שיטה לחקירת הבדלי גיל הקשורים בקישוריות התפקודית של קוגניטיבית בקרת רשתות הקשורים למיון כרטיס שינוי ממדי ביצועים

המטרה הכוללת של הליך זה היא לזהות רשתות מוח הקשורות להחלפת משימות ולבדוק הבדלים הקשורים לגיל בקישוריות התפקודית של רשתות אלה. זה מושג על ידי איסוף נתוני FMRI מילדים ומבוגרים תוך השלמת משימת מיון כרטיס שינוי הממדים. לאחר עיבוד מקדים של הנתונים, אמצעי אחסון פונקציונליים מתפרקים לקבוצה של מקורות או רכיבים בלתי תלויים סטטיסטית.

מרכיבי הרלוונטיות לתפקוד ניהולי וביצוע משימות נבחרים באמצעות התאמת תבניות ומידול ליניארי בהתאמה. השלב האחרון הוא לקבוע אם הקישוריות הפונקציונלית בתוך הרכיבים שנבחרו שונה עבור מבוגרים וילדים. בסופו של דבר, ניתן להשתמש בניתוחי FMRI מבוססי ICA כדי לזהות רשתות הקשורות להחלפת משימות ולבדוק הבדלים הקשורים לגיל בארגון התפקודי של רשתות אלה.

היתרון העיקרי של טכניקה זו על פני טכניקות קיימות כגון ניתוח קישוריות פונקציונלית במצב מנוחה הוא שהיא מספקת אמצעי לאפיון מדויק של תפקודן של רשתות קליפת המוח. שיטה זו יכולה לעזור לענות על שאלות מפתח בתחום מדעי המוח הקוגניטיביים ההתפתחותיים, כגון האם רשתות קליפת המוח בקנה מידה רחב המעורבות בפעולות קוגניטיביות ברמה גבוהה כגון החלפת משימות, עוברות ארגון מחדש תפקודי במהלך ההתפתחות. כדי להתחיל לרכוש נתוני FMRI בהתאם לנהלים המתאימים לילדים צעירים להגביל בלבול לא רצוי על ידי הכשרה מראש של המשתתפים במתקן סורק מדומה כאשר הם מוכנים, יישם גרסת ניסויים חוזרים של משימת מיון כרטיס שינוי הממדים.

כל ריצה כוללת שני שמונה בלוקים של מתגי ניסוי ושניים שמונה בלוקים חוזרים של ניסויים, כאשר בלוקי מתגים מורכבים מארבעה ניסויי מתג וארבעה ניסויים חוזרים ובלוקים חוזרים מורכבים משמונה ניסויים חוזרים לאחר איסוף נתונים שעובד מראש את נתוני ה-FMRI בהתאם להליכי עיבוד מקדים סטנדרטיים של FMRI, הורד והתקן תחילה GIF, ארגז כלים קבוצתי של תוכנת ICA שעובד יחד עם SPMA, חבילת ניתוח FMRI ידועה. לאחר ההורדה, הוסף את ארגז הכלים של המתנה ואת כל ספריות המשנה לנתיב החיפוש של MATLAB ושמור את מחשוב קובץ הנתיב. ICA קבוצתי על נתוני FMRI באמצעות gif מציב דרישות משמעותיות לזיכרון RAM.

כדי להימנע מבעיות זיכרון, עדיף להריץ את ניתוח ה-ICA בשרת. אם מפעילים את הניתוח במחשב מקומי, ניתן להעריך את דרישות ה-RAM באמצעות סקריפט שהוא חלק מ-gif כדי להגדיר פרמטרים של הניתוח, לשנות סקריפט אצווה קיים שנקרא נושאי נתוני קלט אחד M המאוחסן ב-gif תחת קבצי אצווה של ICAT B. ניתן לעשות זאת גם באמצעות ממשק משתמש גרפי של GIFS.

עם זאת, הרבה יותר קל עם קצת תרגול להגדיר את הניתוח על ידי שינוי הסקריפט הקיים הזה. לאחר מכן, ציין את אופן הנתונים. כפי ש-FMRI ציין את סוג הניתוח כ-ICA להפעלת ה-ICA עם נוהל I Casso.

בחר שניים תחת סוג הניתוח ולאחר מכן קבע פרמטרים של הפרוצדורה I Casso בשורות הבאות של קובץ ההתקנה. מקסם את הביצועים של ה-PCA הקבוצתי על-ידי בחירה באחת מהגדרות ביצועי ה-PCA הקבוצתיות כדי לאפשר מיון ממטריצת תכנון SPM סטנדרטית, ציין אם קיימות מטריצות שונות עבור נושאים שונים או לא. לאחר מכן, ציין היכן מאוחסנים הנתונים הפונקציונליים המעובדים מראש והאם קובץ מחצלת נקודות SPM המכיל את מטריצת התכנון מאוחסן יחד עם הנתונים הפונקציונליים המעובדים מראש.

