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

El objetivo general de este procedimiento es identificar las redes cerebrales asociadas con el cambio de tareas y probar las diferencias relacionadas con la edad en la conectividad funcional de estas redes. Esto se logra recopilando primero datos de FMRI de niños y adultos mientras se completa la tarea de clasificación de tarjetas de cambio dimensional. Después del preprocesamiento de los datos, los volúmenes funcionales se descomponen en un conjunto de fuentes o componentes estadísticamente independientes.

Los componentes de relevancia para el funcionamiento ejecutivo y el rendimiento de la tarea se seleccionan mediante la coincidencia de plantillas y el modelado lineal, respectivamente. El paso final es determinar si la conectividad funcional dentro de los componentes seleccionados difiere para adultos y niños. En última instancia, los análisis de FMRI basados en ICA se pueden utilizar para identificar redes asociadas con la conmutación de tareas y probar las diferencias relacionadas con la edad en la organización funcional de estas redes.

La principal ventaja de esta técnica sobre 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 involucradas en operaciones cognitivas de alto nivel, como el cambio de tareas, experimentan una reorganización funcional a lo largo del desarrollo. Para comenzar a adquirir datos de FMRI siguiendo procedimientos adecuados para niños pequeños, limite las confusiones no deseadas capacitando a los participantes con anticipación en una instalación de escáner simulado cuando estén listos, implemente una versión de prueba repetida de la tarea de clasificación de tarjetas de cambio dimensional.

Cada ejecución incluye dos bloques de conmutación de ocho pruebas y dos bloques de repetición de ocho pruebas, donde los bloques de conmutación constan de cuatro pruebas de conmutación y cuatro pruebas de repetición y los bloques de repetición constan de ocho pruebas de repetición después de la recopilación de datos, preprocesaron los datos de FMRI siguiendo los procedimientos estándar de preprocesamiento de FMRI, primero descargue e instale gif una caja de herramientas de software ICA de grupo que funciona junto con SPMA, conocido paquete de análisis FMRI. Una vez descargado, añada la caja de herramientas de regalo y todos los subdirectorios a la ruta de búsqueda de MATLAB y guarde el archivo de ruta computing. Un grupo ICA en datos FMRI usando gif hace demandas sustanciales en la memoria RAM.

Para evitar problemas de memoria, es mejor ejecutar el análisis ICA en un servidor. Si se ejecuta el análisis en una computadora local, los requisitos de RAM se pueden estimar utilizando un script que sea parte de gif para parametrizar el análisis, modifique un script por lotes preexistente llamado Input data subjects one M que se almacena en gif en archivos por lotes ICAT B. Esto también se puede hacer mediante el uso de la interfaz gráfica de usuario gifs.

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 especificar el tipo de análisis como ICA para ejecutar el ICA con el procedimiento I Casso.

Seleccione dos en Tipo de análisis y, a continuación, parametrice el procedimiento I Casso en las líneas siguientes del archivo de instalación. Maximice el rendimiento del grupo PCA eligiendo uno en la configuración de rendimiento del grupo PCA para habilitar la clasificación de una matriz de diseño SPM estándar y especifique si hay o no diferentes matrices para diferentes sujetos. A continuación, especifique dónde se almacenan los datos funcionales preprocesados y si un archivo SPM dot mat que contiene la matriz de diseño se almacena junto con los datos funcionales preprocesados.

Si cada participante tiene el mismo número de carreras, seleccione una para el método uno. En la opción de método de selección de datos, complete el parámetro patrón de archivo de dirección de origen, marca, 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 cada carpeta de asunto indica el directorio donde se debe escribir la salida del análisis. No debe ser el mismo directorio donde se almacenan los datos.

El siguiente paso es proporcionar un prefijo que se agregará a todos los archivos de salida. A continuación, proporcione una ruta de acceso de archivo a una máscara. Como mínimo, la mascarilla debe eliminar el espacio cerebral adicional del cráneo y especialmente los globos oculares, como se ilustra aquí.

Nótese en este ejemplo la evidencia residual de los globos oculares. Esto conducirá a una descomposición subóptima de la ICA y debe evitarse para el tipo de PCA de grupo que se utilizará. Elija un tema específico para obtener el mejor curso de tiempo.

Seleccione GICA como método de reconstrucción de la espalda. 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.

Elija el tipo de PCA estándar y acepte los valores predeterminados en Opciones de PCA. A continuación, especifique el número de PCA que se ejecutarán en los datos antes de la ICA. Además, especifique cuántos componentes se conservarán después de cada PCA Utilice la escala de puntuación Z para puntuar los datos, elija un algoritmo de separación de fuentes ciegas para el ICA para este trabajo.

Se utilizó Infomax una vez finalizado el ICA. Seleccionar componentes de interés teórico potencial para una mayor consideración. La ordenación espacial se puede seleccionar para ordenar los componentes mediante la correlación espacial con una plantilla preexistente, mientras que la ordenación temporal ordena.

Los cursos de tiempo de los componentes por medio de predictores lineales de la matriz de diseño SPM. Una vez finalizado el análisis, pruebe si las versiones para niños y adultos de los componentes seleccionados difieren. Mostrado. Estos son 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 diferentes descomposiciones vistas aquí como diferentes puntos negros deberían agruparse estrechamente alrededor de los puntos numerados.

Esto indica una buena fiabilidad en la descomposición. La plantilla de control ejecutivo y el componente parietal frontal derecho seleccionado se superponen en cortes idénticos de una exploración anatómica de alta resolución y parecen bastante comparables. La conectividad funcional fue más fuerte en la corteza prefrontal medial y el área segmentaria ventral y la corteza prefrontal dorsal y parietal inferior de los adultos en comparación con los niños.

Bueno, está intentando este procedimiento. Es importante recordar que hay que comprobar los resultados en cada etapa del análisis. Los pequeños errores se propagarán hacia adelante y conducirán a resultados ininterpretables.

Siguiendo este procedimiento. Se pueden realizar otros métodos, como el análisis de conectividad funcional de red, para responder a preguntas adicionales, como si las interacciones funcionales entre los componentes cambian en función de las demandas de la tarea o de la edad de los participantes.