Metoda badania związanych z wiekiem różnic w funkcjonalnej łączności sieci kontroli poznawczej związanych z wydajnością sortowania kart zmiany wymiarów

Ogólnym celem tej procedury jest identyfikacja sieci mózgowych związanych z przełączaniem zadań i przetestowanie związanych z wiekiem różnic w funkcjonalnej łączności tych sieci. Osiąga się to poprzez zebranie najpierw danych FMRI od dzieci i dorosłych podczas wykonywania zadania sortowania kart zmiany wymiarów. Po wstępnym przetworzeniu danych objętości funkcjonalne są rozkładane na zestaw statystycznie niezależnych źródeł lub komponentów.

Komponenty istotne dla funkcjonowania wykonawczego i wydajności zadań są wybierane odpowiednio za pomocą dopasowywania szablonów i modelowania liniowego. Ostatnim krokiem jest ustalenie, czy łączność funkcjonalna w ramach wybranych komponentów różni się u dorosłych i dzieci. Ostatecznie, analizy FMRI oparte na ICA mogą być wykorzystane do identyfikacji sieci związanych z przełączaniem zadań i testowania związanych z wiekiem różnic w organizacji funkcjonalnej tych sieci.

Główną przewagą tej techniki nad istniejącymi technikami, takimi jak analiza łączności funkcjonalnej w stanie spoczynku, jest to, że zapewnia ona sposób dokładnego scharakteryzowania funkcji sieci korowych. Metoda ta może pomóc odpowiedzieć na kluczowe pytania w dziedzinie rozwojowej neuronauki poznawczej, takie jak to, czy sieci korowe na szeroką skalę zaangażowane w operacje poznawcze wysokiego poziomu, takie jak przełączanie zadań, ulegają reorganizacji funkcjonalnej w trakcie rozwoju. Aby rozpocząć pozyskiwanie danych FMRI zgodnie z procedurami odpowiednimi dla małych dzieci, ogranicz niechciane zakłócenia, szkoląc uczestników z wyprzedzeniem w symulowanym skanerze, gdy będą gotowe, zaimplementuj powtarzaną wersję próbną zadania sortowania kart zmiany wymiarów.

Każdy przebieg obejmuje dwa bloki przełączników z ośmioma próbami i dwa bloki z ośmioma powtórzeniami prób, gdzie bloki przełączników składają się z czterech prób przełącznikowych i czterech prób powtórzeniowych, a bloki powtórzeń składają się z ośmiu powtórzonych prób po zebraniu danych, wstępnie przetworzonych danych FMRI zgodnie ze standardowymi procedurami wstępnego przetwarzania FMRI, najpierw pobierz i zainstaluj gif, grupowy zestaw narzędzi programowych ICA, który współpracuje ze SPMA, dobrze znany pakiet do analizy FMRI. Po pobraniu dodaj zestaw narzędzi prezentowych i wszystkie podkatalogi do ścieżki wyszukiwania MATLAB i zapisz plik ścieżki obliczeniowej. Grupa ICA na danych FMRI przy użyciu gif ma znaczne wymagania dotyczące pamięci RAM.

Aby uniknąć problemów z pamięcią, najlepiej jest uruchomić analizę ICA na serwerze. Jeśli analiza jest uruchamiana na komputerze lokalnym, wymagania dotyczące pamięci RAM można oszacować przy użyciu skryptu, który jest częścią gifa w celu sparametryzowania analizy, zmodyfikuj istniejący wcześniej skrypt wsadowy o nazwie Input data subject one M, który jest przechowywany w gifie w plikach wsadowych ICAT B. Można to również zrobić za pomocą graficznego interfejsu użytkownika gifs.

Jednak przy odrobinie wprawy znacznie łatwiej jest skonfigurować analizę, modyfikując ten istniejący wcześniej skrypt. Następnie określ modalność danych. Jako FMRI określ typ analizy jako ICA, aby uruchomić ICA za pomocą procedury I Casso.

Wybierz dwa z nich w obszarze typ analizy, a następnie sparametryzuj procedurę I Casso w kolejnych wierszach pliku instalacyjnego. Zmaksymalizuj wydajność grupowej PCA, wybierając jedno z ustawień wydajności grupowej PCA, aby umożliwić sortowanie ze standardowej macierzy projektowej SPM, określając, czy istnieją różne macierze dla różnych tematów. Następnie określ, gdzie są przechowywane wstępnie przetworzone dane funkcjonalne i czy plik kropkowy SPM zawierający macierz projektową jest przechowywany razem ze wstępnie przetworzonymi danymi funkcjonalnymi.

