Boyutsal Değişim Kartı Sıralama Performans ile Bilişsel Kontrol Ağları Associated Fonksiyonel Bağlantı yaşa bağlı farklılıklar araştırılması için Bir Yöntem

Summary

Bu video hedeflenen görevler / süreçlerle meşgul bilişsel kontrol ağlarının fonksiyonel bağlantı yaşa bağlı değişiklikleri inceleyen bir yöntem sunuyor. Bu teknik fMRI verilerin çok değişkenli analiz temel alır.

Abstract

Ortamda ani değişikliklere davranışlarını ayarlamak için yeteneği çocukluk ve ergenlik döneminde yavaş yavaş gelişir. Örneğin, Boyutsal Değişim Kart Sıralama görevi, katılımcılar kendilerine renk gibi farklı bir şekilde, sıralama için, bu tür bir şekil olarak, kartlar bir şekilde sıralama geçer. Bu şekilde davranışı ayarlama küçük bir performans maliyeti, veya anahtar maliyeti, exacts tepkiler genellikle daha yavaş ve hata eğilimli anahtarı denemeleri olduğu gibi hangi sıralama kural aynı kalır hangi denemeleri tekrarlamak göre sıralama kural değişiklikleri. Esnek davranışlarını ayarlamak için yeteneği genellikle anahtar maliyetleri gibi davranışsal maliyetleri tipik olarak artan yaşla birlikte azalma kısmen çünkü, yavaş yavaş geliştiği söylenir. Gibi davranışsal esneklik gibi üst düzey biliş, yönleri, yani geliştirmek neden yavaş yavaş açık bir soru kalır. Bir hipotez bu değişikliklerin geniş çaplı bilişsel kontrol ağlarının fonksiyonel değişikliklerle birlikte meydana olmasıdır. Bu görüşe göre,Bu tür anahtarlama gibi karmaşık zihinsel işlemler, hızlı olanlar bu güncelleme ve görev kurallarını korumak gibi çeşitli dağıtılan beyin bölgeleri arasındaki etkileşimleri, yeniden şark dikkat basıp davranışları içerir. Gelişme, bu bölgeler arasındaki işlevsel bağlantıların daha hızlı ve daha verimli anahtarlama işlemleri neden güçlendirilmesi. Geçerli video, farklı yaşlardaki katılımcıların fMRI verilerin toplanması ve çok değişkenli analizler ile bu hipotezi test etmek için bir yöntem açıklanır.

Introduction

Davranışlarını düzenleyen yeteneği (inceleme için, Diamond ¹ bakınız) çocukluk ve ergenlik döneminde yavaş yavaş gelişir. Boyutsal Değişim Kartı Sıralama görev, örneğin, katılımcılar onlara bu rengi ² gibi farklı bir şekilde, (bkz. Şekil 2) sıralama için, bu tür bir şekil olarak, kartlar bir şekilde sıralama geçer. Anahtarlama, küçük bir performans maliyeti, veya anahtar maliyeti, exacts tepkiler genellikle daha yavaş ve hata eğilimli anahtarı denemeleri olduğu gibi hangi sıralama kural aynı ³ kaldığı denemeleri tekrarlamak göre sıralama kural değişiklikleri. Çocukların ⁴ büyüdükçe bu maliyetlerin büyüklüğü tipik davranış düzenlenmesi için kapasite hayatın erken gelişme devam uğrar gerçeğini gösteren, küçülür.

Bu tür anahtarlama gibi karmaşık zihinsel işlemleri, birden fazla beyin bölgelerinde ⁵ arasında hızlı etkileşimleri içerdiğinden, relati artan bir ilgi vargeniş çaplı bir kortikal ağlar ⁶ fonksiyonel organizasyonu değişikliklere daha yüksek dereceden biliş gelişimini ng.

Geniş çaplı ağlarda gelişim değişim soruşturma için bir yaklaşım, tohum bazlı fonksiyonel bağlantı ^{analizi, 6,7} kullanımı geçer. Bu teknikte ilk adımı mevcut araştırma literatürünü danışmak ve söz konusu davranış ile ilgili gibi görünüyor önsel ilgi bölgeleri, ya da İB'leri, tanımlamaktır. Bu ROI ya da düğümler, ağın temel iskeleti tanımlar. Katılımcılar MRI tarayıcı istirahat ise Sonraki faaliyette düşük frekanslı dalgalanmaları bu ROI'lardaki (veya T2 * sinyal yoğunluğu ağırlıklı) 5-10 dakika boyunca ölçülür. Şebekenin herhangi iki birleşme noktası arasındaki işlevsel bağlantı daha sonra kendi sürelerinin korelasyon olarak ölçülür. Güçlü bir işlevsel olarak bağlı olan düğümler benzer olan ve bu nedenle son derece sinyalin korelasyon olmalıdırzamanlı kurslar. Diğer yandan, zayıf fonksiyonel olarak bağlanmış olan düğümlerin, farklı ve bu nedenle zayıf bir korelasyon vardır zaman akışlarını işaret gerekir. Ağın bir model tamamlamak için, kenarlar (veya bağlantıları) olan zaman içerisinde, seçilmiş bir eşik değerinin üzerinde bir korelasyon düğümler arasında çizilir. Bir ağ içinde fonksiyonel bir bağlantı yaşa bağlı farklılıklar testleri tek bir düğümden düğüme bağlantı veya düğümleri ve kenarlarının tüm set topoloji üzerinde yapılabilir. Fonksiyonel bağlantısı bu farklılıklar daha sonra çevrimdışı toplanan bilişsel performans ölçümlerinin ilgili olabilir.

