Метод исследования, связанные с возрастом различия в функциональной связности когнитивный контроль сети, связанной с Изменение размеров карты Сортировать Performance

Общая цель этой процедуры состоит в том, чтобы идентифицировать сети мозга, связанные с переключением задач, и проверить возрастные различия в функциональной связности этих сетей. Это достигается путем сбора данных FMRI от детей и взрослых во время выполнения задачи сортировки карточки изменения размеров. После предварительной обработки данных функциональные объемы декомпозируются на набор статистически независимых источников или компонентов.

Компоненты, релевантные для функционирования исполнительной власти и выполнения задач, выбираются с помощью сопоставления шаблонов и линейного моделирования соответственно. Последним шагом является определение того, различаются ли функциональные возможности подключения в выбранных компонентах для взрослых и детей. В конечном счете, анализ FMRI на основе ICA может быть использован для идентификации сетей, связанных с переключением задач, и проверки возрастных различий в функциональной организации этих сетей.

Основное преимущество этого метода по сравнению с существующими методами, такими как анализ функциональной связности в состоянии покоя, заключается в том, что он предоставляет средства для точной характеристики функции корковых сетей. Этот метод может помочь ответить на ключевые вопросы в области когнитивной нейронауки о развитии, например, подвергаются ли широкомасштабные сети коры головного мозга, участвующие в когнитивных операциях высокого уровня, таких как переключение задач, функциональной реорганизации в процессе развития. Чтобы начать получение данных FMRI, следуя процедурам, подходящим для детей младшего возраста, ограничьте нежелательные искажения, заранее обучая участников в учебном центре сканера, когда они будут готовы, реализуйте повторную пробную версию задачи сортировки карточек изменения размеров.

Каждый прогон включает в себя два блока по восемь пробных переключений и два блока повтора по восемь проб, где блоки переключения состоят из четырех попыток переключения и четырех повторных попыток, а повторные блоки состоят из восьми повторных попыток после сбора данных, предварительно обработанных данных FMRI в соответствии со стандартными процедурами предварительной обработки FMRI, сначала загрузите и установите gif групповое программное обеспечение ICA, которое работает вместе с SPMA, известный пакет анализа FMRI. После загрузки добавьте набор инструментов для подарков и все подкаталоги в путь поиска MATLAB и сохраните путь к файлу вычисления. Групповая ICA по данным FMRI с использованием GIF предъявляет существенные требования к оперативной памяти.

Чтобы избежать проблем с памятью, лучше всего запускать анализ ICA на сервере. Если анализ выполняется на локальном компьютере, требования к оперативной памяти могут быть оценены с помощью скрипта, который является частью gif, чтобы параметризовать анализ, изменить уже существующий пакетный скрипт под названием Input data subjects one M, который хранится в GIF в пакетных файлах ICAT B. Это также можно сделать с помощью графического пользовательского интерфейса gifs.

Тем не менее, гораздо проще, если немного попрактиковаться, настроить анализ, изменив этот уже существующий скрипт. Далее укажите модальность данных. В качестве FMRI укажите тип анализа в качестве ICA для запуска ICA с помощью процедуры I Casso.

Выберите два параметра в разделе Тип анализа, а затем параметризуйте процедуру I Casso в следующих строках файла настройки. Увеличьте производительность группы PCA, выбрав один из них в разделе Параметры производительности группы PCA, чтобы включить сортировку из стандартной матрицы проектирования SPM, указать, существуют ли разные матрицы для разных предметов. Затем укажите, где хранятся предварительно обработанные функциональные данные и хранится ли файл SPM dot mat, содержащий матрицу проекта, вместе с предварительно обработанными функциональными данными.

Если у каждого участника одинаковое количество заездов, выберите один из них для первого способа. В соответствии с параметром метода выбора данных заполните параметр источника, шаблон файла, флаг, местоположение, указав путь к файлу, в котором хранятся данные, формат файла данных и утверждение, указывающее, что отдельные сеансы хранятся в виде подкаталогов в каждой тематической папке, указывающее директорию, куда должны быть записаны выходные данные анализа. Это не должна быть та же директория, в которой хранятся данные.

Следующим шагом является предоставление префикса, который будет добавлен во все выходные файлы. Затем укажите путь к файлу для маски. Как минимум, маска должна устранять лишнее мозговое пространство черепа и особенно глазные яблоки, как показано здесь.

Обратите внимание на остаточные следы глазных яблок. Это приведет к неоптимальному разложению ICA, и этого следует избегать при использовании типа группы PCA. Выберите специфику предмета, чтобы получить наилучшее время прохождения курса.

Выберите GICA в качестве метода реконструкции спины. При выборе типа предварительной обработки данных используйте нормализацию интенсивности, чтобы избежать нечисловых значений на выходе. В этом примере выбран вариант по умолчанию.

Выберите стандартный тип PCA и принимайте значения по умолчанию в параметрах PCA. Затем укажите, сколько PCA будет запущено на данных перед ICA. Кроме того, укажите, сколько компонентов необходимо сохранить после каждого PCA, используйте Z-шкалирование для оценки данных, выберите алгоритм слепого разделения источников для ICA для этой работы.

Infomax был использован после завершения ICA. Выберите компоненты, представляющие потенциальный теоретический интерес, для дальнейшего рассмотрения. Пространственная сортировка может быть выбрана для сортировки компонентов с помощью пространственной корреляции с уже существующим шаблоном, в то время как временная сортировка сортируется.

Составляющие временные протекания с помощью линейных предикторов из матрицы проектирования SPM. После завершения анализа проверьте, не отличаются ли детские и взрослые версии выбранных компонентов. Показывать. Вот результаты процедуры ICAS O, примененной к ICA с 60 компонентами.

Каждая пронумерованная точка представляет один компонент. Черными точками обозначены различные разложения одних и тех же данных ICA с разными случайными начальными значениями. В идеале, результаты различных разложений, видимых здесь, как разные черные пятна, должны плотно группироваться вокруг пронумерованных точек.

Это говорит о хорошей надежности в разложении. Шаблон исполнительного управления и выбранный правый лобный теменный компонент накладываются на идентичные срезы анатомического сканирования с высоким разрешением и выглядят вполне сопоставимыми. Функциональная связность была сильнее в медиальной префронтальной коре и вентральной сегментарной области, а также в дорсальной префронтальной и нижней теменной коре у взрослых по сравнению с детьми.

Что ж, он пытается выполнить эту процедуру. Важно не забывать проверять свои выходные данные на каждом этапе анализа. Небольшие ошибки будут распространяться вперед и приводить к неинтерпретируемым результатам.

Следуя этой процедуре. Могут быть выполнены и другие методы, такие как анализ функциональной связности сети, чтобы ответить на дополнительные вопросы, например, изменяются ли функциональные взаимодействия между компонентами в зависимости от требований задачи или возраста участника.