Name: 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 (Video) | JoVE Journal
Uploaded: 2014-05-07T13:00:00.000+00:00
Duration: 9 min 1 s
Description: Scopri l'analisi ICA su dati fMRI per studiare le reti di controllo cognitivo durante il task switching. Questo metodo rivela differenze di connettività funzionale tra adulti e bambini.

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

Questa ricerca è stata resa possibile grazie al supporto di sovvenzioni del National Science and Engineering Research Council (NSERC) a J. Bruce Morton.

1. Ottenere l&#39;approvazione per Lavorare con soggetti umani 2. FMRI Data Acquisition <ol><li> Acquisire dati fMRI seguendo le procedure idonee per i bambini (vedi Raschle, et al. 12). Fare ogni sforzo per limitare i possibili differenze legate all&#39;età nelle prestazioni delle applicazioni e di movimento, in quanto queste differenze introducono confonde indesiderati che limitano la propria capacità di trarre conclusioni sulle differenze evolutivamente rilevanti nei attivazione cerebrale e connettività funzionale. Nota: Nel protocollo attuale, una versione-prove ripetute del DCCS è stato somministrato in forma di design a blocchi di 13. Ogni ciclo comprende due blocchi di switch 8-prova e due blocchi di ripetizione 8-prova, dove i blocchi interruttori consistono di 4 prove di commutazione e 4 prove ripetute, e blocca ripetizione composto da 8 prove ripetute. Il protocollo è perfettamente adatto per l&#39;uso con dati fMRI evento-correlati. Tuttavia, i disegni a blocchi sono bello lavorare con quando prima ottenere acquainted con ICA, come è facile vedere modulazioni attività nei corsi a tempo componenti. </li><li> Dati Preprocess fMRI seguenti procedure di pre-elaborazione fMRI standard. <ol><li> Riallineare tutte le immagini funzionali allo stesso orientamento e la posizione. Tipicamente, il primo volume funzionale è utilizzata come immagine di riferimento per tutti gli altri volumi per essere allineati. </li><li> L&#39;immagine T1-pesate (anatomico) con il T2 COREGISTER * ponderate (funzionali) scansioni, in modo che l&#39;attivazione viene sovrapposta la posizione anatomica corretta. </li><li> Normalizzare tutte le immagini a una dimensione standardizzata, spazio, e la posizione con la selezione di un cervello modello (ad esempio spazio Talairach). Questo aiuta a garantire che le regioni omologhe da soggetti diversi vengono confrontati. Nota: le immagini vengono deformati allo spazio Talairach nel protocollo attuale, anche se altri modelli possono anche essere utilizzati (per esempio, MNI {Montreal Neurological Institute} spazio). </li><li> Smooth tutti i volumi funzionali in datun set con un 6 a 10 mm di smoothing kernel. </li></ol></li><li> Sequestrare i volumi pre-elaborati in un insieme separato di directory. Utilizzare &quot;scansioni funzionali&quot; come directory superiore. All&#39;interno di &quot;scansioni funzionali&quot; comprendono una directory separata per ogni partecipante, e all&#39;interno di ogni directory partecipante, una directory separata per ogni esecuzione. Il dato è ora pronto per l&#39;analisi ICA. </li></ol> 3. Gruppo Independent Component Analysis (ICA) <ol><li> Scaricare e installare il software ICA gruppo. Ci sono un certo numero di cassette disponibili per attuare ICA su diversi tipi di dati neurofisiologici, compresi fMRI. Mentre qualsiasi cassetta degli attrezzi che esegue gruppo ICA potrebbe potenzialmente essere adatto, quello utilizzato nel protocollo attuale si chiama REGALO. GIFT è stato sviluppato da Vince Calhoun e colleghi presso l&#39;Università del New Mexico. La casella degli strumenti GIFT è un insieme di script MATLAB che funziona insieme ad SPM, un noto pacchetto di analisi fMRI. Entrambi possono be scaricato gratuitamente da Internet (GIFT: mialab.mrn.org / software / regalo / index.html #; SPM: www.fil.ion.ucl.ac.uk/spm/). Una volta scaricato, aggiungere la casella degli strumenti GIFT e tutte le sotto-directory al percorso di ricerca di MATLAB e salvare il file percorso. </li><li> Calcolo di un gruppo ICA su dati fMRI utilizzando REGALO esige sostanziali sulla memoria RAM. Le richieste precise su memoria variano a seconda del numero di partecipanti, la quantità di dati raccolti da ciascun partecipante, e la risoluzione dei dati. Per evitare problemi di memoria, si consiglia di eseguire l&#39;analisi ICA su un server. Se si esegue l&#39;analisi su un computer locale, i requisiti di RAM possono essere stimati attraverso l&#39;utilizzo di uno script &quot;icatb_mem_ica.m&quot; che fa parte di GIFT. </li><li> Set-up o parametrizzare l&#39;analisi. Farlo modificando uno script batch preesistente denominato &quot;Input_data_subjects_1.m&quot; che è memorizzato in REGALO sotto &quot;icatb_batch_files&quot;. Nota: Questo può essere fatto anche utilizzando grafica utente di REGALO Interface. Tuttavia, è molto più facile, con un po &#39;di pratica, per impostare l&#39;analisi modificando questo script preesistente. <ol><li> Specificare modalità dati fMRI </li><li> Specificare il tipo di analisi da ICA con ICASSO. Ciò garantirà la ICA viene eseguito con la procedura ICASSO. ICASSO stima dell&#39;affidabilità della decomposizione eseguendo più volte ICA iniziano con differenti numeri casuali. Quindi verifica la somiglianza di ogni risultato per mezzo di clustering. Uso di ICASSO è raccomandato come mezzo di controllo della qualità della decomposizione ICA, ma di ampliare notevolmente il tempo necessario