Bu yazıda, farklı bir yaklaşım görev tabanlı fMRI veri ⁸ grup bağımsız bileşen analizine dayalı olduğu açıklanmıştır. Bağımsız bileşen analizi (veya ICA) körü körüne ortaya kaynaklar maksimum bağımsız böyle gözlemler kümesi altında yatan gizli kaynakları ortaya çıkarmak için bir istatistiksel bir yöntemdir. FMRI verilerin analizi, p uygulananrocedure her birim, uzaysal bağımsız kaynaklardan bir sonlu sayıda bir karışımı olduğunu varsayar. Böyle Infomax algoritması olarak farklı algoritmalar, çeşitli birini kullanarak, ICA sonra orijinal verilere uygulandığında maksimum bağımsız kaynaklardan veya bileşenlerin bir dizi veren bir Karışmama matrisi, tahmin. Her bileşen için ortak bir zaman süreci voksel paylaşan bir dizi içerir sürece, bir ağ olarak düşünülebilir. Grup ICA grubunun bileşenleri ortak bir dizi ilk tüm bir veri setinden tahmin edilir ve sonra grup bileşenlerinin katılımcı özel setleri bir arka rekonstrüksiyon adımda hesaplanmış olan ICA belirli bir türüdür. Tüm bir veri kümesi bileşenleri bir dizi içine ayrışır sonra, bir sonraki adım, gürültü kaynaklarını temsil artifaktüel bileşenlerini atmak ve ilgi ağları ile karşılık teorik olarak anlamlı bileşenlerini tespit etmektir. Bu ide bir GLM bağlamında modelleme bileşen zamanlı dersler yoluyla elde edilebiliruzaysal bir ilgi konusu bir ağ şablon, bileşenleri ya da her ikisi ile ilişkilendirerek, tahmin edilen bir şekilde aktif hale ağları ntify. Bileşenlerin çıkan set daha sonra teorik olarak ilginç ağlar ^7,9,10 içinde fonksiyonel bağlantı mümkün yaşa bağlı farklılıklar test etmek için bir grup karşılaştırma sunulabilir.

Grup ICA uygulaması ile fonksiyonel bağlantı yaşa bağlı değişiklikleri okuyan görev tabanlı fMRI data dinlenme-devlet fMRI verilerine tohum temelli tekniklerin uygulama üzerinde birçok avantajı vardır. İlk olarak, bir priori tanımlanan İB'nin küçük bir set odaklanmak aksine tohum-tabanlı teknikler, mevcut grup ICA yaklaşım hacimsel zaman serisini oluşturan tüm vokselleri kullanır. Bu tohumlar küçük bir grup çıkar bölgeleri olarak a priori olarak seçildiğinde mutlaka ortaya bu önyargı için fırsatlar azalır. İkincisi, fonksiyonel bağlantı analizi (ICA-tabanlı veya başka türlü) için görev-uygulayarakdinlenme-devlet fMRI veri ağı organizasyon ve ağ fonksiyonu daha doğrudan ilişkili izin avantajına sahiptir ziyade. Örneğin, (örneğin DCCS performans farklılığının gibi) fonksiyonel bağlantı bilişsel veya davranışsal etkileri inceleyen bir öncelik, eğer, bu ilgi ağ görev performansı ile ilişkili olduğunu göstermek için önemlidir. Araştırmacı veri toplama sırasında katılımcı tarafından yaşanan her türlü bilişsel, davranışsal, duygusal veya devletlerin kaydı yok, çünkü dinlenme-devlet protokolleri ile, bu çok zordur. Bu ilgi herhangi bir ağ görevi performansı için uygun olduğunu, doğrudan kanıt sağlamak mümkün değildir. Böyle ICA gibi fonksiyonel bağlantı analizi, görev verilere uygulandığında aksine, bu ilgi ağı en az bir görevin performansı ile ilişkili olduğunu doğrulamak mümkündür. Son olarak, ICA gürültünün olumsuz etkisi daha az maruz kalır. Böyle olanlar ilişkili zekâ gibi gürültü kaynakları,h konu hareketi ve kalp ritim, eşsiz uzay-zamansal profilleri var. Bu nedenle, grup ICA bağlamında, bu kaynakların izole edilir ve varyans bu istenmeyen kaynaklarının nispeten serbest kalan bileşenleri bırakarak, ayrı bileşenler için verildi. Tohum bazlı analizler fonksiyonel bağlantı tahmininde ham zamanlı kurslar kullanmak ve zaman kurslar olduğundan, tanımı gereği, nörofizyolojik sinyal ve suni gürültü karışımları, fonksiyonel bağlantı tahminlerinde grup farklılıkları yatan nörofizyoloji, grup farklılıkları gerçek bir grup farklılıkları yansıtabilir gürültü yapısı, ya da her ikisi ^11.

