Name: Une méthode denquête sur les différences liées à lâge dans la connectivité fonctionnelle des réseaux de contrôle cognitif associé à changement dimensionnel carte Trier Performance (Vidéo) | JoVE Journal
Uploaded: 2014-05-07T13:00:00.000+00:00
Duration: 9 min 1 s
Description: Découvrez l'analyse par ICA de données IRMf pour étudier la connectivité fonctionnelle des réseaux de contrôle cognitif lors du changement de tâche. Cette méthode révèle les différences liées à l'âge entre enfants et adultes.

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

Cette recherche a été rendue possible grâce à l&#39;appui de subventions du Conseil de recherches en sciences naturelles et génie (CRSNG) à J. Bruce Morton.

1. Obtenir l&#39;approbation pour travailler avec des sujets humains 2. Acquisition de données IRMf <ol><li> Acquérir des données IRMf procédures appropriées pour les jeunes enfants à la suite (voir Raschle, et al. 12). Faire tous les efforts pour limiter les éventuelles différences liées à l&#39;âge dans l&#39;exécution des tâches et de mouvement, comme ces différences introduisent confond indésirables qui limitent la capacité de l&#39;un de tirer des conclusions sur les différences de développement pertinents dans l&#39;activation du cerveau et de la connectivité fonctionnelle. Remarque: Dans le protocole actuel, une version-essais répétés de la DSRC a été administré sous la forme d&#39;une conception de bloc 13. Chaque série comprend deux blocs de commutation de 8 essais et deux blocs de répétition de 8 essais, où des blocs de commutation se composent de 4 essais de commutation et 4 essais répétés, et des blocs de répétition se composent de 8 essais de répétition. Le protocole est parfaitement adapté pour une utilisation avec des données d&#39;IRMf liés à l&#39;événement. Cependant, conceptions de bloc sont agréables à travailler avec lors de l&#39;obtention première acquainted avec l&#39;ICA, comme il est facile de voir les modulations de la tâche en cours de temps partiels. </li><li> Données Preprocess IRMf suivant les procédures standard de prétraitement IRMf. <ol><li> Réaligner l&#39;ensemble des images fonctionnelles à la même orientation et la position. Typiquement, le premier volume fonctionnel est utilisé comme image de référence pour tous les autres volumes pour être alignés à. </li><li> COREGISTER l&#39;image pondérée T1 (anatomique) avec le T2 * pondérée balayages (fonctionnels), de sorte que l&#39;activation est superposé sur l&#39;emplacement anatomique correct. </li><li> Normaliser toutes les images à une taille standard, l&#39;espace, et la position de la sélection d&#39;un cerveau de modèle (par exemple Talairach). Cela permet de s&#39;assurer que les régions homologues de différents sujets sont comparés. Remarque: Les images sont déformés à Talairach dans le protocole actuel, bien que d&#39;autres modèles peuvent également être utilisés (par exemple, l&#39;INM {Institut neurologique de Montréal} espace). </li><li> Lisser tous les volumes fonctionnels dans la datun ensemble avec 6 à 10 mm de lissage noyau. </li></ol></li><li> Séquestrer volumes prétraitées dans un ensemble distinct de répertoires. Utilisez &quot;analyses fonctionnelles» comme le répertoire racine. Dans &quot;scans fonctionnels&quot; comprennent un répertoire distinct pour chaque participant, et dans chaque répertoire des participants, un répertoire distinct pour chaque course. Les données sont maintenant prêtes pour l&#39;analyse de l&#39;ICA. </li></ol> 3. Groupe de l&#39;analyse en composantes indépendantes (ICA) <ol><li> Télécharger et installer le logiciel ICA groupe. Il ya un certain nombre de boîtes à outils disponibles pour la mise en œuvre de l&#39;ACI sur les différents types de données neurophysiologiques, y compris l&#39;IRMf. Alors que toute boîte à outils qui effectue groupe ICA serait potentiellement convenable, celle utilisée dans le protocole actuel est appelé CADEAU. CADEAU a été développé par Vince Calhoun et ses collègues de l&#39;Université du Nouveau-Mexique. La boîte à outils de GIFT est un ensemble de scripts MATLAB qui fonctionne avec SPM, un logiciel d&#39;analyse IRMf bien connu. Les deux peuvent be téléchargé gratuitement à partir d&#39;Internet (GIFT: mialab.mrn.org / software / cadeau / index.html #; SPM: www.fil.ion.ucl.ac.uk/spm/). Une fois téléchargé, ajouter la boîte à outils de CADEAU et tous les sous-répertoires au chemin de recherche MATLAB et enregistrez le fichier de chemin. </li><li> Calcul d&#39;une ICA de groupe sur les données d&#39;IRMf utilisant CADEAU impose des exigences importantes sur la mémoire RAM. Les exigences précises sur la mémoire vont varier en fonction du nombre de participants, le nombre de données recueillies à partir de chaque participant, et la résolution des données. Pour éviter les problèmes de mémoire, il est préférable d&#39;exécuter l&#39;analyse de l&#39;ICA sur un serveur. Si l&#39;exécution de l&#39;analyse sur un ordinateur local, les besoins en mémoire vive peuvent être estimés à l&#39;aide d&#39;un script &quot;icatb_mem_ica.m&quot; qui fait partie de CADEAU. </li><li> Mise en place ou paramétrer l&#39;analyse. Pour ce faire, en modifiant un script batch préexistant appelé &quot;Input_data_subjects_1.m&quot; qui est stocké dans la rubrique «CADEAU icatb_batch_files&quot;. Remarque: Cela peut aussi être fait en utilisant Graphical User Interfaces de CADEAUace. Cependant, il est beaucoup plus facile, avec un peu de pratique, de mettre en place l&#39;analyse en modifiant ce script pré-existant. <ol><li> Spécifiez modalité de données IRMf </li><li> Spécifier le type d&#39;analyse que l&#39;ICA avec ICASSO. Cela permettra d&#39;assurer l&#39;ICA est exécuté avec la procédure ICASSO. ICASSO estime la fiabilité de la décomposition en exécutant à plusieurs reprises à partir de l&#39;ICA différentes graines aléatoires. Il teste ensuite la similitude de chaque résultat à