GIFT per completare l&#39;analisi. <ol><li> Per eseguire l&#39;ACI la procedura ICASSO, selezionare &#39;2 &#39;sotto &quot;Tipo di analisi&quot; e quindi parametrizzare la procedura ICASSO nelle righe successive del file di installazione. </li></ol></li><li> Massimizzare le prestazioni del gruppo PCA scegliendo &#39;1 &#39;sotto impostazioni delle prestazioni di Gruppo PCA. Provare a impostare questo parametro su &#39;2&#39;Dovrebbero verificarsi problemi di memoria RAM insufficiente. </li><li> Per consentire successivamente l&#39;ordinamento della risultante di componenti tramite predittori di una matrice standard di SPM disegno, specificare se ci sono diverse matrici per i soggetti diversi. </li><li> Specificare dove i dati funzionali pre-elaborati vengono memorizzati e se un file SPM.mat contiene la matrice di progettazione vengono memorizzati insieme ai dati funzionali pretrattati. <ol><li> Il modo più semplice di ottenere GIFT per leggere i dati è se ogni partecipante ha lo stesso numero di piste, e la directory dati è strutturata come descritto al punto 2.3 sotto l&#39;acquisizione dei dati fMRI. Se è così, allora sotto DataSelectionMethod, ha scelto &#39;1 &#39;per il Metodo 1, e completare il parametro &quot;sourceDir_filePattern_flagLocation&quot; inserendo il percorso file in cui sono memorizzati i dati, il formato file dei dati, e l&#39;indicazione che le singole sessioni vengono memorizzati come sottodirectory all&#39;interno di ogni cartella argomento. </li></ol></li&gt; <li> Indicare la directory in cui l&#39;output dell&#39;analisi dovrebbe essere scritto. Non scrivere il risultato nella stessa directory in cui sono memorizzati i dati. </li><li> Fornire un prefisso che verrà aggiunto a tutti i file di output. </li><li> Fornire un filepath a una maschera. Tutti i volumi inviati al ICA sono mascherati. REGALO fornisce una maschera di default. Per questo lavoro, uno script in-house per generare una maschera dai dati che verrà presentata al ICA. Come minimo, la maschera dovrebbe eliminare cranio, spazio extra-cerebrale, e soprattutto i bulbi oculari. Segnale dal voxel bulbo oculare mostrerà molto ampie fluttuazioni durante una corsa e pertanto avere un&#39;influenza considerevole sulla struttura dei componenti finali. Figura 3 illustra quanto una buona maschera dovrebbe essere simile. </li><li> Specificare il tipo di gruppo PCA da utilizzare. Utilizzare &#39;oggetto specifico.&#39; </li><li> Specificare il metodo di back-ricostruzione. In questa fase, soggetto individuale IC e propri corsi tempo associati sono calcolati from i risultati dell&#39;analisi di gruppo. GICA è consigliato per ottenere i migliori corsi di tempo, anche se vi è una notevole discussione in letteratura su questo punto. </li><li> Specificare il tipo di dati pre-elaborazione. Utilizzare normalizzazione intensità per evitare valori non numerici (cioè infiniti, e Nan) in uscita. In questo esempio, abbiamo scelto il default di &#39;1 &#39;. </li><li> Specificare il tipo di PCA (usiamo standard) e accettare i valori di default in Opzioni PCA. GIFT esegue una PCA ad ogni ciclo di ciascun partecipante e mantenuto un numero di componenti pari al numero di fonti per essere miscelato nella ICA. L&#39;APC serve a due scopi importanti. In primo luogo, aiuta a eliminare le fonti di rumore che sono unici per ogni partecipante e ogni esecuzione. In secondo luogo, essa rende esigenze computazionali dell&#39;analisi più trattabile. </li><li> Specificare il numero di APC per eseguire sui dati prima della ICA (2 raccomandata). Come pure, specificare il numero di componenti da mantenere dopo ogni PCA (se in esecuzione2, si raccomanda che il numero di componenti considerati dopo la prima PCA è il doppio del numero conservato dopo il secondo). </li><li> Specificare come i dati devono essere scalati. Per questo lavoro, è stato utilizzato z-score di scala. </li><li> Scegliere un algoritmo di separazione alla fonte cieco per l&#39;ACI. Per questo lavoro, Infomax è stato usato. REGALO offre una scelta di almeno 10 diversi algoritmi. </li><li> Rimanenti parametri possono essere lasciati così come sono. </li></ol></li><li> Una volta che l&#39;ACI è completata, selezionare tra componenti disponibili quelli che sono di potenziale interesse teorico. Attraverso l&#39;interfaccia grafica REGALO, scegli la scelta dei componenti: l&#39;ordinamento spaziale ordina i componenti spaziali mediante correlazione spaziale con un modello pre-esistente; ordinamento temporale ordina i corsi a tempo componente per mezzo di predittori lineari dalla matrice disegno SPM che è possibile memorizzare i dati (vedi 3.3.5). Nota: Entrambi gli approcci alla selezione dei componenti hanno utilità. Tuttavia, quando si lavora con i dati delle attività, la selezione temporalecriteri sono particolarmente utili, in quanto forniscono un mezzo per verificare che il componente selezionato è stato attivato dal compito. Nel caso del DCCS, uso di ordinamento temporale può essere utilizzato per confermare che il componente selezionato era più attivo durante blocchi contatti che durante blocchi di ripetizione. </li><li> Verificare se le versioni bambino e adulto di questi componenti selezionati sono diversi. Bambino Aggregate e componenti adulti di interesse in due gruppi e prova per mezzo di un due campioni regioni t-test in cui i componenti variano separati. Questo è relativamente facile da fare attraverso la GUI REGALO. </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>

