Name: Metoda badania związanych z wiekiem różnic w funkcjonalnej łączności sieci kontroli poznawczej związanych z wydajnością sortowania kart zmiany wymiarów (Wideo) | JoVE Journal
Uploaded: 2014-05-07T13:00:00.000+00:00
Duration: 9 min 1 s
Description: Poznaj metodę analizy funkcjonalnej łączności sieci kontroli poznawczej związanej z wiekiem przy użyciu danych fMRI i analizy ICA. Technika ta pozwala identyfikować sieci mózgowe związane z przełączaniem zadań u dzieci i dorosłych.

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

Te badania były możliwe dzięki wsparciu grantów z National Science and Engineering Research Council (NSERC) dla J. Bruce'a Mortona.

1. Uzyskaj zgodę na pracę z ludźmi
2. Akwizycja danych fMRI
<ol>
	<li>Pozyskaj dane fMRI zgodnie z procedurami odpowiednimi dla małych dzieci (patrz Raschle i wsp.12). Dołoż wszelkich starań, aby ograniczyć ewentualne związane z wiekiem różnice w wykonywaniu zadań i ruchu, ponieważ różnice te wprowadzają niepożądane zakłócenia, które ograniczają zdolność do wyciągania wniosków na temat istotnych dla rozwoju różnic w aktywacji mózgu i łączności funkcjonalnej. 
	Uwaga: W obecnym protokole wersja DCCS z powtarzającymi się próbami była podawana w postaci projektu blokowego13. Każdy przebieg składa się z dwóch 8-próbnych bloków przełączających i dwóch 8-próbnych bloków powtórzeniowych, gdzie bloki przełączające składają się z 4 prób przełączających i 4 powtórzonych prób, a bloki powtórzeniowe składają się z 8 powtórzonych prób. Protokół doskonale nadaje się do użytku z danymi fMRI związanymi ze zdarzeniami. Jednak projekty blokowe są miłe do pracy przy pierwszym zapoznaniu się z ICA, ponieważ łatwo jest zobaczyć modulacje zadań w kursach czasowych komponentów.</li>
	<li>Wstępne przetwarzanie danych fMRI zgodnie ze standardowymi procedurami wstępnego przetwarzania fMRI.
	<ol>
		<li>Wyrównaj wszystkie funkcjonalne obrazy do tej samej orientacji i pozycji. Zazwyczaj pierwszy wolumin funkcjonalny jest używany jako obraz referencyjny dla wszystkich innych woluminów, do których ma być wyrównane.</li>
		<li>Obraz T1-zależny (anatomiczny) należy połączyć ze skanami T2*zależnymi (funkcjonalnymi), tak aby aktywacja została nałożona na właściwą lokalizację anatomiczną.</li>
		<li>Znormalizuj wszystkie obrazy do ustandaryzowanego rozmiaru, przestrzeni i pozycji, wybierając mózg szablonu (np. przestrzeń Talairach). Pomaga to zapewnić, że regiony homologiczne z różnych obiektów są porównywane. 
		Uwaga: Obrazy są zniekształcane do przestrzeni Talairach w bieżącym protokole, chociaż mogą być również używane inne szablony (na przykład przestrzeń MNI {Montreal Neurological Institute}).</li>
		<li>Wygładź wszystkie objętości funkcjonalne w zestawie danych za pomocą jądra wygładzającego o średnicy od 6 do 10 mm.</li>
	</ol>
	</li>
	<li>Sekwestruj wstępnie przetworzone woluminy do osobnego zestawu katalogów. Użyj "Skanowania funkcjonalnego" jako głównego katalogu. W sekcji "Skanowania funkcjonalne" znajduje się osobny katalog dla każdego uczestnika, a w każdym katalogu uczestnika osobny katalog dla każdego uruchomienia. Dane są teraz gotowe do analizy ICA.</li>
</ol>
3. Grupowa Analiza Niezależnych Komponentów (ICA)
<ol>
	<li>Pobierz i zainstaluj grupowe oprogramowanie ICA. Dostępnych jest wiele zestawów narzędzi do wdrażania ICA na różnych typach danych neurofizjologicznych, w tym fMRI. Podczas gdy każdy zestaw narzędzi, który wykonuje grupowe ICA, byłby potencjalnie odpowiedni, ten używany w obecnym protokole nazywa się GIFT. GIFT został opracowany przez Vince'a Calhouna i jego współpracowników z University of New Mexico. Przybornik GIFT to zestaw skryptów MATLAB, który współpracuje ze SPM, dobrze znanym pakietem do analizy fMRI. Oba można pobrać za darmo z internetu (GIFT: mialab.mrn.org/software/gift/index.html#; SPM: www.fil.ion.ucl.ac.uk/spm/). Po pobraniu dodaj przybornik GIFT i wszystkie podkatalogi do ścieżki wyszukiwania MATLAB i zapisz plik ścieżki.</li>
	<li>Obliczanie grupowego ICA na danych fMRI za pomocą GIFT wiąże się ze znacznym zapotrzebowaniem na pamięć RAM. Dokładne zapotrzebowanie na pamięć będzie się różnić w zależności od liczby uczestników, ilości danych zebranych od każdego uczestnika i rozdzielczości danych. Aby uniknąć problemów z pamięcią, najlepiej jest uruchomić analizę ICA na serwerze. W przypadku uruchamiania analizy na komputerze lokalnym, wymagania dotyczące pamięci RAM można oszacować za pomocą skryptu "icatb_mem_ica.m", który jest częścią GIFT.</li>
	<li>Ustawianie lub parametryzowanie analizy. W tym celu należy zmodyfikować istniejący skrypt wsadowy o nazwie "Input_data_subjects_1.m", który jest przechowywany w GIFT pod adresem "icatb_batch_files". 
	Uwaga: Można to również zrobić za pomocą graficznego interfejsu użytkownika GIFT. Jednak przy odrobinie wprawy znacznie łatwiej jest skonfigurować analizę, modyfikując ten istniejący wcześniej skrypt.
	<ol>
		<li>Określ modalność danych jako fMRI</li>
		<li>Określ typ analizy jako ICA za pomocą ICASSO. Dzięki temu ICA będzie prowadzona zgodnie z procedurą ICASSO. ICASSO szacuje wiarygodność rozkładu, uruchamiając ICA kilka razy, zaczynając od różnych losowych nasion. Następnie testuje podobieństwo każdego wyniku za pomocą grupowania. Stosowanie ICASSO jest zalecane jako środek do sprawdzania jakości rozkładu ICA, ale znacznie wydłuży czas potrzebny na zakończenie analizy przez GIFT.
