Een methode voor het onderzoeken van leeftijdsgebonden veranderingen in de functionele connectiviteit van cognitieve controle Networks Associated met Dimensional Change Card Sort Prestatie

Het algemene doel van deze procedure is om hersennetwerken te identificeren die geassocieerd zijn met taakschakelingen en om te testen op leeftijdsgerelateerde verschillen in de functionele connectiviteit van deze netwerken. Dit wordt bereikt door eerst FMRI-gegevens te verzamelen van kinderen en volwassenen tijdens het voltooien van de dimensional change card sort-taak. Na het voorverwerken van de gegevens, worden functionele volumes ontbonden in een reeks statistisch onafhankelijke bronnen of componenten.

De componenten van relevantie voor executive functioning en taakuitvoering worden geselecteerd door middel van sjabloonvergelijking en lineair modelleren respectievelijk. De laatste stap is om te bepalen of de functionele connectiviteit binnen de geselecteerde componenten verschilt voor volwassenen en kinderen. Uiteindelijk kunnen ICA-gebaseerde FMRI-analyses worden gebruikt om netwerken geassocieerd met taakschakelingen te identificeren en om leeftijdsgerelateerde verschillen in de functionele organisatie van deze netwerken te testen.

Het belangrijkste voordeel van deze techniek boven bestaande technieken zoals rusttoestand functionele connectiviteitsanalyse is dat het een middel biedt om de functie van corticale netwerken nauwkeurig te karakteriseren. Deze methode kan helpen bij het beantwoorden van belangrijke vragen op het gebied van ontwikkelingscognitieve neurowetenschap, zoals of brede corticale netwerken die betrokken zijn bij hoogwaardige cognitieve operaties zoals taakschakelingen, functionele reorganisatie ondergaan tijdens de ontwikkeling. Om te beginnen, verzamel FMRI-gegevens volgens procedures die geschikt zijn voor jonge kinderen, beperk ongewenste confounders door deelnemers van tevoren te trainen in een mock scanner-faciliteit wanneer ze er klaar voor zijn, implementeer een herhaalde proefversie van de dimensional change card sort-taak.

Elke run omvat twee blokken met acht proeven van schakelen en twee blokken met acht herhalingproeven waarbij schakelblokken bestaan uit vier schakelproeven en vier herhalingsproeven en herhalingsblokken bestaan uit acht herhalingsproeven. Na gegevensverzameling, wordt de FMRI-gegevens voorverwerkt volgens standaard FMRI-voorverwerkingsprocedures. Download en installeer eerst een gif-groep ICA-softwaretoolbox die samenwerkt met SPMA, een bekend FMRI-analysepakket. Eenmaal gedownload, voeg de gift-toolbox en alle submappen toe aan de MATLAB-zoekpad en sla het padbestand op. Een groep ICA op FMRI-gegevens met behulp van gif stelt aanzienlijke eisen aan RAM-geheugen.

Om geheugenproblemen te voorkomen, is het het beste om de ICA-analyse op een server uit te voeren. Als u de analyse op een lokale computer uitvoert, kunnen de RAM-vereisten worden geschat met behulp van een script dat deel uitmaakt van gif om de analyse te parameteren, wijzig een bestaand batchscript genaamd Input data subjects one M dat wordt opgeslagen in gif onder ICAT B batchbestanden. Dit kan ook worden gedaan met behulp van de grafische gebruikersomgeving van gif.

Het is echter veel eenvoudiger met een beetje oefening om de analyse op te zetten door dit bestaande script aan te passen. Specificeer vervolgens de datamodaliteit. Specificeer als FMRI het type analyse als ICA om de ICA met de I Casso-procedure uit te voeren.

Selecteer twee onder type van analyse en specificeer vervolgens de I Casso-procedure in de volgende regels van het instellingsbestand. Maximaliseer de prestaties van de groep PCA door een te kiezen onder groep PCA prestatie-instellingen om het sorteren vanuit een standaard SPM-ontwerpmatrix in te schakelen. Geef aan of er verschillende matrices zijn voor verschillende proefpersonen. Specificeer vervolgens waar de voorverwerkte functionele gegevens zijn opgeslagen en of er een SPM-dot-mat-bestand met de ontwerpmatrix is opgeslagen samen met de voorverwerkte functionele gegevens.

Als elke deelnemer hetzelfde aantal runs heeft, selecteer een voor methode een. Onder de optie voor gegevensselectiemethode, vul het parameterbronbesturingsbestandspatroon, vlag, locatie in door de bestandspad op te nemen waar de gegevens zijn opgeslagen, het bestandsformaat van de gegevens en een verklaring dat individuele sessies zijn opgeslagen als submappen binnen elke map van proefpersonen. Geef de map aan waar de uitvoer van de analyse moet worden geschreven. Dit mag niet dezelfde map zijn waar de gegevens zijn opgeslagen.

De volgende stap is om een voorvoegsel te bieden dat aan alle uitvoerbestanden zal worden toegevoegd. Geef vervolgens een bestandspad op voor een masker. Het masker moet minimaal schedel extra cerebraal ruimte en vooral de oogbollen elimineren zoals hier geïllustreerd.

Let op in dit voorbeeld resterende bewijzen van de oogbollen. Dit zal leiden tot een suboptimale ICA-decompositie en zou moeten worden vermeden voor het type groep PCA dat zal worden gebruikt. Kies specifiek voor het onderwerp om de beste tijdsverloop te verkrijgen.

Selecteer GICA als de terugreconstructiemethode. Bij het selecteren van een gegevens-, voorverwerkingstype, gebruik intensiteitsnormalisatie om niet-numerieke waarden in de uitvoer te vermijden. In dit voorbeeld is het standaardwaarde van één gekozen.

Kies het standaard PCA-type en accepteer standaardwaarden onder PCA-opties. Specificeer vervolgens hoeveel PCA's moeten worden uitgevoerd op de gegevens vóór de ICA. Geef bovendien aan hoeveel componenten moeten worden behouden na elke PCA. Gebruik Z-score-schaling om de gegevens te scoren, kies een blinde bronscheidingsalgoritme voor de ICA voor dit werk.

Infomax werd gebruikt nadat de ICA was voltooid. Selecteer componenten van potentieel theoretisch belang voor verdere overweging. Ruimtelijke sortering kan worden geselecteerd om componenten te sorteren door middel van ruimtelijke correlatie met een bestaand sjabloon, terwijl temporele sortering sorteert.

De componenttijdverlopen door middel van lineaire voorspellers uit de SPM-ontwerpmatrix. Zodra de analyse is voltooid, wordt getest of de kinder- en volwassenversies van de geselecteerde componenten verschillen. Getoond. Hier zijn de resultaten van de ICAS O-procedure toegepast op een ICA met 60 componenten.

Elk genummerd punt vertegenwoordigt één component. De zwarte punten vertegenwoordigen verschillende ICA-decompositie van dezelfde gegevens met verschillende willekeurige zaden. Idealiter zouden resultaten van verschillende decompositie hier als verschillende zwarte vlekken