Non ci sono interessi finanziari concorrenti.

Le operazioni mentali di ordine superiore, come la capacità di cambiare le regole di ordinamento, si sviluppano rapidamente durante l'infanzia e l'adolescenza. Poiché queste operazioni mentali coinvolgono interazioni tra più regioni cerebrali distribuite, c'è un crescente interesse nell'esplorare la relazione tra lo sviluppo della cognizione di ordine superiore e i cambiamenti legati all'età nell'organizzazione di reti corticali su larga scala. Presentiamo un metodo basato sull'analisi delle componenti indipendenti dal g...

La possibilità di regolare il comportamento si sviluppa gradualmente durante l&#39;infanzia e l&#39;adolescenza (per una rassegna, vedi Diamante 1). Nella Change Card compito ordine dimensionale, per esempio, i partecipanti passano da carte classificare in un modo, come forma, a cernita loro un modo diverso, ad esempio di colore 2 (vedi figura 2). Commutazione esige un piccolo costo delle prestazioni, o il costo switch, in modo tale che le risposte sono in genere più lenti e più soggetto a errori sugli studi di switch in cui il cambiamento delle regole di ordinamento, rispetto a ripetere prove in cui la regola di ordinamento rimane la stessa 3. L&#39;entità di tali costi in genere diminuisce con figli crescono 4, che illustra il fatto che la capacità di regolazione del comportamento subisce proseguito lo sviluppo presto nella vita. Poiché le operazioni mentali complesse, come la commutazione, comportano rapidi interazioni tra molteplici regioni cerebrali 5, vi è un crescente interesse in relazionng lo sviluppo di ordine superiore cognizione di cambiamenti nell&#39;organizzazione funzionale di larga scala reti corticali 6. Un approccio per indagare cambiamento evolutivo in reti a larga scala è attraverso l&#39;uso di analisi funzionale connettività 6,7 basato seme. Il primo passo in questa tecnica è quello di consultare disponibile letteratura di ricerca e definire le regioni priori di interesse, o ROI, che sembrano essere rilevanti per il comportamento in questione. Questi ROI, o nodi, definiscono la struttura di base della rete. Successivamente, le fluttuazioni a bassa frequenza dell&#39;attività (o T2 *-ponderazione intensità del segnale) in questi ROI sono misurati per 5 a 10 minuti, mentre i partecipanti sono a riposo in uno scanner MRI. Connettività funzionale tra due nodi della rete viene quindi quantificato come la correlazione dei rispettivi andamenti temporali. Nodi che sono fortemente collegati funzionalmente dovrebbero avere simili, e quindi altamente correlati, segnalecorsi a tempo. D&#39;altra parte, i nodi che sono debolmente collegati funzionalmente dovrebbero avere dissimili e quindi poco correlato, segnalare l&#39;andamento nel tempo. Per completare un modello di rete, i bordi (o link) sono disegnate tra nodi il cui andamento nel tempo correlare sopra di una soglia scelto. I test per differenze correlate all&#39;età connettività funzionale all&#39;interno di una rete possono essere effettuate su qualsiasi connessione singolo nodo a nodo, o sulla topologia di tutto l&#39;insieme di nodi e archi. Queste differenze nella connettività funzionale possono quindi essere collegati a misure di performance cognitiva raccolti offline. In questo lavoro, un approccio diverso è descritto che si basa sul gruppo di analisi delle componenti indipendenti basati su attività dati fMRI 8. Indipendente analisi delle componenti (o ICA) è una procedura statistica per rivelare ciecamente fonti nascoste sottostanti una serie di osservazioni tali che le fonti rivelate sono massimamente indipendenti. Applicato alla analisi dei dati fMRI, la pROCEDURA presuppone che ogni volume è una miscela di un numero finito di fonti spazialmente indipendenti. Utilizzando uno di