Protocol

1.. İnsan Deneklerin çalışma için onay almak

2.. FMRI Veri Toplama

1. (Raschle, et al. ¹²⁾ küçük çocuklar için uygun prosedürler aşağıdaki FMRI verileri elde edin. Bu farklılıklar beyin aktivasyonu ve fonksiyonel bağlantısı gelişimsel ilgili farklar hakkında çıkarımlarda kişinin kapasitesini sınırlamak istenmeyen boşa tanıtmak gibi, görev performansı ve hareket mümkün yaşa bağlı farklılıklar sınırlamak için her türlü çabayı gösteriyoruz.
   Not: Mevcut protokolde, DCCler bir tekrarlanan denemeler versiyonu blok tasarımı ¹³ şeklinde uygulanmıştır. Her iki çalışma 8-deneme anahtarı blokları ve geçiş blokları 4 anahtarı denemeleri ve 4 tekrar denemeler oluşan iki 8-deneme tekrar blokları içerir, ve tekrar bloklar 8 tekrar çalışmaların oluşur. Protokol olaya ilişkin fMRI veriler ile kullanılmak için son derece uygundur. Ancak, blok tasarımları ilk bünyesine katılmıştır alırken çalışmak güzelBu bileşen zaman kurslarında görev modülasyon görmek kolay olduğu gibi, ICA ile ainted.
2. Standart fMRI ön işleme prosedürleri takip Preprocess fMRI verileri.
   1. Aynı konumda ve tüm fonksiyonel görüntüleri düzenlenmelidir. Tipik olarak, ilk işlevsel hacmi hizalanması diğer birimleri için bir referans resim olarak kullanılır.
   2. Bu aktivasyon, doğru anatomik konuma üzerine bindirilmiş, böylece T2 ile T1-ağırlıklı (anatomik) görüntü Coregister, (fonksiyonel) taramaları *-ağırlıklı.
   3. Bir şablon beyin (örn. Talairach boşluk) seçimi ile standart bir boyut, uzay, ve pozisyona tüm görüntüleri normalleştirmek. Bu, farklı konulara homolog bölgeler karşılaştırılan sağlamak için yardımcı olur.
      Not: Diğer şablonları (örneğin, MNI {Montreal nörolojik Institute} alanı) kullanılabilmesine rağmen Görüntü mevcut protokolde Talairach uzaya çarpık edilir.
   4. DAT tüm fonksiyonel birimler Smoothçekirdek yumuşatma, 6 ila 10 mm olan bir dizi.
3. Dizinleri ayrı bir dizi haline ön işlenmiş hacimleri tecrit. Üst dizin olarak "Fonksiyonel taramaları" kullanın. "Fonksiyonel taramaları" kapsamında her bir katılımcı için ayrı bir dizin içerir ve her çalışma için her katılımcı dizini içinde ayrı bir dizin. Veriler şimdi ICA analizi için hazırdır.

