Une méthode d'enquête sur les différences liées à l'âge dans la connectivité fonctionnelle des réseaux de contrôle cognitif associé à changement dimensionnel carte Trier Performance

L’objectif global de cette procédure est d’identifier les réseaux cérébraux associés au changement de tâche et de tester les différences liées à l’âge dans la connectivité fonctionnelle de ces réseaux. Pour ce faire, il suffit de collecter d’abord des données FMRI auprès d’enfants et d’adultes tout en effectuant la tâche de tri des cartes de changement dimensionnel. Après le prétraitement des données, les volumes fonctionnels sont décomposés en un ensemble de sources ou de composants statistiquement indépendants.

Les composantes pertinentes pour le fonctionnement exécutif et la performance des tâches sont sélectionnées au moyen de l’appariement de modèles et de la modélisation linéaire respectivement. La dernière étape consiste à déterminer si la connectivité fonctionnelle au sein des composants sélectionnés diffère pour les adultes et les enfants. En fin de compte, les analyses FMRI basées sur l’ICA peuvent être utilisées pour identifier les réseaux associés à la commutation de tâches et tester les différences liées à l’âge dans l’organisation fonctionnelle de ces réseaux.

Le principal avantage de cette technique par rapport aux techniques existantes telles que l’analyse de connectivité fonctionnelle à l’état de repos est qu’elle fournit un moyen de caractériser avec précision la fonction des réseaux corticaux. Cette méthode peut aider à répondre à des questions clés dans le domaine des neurosciences cognitives du développement, par exemple si les réseaux corticaux à grande échelle impliqués dans des opérations cognitives de haut niveau telles que la commutation de tâches, subissent une réorganisation fonctionnelle au cours du développement. Pour commencer à acquérir des données FMRI en suivant des procédures adaptées aux jeunes enfants, limitez les confusions indésirables en formant les participants à l’avance dans une installation de scanner fictif lorsqu’ils sont prêts, mettez en œuvre une version d’essai répétée de la tâche de tri de carte de changement dimensionnel.

Chaque exécution comprend deux blocs de commutation de huit essais et deux blocs de répétition de huit essais, où les blocs de commutation se composent de quatre essais de commutation et quatre essais répétés et les blocs de répétition consistent en huit essais répétés après la collecte de données, prétraitement des données FMRI suivant les procédures de prétraitement standard de l’IRMF, téléchargement et installation d’abord gif une boîte à outils logicielle ICA de groupe qui fonctionne avec SPMA, Package d’analyse FMRI bien connu. Une fois téléchargé, ajoutez la boîte à outils cadeau et tous les sous-répertoires au chemin de recherche MATLAB et enregistrez le fichier de chemin d’accès. Un ICA de groupe sur des données FMRI utilisant des fichiers gif sollicite considérablement la mémoire RAM.

Pour éviter les problèmes de mémoire, il est préférable d’exécuter l’analyse ICA sur un serveur. Si vous exécutez l’analyse sur un ordinateur local, les besoins en RAM peuvent être estimés à l’aide d’un script qui fait partie de gif pour paramétrer l’analyse, modifier un script de lot préexistant appelé Sujets de données d’entrée un M qui est stocké en gif sous les fichiers de lots ICAT B. Cela peut également être fait en utilisant l’interface utilisateur graphique gifs.

Cependant, il est beaucoup plus facile avec un peu de pratique de mettre en place l’analyse en modifiant ce script préexistant. Ensuite, spécifiez la modalité de données. Comme FMRI spécifie le type d’analyse comme ICA pour exécuter l’ICA avec la procédure I Casso.

Sélectionnez-en deux sous type d’analyse, puis paramétrez la procédure I Casso dans les lignes suivantes du fichier d’installation. Optimisez les performances de l’ACP de groupe en en choisissant une sous Paramètres de performance de l’ACP de groupe pour permettre le tri à partir d’une matrice de conception SPM standard, spécifiez s’il existe ou non des matrices différentes pour différents sujets. Ensuite, indiquez où les données fonctionnelles prétraitées sont stockées et si un fichier SPM dot mat contenant la matrice de conception est stocké ou non avec les données fonctionnelles prétraitées.

