode zur Aufgabe Auswirkungen auf Gehirn-Konnektivität, unterscheidet sich von traditionellen Univariate Aktivierung Auswirkungen zu untersuchen.

Generalisierte psychophysiologische (PPI) Interaktionsanalyse des Speichers im Zusammenhang mit Konnektivität bei Personen auf genetischen Risiko für die Alzheimer-Krankheit

Basierend auf ruhenden Zustand funktionelle Magnetresonanztomographie mit Granger Kausalität Analyse, untersuchten wir die Änderungen in die gezielte funktionelle Verknüpfung zwischen den hinteren cingulären Kortex und ganze Gehirn bei Patienten mit Alzheimer-Krankheit (AD), Patienten mit Mild Cognitive Impairment (MCI) und gesunden Kontrollpersonen.

Anwendung von Granger Kausalität Analyse des gerichteten funktionalen Zusammenhangs in der Alzheimer-Krankheit und Mild Cognitive Impairment

Die beschriebene Vorgehensweise zielt darauf ab festzustellen, in welchen Momenten des Paradigmas (zeitliche Perspektive) und zwischen welchen Regionen (räumliche Perspektive), bedeutende Umgestaltungen in funktionelle Verknüpfung auf funktionelle Kernspintomographie auftreten Aufnahmen bei denen ein Mal gesperrt Reiz gespielt wird.

Dynamische Inter Thema funktionelle Verknüpfung zeigt Moment zum Gehirn Netzwerkkonfigurationen angetrieben durch kontinuierliche oder Kommunikation Paradigmen

In dieser Arbeit wird ein integrativer Ansatz zur Untersuchung des funktionellen Netzwerks für die räumliche Navigation im menschlichen Gehirn vorgestellt. Dieser Ansatz umfasst eine groß angelegte metaanalytische Datenbank für Neuroimaging, funktionelle Magnetresonanztomographie im Ruhezustand sowie Netzwerkmodellierung und graphentheoretische Techniken.

Modellierung des funktionalen Netzwerks für die räumliche Navigation im menschlichen Gehirn

Wir zeigen, wie ein objektives Maß in die breite Anwendung Gummihand Illusion Paradigma eingesetzt werden können. Diese Maßnahme wird durch Modifizieren der etablierten crossmodalen Kongruenz Aufgabe erhalten. Diese Aufgabe ermöglicht die Untersuchung von multisensorischen Prozesse, die entscheidend für die Modulationen des Körpers Darstellungen wie in der Gummihand Illusion sind.

Die Kongruenz Crossmodale Aufgabe als ein Mittel zum Ziel Behavioral Messen in der Rubber Hand Illusion Paradigm erhalten

Wir diskutieren eine neuartige Methode zur Viewpoint-Rotation von visuellen Reizen und demonstrieren mit einem Spiegelstereoskop die dreidimensionale Wahrnehmung der Tiefenrotation. Die Technik kann verwendet werden, um die Rolle stereoskopischer Hinweise bei der Kodierung von viewpoint-gedrehten Figuren zu untersuchen.

Messung der Empfindlichkeit gegenüber Blickwinkeländerungen mit und ohne stereoskopische Hinweise

Lernen Sie eine ICA-basierte fMRT-Analyse zur Untersuchung altersbedingter Unterschiede in der funktionellen Konnektivität kognitiver Kontrollnetzwerke bei Aufgabenwechsel. Diese Methode ermöglicht präzise Einblicke in die neuronale Organisation.

Eine Methode zur Untersuchung altersbedingte Unterschiede in der Funktions Konnektivität der kognitiven Kontrolle Networks Verbunden mit Performance-Dimensional Change Card sortieren (Video) | JoVE Journal

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

Weitere Videos entdecken