Name: Un método para investigar las diferencias relacionadas con la edad en la conectividad funcional de las redes de control cognitivo asociado con el cambio dimensional Card Ordenar Performance (Video) | JoVE Journal
Uploaded: 2014-05-07T13:00:00.000+00:00
Duration: 9 min 1 s
Description: Aprende a identificar redes cerebrales asociadas al cambio de tarea mediante análisis ICA de datos fMRI. Este método permite estudiar diferencias de conectividad funcional entre adultos y niños en neurociencia cognitiva.

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

Esta investigación fue posible con el apoyo de subvenciones del Consejo Nacional de Ciencia e Ingeniería de Investigación (NSERC) a J. Bruce Morton.

1. Obtener la aprobación para trabajar con sujetos humanos 2. FMRI Adquisición de Datos <ol><li> Adquirir datos de la fMRI siguiendo los procedimientos adecuados para niños pequeños (ver Raschle, et al. 12). Haga todo lo posible para limitar las posibles diferencias relacionadas con la edad en el desempeño de tareas y el movimiento, ya que estas diferencias introducen factores de confusión no deseadas que limitan la capacidad de uno para sacar conclusiones acerca de las diferencias de desarrollo pertinentes en la activación cerebral y la conectividad funcional. Nota: En el protocolo actual, una versión de pruebas repetidas del DCCS se administró en forma de un diseño de la casilla 13. Cada serie incluye dos bloques de contactos 8 al juicio ya dos cuadras de la repetición 8 al juicio, donde bloques de contactos se componen de 4 ensayos de cambio y 4 ensayos de repetición, y la repetición de bloques constan de 8 ensayos repetidos. El protocolo es perfectamente adecuado para su uso con datos de la fMRI relacionados con el evento. Sin embargo, los diseños de bloques son agradables para trabajar con la primera vez que conseguir acquainted con ICA, ya que es fácil ver por modulaciones de tareas en la evolución temporal de los componentes. </li><li> Datos de preproceso fMRI siguientes procedimientos de preprocesamiento estándar fMRI. <ol><li> Vuelva a alinear todas las imágenes funcionales a la misma orientación y posición. Típicamente, el primer volumen funcional se utiliza como imagen de referencia para todos los demás volúmenes para ser alineados a. </li><li> Coregister la imagen ponderada en T1 (anatómica) con el T2 * exploraciones (funcionales), de modo que la activación se superpone sobre la ubicación anatómica correcta. </li><li> Normalizar todas las imágenes a un tamaño estandarizado, el espacio y la posición con la selección de un cerebro plantilla (por ejemplo, el espacio Talairach). Esto ayuda a asegurar que las regiones homólogas de diferentes temas se están comparando. Nota: Las imágenes se deforman al espacio Talairach en el protocolo actual, aunque otras plantillas también pueden ser utilizados (por ejemplo, MNI {Montreal Neurological Institute} espacio). </li><li> Suavizar los volúmenes funcionales en el datun conjunto con unos 6 a 10 mm de suavizado kernel. </li></ol></li><li> Secuestrar volúmenes pretratadas en un conjunto independiente de directorios. Utilice &quot;exploraciones funcionales&quot; como el directorio superior. Dentro de &quot;exploraciones funcionales&quot; incluyen un directorio independiente para cada participante, y dentro de cada directorio de participantes, un directorio independiente para cada ejecución. Los datos ya está listo para el análisis de la ACI. </li></ol> 3. Análisis de Componentes Independientes Group (ICA) <ol><li> Descargue e instale el software ICA grupo. Hay una serie de cajas de herramientas disponibles para la aplicación de la ACI sobre diferentes tipos de datos neurofisiológicos, incluyendo resonancia magnética funcional. Mientras que cualquier caja de herramientas que realiza ICA grupo sería potencialmente adecuado, la utilizada en el protocolo actual se llama REGALO. REGALO fue desarrollado por Vince Calhoun y sus colegas de la Universidad de Nuevo México. La caja de herramientas GIFT es un conjunto de scripts de MATLAB que trabaja en conjunto con el SPM, un conocido paquete de análisis de fMRI. Tanto puede be descargados de forma gratuita desde Internet (GIFT: mialab.mrn.org / software / regalo / index.html #; SPM: www.fil.ion.ucl.ac.uk/spm/). Una vez descargado, agregue la caja de herramientas REGALO y todos los subdirectorios de la ruta de búsqueda de MATLAB y guardar el archivo de ruta. </li><li> Cálculo de una ICA grupo de datos de la fMRI utilizando REGALO hace demandas sustanciales en la memoria RAM. Las exigencias precisas sobre la memoria variarán en función del número de participantes, la cantidad de datos recogidos de cada participante, y la resolución de los datos. Para evitar problemas de memoria, lo mejor es ejecutar el análisis de ICA en un servidor. Si se ejecuta el análisis en un equipo local, los requisitos de RAM pueden ser estimadas a través del uso de una &quot;icatb_mem_ica.m&quot; script que es parte de REGALO. </li><li> Set-up o parametrizar el análisis. Para ello, la modificación de un archivo por lotes preexistente llamado &quot;Input_data_subjects_1.m&quot; que se almacena en el epígrafe &quot;REGALO icatb_batch_files&quot;. Nota: Esto también se puede hacer mediante el uso de usuario gráfica de REGALO Interface. Sin embargo, es mucho más fácil, con un poco de práctica, para configurar el análisis mediante la modificación de este script pre-existente. <ol><li> Especifique la modalidad de datos como fMRI </li><li> Especifique el tipo de análisis como ICA con ICASSO. Esto asegurará que el ICA se ejecuta con el procedimiento ICASSO. ICASSO estima la fiabilidad de la descomposición mediante la ejecución de los ICA en varias ocasiones a partir de diferentes semillas aleatorias. Luego evalúa la similitud de cada resultado por medio de la agrupación. El