3. Grubu Bağımsız Bileşen Analizi (ICA)

1. Grubu ICA yazılımı indirin ve kurun. FMRI dahil nörofizyolojik farklı veri türleri, ICA uygulanması için mevcut avadanlıkları vardır. Grubu ICA gerçekleştirir herhangi bir araç potansiyel olarak uygun olacağını ise, mevcut protokolde kullanılan bir HEDİYE denir. HEDİYE New Mexico Üniversitesi'nde Vince Calhoun ve arkadaşları tarafından geliştirilmiştir. HEDİYE araç SPM, tanınmış bir fMRI analiz paketi ile birlikte çalışır MATLAB komut kümesidir. Hem be internetten ücretsiz indirilen (HEDİYE: mialab.mrn.org / yazılım / hediyesi / index.html #; SPM: www.fil.ion.ucl.ac.uk/spm/). Bir kez indirilen, MATLAB arama yoluna HEDİYE araç kutusu ve tüm alt-dizinleri eklemek ve yol dosyayı kaydedin.
2. HEDİYE kullanarak fMRI verileri bir grup ICA Bilgisayar RAM bellek üzerinde ciddi talepler yapar. Bellek üzerine kesin talepler katılımcı sayısının, her katılımcıdan toplanan verilerin miktarı ve verilerin çözünürlüğüne bağlı olarak değişecektir. Bellek sorunları önlemek için, bir sunucu üzerinde ICA analiz çalıştırmak için en iyisidir. Yerel bir bilgisayarda analiz çalışıyorsa, RAM gereksinimleri HEDİYE parçası olan bir script "icatb_mem_ica.m" kullanımı yoluyla tahmin edilebilir.
3. Set-up ya da analiz parameterize. "Icatb_batch_files" altında HEDİYE saklanır "Input_data_subjects_1.m" olarak adlandırılan önceden varolan bir toplu komut dosyasını değiştirerek bunu.
   Not: Bu HEDİYE grafik kullanıcı Interf kullanılarak da yapılabilirace. Ancak, bu önceden yazılmış bir senaryonun değiştirerek analizi kurmak için, uygulama biraz ile, çok daha kolaydır.
   1. FMRI gibi veri modalitesini belirtin
   2. ICASSO ile ICA olarak Analiz Tipi belirtin. Bu ICA ICASSO prosedürü ile çalıştırılır sağlayacaktır. ICASSO farklı rastgele tohumları ile başlayan ICA birkaç kez çalıştırarak ayrışma güvenilirliğini tahmin etmektedir. Daha sonra, kümelenme vasıtasıyla her bir sonucun benzerliği test eder. ICASSO kullanımı ICA ayrışma kalitesini kontrol ortalamasından olarak tavsiye edilir, ama önemli ölçüde bu analizi tamamlamak için HEDİYE gereken süreyi uzatacaktır.
      1. "Analiz Tipi" altında ICASSO prosedürü seçin '2 'ile ICA çalıştırın ve daha sonra kurulum dosyasının sonraki hatlarında ICASSO yordamı parametreleyebilir.
   3. Grup PCA performans ayarları altında '1 'seçerek grup PCA performansını maksimize. '2 Bu parametreyi ayarlayarak düşünün'Yetersiz RAM bellek problemleri meydana gelmelidir.
   4. , Standart bir SPM tasarım matrisi belirleyicilerini kullanarak bileşen çıkan sıralamayı daha sonra etkinleştirmek farklı konular için farklı matrisler var olup olmadığını belirlemek için.
   5. Önişlenmiş fonksiyonel verilerin saklandığı ve tasarım matrisi içeren bir SPM.mat dosya Önişlenmiş fonksiyonel verileri ile birlikte muhafaza edilip yeri belirtin.
      1. Her katılımcı çalışır aynı sayıda ve fMRI veri toplama altında Adım 2.3 'de anlatıldığı gibi veri dizini yapılandırılmış ise verileri okumak için HEDİYE almanın en basit yoludur. Eğer öyleyse, o DataSelectionMethod altında, Yöntem 1 için '1 'seçti, ve verilerin saklandığı filepath dahil ederek parametre "sourceDir_filePattern_flagLocation" tamamlamak, verilerin dosya biçimi ve bireysel seans alt dizinleri saklanır belirten bir beyanı Her konu klasörü içinde.
      Analizin çıkış yazılmalıdır dizini gösterir. Verilerin saklandığı aynı dizine sonuçları yazmayın.
   6. Tüm çıkış dosyalarına eklenecektir bir önek sağlayın.
   7. Bir maskeye bir dosya yolunu sağlayın. ICA sunulan tüm miktarlar maskelenir. HEDİYE varsayılan bir maske sağlar. Bu çalışmada, ICA sunulacaktır verilerinden bir maske oluşturmak için bir in-house komut dosyası için. En azından, maske kafatası, ekstra-serebral alan ve özellikle gözbebekleri ortadan kaldırmak gerekir. Göz küresi voksellerden Sinyal koşu sırasında çok büyük dalgalanmalar gösterir ve bu nedenle nihai bileşenlerinin yapısı üzerinde oldukça büyük bir etkiye sahip olacaktır. 3. İyi bir maske gibi görünmelidir ne göstermektedir Şekil.
   8. Kullanılacak grup PCA türünü belirtin. 'Konuya özel.' Kullanın
   9. Arka-rekonstrüksiyon yöntemi belirtin. Bu aşamada, bireysel konu IC ve bunların ilişkili zamanlı kurslar fro hesaplanırgrup analiz sonuçlarını m. Bu noktada literatürde önemli bir tartışma olsa GICA, iyi zaman ders almak için tavsiye edilir.
   10. Veri ön-işleme türünü belirtin. Çıkışı olmayan sayısal değerleri (yani infinites ve NaN ait) önlemek için yoğunluk normalleşme kullanın. Bu örnekte, '1 'varsayılan seçti.
   11. PCA türünü belirtin (biz standardını kullanan) ve PCA Seçenekleri altında varsayılan değerleri kabul edin. HEDİYE Her katılımcının her kaçak bir PCA gerçekleştirir ve ICA karışmamış olması kaynaklarının sayısına eşit bileşenleri bir dizi tutar. PCA iki önemli amaca hizmet eder. Birincisi, her bir katılımcı ve her çalışma için benzersiz olan gürültü kaynakları ortadan kaldırmak için yardımcı olur. İkincisi, analiz hesaplama talepleri daha uysal hale getirir.
   12. PCA ICA önce veriler üzerinde çalıştırmak için kaç belirtmek (2 önerilir). Yanı sıra, çalışan eğer (her PCA sonra korumak için kaç bileşenleri belirtmek2, o) birinci PCA sonra kalan bileşenlerin sayısının iki sonra ikinci muhafaza sayısıdır önerilir.
   13. Veri ölçekli nasıl olması gerektiğini belirtin. Bu iş için, z-skoru ölçekleme kullanılmıştır.
   14. ICA için bir kör kaynak ayırma algoritması seçin. Bu iş için, Infomax kullanılmıştır. HEDİYE en az 10 farklı algoritmalarla bir seçenek sunar.
   15. Olduğu gibi kalan parametreler bırakılabilir.
4. ICA bir kez tamamlandığında, mevcut bileşenleri arasında teorik potansiyel ilgi olanlar seçin. HEDİYE GUI sayesinde, bileşen seçim seçim: mekansal sıralama önceden mevcut bir şablon ile mekansal korelasyon yoluyla mekânsal bileşenlerini sıralar; zamansal sıralama (3.3.5 bakınız) veri ile saklayabilirsiniz SPM tasarım matris lineer öngördürücülerin vasıtasıyla bileşen zaman dersleri sıralar.
   Not: bileşen seçimi için iki yaklaşım yarar var. Ancak, görevi veri ile çalışan, zamansal seçimiBu seçili bileşen görevi ile aktive edilmiş doğrulama için bir araç sağlar gibi kriterler, özellikle faydalıdır. DCClerin durumunda, zamansal sıralama kullanımı seçilen bileşen tekrar blokları sırasında daha anahtarı blokları sırasında daha aktif olduğunu onaylamak için kullanılabilir.
5. Seçilen bu bileşenlerin çocuk ve yetişkin versiyonları farklı olup olmadığını test edin. Agrega çocuk ve ilgi yetişkin bileşenleri iki ayrı grup ve bileşenler değişir iki örnek t-testi bölgeler vasıtasıyla test içine. Bu HEDİYE GUI yapmak nispeten kolaydır.