Jeśli każdy uczestnik ma taką samą liczbę przejazdów, wybierz jeden z nich jako metodę pierwszą. W ramach opcji metody wyboru danych uzupełnij parametr źródło steruj wzorcem pliku, flagą, lokalizacją, podając ścieżkę pliku, w którym dane są przechowywane, format pliku danych oraz instrukcję wskazującą, że poszczególne sesje są przechowywane jako podkatalogi w każdym folderze tematycznym, wskaż katalog, w którym powinny zostać zapisane dane wyjściowe analizy. Nie powinien to być ten sam katalog, w którym przechowywane są dane.

Następnym krokiem jest podanie prefiksu, który zostanie dodany do wszystkich plików wyjściowych. Następnie podaj ścieżkę do pliku do maski. Maska powinna co najmniej eliminować dodatkową przestrzeń mózgową czaszki, a zwłaszcza gałki oczne, jak pokazano tutaj.

Zwróć uwagę na w tym przykładzie szczątkowe ślady gałek ocznych. Doprowadzi to do nieoptymalnego rozkładu ICA i należy tego unikać w przypadku rodzaju grupy PCA, która ma być użyta. Wybierz konkretny przedmiot, aby uzyskać najlepszy kurs czasowy.

Wybierz GICA jako metodę rekonstrukcji pleców. Podczas wybierania typu przetwarzania wstępnego danych należy użyć normalizacji intensywności, aby uniknąć wartości nieliczbowych w danych wyjściowych. W tym przykładzie wybrano wartość domyślną jednego z nich.

Wybierz standardowy typ PCA i zaakceptuj wartości domyślne w opcjach PCA. Następnie określ, ile PCA ma być uruchamianych na danych przed ICA. Ponadto określ, ile komponentów ma zostać zachowanych po każdym PCA, użyj skalowania Z-score do oceny danych, wybierz algorytm separacji ślepego źródła dla ICA dla tej pracy.

Infomax został użyty po zakończeniu ICA. Wybierz komponenty o potencjalnym znaczeniu teoretycznym do dalszych rozważań. Sortowanie przestrzenne można wybrać w celu sortowania komponentów za pomocą korelacji przestrzennej z istniejącym wcześniej szablonem, podczas gdy sortowanie czasowe sortuje.

Składowy przebiega w czasie za pomocą predyktorów liniowych z macierzy obliczeniowej SPM. Po zakończeniu analizy sprawdź, czy wersje dla dzieci i dorosłych wybranych komponentów różnią się. Pokazano. Poniżej przedstawiono wyniki procedury ICAS O zastosowanej do ICA składającego się z 60 komponentów.

Każdy ponumerowany punkt reprezentuje jeden komponent. Czarne punkty reprezentują różne dekompozycje ICA tych samych danych z różnymi losowymi ziarnami. Idealnie byłoby, gdyby wyniki różnych dekompozycji widoczne tutaj jako różne czarne plamy skupiały się ciasno wokół ponumerowanych punktów.

Wskazuje to na dobrą niezawodność rozkładu. Szablon kontroli wykonawczej i wybrany prawy przedni komponent ciemieniowy są nałożone na identyczne wycinki ze skanu anatomicznego o wysokiej rozdzielczości i wydają się dość porównywalne. Łączność funkcjonalna była silniejsza w przyśrodkowej korze przedczołowej i brzusznym obszarze segmentowym oraz grzbietowej i dolnej korze ciemieniowej u dorosłych w porównaniu z dziećmi.

Cóż, próbuje tej procedury. Ważne jest, aby pamiętać o sprawdzaniu wyników na każdym etapie analizy. Drobne błędy będą się rozprzestrzeniać i prowadzić do niemożliwych do zinterpretowania wyników.

Postępując zgodnie z tą procedurą. Można zastosować inne metody, takie jak funkcjonalna analiza łączności sieciowej, aby odpowiedzieć na dodatkowe pytania, takie jak to, czy funkcjonalne interakcje między komponentami zmieniają się w zależności od wymagań zadania lub wieku uczestników.