uso de ICASSO se recomienda como medio de control de la calidad de la descomposición de la ACI, pero se extenderá considerablemente el tiempo que tarda REGALO para completar el análisis. <ol><li> Para ejecutar el ICA con el procedimiento ICASSO, seleccione &#39;2 &#39;en &quot;Tipo de análisis&quot; y luego parametrizar el procedimiento ICASSO en las líneas siguientes del archivo de configuración. </li></ol></li><li> Maximizar el rendimiento del grupo de ACP por la elección de &#39;1 &#39;en la configuración de rendimiento del Grupo ACP. Considere establecer este parámetro en &#39;2&quot;En caso de problemas de la memoria RAM insuficiente. </li><li> Para habilitar la clasificación después de resultar componentes utilizando predictores de una matriz de diseño estándar SPM, especificar si hay diferentes matrices para asignaturas diferentes. </li><li> Especifique el lugar donde se almacenan los datos funcionales se procesan y si un archivo SPM.mat contiene la matriz de diseño se almacenan junto con los datos funcionales se procesan. <ol><li> La forma más directa de conseguir REGALO para leer los datos es si cada participante tiene el mismo número de carreras, y el directorio de datos está estructurada como se describe en el Paso 2.3 virtud de adquisición de datos fMRI. Si es así, entonces bajo DataSelectionMethod, eligió &#39;1 &#39;para el Método 1, y completar el parámetro &quot;sourceDir_filePattern_flagLocation&quot; mediante la inclusión de la ruta de archivo donde se almacenan los datos, el formato de archivo de los datos, y una declaración que indique que las sesiones individuales se almacenan como subdirectorios dentro de cada carpeta sujeto. </li></ol></li&gt; <li> Indique el directorio en el que el resultado del análisis debe ser escrito. No escriba los resultados en el mismo directorio donde se almacenan los datos. </li><li> Proporcionar un prefijo que se añadirá a todos los archivos de salida. </li><li> Proporcionar una ruta de archivo a una máscara. Todos los volúmenes presentados a ICA están enmascarados. REGALO proporciona una máscara por defecto. Para este trabajo, una secuencia de comandos en el local para generar una máscara a partir de los datos que se presentará a la ACI. Como mínimo, la máscara debería eliminar el cráneo, el espacio extra-cerebral, y especialmente a los globos oculares. Señal de voxels globo ocular mostrará muy grandes fluctuaciones durante una carrera, por lo que tendrá una influencia considerable sobre la estructura de los componentes finales. Figura 3 ilustra lo que es una buena máscara debe ser similar. </li><li> Especifique el tipo de grupo de ACP a utilizar. Use &#39;específico de la materia. &quot; </li><li> Especifique el método de respaldo reconstrucción. En esta etapa, sujeto individual CI y sus cursos de tiempo asociados se calculan from los resultados del análisis de grupo. GICA se recomienda para la obtención de los mejores cursos de tiempo, aunque hay un considerable debate en la literatura sobre este punto. </li><li> Especifique el tipo de datos de pre-procesamiento. Utilice la normalización intensidad para evitar valores no numéricos (es decir infinitos y NaN de) en la salida. En este ejemplo, elegimos la opción predeterminada de &#39;1 &#39;. </li><li> Especifique el tipo de PCA (usamos estándar) y aceptar los valores por defecto en Opciones de PCA. REGALO realiza un PCA en cada ejecución de cada participante y retiene un número de componentes igual al número de fuentes para ser mezclado en el ICA. El PCA tiene dos propósitos importantes. En primer lugar, ayuda a eliminar las fuentes de ruido que son únicos para cada participante y cada ejecución. En segundo lugar, hace que las demandas computacionales de análisis más manejable. </li><li> Especifique cuántos PCA para ejecutarse en los datos antes de la ICA (2 se recomienda). Además, especificar el número de componentes a retener después de cada PCA (si se ejecuta2, se recomienda que el número de componentes retenidos después de la primera PCA es dos veces el número retenido después de la segunda). </li><li> Especifica cómo se deben escalar los datos. Para este trabajo, se utilizó la escala de puntuación z. </li><li> Elegir un algoritmo de separación ciega de fuentes para el ICA. Para este trabajo, se utilizó Infomax. REGALO ofrece una selección de al menos 10 algoritmos diferentes. </li><li> Parámetros restantes se pueden dejar como está. </li></ol></li><li> Una vez completado el ICA, seleccione de entre los componentes disponibles aquellos que son de interés potencial teórico. A través de la interfaz gráfica de usuario REGALO, elija la selección de componentes: clasificación espacial ordena los componentes espaciales por medio de la correlación espacial con una plantilla pre-existente; ordenación temporal ordena los cursos de tiempo componente por medio de predictores lineales de la matriz de diseño SPM que puede almacenar los datos (véase 3.3.5). Nota: Los dos enfoques para la selección de componentes tienen utilidad. Sin embargo, cuando se trabaja con datos de la tarea, la selección temporalcriterios son particularmente útiles, ya que proporcionan un medio para verificar que el componente seleccionado se activó la tarea. En el caso de la DCCS, el uso de la clasificación temporal se puede utilizar para confirmar que el componente seleccionado fue más activo durante bloques de interruptores que durante bloques de repetición. </li><li> Pon a prueba si los niños y adultos versiones de estos componentes seleccionados difieren. Niño agregada y componentes adultas de interés en dos grupos separados y ensayo por medio de una muestra de dos t-test regiones donde los componentes varían. Esto es relativamente fácil de hacer a través de la interfaz gráfica de usuario REGALO. </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>