una varietà di diversi algoritmi, come l&#39;algoritmo Infomax, ICA poi calcola una matrice unmixing, che, applicato ai dati originali produce un insieme di sorgenti massimo indipendenti o componenti. Ogni componente può essere pensato come una rete, in quanto comprende un insieme di voxel che condividono un corso temporale comune. Gruppo ICA è un particolare tipo di ICA in cui un insieme comune di componenti del gruppo viene prima stima di un intero set di dati, e quindi i set-specific partecipanti dei componenti del gruppo sono calcolati in un passo indietro-ricostruzione. Una volta che un intero set di dati viene scomposto in una serie di componenti, il passo successivo è quello di eliminare componenti artefatti che rappresentano sorgenti di rumore, e identificare i componenti teoricamente significative che corrispondono con le reti di interesse. Ciò può essere ottenuto sia con l&#39;andamento nel tempo dei componenti di modellazione nel contesto di un GLM a identify reti che attivano in modo previsto, spazialmente correlando componenti con un modello di una rete di interesse, o entrambi. L&#39;insieme dei componenti può essere sottoposto a un confronto di gruppo per verificare possibili differenze legate all&#39;età connettività funzionale all&#39;interno di reti teoricamente interessanti 7,9,10. Dati fMRI basata su attività Studiare i cambiamenti legati all&#39;età nel connettività funzionale attraverso l&#39;applicazione di gruppo ICA ha diversi vantaggi rispetto all&#39;applicazione di tecniche basate seme di riposo statali dati fMRI. In primo luogo, le tecniche di base di seme, a differenza che si concentrano su un piccolo set di a priori definito ROI, l&#39;approccio di gruppo ICA corrente utilizza tutti i voxel comprendenti una serie temporale volumetrico. Questo riduce le opportunità di pregiudizio che necessariamente sorgono quando un piccolo gruppo di semi sono selezionati a priori come regioni di interesse. In secondo luogo, l&#39;applicazione di analisi funzionale connettività (ICA-based o altro) per task-piuttosto che riposa-stato i dati fMRI ha il vantaggio di consentire l&#39;organizzazione della rete e funzione di rete di essere associati in modo più diretto. Se, per esempio, esaminando le implicazioni cognitive o comportamentali della connettività funzionale (come variazione delle prestazioni DCCS) è una priorità, è importante mostrare che la rete di interesse deriva dalle prestazioni compito. Con i protocolli di riposo statali, questo è molto difficile perché il ricercatore ha alcuna traccia di eventuali stati cognitivi, comportamentali, affettivi o sperimentato dal partecipante durante l&#39;acquisizione dei dati. E &#39;quindi impossibile fornire la prova diretta che qualsiasi rete di interesse rilevante per le prestazioni compito. Per contro, quando l&#39;analisi connettività funzionale, come ICA, viene applicato compito-dati, è possibile confermare che la rete di interesse è almeno associata alla esecuzione di un compito. Infine, ICA è meno soggetto all&#39;influenza avversa di rumore. Fonti di rumore, come quelli associati spiritoh movimento del soggetto e il ritmo cardiaco, sono unici profili spazio-temporale. Pertanto, nel contesto di un gruppo ICA, queste fonti sono isolati e assegnati a componenti separati, lasciando rimanenti componenti relativamente priva di queste fonti sgraditi varianza. Poiché le analisi a base di semi-usano corsi tempo prima per la stima della connettività funzionale, e corsi a tempo sono, per definizione, miscele di segnale neurofisiologico e del rumore artefatta, le differenze di gruppo nelle stime di connettività funzionali possono riflettere differenze tra i gruppi veri in neurofisiologia sottostante, differenze di gruppo nella la struttura di rumore, o entrambi 11.

