Um método para investigar diferenças relacionadas à idade na conectividade funcional of Cognitive Controle Networks associados à mudança Dimensional Card Sort Desempenho

O objetivo geral deste procedimento é identificar redes cerebrais associadas à troca de tarefas e testar diferenças relacionadas à idade na conectividade funcional dessas redes. Isso é feito coletando primeiro dados FMRI de crianças e adultos enquanto conclui a tarefa de classificação do cartão de mudança dimensional. Após o pré-processamento dos dados, os volumes funcionais são decompostos em um conjunto de fontes ou componentes estatisticamente independentes.

Os componentes de relevância para o funcionamento executivo e desempenho da tarefa são selecionados por meio de correspondência de modelos e modelagem linear, respectivamente. A etapa final é determinar se a conectividade funcional dentro dos componentes selecionados difere para adultos e crianças. Em última análise, as análises FMRI baseadas em ICA podem ser usadas para identificar redes associadas à troca de tarefas e testar diferenças relacionadas à idade na organização funcional dessas redes.

A principal vantagem dessa técnica sobre as técnicas existentes, como a análise de conectividade funcional em estado de repouso, é que ela fornece um meio de caracterizar com precisão a função das redes corticais. Este método pode ajudar a responder a questões-chave no campo da neurociência cognitiva do desenvolvimento, como se as redes corticais de larga escala envolvidas em operações cognitivas de alto nível, como troca de tarefas, sofrem reorganização funcional ao longo do desenvolvimento. Para começar a adquirir dados FMRI seguindo procedimentos adequados para crianças pequenas, limite os fatores de confusão indesejados treinando os participantes com antecedência em um recurso de scanner simulado quando estiver pronto, implemente uma versão de testes repetidos da tarefa de classificação de cartão de mudança dimensional.

Cada execução inclui dois oito blocos de comutação de teste e dois oito blocos de repetição de teste, onde os blocos de switch consistem em quatro testes de switch e quatro testes repetidos e os blocos de repetição consistem em oito testes repetidos após a coleta de dados pré-processada os dados FMRI seguindo os procedimentos padrão de pré-processamento FMRI primeiro baixe e instale gif uma caixa de ferramentas de software ICA de grupo que funciona em conjunto com SPMA, conhecido pacote de análise FMRI. Uma vez baixado, adicione a caixa de ferramentas de presente e todos os subdiretórios ao caminho de pesquisa do MATLAB e salve o caminho de computação do arquivo. Um ICA de grupo em dados FMRI usando gif faz demandas substanciais de memória RAM.

Para evitar problemas de memória, é melhor executar a análise ICA em um servidor. Se estiver executando a análise em um computador local, os requisitos de RAM podem ser estimados usando um script que faz parte do gif para parametrizar a análise, modificar um script em lote preexistente chamado Inserir assuntos de dados um M que é armazenado em gif em arquivos em lote ICAT B. Isso também pode ser feito usando a interface gráfica do usuário gifs.

No entanto, é muito mais fácil, com um pouco de prática, configurar a análise modificando esse script preexistente. Em seguida, especifique a modalidade de dados. Como FMRI, especifique o tipo de análise como ICA para executar o ICA com o procedimento I Casso.

Selecione dois em tipo de análise e, em seguida, parametrize o procedimento I Casso nas linhas seguintes do arquivo de instalação. Maximize o desempenho do grupo PCA escolhendo uma nas configurações de desempenho do grupo PCA para permitir a classificação de uma matriz de design SPM padrão especifique se há ou não matrizes diferentes para assuntos diferentes. Em seguida, especifique onde os dados funcionais pré-processados são armazenados e se um arquivo de tapete de pontos SPM contendo a matriz de design é armazenado junto com os dados funcionais pré-processados.

Se cada participante tiver o mesmo número de corridas, selecione uma para o método um. Na opção de método de seleção de dados, preencha o padrão de arquivo de direção de origem do parâmetro, sinalizador, local incluindo o caminho do arquivo onde os dados são armazenados, o formato de arquivo dos dados e uma instrução indicando que as sessões individuais são armazenadas como subdiretórios dentro de cada pasta de assunto indicam o diretório onde a saída da análise deve ser gravada. Este não deve ser o mesmo diretório onde os dados são armazenados.

A próxima etapa é fornecer um prefixo que será adicionado a todos os arquivos de saída. Em seguida, forneça um caminho de arquivo para uma máscara. No mínimo, a máscara deve eliminar o espaço cerebral extra do crânio e especialmente os globos oculares, conforme ilustrado aqui.

Observe neste exemplo a evidência residual dos globos oculares. Isso levará a uma decomposição de ICA abaixo do ideal e deve ser evitado para o tipo de PCA de grupo a ser usado. Escolha o assunto específico para obter o melhor tempo do curso.

Selecione GICA como método de reconstrução das costas. Ao selecionar um tipo de pré-processamento de dados, use a normalização de intensidade para evitar valores não numéricos na saída. Neste exemplo, o padrão de um é escolhido.

Escolha o tipo de PCA padrão e aceite os valores padrão nas opções de PCA. Em seguida, especifique quantos PCAs devem ser executados nos dados antes do ICA. Além disso, especifique quantos componentes reter após cada PCA usar a escala Z-score para pontuar os dados, escolha um algoritmo de separação de fonte cega para o ICA para este trabalho.

O Infomax foi usado assim que o ICA for concluído. Selecione componentes de potencial interesse teórico para consideração posterior. A classificação espacial pode ser selecionada para classificar componentes por meio de correlação espacial com um modelo preexistente, enquanto a classificação temporal é classificada.

O tempo do componente é percorrido por meio de preditores lineares da matriz de dimensionamento SPM. Quando a análise estiver concluída, teste se as versões filho e adulto dos componentes selecionados são diferentes. Mostrado. Aqui estão os resultados do procedimento ICAS O aplicado a um ICA com 60 componentes.

Cada ponto numerado representa um componente. Os pontos pretos representam diferentes decomposições ICA dos mesmos dados com diferentes sementes aleatórias. Idealmente, os resultados de diferentes decomposições vistas aqui como diferentes pontos pretos devem se agrupar firmemente em torno dos pontos numerados.

Isso indica boa confiabilidade na decomposição. O modelo de controle executivo e o componente parietal frontal direito selecionado são sobrepostos em fatias idênticas de uma varredura anatômica de alta resolução e parecem bastante comparáveis. A conectividade funcional foi mais forte no córtex pré-frontal medial e na área segmentar ventral e no córtex pré-frontal dorsal e parietal inferior de adultos quando comparados às crianças.

Bem, está tentando este procedimento. É importante lembrar de verificar sua saída em cada estágio da análise. Pequenos erros se propagarão e levarão a resultados não interpretáveis.

Seguindo este procedimento. Outros métodos podem ser realizados, como a análise de conectividade de rede funcional, para responder a perguntas adicionais, como se as interações funcionais entre os componentes mudam em função das demandas da tarefa ou da idade do participante.