		<ol>
			<li>Aby uruchomić ICA z procedurą ICASSO, wybierz "2" w sekcji "Typ analizy", a następnie sparametryzuj procedurę ICASSO w kolejnych wierszach pliku instalacyjnego.</li>
		</ol>
		</li>
		<li>Zmaksymalizuj wydajność grupowej PCA, wybierając "1" w ustawieniach wydajności grupowej PCA. Rozważ ustawienie tego parametru na "2", jeśli wystąpią problemy z niewystarczającą ilością pamięci RAM.</li>
		<li>Aby umożliwić późniejsze sortowanie wynikowych komponentów przy użyciu predyktorów ze standardowej macierzy projektowej SPM, określ, czy istnieją różne macierze dla różnych tematów.</li>
		<li>Określ, gdzie są przechowywane wstępnie przetworzone dane funkcjonalne i czy plik SPM.mat zawierający macierz projektową jest przechowywany razem ze wstępnie przetworzonymi danymi funkcjonalnymi.
		<ol>
			<li>Najprostszym sposobem na odczytanie danych przez GIFT jest sytuacja, w której każdy uczestnik ma taką samą liczbę przebiegów, a katalog danych jest skonstruowany zgodnie z opisem w kroku 2.3 w sekcji Akwizycja danych fMRI. Jeśli tak, w obszarze DataSelectionMethod wybierz wartość "1" dla metody 1 i uzupełnij parametr "sourceDir_filePattern_flagLocation", podając ścieżkę pliku, w którym są przechowywane dane, format pliku danych oraz instrukcję wskazującą, że poszczególne sesje są przechowywane jako podkatalogi w każdym folderze tematycznym.</li>
		</ol>
		</li>
		<li>Wskaż katalog, w którym powinny zostać zapisane dane wyjściowe analizy. Nie należy zapisywać wyników w tym samym katalogu, w którym są przechowywane dane.</li>
		<li>Podaj prefiks, który zostanie dodany do wszystkich plików wyjściowych.</li>
		<li>Podaj ścieżkę do pliku maski. Wszystkie woluminy zgłoszone do ICA są maskowane. GIFT zapewnia domyślną maskę. Do tej pracy potrzebny jest wewnętrzny skrypt do generowania maski na podstawie danych, które zostaną przesłane do ICA. Maska powinna eliminować co najmniej czaszkę, przestrzeń pozamózgową, a zwłaszcza gałki oczne. Sygnał z wokseli gałki ocznej będzie wykazywał bardzo duże wahania podczas biegu i dlatego będzie miał spory wpływ na strukturę końcowych komponentów. Rysunek 3 ilustruje, jak powinna wyglądać dobra maska.</li>
		<li>Określ typ grupy PCA, która ma być używana. Użyj "specyficznego dla tematu".</li>
		<li>Określ metodę rekonstrukcji wstecznej. Na tym etapie na podstawie wyników analizy grupowej obliczane są IC poszczególnych przedmiotów i związane z nimi kursy czasowe. GICA jest zalecana w celu uzyskania najlepszych kursów czasowych, chociaż w literaturze toczy się wiele dyskusji na ten temat.</li>
		<li>Określ typ wstępnego przetwarzania danych. Użyj normalizacji intensywności, aby uniknąć wartości nienumerycznych (tj. nieskończoności i NaN) w danych wyjściowych. W tym przykładzie wybraliśmy wartość domyślną "1".</li>
		<li>Określ typ PCA (używamy standardu) i zaakceptuj wartości domyślne w opcjach PCA. GIFT przeprowadza PCA w każdym przebiegu każdego uczestnika i zachowuje liczbę składników równą liczbie źródeł, które mają być niezmieszane w ICA. Umowa o partnerstwie i współpracy służy dwóm ważnym celom. Po pierwsze, pomaga wyeliminować źródła hałasu, które są unikalne dla każdego uczestnika i każdego biegu. Po drugie, sprawia, że wymagania obliczeniowe analizy są łatwiejsze do wykonania.</li>
		<li>Określ, ile PCA ma być uruchamianych na danych przed ICA (zalecane jest 2). Określ również, ile składników ma być zachowywanych po każdym PCA (w przypadku uruchomienia 2 zaleca się, aby liczba składników zachowanych po pierwszym PCA była dwukrotnie większa niż liczba zachowana po drugim).</li>
		<li>Określ sposób skalowania danych. Do tej pracy wykorzystano skalowanie z-score.</li>
		<li>Wybierz algorytm separacji ślepych źródeł dla ICA. Do tej pracy wykorzystano Infomax. GIFT oferuje wybór spośród co najmniej 10 różnych algorytmów.</li>
		<li>Pozostałe parametry można pozostawić bez zmian.</li>
	</ol>
	</li>
	<li>Po wypełnieniu ICA należy wybrać spośród dostępnych komponentów te, które mogą mieć potencjalne znaczenie teoretyczne. Za pomocą GIFT GUI wybierz wybór komponentów: sortowanie przestrzenne sortuje komponenty przestrzenne za pomocą korelacji przestrzennej z istniejącym wcześniej szablonem; Sortowanie czasowe sortuje przebiegi czasowe komponentów za pomocą predyktorów liniowych z macierzy projektowej SPM, którą można przechowywać razem z danymi (patrz 3.3.5). 
	Uwaga: Oba podejścia do wyboru komponentów są użyteczne. Jednak podczas pracy z danymi zadania kryteria wyboru czasowego są szczególnie przydatne, ponieważ umożliwiają sprawdzenie, czy wybrany komponent został aktywowany przez zadanie. W przypadku DCCS można zastosować sortowanie czasowe w celu potwierdzenia, że wybrany komponent był bardziej aktywny podczas bloków przełączania niż podczas powtarzania bloków.</li>
	<li>Sprawdź, czy wersje dla dzieci i dorosłych tych wybranych składników różnią się. Zagreguj interesujące dzieci i dorosłych składniki w dwie oddzielne grupy i przetestuj za pomocą regionów testu t dla dwóch prób, w których składniki są różne. Jest to stosunkowo łatwe do zrobienia za pomocą GIFT GUI.</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>