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

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

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

La possibilità di regolare il comportamento ai cambiamenti improvvisi dell&#39;ambiente si sviluppa gradualmente durante l&#39;infanzia e l&#39;adolescenza. Ad esempio, nel Change Card compito ordine dimensionale, partecipanti passare da carte classificare in un modo, come forma, a cernita loro un modo diverso, ad esempio colore. Regolazione del comportamento in questo modo esige un piccolo costo delle prestazioni, o il costo switch, in modo tale che le risposte sono in genere più lenti e più soggetto a errori sugli studi di switch in cui il cambiamento delle regole di ordinamento, rispetto a ripetere prove in cui la regola di ordinamento rimane la stessa. La possibilità di regolare in modo flessibile comportamento è spesso detto di sviluppare progressivamente, in parte perché i costi comportamentali come i costi di switch di solito diminuiscono con l&#39;aumentare dell&#39;età. Perché aspetti della cognizione di ordine superiore, come ad esempio la flessibilità comportamentale, si sviluppano in modo rimane gradualmente una questione aperta. Una ipotesi è che questi cambiamenti si verificano in associazione con alterazioni funzionali larga scala reti di controllo cognitivo. Su questo punto di vista,operazioni mentali complesse, come la commutazione, comportano rapidi interazioni tra le diverse regioni del cervello distribuiti, compresi quelli che aggiornare e mantenere le regole di attività, l&#39;attenzione ri-orientare e selezionare comportamenti. Con lo sviluppo, connessioni funzionali tra queste regioni rafforzare, portando a manovre più efficienti e più veloce. Il video corrente descrive un metodo per testare questa ipotesi attraverso l&#39;analisi e la raccolta multivariata dei dati fMRI dai partecipanti di diverse età.

Gruppo ICA, anche su un relativamente piccolo insieme di dati fMRI, restituirà un insieme di componenti analoghi a quelli osservati in altri studi. Figura 4 è una sovrapposizione di 5 tali componenti e loro andamenti temporali associati preparati da un campione di 12 bambini e 13 adulti , con circa 800 volumi per partecipante. Come mostrato in Figura 4, la modalità predefinita, fronto-parietale, reti cingulo-insulare, e visivo può facilmente essere visto dai risultati di questa decompos...

