寸法変化カードソート·パフォーマンスと認知制御ネットワーク関連の機能的結合の加齢の違いを調査するための方法

この手順の全体的な目標は、タスクの切り替えに関連する脳ネットワークを特定し、これらのネットワークの機能的接続性における年齢に関連した違いをテストすることです。これは、最初に子供と大人からFMRIデータを収集し、次元変更カードのソートタスクを完了することによって達成されます。データの前処理後、機能ボリュームは統計的に独立したソースまたはコンポーネントのセットに分解されます。

実行機能とタスクパフォーマンスに関連するコンポーネントは、それぞれテンプレートマッチングと線形モデリングによって選択されます。最後のステップは、選択したコンポーネント内の機能的な接続性が大人と子供で異なるかどうかを判断することです。最終的に、ICAベースのFMRI分析を使用して、タスクの切り替えに関連するネットワークを特定し、これらのネットワークの機能構成における年齢に関連する違いをテストできます。

安静時機能的接続性解析などの既存の手法に対するこの手法の主な利点は、皮質ネットワークの機能を正確に特徴付ける手段を提供することです。この方法は、タスクの切り替えなどの高レベルの認知操作に関与する広範な皮質ネットワークが、発達よりも機能的に再編成されるかどうかなど、発達認知神経科学の分野における重要な質問に答えるのに役立ちます。幼児に適した手順に従ってFMRIデータの取得を開始するには、準備ができたら模擬スキャナー施設で事前に参加者を訓練することにより、不要な交絡を制限し、次元変更カードのソートタスクの繰り返し試行版を実装します。

各実行には、2つの8試行スイッチブロックと2つの8試行リピートブロックが含まれ、スイッチブロックは4つのスイッチ試行と4つの繰り返し試行で構成され、リピートブロックはデータ収集後に8つの繰り返し試行で構成され、標準のFMRI前処理手順に従ってFMRIデータを最初にダウンロードしてインストールします。これは、SPMAと連携して動作するグループICAソフトウェアツールボックスです。 よく知られているFMRI分析パッケージ。ダウンロードしたら、gift toolbox とすべてのサブディレクトリを MATLAB 検索パスに追加し、パス ファイル computing を保存します。gif を使用した FMRI データに対するグループ ICA は、RAM メモリにかなりの負荷をかけます。

メモリの問題を回避するには、サーバー上でICA解析を実行するのが最善です。ローカル コンピュータで解析を実行する場合、RAM 要件は gif の一部であるスクリプトを使用して推定し、解析をパラメータ化し、ICAT B バッチ ファイルの下に gif に格納されている Input data subjects one M と呼ばれる既存のバッチ スクリプトを変更できます。これは、gifのグラフィカルユーザーインターフェイスを使用して行うこともできます。

ただし、少し練習すれば、この既存のスクリプトを変更して分析を設定する方がはるかに簡単です。次に、データモダリティを指定します。FMRI では、分析のタイプを ICA として指定し、I Casso プロシージャーを使用して ICA を実行します。

「分析のタイプ」で 2 つを選択し、セットアップ・ファイルの後続の行で I Casso プロシージャーをパラメーター化します。グループ PCA のパフォーマンスを最大化するには、グループ PCA パフォーマンス設定で 1 つ選択し、標準 SPM デザイン行列からのソートを有効にし、被験者ごとに異なる行列があるかどうかを指定します。次に、前処理された機能データが保存される場所と、デザインマトリックスを含むSPMドットマットファイルが前処理された機能データと一緒に保存されるかどうかを指定します。

各参加者の実行数が同じ場合は、方法1に1つ選択します。データ選択方法オプションの下で、データが保存されるファイルパス、データのファイル形式、および個々のセッションが各サブジェクトフォルダ内のサブディレクトリとして保存されることを示すステートメントを含めることにより、パラメータソースステアファイルパターン、フラグ、場所を完成させます。これは、データが格納されているディレクトリと同じにしないでください。

次の手順では、すべての出力ファイルに追加されるプレフィックスを指定します。次に、マスクへのファイルパスを指定します。少なくとも、マスクは頭蓋骨の余分な脳のスペース、特にここに示すように眼球を排除する必要があります。

この例では、眼球の残存証拠に注目してください。これにより、ICA の分解が最適ではなくなるため、使用するグループ PCA のタイプでは避ける必要があります。最適な時間コースを取得するために、特定の科目を選択してください。

背面の再構築方法として GICA を選択します。データを選択するときは、前処理タイプで、強度の正規化を使用して、出力に数値以外の値が含まれないようにします。この例では、デフォルトの 1 が選択されています。

標準の PCA タイプを選択し、PCA オプションでデフォルト値を受け入れます。次に、ICA の前にデータに対して実行する PCA の数を指定します。さらに、各 PCA が Z スコアスケーリングを使用してデータをスコアリングした後に保持するコンポーネントの数を指定し、この作業の ICA のブラインドソース分離アルゴリズムを選択します。

ICAが完了した後、Infomaxが使用されました。さらに検討するために、理論的に関心のある可能性のあるコンポーネントを選択します。空間的並べ替えは、既存のテンプレートとの空間的相関によってコンポーネントを並べ替えるために選択でき、時間的な並べ替えは並べ替えます。

SPM設計行列からの線形予測子によるコンポーネントの時間経過。分析が完了したら、選択したコンポーネントの子供バージョンと大人バージョンが異なるかどうかをテストします。表示。60 個のコンポーネントを持つ ICA に適用された ICAS O 手順の結果を次に示します。

番号が付けられた各ポイントは、1 つのコンポーネントを表します。黒い点は、同じデータに対する異なるランダムシードの異なるICA分解を表しています。理想的には、ここで異なる黒いスポットとして見られるさまざまな分解の結果は、番号が付けられたポイントの周りに密集する必要があります。

これは、分解の信頼性が良好であることを示しています。エグゼクティブコントロールテンプレートと選択した右前頭頭頂部コンポーネントは、高解像度の解剖学的スキャンからの同一のスライスにオーバーレイされており、非常に同等に見えます。機能的結合性は、小児と比較して、成人の内側前頭前皮質と腹側分節領域、および背側前頭前野と下頭頂葉で強くなりました。

さて、それはこの手順を試みています。分析の各段階で出力を確認することを忘れないでください。小さなエラーは前方に伝播し、解釈できない結果につながります。

この手順に従います。機能的なネットワーク接続性解析など、他の方法を実行して、コンポーネント間の機能的な相互作用がタスクの要求や参加者の年齢の関数として変化するかどうかなどの追加の質問に答えることができます。