l&#39;aide de grappes. L&#39;utilisation de ICASSO est recommandé comme moyen de contrôle de la qualité de la décomposition de l&#39;ICA, mais allongera considérablement le temps qu&#39;il faut CADEAU pour compléter l&#39;analyse. <ol><li> Pour exécuter l&#39;ICA à la procédure ICASSO, sélectionnez &#39;2 &#39;dans «Type d&#39;analyse», puis paramétrer la procédure ICASSO dans les lignes suivantes du fichier de configuration. </li></ol></li><li> Maximiser la performance du groupe ACP en choisissant &#39;1 &#39;dans les paramètres de performance du groupe APC. Envisager de mettre ce paramètre à &#39;2«Les problèmes de mémoire RAM insuffisante devraient se produire. </li><li> Pour permettre plus tard de tri des composants résultant en utilisant les prédicteurs d&#39;une matrice standard de conception SPM, indiquez si oui ou non il existe différentes matrices pour différents sujets. </li><li> Indiquez l&#39;emplacement où les données fonctionnelles prétraités sont stockés et si un fichier SPM.mat contenant la matrice de conception sont stockées avec les données fonctionnelles prétraités. <ol><li> La façon la plus simple d&#39;obtenir CADEAU pour lire les données sont si chaque participant a le même nombre de pistes, et le répertoire de données est structurée de la manière décrite à l&#39;étape 2.3 dans l&#39;acquisition de données IRMf. Si oui, alors sous DataSelectionMethod, a choisi &#39;1 &#39;pour la méthode 1, et compléter le paramètre &quot;sourceDir_filePattern_flagLocation&quot; en incluant le chemin du fichier où sont stockées les données, le format de fichier des données, et une déclaration indiquant que les séances individuelles sont stockées sous forme de sous-répertoires dans chaque dossier de sujet. </li></ol></li&gt; <li> Indiquez le répertoire où le résultat de l&#39;analyse doit être écrit. Ne pas écrire les résultats dans le même répertoire où les données sont stockées. </li><li> Fournir un préfixe qui sera ajouté à tous les fichiers de sortie. </li><li> Fournir un chemin de fichier à un masque. Tous les volumes soumis à l&#39;ICA sont masqués. CADEAU fournit un masque par défaut. Pour ce travail, un script en interne pour générer un masque à partir des données qui sera soumis à l&#39;ICA. Au minimum, le masque devrait éliminer crâne, l&#39;espace extra-cérébral, et en particulier les globes oculaires. Signal de voxels du globe oculaire se montrer très grandes fluctuations au cours d&#39;une course et aura donc une influence importante sur la structure des composants finaux. Figure 3 illustre ce qu&#39;est un bon masque devrait ressembler. </li><li> Spécifiez le type de groupe ACP à être utilisé. Utilisez &#39;objet spécifique. </li><li> Spécifiez la méthode de back-reconstruction. A ce stade, sujet individuel IC et leurs cours à temps associés sont calculés vientm les résultats de l&#39;analyse de groupe. GICA est recommandé pour obtenir les meilleurs cours du temps, bien qu&#39;il y ait débat considérable dans la littérature sur ce point. </li><li> Spécifiez le type de données de pré-traitement. Utilisez la normalisation de l&#39;intensité d&#39;éviter des valeurs non numériques (c.-à-infinis, et Nan) dans la sortie. Dans cet exemple, nous avons choisi le défaut de &#39;1 &#39;. </li><li> Spécifiez le type de PCA (nous utilisons la norme) et accepter les valeurs par défaut dans le menu Options de l&#39;APC. CADEAU effectue une ACP sur chaque terme de chaque participant et conserve un certain nombre de composants égal au nombre de sources pour être mélangés dans l&#39;ACI. Le PCA sert deux objectifs importants. Premièrement, elle aide à éliminer les sources de bruit qui sont uniques à chaque participant et chaque course. Deuxièmement, il fait les demandes de calcul de l&#39;analyse plus docile. </li><li> Spécifiez combien de APC pour fonctionner sur les données avant de l&#39;ACI (2 recommandé). De plus, indiquer le nombre de composants à conserver après chaque PCA (si vous utilisez2, il est recommandé que le nombre de composantes conservées après la première PCA est deux fois le nombre conservé après la seconde). </li><li> Indiquez comment les données doivent être mises à l&#39;échelle. Pour ce travail, z-score échelle a été utilisée. </li><li> Choisissez un algorithme de séparation aveugle de source pour l&#39;ICA. Pour ce travail, on a utilisé Infomax. CADEAU offre un choix d&#39;au moins 10 algorithmes différents. </li><li> Autres paramètres peuvent être laissés en l&#39;état. </li></ol></li><li> Une fois l&#39;ICA est terminée, sélectionnez parmi les composants disponibles ceux qui sont d&#39;un intérêt théorique potentiel. Grâce à l&#39;interface graphique de CADEAU, choisissez la sélection des composants: tri spatiale trie les composantes spatiales au moyen de corrélation spatiale avec un modèle pré-existant; tri temporel trie les cours à temps composant au moyen de prédicteurs linéaires de la matrice de conception de SPM que vous pouvez stocker les données (voir 3.3.5). Remarque: Les deux approches de sélection des composants ont une utilité. Toutefois, lorsque vous travaillez avec des données de la tâche, la sélection temporellecritères sont particulièrement utiles, car ils fournissent un moyen de vérifier que le composant sélectionné est activé par la tâche. Dans le cas de la DCCS, l&#39;utilisation d&#39;un tri temporel peut être utilisé pour confirmer que le composant sélectionné était plus actif au cours de blocs de commutation pendant que les blocs de répétition. </li><li> Tester si les versions des enfants et des adultes de ces composants sélectionnés diffèrent. Enfant et pour l&#39;ensemble des composants adultes d&#39;intérêt en deux groupes distincts et essai par l&#39;intermédiaire d&#39;un sur deux échantillons régions t-test où les composants varient. Cela est relativement facile à faire par le biais de l&#39;interface graphique CADEAU. </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>