No hay intereses financieros en competencia.

Operaciones mentales de orden superior, tales como la capacidad de cambiar las reglas de ordenación, se desarrollan rápidamente durante la infancia y la adolescencia. Debido a que estas operaciones mentales implican interacciones entre múltiples regiones del cerebro distribuidas, existe un creciente interés en la exploración de la relación entre el desarrollo de la cognición de orden superior y los cambios relacionados con la edad en la organización de las redes corticales a gran escala. Se presenta un método basado en ...

La capacidad de regular la conducta se desarrolla gradualmente durante la infancia y la adolescencia (para una revisión, ver Diamond 1). En el Dimensional Ordenar tarea Change Card, por ejemplo, los participantes cambian de clasificar las tarjetas de una manera, como la forma, para ordenarlos de una manera diferente, como el color 2 (ver Figura 2). Conmutación cobra un costo de rendimiento pequeño, o el costo del interruptor, de manera que las respuestas suelen ser más lento y propenso a errores en los ensayos de cambio en el que los cambios en las reglas de clasificación en comparación con repetir ensayos en los que la regla de clasificación sigue siendo el mismo 3. La magnitud de estos costos generalmente disminuye a medida que los niños crecen 4, que ilustra el hecho de que la capacidad de regulación del comportamiento se somete el desarrollo continuó temprano en la vida. Dado que las operaciones mentales complejas, tales como la conmutación, implican interacciones rápidos entre múltiples regiones del cerebro 5, existe un creciente interés en relating el desarrollo de la cognición de orden superior a los cambios en la organización funcional de las redes corticales amplia escala 6. Un enfoque para la investigación de cambios en el desarrollo de redes a gran escala es a través del uso de semillas a base de análisis de conectividad funcional 6,7. El primer paso en esta técnica es consultar con la literatura de investigación disponible y definir unas regiones a priori de intereses o rendimiento de la inversión, que parecen ser relevantes para la conducta en cuestión. Estas regiones de interés, o nodos, definen el esqueleto básico de la red. A continuación, las fluctuaciones de baja frecuencia en la actividad (o T2 *-ponderan intensidad de la señal) en estas regiones de interés se miden de 5 a 10 minutos, mientras que los participantes se encuentran en reposo en un escáner de resonancia magnética. La conectividad funcional entre dos nodos de la red se cuantifica entonces como la correlación de sus respectivos cursos de tiempo. Los nodos que están fuertemente conectados funcionalmente deben tener similares, y por lo tanto altamente correlacionados, señalcursos de tiempo. Por otra parte, los nodos que están débilmente conectados funcionalmente deben tener diferente y por lo tanto una correlación débil, la señal cursos de tiempo. Para completar un modelo de la red, los bordes (o enlaces) se dibujan entre nodos cuyos cursos de tiempo correlacionar encima de un umbral elegido. Las pruebas de las diferencias relacionadas con la edad en la conectividad funcional dentro de una red se pueden realizar en cualquier conexión de un solo nodo a nodo, o en la topología de todo el conjunto de nodos y aristas. Estas diferencias en la conectividad funcional entonces pueden estar relacionados con las medidas de desempeño cognitivo recogidos fuera de línea. En este trabajo, un enfoque diferente se describe que se basa en grupo de análisis de componentes independientes de datos de la fMRI basadas en tareas 8. El análisis de componentes independientes (o ICA) es un procedimiento estadístico para revelar ciegamente fuentes ocultas que subyacen a una serie de observaciones tales que las fuentes reveladas son máximamente independientes. Aplicado al análisis de datos de la fMRI, el pROCEDIMIENTO asume que cada volumen es una mezcla de un número finito de fuentes espacialmente independientes. Utilizando uno de una variedad