치수 변경 카드 정렬 성능인지 제어 네트워크 관련의 기능 연결에서 연령 관련 차이점을 조사하는 방법

이 절차의 전반적인 목표는 작업 전환과 관련된 뇌 네트워크를 식별하고 이러한 네트워크의 기능적 연결에서 연령 관련 차이를 테스트하는 것입니다. 이는 먼저 차원 변경 카드 정렬 작업을 완료하는 동안 어린이와 성인으로부터 FMRI 데이터를 수집하여 수행됩니다. 데이터를 사전 처리한 후 기능 볼륨은 통계적으로 독립적인 소스 또는 구성 요소 집합으로 분해됩니다.

집행 기능 및 작업 성과와의 관련성 구성 요소는 각각 템플릿 매칭 및 선형 모델링을 통해 선택됩니다. 마지막 단계는 선택한 구성 요소 내의 기능적 연결성이 성인과 어린이에게 다른지 여부를 결정하는 것입니다. 궁극적으로 ICA 기반 FMRI 분석을 사용하여 작업 전환과 관련된 네트워크를 식별하고 이러한 네트워크의 기능 조직에서 연령 관련 차이를 테스트할 수 있습니다.

휴지 상태 기능 연결성 분석과 같은 기존 기술에 비해 이 기술의 주요 장점은 피질 네트워크의 기능을 정확하게 특성화하는 수단을 제공한다는 것입니다. 이 방법은 작업 전환과 같은 높은 수준의 인지 작동과 관련된 광범위한 대뇌 피질 네트워크가 발달에 따라 기능적 재구성을 거치는지 여부와 같은 발달 인지 신경 과학 분야의 주요 질문에 답하는 데 도움이 될 수 있습니다. FMRI 데이터 획득을 시작하려면 어린 아이들에게 적합한 절차에 따라 준비가 되면 모의 스캐너 시설에서 참가자를 미리 교육하여 원치 않는 혼란을 제한하고 차원 변경 카드 정렬 작업의 반복 시험 버전을 구현합니다.

각 실행에는 2개의 8개의 시도 스위치 블록과 2개의 8개의 시도 반복 블록이 포함되며, 여기서 스위치 블록은 4개의 스위치 시도와 4개의 반복 시도로 구성되며 반복 블록은 표준 FMRI 전처리 절차에 따라 FMRI 데이터를 전처리한 후 데이터 수집 후 8개의 반복 시도로 구성되며, 먼저 SPMA와 함께 작동하는 그룹 ICA 소프트웨어 도구 상자인 gif를 다운로드하여 설치합니다. 잘 알려진 FMRI 분석 패키지. 다운로드가 완료되면 gift toolbox 및 모든 하위 디렉토리를 MATLAB 검색 경로에 추가하고 경로 파일 computing을 저장합니다. gif를 사용하는 FMRI 데이터에 대한 그룹 ICA는 RAM 메모리에 상당한 요구를 합니다.

메모리 문제를 방지하려면 서버에서 ICA 분석을 실행하는 것이 가장 좋습니다. 로컬 컴퓨터에서 분석을 실행하는 경우 gif의 일부인 스크립트를 사용하여 RAM 요구 사항을 추정하여 분석을 매개 변수화하고 ICAT B 배치 파일 아래에 gif에 저장된 입력 데이터 주체 1 M이라는 기존 배치 스크립트를 수정할 수 있습니다. 이것은 gif 그래픽 사용자 인터페이스를 사용하여 수행할 수도 있습니다.

그러나 약간의 연습을 통해 이 기존 스크립트를 수정하여 분석을 설정하는 것이 훨씬 쉽습니다. 다음으로, 데이터 모달리티를 지정합니다. FMRI는 분석 유형을 ICA로 지정하여 I Casso 절차로 ICA를 실행합니다.

분석 유형(type of analysis)에서 두 개를 선택한 다음 셋업 파일의 다음 줄에서 I Casso 절차를 매개변수화합니다. 그룹 PCA 성능 설정에서 하나를 선택하여 그룹 PCA의 성능을 최대화하여 표준 SPM 설계 매트릭스에서 정렬할 수 있도록 하고, 다른 주제에 대해 다른 매트릭스가 있는지 여부를 지정합니다. 다음으로, 전처리된 기능 데이터가 저장되는 위치와 설계 매트릭스를 포함하는 SPM dot mat 파일이 전처리된 기능 데이터와 함께 저장되는지 여부를 지정합니다.