Questo video presenta un metodo di esaminare i cambiamenti legati all&#39;età nella connettività funzionale delle reti di controllo cognitive impegnate da mirate task / processi. La tecnica si basa su un&#39;analisi multivariata dei dati fMRI.

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

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

L'obiettivo generale di questa procedura è identificare le reti cerebrali associate al passaggio tra compiti e verificare le differenze legate all'età nella connettività funzionale di queste reti. Ciò viene ottenuto raccogliendo innanzitutto dati di FMRI da bambini e adulti mentre eseguono il compito di ordinamento con carte con 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 le funzioni esecutive e per l'esecuzione del compito vengono selezionati mediante appaiamento a modello (template matching) e modellizzazione lineare, rispettivamente. Il passo finale consiste nel determinare se la connettività funzionale all'interno dei componenti selezionati differisce tra adulti e bambini. In definitiva, le analisi FMRI basate sull'ICA possono essere utilizzate per identificare le reti associate al passaggio tra compiti (task switching) e per verificare le differenze legate all'età nell'organizzazione funzionale di queste reti.Il principale vantaggio di questa tecnica rispetto alle tecniche esistenti, come l'analisi della connettività funzionale in stato di riposo, è che fornisce un mezzo per caratterizzare con precisione la funzione delle reti corticali. Questo metodo può contribuire a rispondere a domande fondamentali nel campo delle neuroscienze cognitive dello sviluppo, ad esempio se le reti corticali su larga scala coinvolte in operazioni cognitive complesse, come il passaggio tra compiti, subiscano una riorganizzazione funzionale durante lo sviluppo. Per iniziare, acquisire dati di FMRI seguendo procedure adatte ai bambini piccoli; limitare i confondenti indesiderati addestrando preventivamente i partecipanti in una struttura simulata di scanner. Quando si è pronti, implementare una versione con prove ripetute del compito di ordinamento delle carte con cambio dimensionale.Ogni sessione include due blocchi di cambio di otto prove e due blocchi di ripetizione di otto prove, in cui i blocchi di cambio consistono di quattro prove di cambio e quattro prove di ripetizione, mentre i blocchi di ripetizione consistono di otto prove di ripetizione. Dopo la raccolta dei dati, pre-elaborare i dati di FMRI seguendo le procedure standard di pre-elaborazione di FMRI: prima scaricare e installare GIFT, una toolbox software per ICA di gruppo che funziona insieme a SPMA, un pacchetto di analisi FMRI ben noto. Una volta scaricato, aggiungere la toolbox GIFT e tutte le sottodirectory al percorso di ricerca di MATLAB e salvare il file del percorso. Eseguire un'analisi ICA di gruppo sui dati FMRI utilizzando GIFT richiede un uso sostanziale della memoria RAM.Per evitare problemi di memoria, è preferibile 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 incluso in gif per parametrizzare l'analisi, modificando uno script batch preesistente denominato Input data subjects one M che è memorizzato in gif nella cartella ICAT B batch files. Questo può essere fatto anche utilizzando l'interfaccia grafica utente di gif.Tuttavia, con un po' di pratica è molto più semplice impostare l'analisi modificando questo script preesistente. Successivamente, specificare la modalità dei dati. Come FMRI, specificare il tipo di analisi come ICA per eseguire l'ICA con la procedura I Casso.Selezionare due in base al tipo di analisi, quindi parametrizzare la procedura I Casso nelle righe successive del file di configurazione. Massimizzare le prestazioni della PCA di gruppo selezionando uno tra le impostazioni di prestazione della PCA di gruppo per abilitare l'ordinamento a partire da una matrice di progettazione SPM