de diferentes algoritmos, como el algoritmo Infomax, ACI a continuación, calcula una matriz de desmezcla, que cuando se aplica a los datos originales se obtiene un conjunto de fuentes de máximamente independientes, o componentes. Cada componente puede ser pensado como una red, en la medida en que se compone de un conjunto de voxels que comparten un curso de tiempo común. Grupo ICA es un tipo particular de ICA en el que un conjunto común de componentes del grupo se estima en primer lugar de un conjunto de datos completo, y luego los conjuntos participantes-específica de los componentes del grupo se calculan en un paso atrás-reconstrucción. Una vez que un conjunto de datos completo se descompone en un conjunto de componentes, el siguiente paso es descartar los componentes de artefactos que representan las fuentes de ruido, e identificar los componentes teóricamente significativas que se corresponden con las redes de interés. Esto se puede lograr ya sea por cursos de tiempo de componentes de modelado en el contexto de un GLM para identify redes que activan de una manera predicha, correlacionando espacialmente los componentes con una plantilla de una red de interés, o ambas. El resultado conjunto de los componentes puede ser sometido a un grupo de comparación para detectar posibles diferencias relacionadas con la edad en la conectividad funcional dentro de las redes teóricamente interesantes 7,9,10. Datos fMRI basa tarea Estudiar los cambios relacionados con la edad en la conectividad funcional mediante la aplicación de ICA grupo tiene varias ventajas con respecto a la aplicación de las técnicas basadas en semillas de datos de la fMRI en estado de reposo. En primer lugar, las técnicas basadas en semillas a diferencia de que se concentran en un pequeño conjunto de a priori definido ROI, el enfoque ICA grupo actual utiliza todos los voxels que comprenden una serie de tiempo volumétrica. Esto disminuye las oportunidades de sesgos que surgen necesariamente cuando un pequeño grupo de semillas se seleccionan a priori, como las regiones de interés. En segundo lugar, la aplicación de análisis de conectividad funcional (ICA-basado o no) a la tarea-en lugar de los datos de la fMRI-estado de reposo tiene la ventaja de permitir la organización de la red y la función de la red que se asocian de forma más directa. Si, por ejemplo, examen de las consecuencias cognitivas o de comportamiento de la conectividad funcional (por ejemplo, variación en el rendimiento DCCS) es una prioridad, es importante para mostrar que la red de interés está asociado con la ejecución de tareas. Con los protocolos del estado de reposo, esto es muy difícil porque el investigador no tiene constancia de ningún estados cognitivos, conductuales o afectivas experimentadas por el participante durante la adquisición de datos. Por tanto, es imposible proporcionar evidencia directa de que cualquier red de interés es relevante para el desempeño de tareas. Por el contrario, cuando el análisis de la conectividad funcional, tales como ICA, se aplica a los datos de tarea, es posible confirmar que la red de interés está asociado al menos con el desempeño de una tarea. Por último, la ACI está menos sujeto a la influencia adversa de ruido. Las fuentes de ruido, tales como los asociados ingenioh sujeta el movimiento y el ritmo cardíaco, tienen perfiles espaciotemporales únicas. Por lo tanto, en el contexto de un grupo ICA, estas fuentes se aíslan y se asignan a componentes separados, dejando los componentes restantes relativamente libre de estas fuentes no deseados de la varianza. Debido a que los análisis basados ​​en semillas utilizan los cursos de tiempo prima en la estimación de la conectividad funcional y cursos de tiempo son, por definición, las mezclas de señal neurofisiológica y el ruido de artefactos, las diferencias de grupo en las estimaciones de conectividad funcional pueden reflejar diferencias de grupo verdaderos en neurofisiología subyacente, las diferencias de grupo en la estructura de ruido, o ambos 11.

