Un metodo per indagare le differenze di età-correlate nella connettività funzionale delle reti di controllo cognitivo associato al cambiamento dimensionale Carta ordine di Performance

L'obiettivo generale di questa procedura è identificare le reti cerebrali associate al cambio di attività e testare le differenze legate all'età nella connettività funzionale di queste reti. Ciò si ottiene raccogliendo prima i dati FMRI da bambini e adulti mentre si completa l'attività di ordinamento delle carte di cambio dimensionale. Dopo la pre-elaborazione dei dati, i volumi funzionali vengono scomposti in un insieme di fonti o componenti statisticamente indipendenti.

I componenti rilevanti per il funzionamento esecutivo e l'esecuzione dei compiti sono selezionati mediante il template matching e la modellazione lineare, rispettivamente. Il passaggio finale consiste nel determinare se la connettività funzionale all'interno dei componenti selezionati differisce per adulti e bambini. In definitiva, le analisi FMRI basate su ICA possono essere utilizzate per identificare le reti associate al cambio di attività e testare le differenze legate all'età nell'organizzazione funzionale di queste reti.

Il vantaggio principale di questa tecnica rispetto alle tecniche esistenti come l'analisi della connettività funzionale dello stato di riposo è che fornisce un mezzo per caratterizzare accuratamente la funzione delle reti corticali. Questo metodo può aiutare a rispondere a domande chiave nel campo delle neuroscienze cognitive dello sviluppo, come ad esempio se le reti corticali su larga scala coinvolte in operazioni cognitive di alto livello come il cambio di compiti, subiscono una riorganizzazione funzionale durante lo sviluppo. Per iniziare ad acquisire i dati FMRI seguendo procedure adatte ai bambini piccoli, limitare i confondi indesiderati addestrando i partecipanti in anticipo in una struttura di scansione simulata quando pronti, implementare una versione di prova ripetuta dell'attività di ordinamento della carta di modifica dimensionale.

Ogni esecuzione include due blocchi di interruttori da otto prove e due blocchi di ripetizione da otto prove di prova, in cui i blocchi di interruttori sono costituiti da quattro prove di commutazione e quattro prove ripetute e i blocchi di ripetizione sono costituiti da otto prove ripetute dopo la raccolta dei dati, pre-elaborati i dati FMRI seguendo le procedure di pre-elaborazione FMRI standard, prima scarica e installa gif, un toolbox software ICA di gruppo che funziona insieme a SPMA, noto pacchetto di analisi FMRI. Una volta scaricato, aggiungi la cassetta degli attrezzi regalo e tutte le sottodirectory al percorso di ricerca MATLAB e salva il percorso di calcolo del file. Un ICA di gruppo sui dati FMRI utilizzando gif richiede notevoli requisiti di memoria RAM.

Per evitare problemi di memoria, è consigliabile eseguire l'analisi ICA su un server. Se si esegue l'analisi su un computer locale, i requisiti di RAM possono essere stimati utilizzando uno script che fa parte di gif per parametrizzare l'analisi, modificare uno script batch preesistente denominato Input data subjects one M che è memorizzato in gif sotto i file batch ICAT B. Questo può essere fatto anche utilizzando l'interfaccia utente grafica delle gif.

Tuttavia, è molto più semplice, con un po' di pratica, impostare l'analisi modificando questo script preesistente. Quindi, specifica la modalità dei dati. Come FMRI specificare il tipo di analisi come ICA per eseguire l'ICA con la procedura I Casso.

Selezionate due in Tipo di analisi (type of analysis), quindi parametrizzate la procedura I Casso nelle righe successive del file di setup. Ottimizza le prestazioni del gruppo PCA scegliendo una delle impostazioni delle prestazioni del gruppo PCA per abilitare l'ordinamento da una matrice di progettazione SPM standard e specificare se sono presenti o meno matrici diverse per soggetti diversi. Quindi, specificare dove sono memorizzati i dati funzionali pre-elaborati e se un file SPM dot mat contenente la matrice di progettazione è memorizzato o meno insieme ai dati funzionali pre-elaborati.