Representative Results

Grup ICA, hatta nispeten küçük bir fMRI veri seti üzerinde, diğer çalışmalarda gözlenen kıyaslanabilir bileşenlerin bir dizi dönecektir. 4 Şekil 12 çocuk ve 13 yetişkin bir örnek karışmamış 5 gibi bileşenler ve bunların ilişkili zaman derslerin üst üste olduğunu , katılımcı başına yaklaşık 800 hacimleri ile. Şekil 4, varsayılan modu, fronto-parietal gösterildiği gibi, cingulo-dar ve görsel ağlar kolayca bu ayrışma sonuçlarından görülebilir. Yanı sıra, görsel ve varsayılan mod bileşenlerin zaman derslerde blok tasarımı ayırt etmek ne kadar kolay olduğunu fark.

Başarılı bir ICA ayrışma güvenilir olmalıdır. Ayrışma güvenilirliği ICASSO prosedürün çıkış incelenerek değerlendirilebilir. Şekil 5 hediye gerçekleştirilen güvenilir bir ayrışma için ICASSO çıkış kısmını gösterir.

Uzaysal Korelasyon kullanırkenbileşen seçimi için bir temel olarak iyon, bu korelasyon katsayısı rapor ve şablonu ve görsel karşılaştırma için birlikte seçilen bileşen sunmaktır iyidir. Yeni bir yazıda, mekansal ve zamansal sıralama hem de hem de mekansal bir yönetici kontrol ağına bir şablon ile ilişkili bir frontoetmoid parietal bileşeni tanımlamak için kullanılan ve DCCS tekrarı bloklardan daha anahtarı bloklar için daha aktif idi. 6: Şekil şablon görüntü ve seçili bileşen. Iki resim arasındaki iyi yazışmalar olduğuna dikkat edin.

Bileşen haritaların grup karşılaştırmaları seçilen bileşen için fonksiyonel bağlantı yaşa bağlı farklılıklar test etmek için kullanılır. Çıkan haritalarda görünen vokselleri olanlar olduğunu "yük" daha güçlü bir grup için seçilen bileşenin başka daha. Diğer bir deyişle, bu voksellerin zamana bağlı bir zaman süresi için daha ucuz olduğu vokseller olan başka fazla grup için bileşen (örneğin ağa güçlü fonksiyonel bağlantı göstermektedir). Biz doğruladı bir bileşeni, uzamsal bir yönetici kontrol ağına bir şablon ile korelasyon ve DCCS tarafından aktive edildi - - Bu prosedürü takiben, çocuk ve yetişkin sağ frontoetmoid parietal bileşenleri karşılaştırıldığında bulundu ve lateral prefrontal, anterior singulat ve parietal içinde vokselin korteks çocuklarda ¹⁴ daha Erişkinlerde bu bileşen hakkında daha güçlü yüklendi. Bu kontrast görüntü, Şekil 7 'de gösterilmiştir.

Şekil 1. Deneyin genel şeması.

d/51003/51003fig2ahighres.jpg "src =" / files/ftp_upload/51003/51003fig2a.jpg "/>

Şekil 2. Boyutlu Değişim Kartı sırala (DCCS) görev. Blok tasarımı varyant görevin standart versiyonu, tek bir boyutta her test kartı maç değerlikli hedefleri ile işaretlenmiş bidonları içine çocuklar çeşit değerlikli testi kartları.Çocuklar kartları az sayıda tek yönlü (renge örneğin) sıralamak ve daha sonra geçiş ve aynı kartları (şekli) örneğin yeni bir şekilde sıralamak için talimat vardır. Sonuç ölçüsü çocuklar doğru sıralama kriterleri geçiş olup olmadığıdır. (A) blok tasarımı varyantta, görev bilgisayar yönetilir. İki değerlikli hedefler görevi boyunca ekranda görüntülenir. Test kartları bir düğmeye basma vasıtasıyla 1.750 msn ve katılımcıların sıralama kartları için merkezi olarak sunulmaktadır. Sıralama kriteri önceki deneme farklı olduğu Denemeler anahtar çalışmalar vardır; sıralama kriteri önceki deneme aynı olduğu çalışmalar tekrar denemeler vardır. (b) Bireysel çalışmalarda 8-deneme blokları sunulmaktadır. Anahtarı blokları 4 tekrarı ve 4 anahtarı denemeleri içeren; tekrar bloklar 8 tekrar denemeler içerir. (c, d) Sonuç tedbirler tepki süresi ve anahtarı genelinde doğruluğu farkı ve blokları tekrarlayın.