standard; specificare se esistono matrici diverse per soggetti diversi. Successivamente, indicare dove sono memorizzati i dati funzionali pre-elaborati e se un file punto mat SPM contenente la matrice di progettazione è memorizzato insieme ai dati funzionali pre-elaborati.Se ogni partecipante ha lo stesso numero di acquisizioni, selezionarne una per il metodo uno. Nell'opzione relativa al metodo di selezione dei dati, completare il modello di file di guida della sorgente dei parametri, il flag e il percorso includendo il percorso del file in cui sono archiviati i dati, il formato dei file dei dati e un'indicazione che le sessioni individuali sono memorizzate come sottodirectory all'interno di ciascuna cartella del soggetto; indicare inoltre la directory in cui deve essere scritto l'output dell'analisi. Tale directory non deve coincidere con quella in cui sono conservati i dati.Il passo successivo consiste nel fornire un prefisso che verrà aggiunto a tutti i file di output. Successivamente, fornire un percorso file a una maschera. Come minimo, la maschera dovrebbe eliminare il cranio, lo spazio extraventricolare e in particolare i bulbi oculari, come illustrato qui.Si noti in questo esempio la presenza residua dei bulbi oculari. Questo porterebbe a una decomposizione ICA subottimale e andrebbe evitato per il tipo di PCA di gruppo da utilizzare. Scegliere soggetti specifici per ottenere la migliore curva temporale.Selezionare GICA come metodo di ricostruzione del back. Quando si selezionano i dati, per il tipo di pre-elaborazione utilizzare la normalizzazione dell'intensità per evitare valori non numerici nell'output. In questo esempio, viene scelto il valore predefinito pari a uno.Scegliere il tipo standard di PCA e accettare i valori predefiniti nelle opzioni del PCA. Successivamente, specificare quante PCA eseguire sui dati prima della ICA. Inoltre, specificare quanti componenti mantenere dopo ogni PCA; utilizzare la normalizzazione Z-score per assegnare un punteggio ai dati e scegliere un algoritmo di separazione di sorgenti cieche per la ICA per questo studio.Infomax è stato utilizzato una volta completata l'ICA. Selezionare le componenti di potenziale interesse teorico per ulteriori valutazioni. È possibile selezionare l'ordinamento spaziale per ordinare le componenti in base alla correlazione spaziale con un modello preesistente, mentre l'ordinamento temporale le ordina in base alla correlazione temporale.Le traiettorie temporali dei componenti ottenute mediante predittori lineari dalla matrice di progettazione SPM. Una volta completata l'analisi, verificare se le versioni per bambini e per adulti dei componenti selezionati differiscono. 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 differenti semi casuali. Idealmente, i risultati ottenuti da diverse decomposizioni, qui visibili come punti neri distinti, dovrebbero raggrupparsi strettamente intorno ai punti numerati.Ciò indica un'elevata affidabilità nella decomposizione. Il modello di controllo esecutivo e il componente fronto-parietale destro selezionato sono sovrapposti a sezioni identiche provenienti da una scansione anatomica ad alta risoluzione e appaiono molto simili. La connettività funzionale era maggiore nella corteccia prefrontale mediale e nell'area segmentale ventrale, nonché nella corteccia prefrontale dorsale e parietale inferiore degli adulti rispetto ai bambini.Beh, si sta tentando questa procedura. È importante ricordare di verificare l'output a ogni fase dell'analisi. Piccoli errori si propagheranno in avanti e porteranno a risultati non interpretabili.Seguendo questa procedura. Possono essere eseguiti altri metodi, come l'analisi della connettività funzionale della rete, per rispondere ad ulteriori domande, ad esempio se le interazioni funzionali tra i componenti cambiano in funzione delle richieste del compito o dell'età del partecipante.