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

un método para investigar las diferencias relacionadas con la edad en la conectividad funcional de las redes de control cognitivo asociado con el cambio dimensional card ordenar performance

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

La capacidad de ajustar el comportamiento a los cambios repentinos en el medio ambiente se desarrolla gradualmente durante la infancia y la adolescencia. Por ejemplo, en el Dimensional Ordenar tarea Cambiar tarjeta, los participantes cambian de clasificar las tarjetas de una manera, como la forma, para ordenarlos de una manera diferente, como el color. Ajuste de comportamiento de esta manera exige un pequeño costo de rendimiento, o el coste de conmutación, de tal manera que las respuestas son típicamente más lento y más propenso a errores en los ensayos de cambio en la que los cambios en las reglas de clasificación, en comparación con repetir ensayos en los que la regla de clasificación sigue siendo la misma. La capacidad de ajustar con flexibilidad comportamiento se dice a menudo para desarrollar gradualmente, en parte porque los costos de comportamiento tales como los costos de conmutación normalmente disminuyen con la edad. ¿Por qué aspectos de la cognición de orden superior, tales como la flexibilidad del comportamiento, por lo que sigue siendo desarrollar gradualmente una pregunta abierta. Una hipótesis es que estos cambios se producen en asociación con los cambios funcionales en las redes de control cognitivo a gran escala. Desde esta perspectiva,operaciones mentales complejas, como la conmutación, implican interacciones rápidos entre varias regiones del cerebro distribuidas, incluidas las que actualizar y mantener normas de trabajo, la atención reorientar y seleccione comportamientos. Con el desarrollo, las conexiones funcionales entre estas regiones refuerzan, lo que lleva a las operaciones de conmutación rápidos y más eficaces. El vídeo actual describe un método para probar esta hipótesis mediante el análisis de la recolección y multivariado de datos de la fMRI de los participantes de diferentes edades.

Grupo ICA, incluso en un conjunto relativamente pequeño de datos fMRI, devolverá un conjunto de componentes comparables a los observados en otros estudios. Figura 4 es una superposición de 5 dichos componentes y sus cursos de tiempo asociados sin mezclar de una muestra de 12 niños y 13 adultos , con aproximadamente 800 volúmenes por participante. Como se muestra en la Figura 4, el modo por defecto, frontoparietal, redes-cíngulo insular, y visual fácilmente se puede ver a partir de los r...

Este video presenta un método de análisis de los cambios relacionados con la edad en la conectividad funcional de las redes de control cognitivo contratados por focalizadas tareas / procesos. La técnica se basa en el análisis multivariado de datos de la fMRI.