. Şekil 3. Grup ICA sonuçları:. Temsilcisi bileşenleri (a) 11 yetişkin ve 12 çocuk katılımcı bir ICA 5 temsilci grup bileşenleri bir kompozit görüntü. Modeli sipariş 20 oldu. Runs 78 hacimleri uzun. . (B) Bileşen timecourses ve blok tasarımı bindirme Bileşenler renk kodlu (; sol = mavi frontoetmoid parietal; yeşil = default-mod;; pembe = sağ frontoetmoid parietal portakal = cingulo-dar görsel kırmızı =) vardır. Görsel inceleme yoluyla, bu görev performansı, görsel ve sol fronto-parietal bileşenleri aktivitesinde bir artışa ve varsayılan mod ağında aktivitesinde bir azalma ile ilişkili olduğu açıktır. Bu sezgisel sonuçlar temel bir blok tasarımı kullanımı bir ICA ayrışma kalitesini değerlendirmek için nispeten kolay hale nasıl göstermektedir."Https://www.jove.com/files/ftp_upload/51003/51003fig3highres.jpg" target = "_blank"> bu rakamın daha büyük bir versiyonunu görmek için buraya tıklayınız.

. Şekil 4 Grup ICA sonuçları:. Temsilcisi bileşenleri (a) 11 yetişkin ve 12 çocuk katılımcı bir ICA 5 temsilci grup bileşenleri bir kompozit görüntü. Modeli sipariş 20 oldu. Runs 78 hacimleri uzun. (B) Bileşen zamanlı kurslar ve blok tasarımı bindirme.. Bileşenleri renk kodlu (; sol = mavi frontoetmoid parietal; yeşil = default-mod;; pembe = sağ frontoetmoid parietal portakal = cingulo-dar kırmızı = görsel) vardır Görsel inceleme yoluyla, bu görev performansı, görsel ve sol fronto-parietal bileşenleri aktivitesinde bir artış ve d aktivitesinde bir azalma ile ilişkili olduğu açıktıru şifrenin-mod ağ. Bu sezgisel sonuçlar temel bir blok tasarımı kullanımı bir ICA ayrışma kalitesini değerlendirmek için nispeten kolay hale nasıl göstermektedir. , bu rakamın daha büyük bir versiyonunu görmek için buraya tıklayınız.

Son derece güvenilir ayrışmasından Şekil 5.. Temsilcisi ICASSO çıktı. Herhangi tek bir ayrışma güvenilirliğini test etmek için, ICA birden çok kez çalıştırılır ve ayrı çalışır genelinde sonuçlar çizilir. Bu arsa ICA tüm yineleme sonuçlarının kısa bir özetini sunar ve bir görsel ICA farklı tekrarlamalar ortaya çözümlerinde benzerlik veya farklılık değerlendirmenizi sağlar. Tek noktaları tek çalışma tahminlerini temsilözel bileşenler. Açık mavi daireler tek gözlemler kümelerinin centrotypes temsil eder. Centrotype sınırları içinde kalan kompakt ve izole kümeleri iyi güvenilirlik öneririz. Centrotype sınırları dışında başıboş dağınık kümeler kötü güvenilirliği öneririz. Bu şekilde en çok bileşenler için, ICA farklı tekrarlarına bileşeninde yüksek bir benzerlik derecesi vardı. Bileşenleri 58, 59, ve 60 farklı tekrarlarına bazı küçük değişkenlik gösterdi. resmi büyütmek için buraya tıklayın.

Şekil 6. Yönetici kontrol şablonu ve seçilen sağ fronto-parietal bileşeni, yüksek çözünürlüğü: özdeş dilimleri üzerine bindirilmişn anatomik tarama, oldukça benzer görünebilir. Mekansal korelasyon ölçmek ve istatistiksel bu haritaların benzerlik test etmek için kullanılır. , bu rakamın daha büyük bir versiyonunu görmek için buraya tıklayınız.

Şekil 7. Yetişkinlerin çocukların sağ frontoetmoid parietal bileşenleri çıkararak kimin fonksiyonel bağlantı seçilen yürütme ağa çocuklara göre yetişkinler için güçlü bölgeleri ortaya koymaktadır. Bu bölgeler medial prefrontal korteks ve ventral tegmental alan (sagital dilim) ve dorsolateral prefrontal içerir ve alt parietal korteks (eksenel dilim bakınız). tıklayınızBurada bu rakamın daha büyük bir versiyonunu görmek için.