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

Research

Ricerca

JoVE Journal

Behavior

Comportamento

L'obiettivo della nostra ricerca è quello di correlare il comportamento di attività cerebrale. Accurate misure comportamentali e le tecniche di imaging ci permettono di chiarire le relazioni cervello-comportamento.

Correlare risposte comportamentali alla segnali fMRI di Human corteccia prefrontale: Esame Processi Cognitivi Utilizzando Task Analysis

Abbiamo testato l'usabilità di un'applicazione basata su tablet-computer (EmoCogMeter) nell'indagare gli effetti dell'età sulla cognizione. I risultati mostrano un declino cognitivo legato all'età, dimostrando così la fruibilità della nostra applicazione. I risultati sottolineano il grande potenziale clinico e pratico di un'applicazione basata su tablet per il rilevamento e il monitoraggio di disfunzione cognitiva.

Valutazione dei cambiamenti legati all&#39;età delle funzioni cognitive Utilizzando EmoCogMeter, un nuovo approccio Tablet Computer Based

Si considera il trasferimento di un paradigma con una storia di utilizzo negli esperimenti EEG a un esperimento fMRI. È stato dimostrato che la manipolazione delle richieste del compito nel compito visivo stravagante ha portato a diversi modelli di attivazione BOLD e ha illustrato come la progettazione del compito sia cruciale negli esperimenti fMRI.

Trasferimento di compiti cognitivi Tra Brain Imaging Modalità: Implicazioni per attività di disegno e interpretazione dei risultati in studi fMRI

Questo articolo descrive il 4 Mountains Test (4MT), un test dipendente dall'ippocampo per lavorare sulla memoria spaziale allocentrica. L'ippocampo è colpito precocemente nella malattia di Alzheimer (AD) e questo articolo delinea la metodologia 4MT e i risultati dei test sui pazienti, che dimostrano il valore della 4MT nella diagnosi di AD pre-demenza.

Il Test 4 montagne: un breve test di memoria spaziale con l&#39;alta sensibilità per la diagnosi di pre-demenza malattia di Alzheimer

Questo manoscritto descrive come implementare un'analisi psicofisiologica interazione per rivelare i cambiamenti di attività-dipendente in connettività funzionale tra una regione di sementi selezionate e voxel in altre regioni del cervello. Analisi delle interazioni psicofisiologica è un metodo popolare per esaminare gli effetti di attività sulla connettività del cervello, distinto dal tradizionale monovariante effetti di attivazione.

Analisi di interazione generalizzata psicofisiologica (PPI) di memoria relative connettività in individui a rischio genetico per la malattia di Alzheimer

In base allo stato di riposo risonanza magnetica funzionale in con analisi di causalità di Granger, abbiamo studiato le alterazioni nella connettività funzionale diretta tra la corteccia del cingulate posteriore e l'intero cervello in pazienti con malattia di Alzheimer (AD), pazienti con danno conoscitivo delicato (MCI) e controlli sani.

Applicazione dell'analisi di causalità di Granger del diretto collegamento funzionale nella malattia di Alzheimer e Mild Cognitive Impairment

L'obiettivo dell'approccio descritto è quello di determinare quali momenti del paradigma (prospettiva temporale) e tra le regioni (prospettiva spaziale), significative riconfigurazioni in connettività funzionale si verificano su formazione immagine a risonanza magnetica funzionale registrazioni durante il quale viene riprodotto uno stimolo tempo-bloccata.

Connettività funzionale inter-soggetto dinamico rivela ad ogni istante cervello configurazioni di rete guidate da continuo o paradigmi di comunicazione

Questo articolo presenta un approccio integrativo allo studio della rete funzionale per la navigazione spaziale nel cervello umano. Questo approccio incorpora un database meta-analitico di neuroimaging su larga scala, una risonanza magnetica funzionale in stato di riposo e tecniche di modellazione di rete e di teoria dei grafi.

Modellazione della rete funzionale per la navigazione spaziale nel cervello umano

Si dimostra come una misura oggettiva può essere impiegato in gomma mano paradigma illusione largamente impiegato. Questa misura è ottenuto modificando il compito congruenza crossmodali ben consolidata. Questa attività permette lo studio dei processi multisensoriali che sono critici per modulazioni di rappresentazioni del corpo come nella illusione della mano di gomma.

La Task Congruenza crossmodali come un mezzo per ottenere una misura comportamentale Obiettivo della mano di gomma Illusion Paradigma

Discutiamo un nuovo metodo per la rotazione del punto di vista degli stimoli visivi e dimostriamo utilizzando uno stereoscopio a specchio la percezione tridimensionale della rotazione in profondità. La tecnica può essere utilizzata per studiare il ruolo dei segnali stereoscopici nella codifica di figure ruotate dal punto di vista.

Misurazione Sensibilità alla Viewpoint Cambia con e senza stereoscopico Cues

Scopri l'analisi ICA su dati fMRI per studiare le reti di controllo cognitivo durante il task switching. Questo metodo rivela differenze di connettività funzionale tra adulti e bambini.

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 (Video) | JoVE Journal

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

Esplora altri video