Se ogni partecipante ha lo stesso numero di esecuzioni, selezionarne una per il metodo uno. Nell'opzione del metodo di selezione dei dati, completare il modello di file di orientamento dell'origine, il flag, la posizione includendo il percorso del file in cui sono memorizzati i dati, il formato del file dei dati e un'istruzione che indica che le singole sessioni sono memorizzate come sottodirectory all'interno di ciascuna cartella dell'oggetto che indica la directory in cui deve essere scritto l'output dell'analisi. Non deve essere la stessa directory in cui sono memorizzati i dati.

Il passaggio successivo consiste nel fornire un prefisso che verrà aggiunto a tutti i file di output. Quindi, fornisci un percorso di file a una maschera. Come minimo, la maschera dovrebbe eliminare lo spazio cerebrale extra del cranio e in particolare i bulbi oculari come illustrato qui.

Si noti in questo esempio l'evidenza residua dei bulbi oculari. Ciò porterà a una decomposizione dell'ICA non ottimale e dovrebbe essere evitato per il tipo di PCA di gruppo da utilizzare. Scegli l'argomento specifico per ottenere il miglior corso di tempo.

Selezionare GICA come metodo di ricostruzione posteriore. Quando si seleziona un tipo di dati, pre-elaborazione, utilizzare la normalizzazione dell'intensità per evitare valori non numerici nell'output. Nell'esempio, viene scelto il valore predefinito di uno.

Scegliere il tipo PCA standard e accettare i valori predefiniti in Opzioni PCA. Quindi, specificare il numero di PCA da eseguire sui dati prima dell'ICA. Inoltre, specificare quanti componenti conservare dopo ogni PCA utilizzare il ridimensionamento del punteggio Z per assegnare un punteggio ai dati, scegliere un algoritmo di separazione della sorgente cieca per l'ICA per questo lavoro.

Infomax è stato utilizzato una volta completato l'ICA. Selezionare i componenti di potenziale interesse teorico per ulteriori considerazioni. L'ordinamento spaziale può essere selezionato per ordinare i componenti mediante la correlazione spaziale con un modello preesistente, mentre l'ordinamento temporale ordina.

L'andamento temporale dei componenti per mezzo di predittori lineari dalla matrice di progettazione SPM. Una volta completata l'analisi, verificare se le versioni per bambini e adulti dei componenti selezionati differiscono. Mostrato. Di seguito sono riportati i risultati della procedura ICAS O applicata a un'ICA con 60 componenti.

Ogni punto numerato rappresenta un componente. I punti neri rappresentano diverse decomposizioni ICA degli stessi dati con diversi semi casuali. Idealmente, i risultati di diverse decomposizioni osservate qui come diverse macchie nere dovrebbero raggrupparsi strettamente attorno ai punti numerati.

Ciò indica una buona affidabilità nella decomposizione. Il modello di controllo esecutivo e la componente parietale frontale destra selezionata sono sovrapposti a fette identiche da una scansione anatomica ad alta risoluzione e appaiono abbastanza comparabili. La connettività funzionale era più forte nella corteccia prefrontale mediale e nell'area segmentale ventrale e nella corteccia prefrontale dorsale e parietale inferiore degli adulti rispetto ai bambini.

Bene, sta tentando questa procedura. È importante ricordarsi di controllare l'output in ogni fase dell'analisi. Piccoli errori si propagheranno in avanti e porteranno a risultati non interpretabili.

Seguendo questa procedura. È possibile eseguire altri metodi, come l'analisi della connettività di rete funzionale, per rispondere a domande aggiuntive, ad esempio se le interazioni funzionali tra i componenti cambiano in funzione delle esigenze del compito o dell'età dei partecipanti.