Discussion

Bu tür sıralama kurallarına geçiş yeteneği gibi üst düzey zihinsel işlemler, çocukluk ve ergenlik boyunca hızla gelişir. Bu zihinsel işlemler birden fazla dağıtılmış beyin bölgeleri arasındaki etkileşimleri içerdiğinden, yüksek dereceli biliş ve geniş çaplı kortikal ağların organizasyonu yaşa bağlı değişikliklerin gelişimi arasındaki ilişkiyi keşfetmek artan bir ilgi var. Biz doğrudan bu ilişkiyi inceleyen bir aracı olarak görev tabanlı fMRI verilere uygulanan grup bağımsız bileşen analizine dayalı bir yöntem sunuyoruz.

Herhangi bir grup arası karşılaştırma çalışmanın olduğu gibi, yöntemin başarısı yetişkinlerde ve çocuklarda hem de yüksek kalitede fMRI verilere dayanır. Hareket ile ilgili dışlayıcı Grup farklılıklar ICA ayrışma kalitesi için ciddi etkileri vardır ve sonuçta bileşenleri sahte farklılıklara yol açabilir. Görev performansı Grup farklılıklar potansiyel Problema olabilirtüm gruplar için zamansal sıralama canlılığı sarsacak gibi, hem de tic. Bir grup deney ve kontrol denemeleri arasında büyük bir performans farkı gösterir, ancak ikinci bir grup değil, örneğin eğer, o bir göreve her iki grup için aynı şekilde bağlantılı iddia edebilirdi bileşenlerini tespit etmek zor olacaktır. Bu nedenle, düzgün veri toplamak için zaman ayırın emin olun. ,. 2009 Raschle ve arkadaşları tarafından iyi tarif pediatrik beyin görüntüleme protokolleri takip ve performans / strateji kullanımı arasındaki grup farklılıklarını azaltmak, bilişsel-davranışçı yöntemler geliştirmek için zaman ayırın.

Trouble-shooting/Caveats

Grup ICA gelişmiş bir çok değişkenli bir tekniktir, ama denoising, fonksiyonel bağlantı tahmini, ve görüntüleme dinamik beyin bağlantısı devletleri (aşağıya bakınız) dahil olmak üzere, fMRI analiz uygulamaları, çeşitli için daha fazla ve daha sık kabul ediliyor biridir. İlk kez kullananlar için, ayar-up ve tercümanlıkBir grup ICA çıkış biraz disorienting olacaktır. Ancak, uygulama / deneme yanılma biraz, işler çok daha basit olur. Aşağıdaki öneriler bizim ilk belirsizliklerle fazla almakla bize müthiş destekli.

İlk olarak, basit bir tasarım ile toplanan küçük ve kullanımı verilerini başlamak. Bloklar arasında 10 ila 20 saniye dinlenme dönemleri ile blok tasarımları bu konuda idealdir. Başlamak için, 4 veya 5 katılımcıların veri bloğu 3 veya 4 100 hacimli çalıştığı bir ICA çalıştırmak çalıştırmayı deneyin. Bu yayınlanabilir bulgular elde değil, ama nispeten hızlı çalıştırmak ve mantıklı mekansal bileşenleri üretecek. Yanı sıra, (bkz. Şekil 4) blok tasarımı olumlu bu zaman kurslar ile, oksipital bileşenleri ve varsayılan bileşenlerin zaman ders temsil ve olumsuz sırasıyla görevle ilişkili görmek için nispeten kolay olmalıdır. Bu hızla dahil olmak üzere analiz ölçekleme önce prosedürü ile güven kazanmak için iyi bir yoldurtüm bir veri seti e. Şeyler bu noktada çalışma dışarı olmamalı, geri ön işlenmiş görüntüleri gidin ve veri kalitesi sorunları (örneğin, şiddetli hareket eserler, kötü dilimleri, vb) kontrol edin. Mekansal bileşenlerin (yani mekansal IC voksellerin birçok küçük dağınık kümelerden oluşuyor) son derece seyrek ise, emin hacimleri düzeltti olmak için kontrol edin - 8 mm FWHM çekirdek önerilir.

Küçük bir veri seti ile başlayarak da bir model eklemek modeli sipariş, veya bileşenlerin sayısını seçmek için bir fikir almak için iyi bir yoldur. Bu kararı vermek için hiç kimse doğru yolu olsa da, dikkate alınması gereken kurallar vardır. HEDİYE mekansal ICA bir form uygulayan ilk olarak, bir hacimsel zaman serisi karışmamış olabilir bileşenlerin maksimum sayıda timeseries birimlerin sayısına eşittir. İkincisi, HEDİYE TBA ile veri boyutluluk bir tahmin hesaplar, ve bu tahminler aralık o içinde genelliklef-18 bileşenleri 22. Birlikte, bu düşünceler modeli sipariş seçtiğiniz için bir alt ve üst sınır sağlar. Bundan sonra, o size kalmış. Sadece model sırası arttıkça uzamsal daha düşük bir model sipariş de toplanmış olan bileşenleri ayrı ama istatistiksel ilgili bileşenleri içine ayrı bölünmüş unutmayın. Başka bir araştırma grubu bir şablonu kullanarak bir bileşen seçin planlıyorsanız bu olasılığı artacak gibi, sen bileşeni mekansal kalıntılar arıyor ki, şablonu oluşturulan analizde kullanılan ne benzer bir modeli sipariş seçerken düşünebilirsiniz sizin ayrışma sağlam.