Nie ma sprzecznych interesów finansowych.

Operacje umysłowe wyższego rzędu, takie jak zdolność do zmiany reguł sortowania, rozwijają się szybko w dzieciństwie i okresie dojrzewania. Ponieważ te operacje umysłowe obejmują interakcje między wieloma rozproszonymi regionami mózgu, rośnie zainteresowanie badaniem związku między rozwojem poznania wyższego rzędu a zmianami związanymi z wiekiem w organizacji sieci korowych na szeroką skalę. Przedstawiamy metodę opartą na analizie składowych niezależnych od grupy, zastosowaną do zadaniowych danych fMRI jako sposób bezpoś...

Zdolność do regulowania zachowania rozwija się stopniowo w dzieciństwie i okresie dojrzewania (przegląd, zobacz Diament1). Na przykład w zadaniu Sortowanie kart ze zmianą wymiarów uczestnicy przełączają się z sortowania kart w jeden sposób, na przykład według kształtu, na sortowanie ich w inny sposób, na przykład kolor2 (patrz Rysunek 2). Przełączanie wiąże się z niewielkim kosztem wydajności lub kosztem przełączenia, tak że odpowiedzi są zwykle wolniejsze i bardziej podatne na błędy w próbach przełączania, w których reguła sortowania zmienia się w porównaniu z powtarzającymi się próbami, w których reguła sortowania pozostaje taka sama3. Wielkość tych kosztów zazwyczaj zmniejsza się wraz z wiekiemdzieci 4, co ilustruje fakt, że zdolność do regulacji zachowania podlega ciągłemu rozwojowi we wczesnym okresie życia.
Ponieważ złożone operacje umysłowe, takie jak przełączanie, obejmują szybkie interakcje między wieloma obszarami mózgu5, rośnie zainteresowanie powiązaniem rozwoju poznania wyższego rzędu ze zmianami w funkcjonalnej organizacji sieci korowychna szeroką skalę 6.
Jednym z podejść do badania zmian rozwojowych w sieciach o dużej skali jest użycie analizy połączeń funkcjonalnych opartej na ziarnach6,7. Pierwszym krokiem w tej technice jest skonsultowanie się z dostępną literaturą naukową i zdefiniowanie a priori obszarów zainteresowania lub ROI, które wydają się być istotne dla danego zachowania. Te ROI, czyli węzły, definiują podstawowy szkielet sieci. Następnie fluktuacje aktywności o niskiej częstotliwości (lub intensywność sygnału ważona T2*) w tych ROI są mierzone przez 5 do 10 minut, podczas gdy uczestnicy są w spoczynku w skanerze MRI. Funkcjonalna łączność między dowolnymi dwoma węzłami sieci jest następnie określana ilościowo jako korelacja ich odpowiednich przebiegów czasowych. Węzły, które są silnie połączone funkcjonalnie, powinny mieć podobne, a co za tym idzie silnie skorelowane, przebiegi czasowe sygnału. Z drugiej strony, węzły, które są słabo połączone funkcjonalnie, powinny mieć różne, a tym samym słabo skorelowane, przebiegi czasowe sygnału. Aby uzupełnić model sieci, rysowane są krawędzie (lub połączenia) między węzłami, których przebiegi czasowe korelują powyżej wybranego progu. Testy związanych z wiekiem różnic w łączności funkcjonalnej w sieci można przeprowadzać na dowolnym pojedynczym połączeniu węzeł-węzeł lub na topologii całego zestawu węzłów i krawędzi. Te różnice w łączności funkcjonalnej można następnie powiązać z pomiarami wydajności poznawczej zebranymi w trybie offline.
W tym artykule opisano inne podejście, które opiera się na analizie składowych niezależnych od grupy danych fMRI opartych na zadaniach8. Niezależna analiza składowa (lub ICA) to procedura statystyczna polegająca na ślepym ujawnianiu ukrytych źródeł leżących u podstaw zestawu obserwacji, tak aby ujawnione źródła były maksymalnie niezależne. Procedura ta, zastosowana do analizy danych fMRI, zakłada, że każda objętość jest mieszaniną skończonej liczby źródeł niezależnych przestrzennie. Korzystając z jednego z wielu różnych algorytmów, takich jak algorytm