Il n&#39;y a pas d&#39;intérêts financiers concurrents.

Opérations mentales d&#39;ordre supérieur, comme la possibilité de changer les règles de tri, se développent rapidement pendant l&#39;enfance et l&#39;adolescence. Parce que ces opérations mentales impliquent des interactions entre plusieurs régions du cerveau distribués, il ya un intérêt croissant dans l&#39;exploration de la relation entre le développement de la cognition d&#39;ordre supérieur et les changements liés à l&#39;âge dans l&#39;organisation des réseaux corticaux à grande échelle. Nous présentons une méthod...

La capacité à réguler le comportement se développe progressivement dans l&#39;enfance et l&#39;adolescence (pour revue, voir Diamond 1). Dans le changement de carte Trier tâche dimensionnelle, par exemple, les participants passent de tri des cartes dans un sens, comme la forme, à les trier d&#39;une manière différente, comme la couleur 2 (voir la figure 2). Commutation exige un faible coût de la performance, ou le coût de commutation, de sorte que les réponses sont généralement plus lents et plus d&#39;erreurs sur les essais de commutation dans lequel les changements de règles de tri par rapport à répéter les essais dans lesquels la règle de tri reste le même 3. L&#39;ampleur de ces coûts obtient généralement plus petits que les enfants grandissent 4, illustrant le fait que la capacité de régulation du comportement subit poursuivi le développement des jeunes dans la vie. Parce que les opérations mentales complexes, telles que la commutation, impliquent des interactions rapides entre plusieurs régions du cerveau 5, on s&#39;intéresse de plus en relating le développement de la cognition d&#39;ordre supérieur à l&#39;évolution de l&#39;organisation fonctionnelle des réseaux corticaux à grande échelle 6. Une approche pour étudier les changements dans le développement des réseaux à grande échelle à travers l&#39;utilisation de base de graines fonctionnelle analyse de la connectivité 6,7. La première étape de cette technique est de consulter les documents de recherche disponibles et de définir des régions a priori d&#39;intérêt, ou ROI, qui semblent être pertinentes pour le comportement en question. Ces régions d&#39;intérêt, ou noeuds, définissent le squelette de base du réseau. Ensuite, les fluctuations à basse fréquence de l&#39;activité (ou T2 * pondérées intensité du signal) dans ces régions d&#39;intérêt sont évalués pendant 5 à 10 min alors que les participants sont au repos dans un scanner IRM. Connectivité fonctionnelle entre deux noeuds du réseau est ensuite quantifié comme la corrélation de leurs cours à temps respectifs. Les nœuds qui sont fortement reliés fonctionnellement doivent avoir la même, et donc une forte corrélation, le signalcours du temps. D&#39;autre part, les noeuds qui sont faiblement reliés fonctionnellement devraient avoir dissemblables et donc faiblement corrélés, le signal des plages de temps. Pour compléter un modèle du réseau, des bords (ou liens) sont établis entre les nœuds dont les cours de temps en corrélation supérieure à un seuil choisi. Tests des différences liées à l&#39;âge en matière de connectivité fonctionnelle au sein d&#39;un réseau peuvent être effectués sur une seule connexion de nœud à nœud, ou sur la topologie de l&#39;ensemble des nœuds et des arêtes. Ces différences de connectivité fonctionnelle peuvent être liées à des mesures de la performance cognitive recueillies hors ligne. Dans cet article, une approche différente est décrite qui est basé sur le groupe analyse en composantes indépendantes des données IRMf basées sur des tâches 8. Analyse en composantes indépendantes (ou ICA) est une méthode statistique pour révéler aveuglément sources cachées qui sous-tendent un ensemble d&#39;observations telles que les sources révélées sont au maximum indépendant. Appliquée à l&#39;analyse des données d&#39;IRMf, le pROCEDURE suppose que chaque volume est un mélange d&#39;un nombre fini de sources spatialement indépendantes. Utilisation de l&#39;une d&#39;une série de différents algorithmes, tels que l&#39;algorithme de infomax, ICA estime ensuite une matrice de