Un método para investigar las diferencias relacionadas con la edad en la conectividad funcional de las redes de control cognitivo asociado con el cambio dimensional Card Ordenar Performance

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

El objetivo general de este procedimiento es identificar las redes cerebrales asociadas con el cambio de tarea y evaluar las diferencias relacionadas con la edad en la conectividad funcional de estas redes. Esto se logra primero recolectando datos de IRMF de niños y adultos mientras realizan la tarea de clasificación de tarjetas con cambio dimensional. Después de preprocesar los datos, los volúmenes funcionales se descomponen en un conjunto de fuentes o componentes estadísticamente independientes.Los componentes relevantes para la función ejecutiva y el rendimiento en tareas se seleccionan mediante coincidencia de plantillas y modelado lineal, respectivamente. El paso final consiste en determinar si la conectividad funcional dentro de los componentes seleccionados difiere entre adultos y niños. En última instancia, los análisis de FMRI basados en ICA pueden utilizarse para identificar redes asociadas con el cambio de tarea y evaluar diferencias relacionadas con la edad en la organización funcional de estas redes.La principal ventaja de esta técnica frente a las técnicas existentes, como el análisis de conectividad funcional en estado de reposo, es que proporciona un medio para caracterizar con precisión la función de las redes corticales. Este método puede ayudar a responder preguntas clave en el campo de la neurociencia cognitiva del desarrollo, como si las redes corticales a gran escala implicadas en operaciones cognitivas de alto nivel, tales como el cambio de tareas, experimentan una reorganización funcional durante el desarrollo. Para comenzar, adquiera datos de FMRI siguiendo procedimientos adecuados para niños pequeños, limite los factores de confusión no deseados entrenando previamente a los participantes en una instalación con escáner simulado y, cuando estén listos, implemente una versión de ensayos repetidos de la tarea de clasificación de cartas con cambio dimensional.Cada ejecución incluye dos bloques de cambio de ocho ensayos y dos bloques de repetición de ocho ensayos, donde los bloques de cambio consisten en cuatro ensayos de cambio y cuatro ensayos de repetición, y los bloques de repetición consisten en ocho ensayos de repetición. Después de la recolección de datos, preprocese los datos de FMRI siguiendo procedimientos estándar de preprocesamiento de FMRI: primero descargue e instale GIFT, una caja de herramientas de software para ICA grupal que funciona junto con SPMA, un paquete de análisis de FMRI ampliamente conocido. Una vez descargado, agregue la caja de herramientas GIFT y todos sus subdirectorios a la ruta de búsqueda de MATLAB y guarde el archivo de ruta. Calcular una ICA grupal sobre datos de FMRI utilizando GIFT requiere una demanda considerable de memoria RAM.Para evitar problemas de memoria, es mejor ejecutar el análisis de ICA en un servidor. Si se realiza el análisis en un ordenador local, los requisitos de RAM se pueden estimar utilizando un script que forma parte de gif para parametrizar el análisis, modificando un script por lotes preexistente denominado Input data subjects one M que se almacena en gif bajo los archivos por lotes de ICAT B. Esto también puede hacerse utilizando la interfaz gráfica de usuario de gif.Sin embargo, es mucho más fácil con un poco de práctica configurar el análisis modificando este script preexistente. A continuación, especifique la modalidad de datos. Como FMRI, especifique el tipo de análisis como ICA para ejecutar el ICA con el procedimiento I Casso.Seleccione dos en el tipo de análisis y luego parametrice el procedimiento I Casso en las líneas siguientes del archivo de configuración. Maximice el rendimiento del PCA de grupo eligiendo uno en la configuración de rendimiento del PCA de grupo para permitir la clasificación a partir de una matriz de diseño SPM estándar; especifique si existen matrices diferentes para sujetos diferentes. A continuación, indique dónde se almacenan los datos funcionales preprocesados y si un archivo dot mat de SPM que contiene la matriz de diseño se almacena junto con los datos funcionales preprocesados.Si cada participante tiene el mismo número de series, seleccione una para el método uno. En la opción de método de selección de datos, complete el patrón de archivo de control de origen de parámetros, indicador y ubicación incluyendo la ruta del archivo donde se almacenan los datos, el formato de archivo de los datos y una declaración que indique que las sesiones individuales se almacenan como subdirectorios dentro de la carpeta de cada sujeto. Indique también el directorio donde se debe guardar la salida del análisis. Este no debe ser el mismo directorio donde se almacenan los datos.El siguiente paso consiste en proporcionar un prefijo que se agregará a todos los archivos de salida. A continuación, proporcione una ruta de archivo a una máscara. Como mínimo, la máscara debe eliminar el espacio extracerebral del cráneo y especialmente los globos oculares, como se ilustra aquí.Téngase en cuenta en este ejemplo la evidencia residual de los globos oculares. Esto dará lugar a una descomposición ICA subóptima y debe evitarse para el tipo de PCA grupal que se va a utilizar. Elija sujetos específicos para obtener la mejor curva temporal.Seleccione GICA como método de reconstrucción posterior. Al seleccionar un tipo de preprocesamiento de datos, utilice la normalización de intensidad para evitar valores no numéricos en la salida. En este ejemplo, se elige el valor predeterminado de uno.Seleccione el tipo estándar de ACP y acepte los valores predeterminados en las opciones de ACP. A continuación, especifique cuántos ACP se ejecutarán sobre los datos antes del AIC. Además, indique cuántos componentes conservar tras cada ACP; utilice la normalización por puntuación Z para calificar los datos y elija un algoritmo de separación ciega de fuentes para el AIC en este trabajo.Se utilizó Infomax una vez finalizada la ICA. Seleccione componentes de posible interés teórico para su consideración posterior. Se puede seleccionar la clasificación espacial para ordenar los componentes mediante la correlación espacial con una plantilla preexistente, mientras que la clasificación temporal ordena.Los cursos temporales de los componentes mediante predictores lineales de la matriz de diseño SPM. Una vez completado el análisis, pruebe si difieren las versiones infantil y adulta de los componentes seleccionados. Aquí se muestran los resultados del procedimiento ICAS O aplicado a un ICA con 60 componentes.Cada punto numerado representa un componente. Los puntos negros representan diferentes descomposiciones ICA de los mismos datos con diferentes semillas aleatorias. Idealmente, los resultados de las distintas descomposiciones, vistos aquí como puntos negros diferentes, deberían agruparse estrechamente alrededor de los puntos numerados.Esto indica una buena fiabilidad en la descomposición. La plantilla de control ejecutivo y el componente frontoparietal derecho seleccionado se superponen en cortes idénticos de una exploración anatómica de alta resolución y parecen bastante comparables. La conectividad funcional fue mayor en la corteza prefrontal medial y en la zona segmentaria ventral, así como en la corteza prefrontal dorsal e inferior parietal de los adultos en comparación con los niños.Bueno, se está intentando este procedimiento. Es importante recordar verificar su resultado en cada etapa del análisis. Los errores pequeños se propagarán hacia adelante y darán lugar a resultados ininteligibles.Tras seguir este procedimiento, se pueden realizar otros métodos, como el análisis de conectividad funcional de redes, para responder preguntas adicionales, tales como si las interacciones funcionales entre componentes cambian en función de las demandas de la tarea o de la edad del participante.