infomax, ICA szacuje następnie macierz niemieszania, która po zastosowaniu do oryginalnych danych daje zestaw maksymalnie niezależnych źródeł lub komponentów. Każdy komponent można traktować jako sieć, o ile składa się z zestawu wokseli, które mają wspólny przebieg w czasie. Grupowe ICA to szczególny rodzaj ICA, w którym wspólny zestaw komponentów grupy jest najpierw szacowany na podstawie całego zestawu danych, a następnie specyficzne dla uczestnika zestawy komponentów grupy są obliczane w kroku rekonstrukcji wstecznej. Gdy cały zestaw danych zostanie rozłożony na zestaw komponentów, następnym krokiem jest odrzucenie sztucznych komponentów, które reprezentują źródła hałasu, i zidentyfikowanie teoretycznie znaczących komponentów, które odpowiadają sieciom zainteresowania. Można to osiągnąć poprzez modelowanie składowych przebiegów czasowych w kontekście OML w celu zidentyfikowania sieci, które aktywują się w przewidywany sposób, przestrzenną korelację komponentów z szablonem sieci zainteresowania lub jedno i drugie. Otrzymany zestaw komponentów można następnie poddać porównaniu grupowemu w celu przetestowania możliwych związanych z wiekiem różnic w łączności funkcjonalnej w teoretycznie interesujących sieciach7,9,10.
Badanie zmian w łączności funkcjonalnej związanych z wiekiem poprzez zastosowanie grupowego ICA do danych fMRI opartych na zadaniach ma kilka zalet w porównaniu z zastosowaniem technik opartych na nasionach do danych fMRI w stanie spoczynku. Po pierwsze, w przeciwieństwie do technik opartych na nasionach, które koncentrują się na małym zestawie zdefiniowanych a priori zwrotów z inwestycji, obecne grupowe podejście ICA wykorzystuje wszystkie woksele składające się na wolumetryczny szereg czasowy. Zmniejsza to możliwości stronniczości, które nieuchronnie powstają, gdy mała grupa nasion jest wybierana a priori jako obszary zainteresowania. Po drugie, zastosowanie funkcjonalnej analizy łączności (opartej na ICA lub innej) do danych fMRI w stanie spoczynku, a nie w stanie spoczynku, ma tę zaletę, że umożliwia bardziej bezpośrednie powiązanie organizacji sieci i funkcji sieci. Jeśli, na przykład, badanie poznawczych lub behawioralnych implikacji łączności funkcjonalnej (takich jak zmienność wydajności DCCS) jest priorytetem, ważne jest, aby pokazać, że sieć zainteresowań jest powiązana z wydajnością zadań. W przypadku protokołów stanu spoczynku jest to bardzo trudne, ponieważ badacz nie ma zapisu żadnych stanów poznawczych, behawioralnych lub afektywnych doświadczanych przez uczestnika podczas pozyskiwania danych. W związku z tym niemożliwe jest przedstawienie bezpośrednich dowodów na to, że jakakolwiek sieć interesów jest istotna dla realizacji zadań. Z drugiej strony, gdy analiza łączności funkcjonalnej, taka jak ICA, jest stosowana do danych zadaniowych, możliwe jest potwierdzenie, że sieć zainteresowania jest co najmniej powiązana z wykonaniem zadania. Wreszcie, ICA jest mniej podatny na niekorzystny wpływ hałasu. Źródła hałasu, takie jak te związane z ruchem obiektu i rytmem serca, mają unikalne profile czasoprzestrzenne. W związku z tym, w kontekście grupowego ICA, źródła te są izolowane i przypisywane do oddzielnych komponentów, pozostawiając pozostałe komponenty stosunkowo wolne od tych niepożądanych źródeł wariancji. Ponieważ analizy oparte na nasionach wykorzystują surowe kursy czasowe do oszacowania łączności funkcjonalnej, a przebiegi czasowe są z definicji mieszaniną sygnału neurofizjologicznego i szumu sztucznego, różnice grupowe w oszacowaniach łączności funkcjonalnej mogą odzwierciedlać rzeczywiste różnice grupowe w podstawowej neurofizjologii, różnice grupowe w strukturze szumu lub jedno i drugie.