déconvolution, qui, lorsqu&#39;il est appliqué aux données d&#39;origine donne un ensemble de sources indépendantes au maximum, ou des composants. Chaque composant peut être considéré comme un réseau, dans la mesure où il comprend un ensemble de voxels qui partagent un décours temporel commun. Groupe ICA est un type particulier de l&#39;ICA dans lequel un ensemble commun de composants de groupe est d&#39;abord estimé à partir d&#39;un ensemble de données complet, puis les ensembles de composants de groupe spécifique participants sont calculés en step back-reconstruction. Une fois qu&#39;un ensemble de données entier est décomposé en un ensemble de composantes, l&#39;étape suivante consiste à rejeter les composants des artéfacts qui représentent des sources de bruit, et d&#39;identifier les composants qui correspondent théoriquement significatives avec les réseaux d&#39;intérêt. Ceci peut être réalisé soit par des plages de temps de composantes de modélisation dans le contexte d&#39;un GLM à identifier réseaux qui activent de manière prédite, en corrélation dans l&#39;espace les composants avec un modèle d&#39;un réseau d&#39;intérêt, ou les deux. L&#39;ensemble des composants qui en résulte peut ensuite être soumis à une comparaison avec un groupe pour tester les différences possibles liées à l&#39;âge en matière de connectivité fonctionnelle au sein des réseaux théoriquement intéressantes 7,9,10. Données IRMf basée sur les tâches étudier les changements liés à l&#39;âge dans la connectivité fonctionnelle grâce à l&#39;application de groupe ICA a plusieurs avantages sur l&#39;application des techniques à base de graines de données IRMf étatiques repos. Tout d&#39;abord, les techniques à base de graines-contrairement à ce que se concentrent sur ​​un petit nombre d&#39;a priori défini ROI, l&#39;approche actuelle groupe ICA utilise tous les voxels comprenant une série de temps volumétrique. Cela diminue les possibilités de biais qui surviennent nécessairement quand un petit groupe de semences sont choisis a priori comme des régions d&#39;intérêt. Deuxièmement, l&#39;application de l&#39;analyse de la connectivité fonctionnelle (ICA par le ou non) pour les tâchesplutôt que de l&#39;état de repos données IRMf a l&#39;avantage de permettre l&#39;organisation du réseau et de réseau pour être plus directement associés. Si, par exemple, examiner les implications cognitives ou comportementales de la connectivité fonctionnelle (comme la variation de la performance DSRC) est une priorité, il est important de montrer que le réseau d&#39;intérêt est associé à l&#39;exécution des tâches. Avec les protocoles d&#39;état de repos, ce qui est très difficile parce que le chercheur n&#39;a aucune trace de tous les états cognitifs, comportementaux ou affectifs vécus par le participant lors de l&#39;acquisition de données. Il est donc impossible de fournir une preuve directe que tout réseau d&#39;intérêt est pertinent pour l&#39;exécution des tâches. En revanche, lorsque l&#39;analyse de la connectivité fonctionnelle, telle que ICA, est appliquée à des données sur les tâches, il est possible de confirmer que le réseau d&#39;intérêt est au moins associé à l&#39;exécution d&#39;une mission. Enfin, l&#39;ICA est moins sujet à l&#39;influence néfaste du bruit. Les sources de bruit, comme ceux d&#39;esprit associéeh mouvements du sujet et le rythme cardiaque, ont des profils spatio-temporels uniques. Par conséquent, dans le cadre d&#39;un groupe d&#39;ICA, ces sources sont isolées et caractérisées à composantes séparées, laissant les composants restants relativement exempt de ces sources indésirables de variance. Parce que les analyses fondées sur les semences-utilisent les cours à temps cru dans l&#39;estimation de la connectivité fonctionnelle, et des cours de temps sont, par définition, des mélanges de signal neurophysiologique et le bruit des artefacts différences entre les groupes dans les estimations de connectivité fonctionnelle peuvent refléter de véritables différences entre les groupes dans la neurophysiologie sous-jacente, les différences de groupe dans la structure de bruit, ou les deux 11.