אם לכל משתתף יש את אותו מספר ריצות, בחר אחת לשיטה הראשונה. תחת אפשרות שיטת בחירת הנתונים, השלם את תבנית קובץ הניווט של מקור הפרמטר, הדגל, המיקום על ידי הכללת נתיב הקובץ שבו מאוחסנים הנתונים, פורמט הקובץ של הנתונים והצהרה המציינת שהפעלות בודדות מאוחסנות כספריות משנה בתוך כל תיקיית נושא מציינות את הספרייה שבה יש לכתוב את פלט הניתוח. זו לא אמורה להיות אותה ספרייה שבה הנתונים מאוחסנים.

השלב הבא הוא לספק קידומת שתתווסף לכל קבצי הפלט. לאחר מכן, ספק נתיב קובץ למסיכה. לכל הפחות, המסכה אמורה לחסל את הגולגולת מרחב מוחי נוסף ובמיוחד את גלגלי העיניים כפי שמוצג כאן.

שימו לב בדוגמה זו לעדויות שיוריות של גלגלי העיניים. זה יוביל לפירוק לא אופטימלי של ICA ויש להימנע ממנו עבור סוג ה-PCA הקבוצתי שיש להשתמש בו. בחר נושא ספציפי כדי להשיג את קורס הזמן הטוב ביותר.

בחר GICA כשיטת השחזור האחורי. בעת בחירת סוג נתונים, עיבוד מקדים, השתמש בנורמליזציה של עוצמה כדי להימנע מערכים לא מספריים בפלט. בדוגמה זו, נבחרת ברירת המחדל של אחד.

בחר את סוג ה- PCA הסטנדרטי וקבל ערכי ברירת מחדל תחת אפשרויות PCA. לאחר מכן, ציין כמה PCAs לרוץ על הנתונים לפני ה-ICA. בנוסף, ציין כמה רכיבים לשמור לאחר שכל PCA משתמש בקנה מידה של ציון Z כדי לנקד את הנתונים, בחר אלגוריתם הפרדת מקור עיוור עבור ה-ICA לעבודה זו.

נעשה שימוש ב-Infomax לאחר השלמת ה-ICA. בחר רכיבים בעלי עניין תיאורטי פוטנציאלי לבחינה נוספת. ניתן לבחור מיון מרחבי כדי למיין רכיבים באמצעות מתאם מרחבי עם תבנית קיימת תוך מיון זמני.

מהלך הזמן של הרכיב באמצעות מנבאים ליניאריים ממטריצת תכנון SPM. לאחר השלמת הניתוח, בדוק אם גרסאות הילד והמבוגרים של הרכיבים שנבחרו שונות. המוצג. להלן תוצאות של הליך ICAS O המיושם על ICA עם 60 רכיבים.

כל נקודה ממוספרת מייצגת רכיב אחד. הנקודות השחורות מייצגות פירוקים שונים של ICA של אותם נתונים עם זרעים אקראיים שונים. באופן אידיאלי, תוצאות מפירוקים שונים הנראים כאן ככתמים שחורים שונים צריכות להתקבץ בחוזקה סביב הנקודות הממוספרות.

זה מעיד על אמינות טובה בפירוק. תבנית הבקרה הביצועית והרכיב הקודקודי הקדמי הימני שנבחר מונחים על פרוסות זהות מסריקה אנטומית ברזולוציה גבוהה ונראים די דומים. הקישוריות התפקודית הייתה חזקה יותר בקליפת המוח הקדם-מצחית האמצעית ובאזור המקטע הגחוני ובקליפת המוח הקדם-מצחית הגבית והתחתונה של מבוגרים בהשוואה לילדים.

ובכן, הוא מנסה את ההליך הזה. חשוב לזכור לבדוק את הפלט שלך בכל שלב של הניתוח. שגיאות קטנות יתפשטו קדימה ויובילו לתוצאות בלתי ניתנות לפרשנות.

בצע הליך זה. ניתן לבצע שיטות אחרות כגון ניתוח קישוריות רשת פונקציונלית כדי לענות על שאלות נוספות כגון האם אינטראקציות פונקציונליות בין רכיבים משתנות כפונקציה של דרישות המשימה או גיל המשתתפים.