<table><tbody><tr><td>SPM8</td><td>Firma MathWorks, Inc.</td><td>Czynnik chłodniczy R2013a</td><td></td></tr></tbody></table>

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

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

Zdolność do dostosowywania zachowania do nagłych zmian w otoczeniu rozwija się stopniowo w dzieciństwie i okresie dojrzewania. Na przykład w zadaniu Sortowanie kart ze zmianą wymiarów uczestnicy przełączają się z sortowania kart w jeden sposób, na przykład według kształtu, na sortowanie ich w inny sposób, na przykład według koloru. Dostosowanie zachowania w ten sposób wymaga niewielkiego kosztu wydajności lub kosztu przełączenia, tak że odpowiedzi są zwykle wolniejsze i bardziej podatne na błędy w próbach przełączania, w których reguła sortowania zmienia się w porównaniu z powtarzającymi się próbami, w których reguła sortowania pozostaje taka sama. Często mówi się, że zdolność do elastycznego dostosowywania się do zachowania rozwija się stopniowo, częściowo dlatego, że koszty behawioralne, takie jak koszty zmiany, zwykle zmniejszają się wraz z wiekiem. Dlaczego aspekty poznania wyższego rzędu, takie jak elastyczność behawioralna, rozwijają się tak stopniowo, pozostaje kwestią otwartą. Jedna z hipotez głosi, że zmiany te zachodzą w związku ze zmianami funkcjonalnymi w szeroko zakrojonych sieciach kontroli poznawczej. Z tego punktu widzenia złożone operacje umysłowe, takie jak przełączanie, obejmują szybkie interakcje między kilkoma rozproszonymi obszarami mózgu, w tym tymi, które aktualizują i utrzymują reguły zadań, reorientują uwagę i wybierają zachowania. Wraz z rozwojem wzmacniają się funkcjonalne połączenia między tymi regionami, co prowadzi do szybszych i bardziej wydajnych operacji przełączania. Obecny film opisuje metodę testowania tej hipotezy poprzez gromadzenie i wielowymiarową analizę danych fMRI od uczestników w różnym wieku.

Grupowa analiza niezależnych komponentów (Group ICA), nawet w przypadku stosunkowo niewielkiego zestawu danych fMRI, pozwoli na uzyskanie zestawu komponentów porównywalnych z tymi zaobserwowanymi w innych badaniach. Rysunek 4 przedstawia nałożenie 5 takich komponentów oraz powiązanych z nimi przebiegów czasowych, wyodrębnionych z próby 12 dzieci i 13 dorosłych, przy około 800 wolumenach na uczestnika. Jak pokazano na Rysunku 4, z wyników tej dekompozycji można łatwo zidentyfikować sieci:...

Ten film przedstawia metodę badania związanych z wiekiem zmian w funkcjonalnej łączności kognitywnych sieci kontrolnych zaangażowanych w wybrane zadania/procesy. Technika ta opiera się na wielowymiarowej analizie danych fMRI.