ICA ile ileri gitmeden önce dikkate değer olabilir birkaç uyarılar vardır. İlk olarak, mekansal bileşenleri fonksiyonel bağlantı yaşa bağlı farklılıklar incelenmesi için bir temel sağlamak, ama size nasıl ya da bir bileşen etkileşim oluşturan bölgeler olup olmadığı hakkında hiçbir şey söylemiyor. İki bölge bir bileşende yükleyebilirÇünkü, çift yönlü, tek yönlü, ya da dolaylı (yani üçüncü bölgede yoluyla) bağlantısı, hatta istatistiksel kaza. Bu nedenle, sonuç çıkarmanın dikkatli olmak. Ilgi bölgeler etkileşim ve bu etkileşimler gelişimi ile nasıl değiştiği konusunda belirli bir hipotezi test iseniz İkincisi, ek analiz ve yöntemleri dikkate almak gerekir. Bir olasılık gecikmeli korelasyon analizi yoluyla bileşenleri arasında etkin bağlantı için IC zamanlı kurslar ve testi kullanmaktır. Analizler bu tür araçlar HEDİYE Fonksiyonel Ağ Bağlantısı (ya da FNC) Araç kutusunun parçası olarak kullanılabilir. Alternatif olarak, SPM8 mevcut Dynamic nedensel Modelleme (DCM) gibi tamamen farklı bir yaklaşım, düşünebilirsiniz.

Mevcut yöntemlerin avantajları

Mevcut yöntemin başlıca hedef gücü, beyin ağ fonksiyonu çıkarım için en az bir temel sağlıyor olmasıdırs. Ağları farklı voksellerin sinyal zaman derslerde kovaryans bazında belirlenen ve bu kovaryans tahminleri fonksiyonel bağlantı istikrarlı bir ölçüsüdür olduğu ölçüde, ICA ve tohum temelli yaklaşımlar onlar uygulanır olup olmadığını kortikal ağları yakınsak görüntülerin ortaya çıkmasına neden dinlenme-devlet veya görev fMRI Veriler ¹⁵ tabanlı. Görev veri grubu ICA uygulanması önemli bir avantajı seçilen ağlarının işlevi hakkında ön hipotez oluşturmak için mümkün olmasıdır. Belirli bir ağa - kural-anahtarlama - akım yönteminde, biz belirli bir bilişsel işlemi bağlama amacıyla bu gerçeği kaldıraç. Katılımcılar istirahat iken görüntüsü, aynı ağ, en az doğrudan değil, özel bir davranış ile seçilen bir ağ ilişkilendirmek mümkün olmazdı edilmiştir.

Ek uygulamalar ve gelecekteki yönelimler

Grup ICA grup differe açığa çıkarmak için büyük bir potansiyel göstermiştiryaş, tanı durumu, kişiliği, ve bu yüzden ¹⁶ ile ilgili olanlar da dahil olmak üzere kortikal ağların organizasyonu ve işleyişinde nces. Böyle ICA gibi çok değişkenli işlemler de farklı veri modalitelerde derneklerin belirlenmesi için çok uygundur, ve ICA özellikle fMRI ve yapısal MRG verileri, fMRI ve EEG ve fMRI ve genetik ¹⁷ arasındaki bağlantıların belirlenmesi için oldukça verimli olduğunu kanıtlamıştır.

Bir heyecan verici yeni bir yön kortikal bağlantı ¹⁸ dinamik değişiklikleri keşfetmek ICA kullanılmasıdır. Bugüne kadar, kortikal ağları en azından kısa zaman dilimi zarfında, mimari, statik olarak kavramsallaştırma edilmiştir. Son çalışmalar, ancak içinde ve ağlar arasında hem fonksiyonel bağlantısı nispeten kısa zaman dilimi zarfında, belki biliş ve davranış değişiklikleri ile birlikte dinamik olarak değişir olmadığını incelemeye başladı. Öncelikle dinlenme-devlet verilere dayanan ön bulgular, öneririz beyinmikrodurumların çeşitli farklı beyin bölgeleri arasındaki bağlantıların ayrı bir takımyıldızı ile karakterize her aracılığıyla çevrimleri. Mevcut yöntemin bir açık uzatma görevi veri grup ICA uygulanması yoluyla bilişsel talep değişikliklerle ilişkili olarak, ağ bağlantısı dinamik değişmeleri sınamak için olacaktır. Farklı yaştan katılımcının toplanan fMRI veri uygulanır, sonuçlar potansiyel genç ve yaşlı beyinleri, dinamik, bilişsel ve davranışsal sorunlara uyum nasıl farklılıkları ortaya koyabilir.

Materials

Name	Company	Catalog Number	Comments
SPM8	The MathWorks, Inc.	R2013a