Si chaque participant a le même nombre de courses, sélectionnez-en une pour la première méthode. Sous l’option de méthode de sélection des données, complétez le modèle de fichier de direction de la source de paramètre, l’indicateur, l’emplacement en incluant le chemin d’accès au fichier où les données sont stockées, le format de fichier des données et une déclaration indiquant que les sessions individuelles sont stockées en tant que sous-répertoires dans chaque dossier de sujet indiquant le répertoire dans lequel la sortie de l’analyse doit être écrite. Il ne doit pas s’agir du même répertoire que celui où les données sont stockées.

L’étape suivante consiste à fournir un préfixe qui sera ajouté à tous les fichiers de sortie. Ensuite, fournissez un chemin d’accès à un masque. Au minimum, le masque doit éliminer l’espace cérébral supplémentaire du crâne et surtout les globes oculaires, comme illustré ici.

Remarquez dans cet exemple des preuves résiduelles des globes oculaires. Cela conduira à une décomposition sous-optimale de l’ICA et doit être évité pour le type de groupe PCA à utiliser. Choisissez un sujet spécifique pour obtenir le meilleur cours de temps.

Sélectionnez GICA comme méthode de reconstruction du dos. Lors de la sélection d’un type de prétraitement de données, utilisez la normalisation de l’intensité pour éviter les valeurs non numériques dans la sortie. Dans cet exemple, la valeur par défaut est choisie.

Choisissez le type de PCA standard et acceptez les valeurs par défaut sous les options PCA. Ensuite, spécifiez le nombre de PCA à exécuter sur les données avant l’ICA. En outre, spécifiez le nombre de composants à conserver après chaque PCA Utilisez la mise à l’échelle Z-score pour noter les données, choisissez un algorithme de séparation de source aveugle pour l’ICA pour ce travail.

Infomax a été utilisé une fois l’ICA terminée. Sélectionner des éléments d’intérêt théorique potentiel pour un examen plus approfondi. Le tri spatial peut être sélectionné pour trier les composants au moyen d’une corrélation spatiale avec un modèle préexistant, tandis que le tri temporel trie.

Le composant évolue dans le temps au moyen de prédicteurs linéaires de la matrice de conception SPM. Une fois l’analyse terminée, vérifiez si les versions enfant et adulte des composants sélectionnés diffèrent. Montré. Voici les résultats de la procédure ICAS O appliquée à une ICA à 60 composantes.

Chaque point numéroté représente un composant. Les points noirs représentent différentes décompositions ICA des mêmes données avec différentes graines aléatoires. Idéalement, les résultats des différentes décompositions observées ici sous la forme de différents points noirs devraient se regrouper étroitement autour des points numérotés.

Cela indique une bonne fiabilité dans la décomposition. Le modèle de contrôle exécutif et la composante pariétale frontale droite sélectionnée sont superposés sur des coupes identiques à partir d’un balayage anatomique à haute résolution et semblent tout à fait comparables. La connectivité fonctionnelle était plus forte dans le cortex préfrontal médial et la zone segmentaire ventrale ainsi que dans le cortex préfrontal dorsal et le cortex pariétal inférieur des adultes par rapport aux enfants.

Eh bien, il tente cette procédure. Il est important de ne pas oublier de vérifier vos résultats à chaque étape de l’analyse. Les petites erreurs se propagent et conduisent à des résultats ininterprétables.

En suivant cette procédure. D’autres méthodes peuvent être mises en œuvre, telles que l’analyse de la connectivité fonctionnelle du réseau, pour répondre à des questions supplémentaires, par exemple si les interactions fonctionnelles entre les composants changent en fonction des exigences de la tâche ou de l’âge du participant.