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

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

Ogólnym celem niniejszej procedury jest zidentyfikowanie sieci mózgowych związanych z przełączaniem zadań oraz zbadanie różnic związanych z wiekiem w łączności funkcjonalnej tych sieci. Zostaje to osiągnięte poprzez wcześniejsze zebranie danych fMRI od dzieci i dorosłych podczas wykonywania zadania sortowania kart z wymianą wymiarową (dimensional change card sort task). Po wstępnym przetworzeniu danych wolumeny funkcjonalne są rozkładane na zestaw statystycznie niezależnych źródeł lub komponentów.Komponenty istotne dla funkcji wykonawczych i wydajności w zadaniu są wybierane odpowiednio za pomocą dopasowania do szablonu oraz modelowania liniowego. Ostatnim krokiem jest określenie, czy łączność funkcjonalna w obrębie wybranych komponentów różni się u dorosłych i dzieci. W ostateczności analizy fMRI oparte na ICA mogą być wykorzystane do identyfikacji sieci związanych z przełączaniem zadań oraz do badania różnic związanych z wiekiem w organizacji funkcjonalnej tych sieci.Główną zaletą tej techniki w porównaniu z istniejącymi metodami, takimi jak analiza funkcjonalnej łączności w stanie spoczynku, jest możliwość dokładnej charakterystyki funkcji sieci korowych. Metoda ta może pomóc w odpowiedzi na kluczowe pytania z zakresu rozwojowej neuronauki poznawczej, na przykład czy szeroko zakrojone sieci korowe zaangażowane w operacje poznawcze wysokiego poziomu, takie jak przełączanie zadań, przechodzą reorganizację funkcjonalną w trakcie rozwoju. Aby rozpocząć, należy zebrać dane fMRI, stosując procedury odpowiednie dla małych dzieci i ograniczając niepożądane zmienne zakłócające poprzez wcześniejsze przeszkolenie uczestników w urządzeniu symulującym skaner, a następnie wdrożyć wersję z powtórzonymi próbami zadania sortowania kart ze zmianą wymiaru (dimensional change card sort task).Każda seria obejmuje dwa bloki przełączania po osiem prób oraz dwa bloki powtórzeń po osiem prób, przy czym bloki przełączania składają się z czterech prób przełączania i czterech prób powtórzeń, a bloki powtórzeń składają się z ośmiu prób powtórzeń. Po zebraniu danych przetworzono dane fMRI zgodnie ze standardowymi procedurami preprocessingu fMRI. Najpierw pobierz i zainstaluj GIFT, zestaw narzędzi do grupowej analizy składowych niezależnych (ICA), który współpracuje z SPM, znanym pakietem do analizy fMRI. Po pobraniu dodaj zestaw narzędzi GIFT oraz wszystkie podkatalogi do ścieżki wyszukiwania MATLAB i zapisz plik ścieżki. Obliczanie grupowej analizy ICA na danych fMRI przy użyciu GIFT wiąże się ze znacznymi wymaganiami dotyczącymi pamięci RAM.Aby uniknąć problemów z pamięcią, analizę ICA najlepiej przeprowadzić na serwerze. W przypadku uruchamiania analizy na komputerze lokalnym, zapotrzebowanie na pamięć RAM można oszacować za pomocą skryptu będącego częścią gif w celu sparametryzowania analizy; należy zmodyfikować istniejący skrypt wsadowy o nazwie Input data subjects one M, który znajduje się w gif w folderze ICAT B batch files. Można to również zrobić, korzystając z graficznego interfejsu użytkownika gif.Jednak po pewnej praktyce znacznie łatwiej jest przygotować analizę poprzez zmodyfikowanie istniejącego skryptu. Następnie należy określić modalność danych. W przypadku FMRI należy wskazać ICA jako typ analizy, aby uruchomić ICA z wykorzystaniem procedury I Casso.W sekcji typu analizy wybierz opcję „two”, a następnie sparametryzuj procedurę I Casso w kolejnych liniach pliku konfiguracyjnego. Aby zmaksymalizować wydajność grupowej analizy PCA, wybierz jedną z opcji w ustawieniach wydajności group PCA, aby włączyć sortowanie z standardowej