각 참가자의 실행 횟수가 같으면 방법 1에 대해 하나를 선택합니다. 데이터 선택 방법 옵션에서 데이터가 저장되는 파일 경로, 데이터의 파일 형식 및 개별 세션이 각 주제 폴더 내의 하위 디렉토리로 저장됨을 나타내는 명령문을 포함하여 매개변수 소스 스티어 파일 패턴, 플래그, 위치를 완성합니다. 데이터가 저장된 디렉토리와 동일하지 않아야 합니다.

다음 단계는 모든 출력 파일에 추가될 접두사를 제공하는 것입니다. 다음으로, 마스크에 대한 파일 경로를 제공합니다. 최소한 마스크는 여기에 설명된 것처럼 두개골, 여분의 대뇌 공간, 특히 안구를 제거해야 합니다.

이 예에서 안구의 잔여 증거에 주목하십시오. 이는 차선의 ICA 분해로 이어질 수 있으며 사용할 그룹 PCA 유형에 대해 피해야 합니다. 최적의 시간 코스를 얻기 위해 특정 과목을 선택하십시오.

후방 재건 방법으로 GICA를 선택합니다. 데이터 전처리 유형을 선택할 때 강도 정규화를 사용하여 출력에서 숫자가 아닌 값을 피하십시오. 이 예에서는 기본값인 1이 선택됩니다.

표준 PCA 유형을 선택하고 PCA 옵션에서 기본값을 수락합니다. 다음으로, ICA 전에 데이터에서 실행할 PCA 수를 지정합니다. 또한 각 PCA가 Z-score 스케일링을 사용하여 데이터 점수를 매긴 후 유지할 구성 요소 수를 지정하고 이 작업을 위해 ICA에 대한 블라인드 소스 분리 알고리즘을 선택합니다.

Infomax는 ICA가 완료된 후 사용되었습니다. 추가 고려를 위해 잠재적인 이론적 관심 구성 요소를 선택합니다. 공간 정렬은 기존 템플릿과의 공간 상관 관계를 통해 구성 요소를 정렬하는 반면 시간 정렬은 정렬하도록 선택할 수 있습니다.

구성 요소 시간은 SPM 설계 매트릭스의 선형 예측 변수를 통해 진행됩니다. 분석이 완료되면 선택한 구성 요소의 자식 버전과 성인 버전이 다른지 테스트합니다. 표시. 다음은 60개의 구성 요소가 있는 ICA에 적용된 ICAS O 절차의 결과입니다.

번호가 매겨진 각 점은 하나의 구성 요소를 나타냅니다. 블랙 포인트는 서로 다른 무작위 시드를 가진 동일한 데이터의 서로 다른 ICA 분해를 나타냅니다. 이상적으로는 여기에서 서로 다른 검은 점으로 보이는 서로 다른 분해의 결과가 번호가 매겨진 점 주위에 단단히 모여 있어야 합니다.

이는 분해에 대한 신뢰성이 우수함을 나타냅니다. 집행 제어 템플릿과 선택한 오른쪽 전두엽 구성 요소는 고해상도 해부학적 스캔에서 동일한 슬라이스에 오버레이되어 있으며 상당히 비슷하게 보입니다. 기능적 연결성은 어린이에 비해 성인의 내측 전전두엽 피질과 복부 분절 영역, 배쪽 전전두엽 및 하두정엽 피질에서 더 강했습니다.

글쎄, 그것은 이 절차를 시도하고 있습니다. 분석의 각 단계에서 출력을 확인하는 것을 기억하는 것이 중요합니다. 작은 오류는 앞으로 전파되어 해석할 수 없는 결과로 이어집니다.

이 절차를 따릅니다. 구성 요소 간의 기능적 상호 작용이 작업 요구 또는 참가자 연령의 함수로 변경되는지 여부와 같은 추가 질문에 답하기 위해 기능적 네트워크 연결성 분석과 같은 다른 방법을 수행할 수 있습니다.