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

Research

Investigación

JoVE Journal

Behavior

Comportamiento

El objetivo de nuestra investigación es correlacionar el comportamiento de la actividad cerebral. Precisas medidas de comportamiento y técnicas de imagen nos permiten dilucidar las relaciones cerebro-conducta.

La correlación entre las respuestas de comportamiento a las señales de fMRI de la corteza prefrontal humana: estudio de determinados procesos cognitivos Uso del análisis de tareas

Pusimos a prueba la capacidad de uso de una aplicación basada en la tableta de ordenador (EmoCogMeter) en la investigación de los efectos de la edad sobre la cognición. Los resultados muestran un declive cognitivo relacionado con la edad, lo que demuestra el uso de nuestra aplicación. Los resultados ponen de manifiesto el gran potencial clínico y práctico de una aplicación basada en tableta para la detección y control de la disfunción cognitiva.

Evaluación de los cambios relacionados con la edad en las funciones cognitivas Uso EmoCogMeter, un Enfoque Basado Novela Tablet-ordenador

Se considera transferir un paradigma con un historial de uso en experimentos de EEG a un experimento de fMRI. Se demuestra que la manipulación de las demandas de la tarea en la tarea visual extraña dio lugar a diferentes patrones de activación de BOLD e ilustró cómo el diseño de la tarea es crucial en los experimentos de fMRI.