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

une méthode d&#39;enquête sur les différences liées à l&#39;âge dans la connectivité fonctionnelle des réseaux de contrôle cognitif associé à changement dimensionnel carte trier performance

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

La possibilité de régler le comportement de brusques changements de l&#39;environnement se développe progressivement dans l&#39;enfance et l&#39;adolescence. Par exemple, dans le changement de carte Trier tâche dimensionnelle, les participants passent de tri des cartes dans un sens, comme la forme, à les trier d&#39;une manière différente, comme la couleur. Ajuster son comportement de cette manière exige un faible coût de la performance, ou le coût de commutation, de sorte que les réponses sont généralement plus lents et plus d&#39;erreurs sur les essais de commutation dans lequel les changements de règles de tri par rapport à répéter les essais dans lesquels la règle de tri reste le même. La capacité de s&#39;adapter facilement comportement est souvent dit de développer progressivement, en partie parce que les coûts de comportement tels que les coûts de commutation diminuent généralement avec l&#39;âge. Pourquoi les aspects de la cognition d&#39;ordre supérieur, tels que la flexibilité comportementale, afin de développer progressivement reste une question ouverte. Une hypothèse est que ces changements se produisent en association avec des changements fonctionnels dans les réseaux de contrôle cognitif à grande échelle. Sur cette vue,opérations mentales complexes, telles que la commutation, impliquent des interactions rapides entre plusieurs régions du cerveau distribués, y compris ceux que la mise à jour et de maintenir des règles de la tâche, l&#39;attention réorienter et sélectionnez comportements. Avec le développement des connexions fonctionnelles entre ces régions renforcent, conduisant à des opérations de commutation plus rapide et efficace. La vidéo en cours décrit une méthode de tester cette hypothèse par la collecte et l&#39;analyse multivariée des données IRMf des participants de différents âges.

ICA groupe, même sur un petit ensemble de données IRMf, sera de retour un ensemble de composants comparables à ceux observés dans d&#39;autres études. Figure 4 est une superposition de 5 de ces composants et leurs cours à temps associés non mélangés à partir d&#39;un échantillon de 12 enfants et 13 adultes , avec environ 800 volumes par participant. Comme le montre la figure 4, le mode par défaut, fronto-pariétale, les réseaux de cíngulo-insulaire et visuelle puissent facilement être vu...