macierzy projektu SPM, i określ, czy dla różnych obiektów istnieją różne macierze. Następnie wskaż miejsce przechowywania wstępnie przetworzonych danych funkcjonalnych oraz określ, czy plik SPM .mat zawierający macierz projektu jest przechowywany razem z tymi danymi.Jeśli każdy uczestnik ma taką samą liczbę serii, wybierz metodę pierwszą. W opcji metody wyboru danych uzupełnij wzorzec pliku sterującego źródła parametrów, flagę oraz lokalizację, podając ścieżkę do plików z danymi, format tych danych oraz oświadczenie wskazujące, że poszczególne sesje są przechowywane w podkatalogach w folderze każdego badanego; wskaż katalog, w którym powinien zostać zapisany wynik analizy. Nie powinien być to ten sam katalog, w którym przechowywane są dane.Kolejnym krokiem jest podanie prefiksu, który zostanie dodany do wszystkich plików wynikowych. Następnie należy podać ścieżkę do pliku maski. Maską powinno się w minimalnym zakresie usunąć czaszkę, przestrzeń pozamózgową i w szczególności gałki oczne, jak zilustrowano tutaj.Zauważmy w tym przykładzie pozostałości sygnału z gałek ocznych. Doprowadzi to do suboptymalnej dekompozycji ICA i należy tego unikać w przypadku stosowanego typu grupowej analizy PCA. Wybierz osobę badaną w sposób specyficzny, aby uzyskać najlepszy przebieg czasowy.Wybierz GICA jako metodę rekonstrukcji wstecznej. Podczas wyboru typu wstępnego przetwarzania danych zastosuj normalizację intensywności, aby uniknąć wartości nienumerycznych w wyniku. W tym przykładzie wybrano wartość domyślną równą jeden.Wybierz standardowy typ PCA i zaakceptuj wartości domyślne w opcjach PCA. Następnie określ, ile analiz PCA należy przeprowadzić na danych przed ICA. Dodatkowo określ, ile komponentów zachować po każdym PCA, użyj skalowania Z-score do punktowania danych i wybierz algorytm ślepej separacji źródeł dla ICA w tej pracy.Po zakończeniu procedury ICA zastosowano algorytm Infomax. Wybrano komponenty o potencjalnym znaczeniu teoretycznym do dalszej analizy. Można wybrać sortowanie przestrzenne, aby uporządkować komponenty na podstawie korelacji przestrzennej z istniejącym szablonem, lub sortowanie czasowe.Przebiegi czasowe komponentów uzyskane za pomocą predyktorów liniowych z macierzy projektu SPM. Po zakończeniu analizy należy sprawdzić, czy wersje dziecięca i dorosła wybranych komponentów różnią się od siebie. Przedstawiono wyniki procedury ICAS O zastosowanej do ICA z 60 komponentami.Każdy ponumerowany punkt reprezentuje jeden komponent. Czarne kropki przedstawiają różne dekompozycje ICA tych samych danych z różnymi ziarnami losowymi. W idealnym przypadku wyniki z różnych dekompozycji, widoczne tutaj jako różne czarne kropki, powinny ściśle grupować się wokół ponumerowanych punktów.Wskazuje to na dobrą niezawodność dekompozycji. Szablon kontroli wykonawczej oraz wybrany prawy komponent czołowo-ciemieniowy zostały nałożone na identyczne przekroje z anatomicznego skanu o wysokiej rozdzielczości i wydają się być bardzo zbliżone. Łączność funkcjonalna była silniejsza w przyśrodkowej korze przedczołowej, brzusznej części obszaru segmentowego, grzbietowej korze przedczołowej oraz dolnej korze ciemieniowej u dorosłych w porównaniu z dziećmi.Przystępujemy do wykonania tej procedury. Należy pamiętać o sprawdzaniu wyników na każdym etapie analizy. Nawet niewielkie błędy będą się kumulować, co doprowadzi do uzyskania wyników niepodatnych na interpretację.Po przeprowadzeniu tej procedury można zastosować inne metody, takie jak analiza funkcjonalnej łączności sieciowej, aby odpowiedzieć na dodatkowe pytania, na przykład czy interakcje funkcjonalne między komponentami zmieniają się w zależności od wymagań zadania lub wieku uczestnika.