Transferencia de tareas cognitivas entre el cerebro de imágenes Modalidades: implicaciones para el diseño de tareas y resultados de interpretación en los estudios de resonancia magnética funcional

Este artículo describe el Test de las 4 Montañas (4MT), una prueba dependiente del hipocampo de la memoria espacial alocéntrica de trabajo. El hipocampo se ve afectado en una fase temprana de la enfermedad de Alzheimer (EA) y este artículo describe la metodología de la 4MT y los resultados de las pruebas con pacientes, lo que demuestra el valor de la 4MT en el diagnóstico de la EA previa a la demencia.

El 4 Montañas de prueba: una prueba corta de la memoria espacial con alta sensibilidad para el diagnóstico de pre-demencia Enfermedad de Alzheimer

Este manuscrito describe cómo implementar un análisis de interacción psicofisiológica para revelar cambios dependientes de la tarea en la conectividad funcional entre una región de semilla seleccionada y voxels en otras regiones del cerebro. Análisis de interacción psicofisiológica es un popular método para examinar los efectos de la tarea en la conectividad cerebral, distinta de los efectos de activación univariantes tradicionales.

Análisis de la interacción psicofisiológica generalizada (PPI) de la memoria relacionados con la conectividad en individuos con riesgo genético de la enfermedad de Alzheimer

Basado en estado reposo resonancia magnética funcional con análisis de causalidad de Granger, se investigaron las alteraciones en la conectividad funcional dirigida entre la corteza del cíngulo posterior y todo el cerebro en pacientes con enfermedad de Alzheimer (EA), pacientes con deterioro cognitivo leve (MCI) y controles sanos.

Aplicación del análisis de causalidad de Granger de la conexión funcional dirigida en la enfermedad de Alzheimer y deterioro cognitivo leve

El objetivo del enfoque descrito es determinar en qué momentos del paradigma (perspectiva temporal) y entre las regiones (perspectiva espacial), reconfiguraciones significativas en conectividad funcional se producen en la proyección de imagen de resonancia magnética funcional grabaciones durante el cual un estímulo tiempo-bloqueada se juega.

Conectividad funcional entre sujeto dinámico revela configuraciones de red del cerebro momento impulsadas por el continuo o paradigmas de la comunicación

Este artículo presenta un enfoque integrador para investigar la red funcional para la navegación espacial en el cerebro humano. Este enfoque incorpora una base de datos metaanalítica de neuroimagen a gran escala, imágenes de resonancia magnética funcional en estado de reposo y técnicas de modelado de redes y teoría de grafos.

Modelado de la red funcional para la navegación espacial en el cerebro humano

Se demuestra cómo una medida objetiva se puede emplear en la goma de la mano paradigma ilusión ampliamente empleado. Esta medida se obtiene mediante la modificación de la tarea congruencia crossmodal bien establecida. Esta tarea permite la investigación de los procesos multisensoriales que son críticos para la modulación de las representaciones del cuerpo como en la mano ilusión de goma.

El Grupo de Congruencia crossmodal como medio para obtener una medida del comportamiento objetivo de la Guía Caucho mano Illusion Paradigm

Discutimos un método novedoso para la rotación de estímulos visuales y demostramos utilizando un estereoscopio de espejo la percepción tridimensional de la rotación en profundidad. La técnica se puede utilizar para investigar el papel de las señales estereoscópicas en la codificación de figuras giradas desde el punto de vista.

Medición de la sensibilidad al cambio de punto de vista con y sin señales estereoscópicas

Aprende a identificar redes cerebrales asociadas al cambio de tarea mediante análisis ICA de datos fMRI. Este método permite estudiar diferencias de conectividad funcional entre adultos y niños en neurociencia cognitiva.

Un método para investigar las diferencias relacionadas con la edad en la conectividad funcional de las redes de control cognitivo asociado con el cambio dimensional Card Ordenar Performance (Video) | JoVE Journal

Un método para investigar las diferencias relacionadas con la edad en la conectividad funcional de las redes de control cognitivo asociado con el cambio dimensional Card Ordenar Performance

Explorar más videos