Cette vidéo présente une méthode d&#39;examen des modifications liées à l&#39;âge en matière de connectivité fonctionnelle des réseaux de contrôle cognitif engagés par ciblés tâches / processus. La technique est basée sur l&#39;analyse multivariée des données d&#39;IRMf.

Une méthode d&#39;enquête sur les différences liées à l&#39;âge dans la connectivité fonctionnelle des réseaux de contrôle cognitif associé à changement dimensionnel carte Trier Performance

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

L'objectif général de cette procédure est d'identifier les réseaux cérébraux associés au changement de tâche et de rechercher d'éventuelles différences liées à l'âge dans la connectivité fonctionnelle de ces réseaux. Cela est réalisé en collectant d'abord des données d'IRMf chez des enfants et des adultes pendant l'exécution de la tâche de tri selon le changement dimensionnel. Après le prétraitement des données, les volumes fonctionnels sont décomposés en un ensemble de sources ou composantes statistiquement indépendantes.Les composantes pertinentes pour le fonctionnement exécutif et la réalisation de tâches sont sélectionnées respectivement par correspondance de modèles et par modélisation linéaire. La dernière étape consiste à déterminer si la connectivité fonctionnelle au sein des composantes sélectionnées diffère entre adultes et enfants. En définitive, les analyses IRMf basées sur l'ACI peuvent être utilisées pour identifier les réseaux associés au changement de tâche et tester l'existence de différences liées à l'âge dans l'organisation fonctionnelle de ces réseaux.L'avantage principal de cette technique par rapport aux techniques existantes, telles que l'analyse de la connectivité fonctionnelle à l'état de repos, est qu'elle permet de caractériser précisément 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 le changement de tâche, subissent une réorganisation fonctionnelle au cours du développement. Pour commencer, acquérez des données IRMf en suivant des procédures adaptées aux jeunes enfants, limitez les biais indésirables en entraînant au préalable les participants dans une installation de simulateur d'IRM, puis mettez en œuvre une version avec essais répétés de la tâche de tri de cartes avec changement dimensionnel.Chaque session comprend deux blocs de permutation de huit essais et deux blocs de répétition de huit essais, les blocs de permutation étant constitués de quatre essais de permutation et de quatre essais de répétition, tandis que les blocs de répétition comprennent huit essais de répétition. Après la collecte des données, prétraitez les données d'IRMf en suivant les procédures standards de prétraitement IRMf. Téléchargez et installez d'abord GIFT, une boîte à outils logicielle pour l'ACI de groupe qui fonctionne conjointement avec SPMA, un package d'analyse IRMf bien connu. Une fois téléchargé, ajoutez la boîte à outils GIFT et tous ses sous-répertoires au chemin de recherche de MATLAB et enregistrez le fichier de chemin. Le calcul d'une ACI de groupe sur des données IRMf à l'aide de GIFT demande une capacité importante de mémoire vive (RAM).Pour éviter les problèmes de mémoire, il est préférable d'exécuter l'analyse ICA sur un serveur. Si l'analyse est effectuée sur un ordinateur local, les besoins en mémoire vive peuvent être estimés à l'aide d'un script inclus dans gif afin de paramétrer l'analyse, en modifiant un script par lots préexistant appelé Input data subjects one M, stocké dans gif sous les fichiers de script par lots ICAT B. Cela peut également être réalisé en utilisant l'interface graphique utilisateur de gif.Cependant, il est beaucoup plus facile, avec un peu de pratique, de configurer l'analyse en modifiant ce script préexistant. Ensuite, spécifiez la modalité des données. En IRMf, indiquez le type d'analyse comme étant l'ACI afin d'exécuter l'ACI avec la procédure I Casso.Sélectionnez deux sous « type d'analyse », puis paramétrez la procédure I Casso dans les lignes suivantes du fichier de configuration. Maximisez les performances de l'ACP de groupe en choisissant un sous « paramètres de performance de l'ACP de groupe » pour activer le tri à partir d'une matrice de conception SPM standard ; indiquez s'il existe ou non des matrices différentes pour différents sujets. Ensuite, précisez où les données fonctionnelles prétraitées sont stockées, et si un fichier point mat SPM contenant la matrice de conception est stocké conjointement avec les données fonctionnelles prétraitées.Si chaque participant dispose du même nombre d'acquisitions, sélectionnez-en une pour la méthode un. Dans l'option de méthode de sélection des données, renseignez le modèle de fichier de commande, le drapeau et l'emplacement du paramètre en incluant le chemin d'accès vers les données stockées, le format de fichier des données, ainsi qu'une mention indiquant que les sessions individuelles sont enregistrées sous forme de sous-répertoires dans chaque dossier sujet. Indiquez également le répertoire dans lequel le résultat de l'analyse devra être écrit. Ce répertoire ne doit pas être identique à celui où les données sont stockées.L'étape suivante consiste à indiquer un préfixe qui sera ajouté à tous les fichiers de sortie. Ensuite, indiquez le chemin d'accès à un masque. Le masque doit au minimum éliminer le crâne, l'espace extra-cérébral et surtout les globes oculaires, comme illustré ici.Remarquez dans cet exemple les traces résiduelles des globes oculaires. Cela entraînerait une décomposition ICA sous-optimale et doit être évité pour le type d'ACP de groupe à utiliser. Choisissez un sujet spécifique afin d'obtenir la meilleure courbe temporelle.Sélectionnez GICA comme méthode de reconstruction arrière. Lors du choix d'une donnée, utilisez un type de prétraitement par normalisation d'intensité afin d'éviter les valeurs non numériques dans le résultat. Dans cet exemple, la valeur par défaut de un est choisie.Choisissez le type standard d'ACP et acceptez les valeurs par défaut dans les options d'ACP. Ensuite, précisez combien d'ACPs doivent être effectuées sur les données avant l'ACI. De plus, indiquez combien de composantes doivent être conservées après chaque ACP ; utilisez une normalisation par score Z pour évaluer les données, puis sélectionnez un algorithme de séparation aveugle de sources pour l'ACI dans le cadre de ce travail.Infomax a été utilisé une fois l'ACI terminée. Sélectionner les composantes présentant un intérêt théorique potentiel pour un examen ultérieur. Le tri spatial peut être sélectionné pour ordonner les composantes selon leur corrélation spatiale avec un modèle préexistant, tandis que le tri temporel les classe selon des critères temporels.Les courbes temporelles des composantes à l’aide de prédicteurs linéaires de la matrice de plan SPM. Une fois l’analyse terminée, vérifiez si les versions enfant et adulte des composantes sélectionnées diffèrent. Voici les résultats de la procédure ICAS O appliquée à une AIC avec 60 composantes.Chaque point numéroté représente un composant. Les points noirs représentent différentes décompositions de l'analyse en composantes indépendantes (ICA) des mêmes données avec différentes graines aléatoires. Idéalement, les résultats provenant de différentes décompositions, vus ici comme des points noirs distincts, devraient s'agglomérer étroitement autour des points numérotés.Cela indique une bonne fiabilité de la décomposition. Le modèle de contrôle exécutif et la composante pariétale frontale droite sélectionnée sont superposés sur des coupes identiques provenant d'un scanner anatomique à haute résolution et apparaissent assez comparables. La connectivité fonctionnelle était plus forte dans le cortex préfrontal médian et la région segmentaire ventrale, ainsi que dans le cortex préfrontal dorsal et pariétal inférieur des adultes par rapport à celui des enfants.Eh bien, il s'agit de réaliser cette procédure. Il est important de se rappeler de vérifier vos résultats à chaque étape de l'analyse. De petites erreurs se propageront et conduiront à des résultats impossibles à interpréter.Après avoir suivi cette procédure, d'autres méthodes peuvent être réalisées, comme l'analyse de la connectivité fonctionnelle du réseau, afin de répondre à des questions supplémentaires, par exemple si les interactions fonctionnelles entre les composants varient en fonction des exigences de la tâche ou de l'âge des participants.