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

Research

JoVE Journal

Behavior

Zachowanie

Metoda badania różnic związanych z wiekiem w funkcjonalnym połączeniu sieciowym kontroli poznawczej związanej z wydajnością sortowania kart z zmianami wymiarowymi

Celem naszych badań jest powiązanie zachowania z aktywnością mózgu. Dokładne pomiary behawioralne i techniki obrazowania pozwalają nam wyjaśnić zależności między mózgiem a zachowaniem.

Korelacja reakcji behawioralnych z sygnałami fMRI z ludzkiej kory przedczołowej: badanie procesów poznawczych z wykorzystaniem analizy zadań

Przetestowaliśmy użyteczność aplikacji opartej na tablecie (EmoCogMeter) w badaniu wpływu wieku na funkcje poznawcze. Wyniki wskazują na związany z wiekiem spadek funkcji poznawczych, co dowodzi użyteczności naszej aplikacji. Wyniki badań podkreślają ogromny potencjał kliniczny i praktyczny aplikacji opartej na tabletach do wykrywania i monitorowania dysfunkcji poznawczych.

Ocena zmian funkcji poznawczych związanych z wiekiem za pomocą EmoCogMeter, nowatorskiego podejścia opartego na tabletach i komputerach

Rozważane jest przeniesienie paradygmatu z historią użycia w eksperymentach EEG do eksperymentu fMRI. Wykazano, że manipulowanie wymaganiami zadania w zadaniu wizualnym skutkowało różnymi wzorcami aktywacji BOLD i zilustrowało, jak kluczowe znaczenie ma projektowanie zadań w eksperymentach fMRI.

Przenoszenie zadań poznawczych między modalnościami obrazowania mózgu: implikacje dla projektowania zadań i interpretacji wyników w badaniach fMRI

Ten artykuł opisuje Test 4 Gór (4MT), zależny od hipokampa test działającej allocentrycznej pamięci przestrzennej. Hipokamp jest dotknięty chorobą na wczesnym etapie choroby Alzheimera (AD), a w tym artykule przedstawiono metodologię 4MT i wyniki badań pacjentów, które pokazują wartość 4MT w diagnostyce stanu przeddemencyjnego AD.

Test 4 Gór: Krótki test pamięci przestrzennej o wysokiej czułości do diagnozy choroby Alzheimera w stanie przeddemencyjnym

Ten manuskrypt opisuje, jak przeprowadzić analizę interakcji psychofizjologicznej, aby ujawnić zależne od zadania zmiany funkcjonalnej łączności między wybranym regionem nasiennym a wokselami w innych regionach mózgu. Analiza interakcji psychofizjologicznych jest popularną metodą badania wpływu zadań na łączność mózgową, w odróżnieniu od tradycyjnych efektów aktywacji jednowymiarowej.

Analiza uogólnionej interakcji psychofizjologicznej (PPI) łączności związanej z pamięcią u osób z genetycznym ryzykiem choroby Alzheimera

Na podstawie obrazowania funkcjonalnego rezonansu magnetycznego w stanie spoczynku z analizą przyczynowości Granger, zbadaliśmy zmiany w ukierunkowanej funkcjonalnej łączności między tylną korą obręczy a całym mózgiem u pacjentów z chorobą Alzheimera (AD), pacjentów z łagodnymi zaburzeniami poznawczymi (MCI) i zdrowych osób z grupy kontrolnej.

Zastosowanie analizy przyczynowości Grangera ukierunkowanego związku funkcjonalnego w chorobie Alzheimera i łagodnych zaburzeniach poznawczych

Celem opisanego podejścia jest określenie, w jakich momentach paradygmatu (perspektywa czasowa), a pomiędzy którymi regionami (perspektywa przestrzenna), zachodzą znaczące rekonfiguracje w funkcjonalnej łączności na nagraniach funkcjonalnego rezonansu magnetycznego, podczas których odtwarzany jest bodziec ograniczony czasowo.

Dynamiczna łączność funkcjonalna między obiektami ujawnia konfiguracje sieci mózgowych z chwili na chwilę napędzane przez paradygmaty ciągłe lub komunikacyjne

Ten artykuł przedstawia integracyjne podejście do badania funkcjonalnej sieci do nawigacji przestrzennej w ludzkim mózgu. Podejście to obejmuje wielkoskalową metaanalityczną bazę danych neuroobrazowania, funkcjonalne obrazowanie rezonansu magnetycznego w stanie spoczynku oraz techniki modelowania sieci i teorii grafów.

Modelowanie sieci funkcjonalnej do nawigacji przestrzennej w ludzkim mózgu

Pokazujemy, jak obiektywna miara może być zastosowana w powszechnie stosowanym paradygmacie iluzji gumowej ręki. Miara ta jest uzyskiwana przez modyfikację dobrze ugruntowanego zadania kongruencji intermodalnej. Zadanie to pozwala na zbadanie procesów multisensorycznych, które są krytyczne dla modulacji reprezentacji ciała, jak w iluzji gumowej ręki.

Zadanie kongruencji intermodalnej jako sposób na uzyskanie obiektywnej miary behawioralnej w paradygmacie iluzji gumowej ręki

Omawiamy nową metodę rotacji bodźców wzrokowych i demonstrujemy za pomocą lustrzanego stereoskopu trójwymiarowe postrzeganie rotacji w głąb. Technika ta może być wykorzystana do zbadania roli wskazówek stereoskopowych w kodowaniu figur obróconych w punkcie widzenia.

Pomiar czułości na zmianę punktu widzenia z sygnałami stereoskopowymi i bez nich

Poznaj metodę analizy funkcjonalnej łączności sieci kontroli poznawczej związanej z wiekiem przy użyciu danych fMRI i analizy ICA. Technika ta pozwala identyfikować sieci mózgowe związane z przełączaniem zadań u dzieci i dorosłych.

Metoda badania związanych z wiekiem różnic w funkcjonalnej łączności sieci kontroli poznawczej związanych z wydajnością sortowania kart zmiany wymiarów (Wideo) | JoVE Journal

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

Przeglądaj więcej filmów