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

Research

Recherche

JoVE Journal

Behavior

Comportement

Le but de notre recherche est de corréler le comportement de l'activité du cerveau. Précis des mesures comportementales et techniques d'imagerie nous permettent d'élucider les relations cerveau-comportement.

Corrélation entre réponses comportementales aux signaux IRMf de cortex préfrontal humain: l&#39;examen des processus cognitifs en utilisant l&#39;analyse des tâches

Nous avons testé la facilité d'utilisation d'une application basée sur tablette-ordinateur (EmoCogMeter) pour enquêter sur les effets de l'âge sur la cognition. Les résultats montrent un déclin cognitif lié à l'âge, ce qui prouve la facilité d'utilisation de notre application. Les résultats soulignent le potentiel clinique et pratique d'une application sous forme de comprimés pour la détection et le suivi des troubles cognitifs.

Évaluation des changements liés au vieillissement des fonctions cognitives à l&#39;aide EmoCogMeter, une nouvelle approche Tablet Computer Based

Le transfert d’un paradigme avec un historique d’utilisation dans les expériences EEG vers une expérience d’IRMf est envisagé. Il est démontré que la manipulation des exigences de la tâche dans la tâche visuelle bizarre a entraîné différents modèles d’activation de BOLD et a illustré comment la conception de la tâche est cruciale dans les expériences d’IRMf.

Transfert de tâches cognitives entre le cerveau modalités d&#39;imagerie: Implications pour la conception des tâches et l&#39;interprétation des résultats dans les études IRMf

Cet article décrit le Test des 4 Montagnes (4MT), un test dépendant de l’hippocampe de la mémoire spatiale allocentrique fonctionnelle. L’hippocampe est affecté au début de la maladie d’Alzheimer (MA) et cet article décrit la méthodologie 4MT et les résultats des tests sur les patients, ce qui démontre la valeur de la 4MT dans le diagnostic de la MA pré-démence.

Le 4 Montagnes Test: Un test court de la mémoire spatiale avec la haute sensibilité pour le diagnostic de pré-démence Maladie d&#39;Alzheimer

Cet article décrit comment implémenter une analyse de l’interaction psychophysiologique pour révéler des changements de tâche dépendante de la connectivité fonctionnelle entre une région de semences sélectionnées et les voxels dans d’autres régions du cerveau. Analyse de l’interaction psychophysiologique est une méthode populaire pour étudier les effets de tâche sur la connectivité de cerveau, distincte des effets d’activation univariée traditionnel.

Analyse d’Interaction psychophysiologique généralisée (PPI) de mémoire qui connectivité chez les personnes à risque génétique pour la maladie d’Alzheimer

Se fondant sur l’état de repos imagerie fonctionnelle par résonance magnétique avec analyse de causalité de Granger, nous avons étudié les altérations dans la connectivité fonctionnelle dirigée entre le cortex cingulaire postérieur et le cerveau de patients atteints de la maladie d’Alzheimer (ma), patients souffrant de déficience Cognitive légère (DCL) et témoins sains.

Application de l’analyse de causalité de Granger de la connexion fonctionnelle dirigée dans la maladie d’Alzheimer et des troubles cognitifs légers

L’objectif de l’approche décrite est de déterminer à quels moments du paradigme (perspective temporelle) et entre les régions (perspective spatiale), reconfigurations significatives en matière de connectivité fonctionnelle se produisent sur l’imagerie par résonance magnétique fonctionnelle enregistrements au cours duquel un stimulus temps verrouillé est joué.

Connectivité fonctionnelle inter-sujet dynamique révèle des Configurations de réseau de cerveau à chaque instant par continu ou paradigmes de Communication

Cet article présente une approche intégrative pour étudier le réseau fonctionnel de la navigation spatiale dans le cerveau humain. Cette approche intègre une base de données méta-analytique de neuroimagerie à grande échelle, l’imagerie par résonance magnétique fonctionnelle à l’état de repos, ainsi que des techniques de modélisation de réseau et de théorie des graphes.

Modélisation du réseau fonctionnel pour la navigation spatiale dans le cerveau humain

Nous démontrons comment une mesure objective peut être utilisé dans le caoutchouc main illusion paradigme largement utilisée. Cette mesure est obtenue en modifiant la tâche bien établie congruence intermodale. Cette tâche permet d'étudier des processus multi-sensoriels qui sont essentiels pour les modulations des représentations du corps comme dans la main illusion de caoutchouc.

Le groupe de congruence intermodale comme un moyen d&#39;obtenir une mesure comportementale objectif dans le caoutchouc main Illusion Paradigm

Nous discutons d’une nouvelle méthode de rotation de point de vue des stimuli visuels et démontrons à l’aide d’un stéréoscope miroir la perception tridimensionnelle de la rotation en profondeur. La technique peut être utilisée pour étudier le rôle des indices stéréoscopiques dans l’encodage des figures tournées en point de vue.

Mesure de la sensibilité au changement de point de vue avec et sans repères stéréoscopiques

Découvrez l'analyse par ICA de données IRMf pour étudier la connectivité fonctionnelle des réseaux de contrôle cognitif lors du changement de tâche. Cette méthode révèle les différences liées à l'âge entre enfants et adultes.

Une méthode denquête sur les différences liées à lâge dans la connectivité fonctionnelle des réseaux de contrôle cognitif associé à changement dimensionnel carte Trier Performance (Vidéo) | JoVE Journal

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

Explorer plus de vidéos