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

Bu prosedürün genel amacı, görev değiştirme ile ilişkili beyin ağlarını tanımlamak ve bu ağların işlevsel bağlantısındaki yaşa bağlı farklılıkları test etmektir. Bu, boyutsal değişim kartı sıralama görevini tamamlarken önce çocuklardan ve yetişkinlerden FMRI verileri toplanarak gerçekleştirilir. Verilerin ön işlenmesinden sonra, işlevsel birimler istatistiksel olarak bağımsız bir dizi kaynağa veya bileşene ayrıştırılır.

Yürütücü işleyiş ve görev performansı ile ilgili bileşenler, sırasıyla şablon eşleştirme ve doğrusal modelleme yoluyla seçilir. Son adım, seçilen bileşenler içindeki işlevsel bağlantının yetişkinler ve çocuklar için farklılık gösterip göstermediğini belirlemektir. Sonuç olarak, ICA tabanlı FMRI analizleri, görev değiştirme ile ilişkili ağları tanımlamak ve bu ağların işlevsel organizasyonundaki yaşa bağlı farklılıkları test etmek için kullanılabilir.

Bu tekniğin, dinlenme durumu fonksiyonel bağlantı analizi gibi mevcut tekniklere göre ana avantajı, kortikal ağların işlevini doğru bir şekilde karakterize etmek için bir araç sağlamasıdır. Bu yöntem, görev değiştirme gibi üst düzey bilişsel işlemlerde yer alan geniş ölçekli kortikal ağların gelişim üzerinde işlevsel yeniden yapılanmaya uğrayıp uğramadığı gibi gelişimsel bilişsel sinirbilim alanındaki temel soruların yanıtlanmasına yardımcı olabilir. Küçük çocuklar için uygun prosedürleri izleyerek FMRI verilerini elde etmeye başlamak için, katılımcıları önceden sahte bir tarayıcı tesisinde eğiterek istenmeyen karışıklıkları sınırlayın, boyutsal değişim kartı sıralama görevinin tekrarlanan bir deneme sürümünü uygulayın.

Her çalıştırma, iki sekiz deneme anahtarı bloğu ve iki sekiz deneme tekrar bloğu içerir, burada anahtar blokları dört anahtar denemesi ve dört tekrar denemesinden oluşur ve tekrar blokları, veri toplandıktan sonra sekiz tekrar denemesinden oluşur, FMRI verileri standart FMRI ön işleme prosedürlerini izleyerek önce SPMA ile birlikte çalışan bir grup ICA yazılım araç kutusu olan gif'i indirin ve yükleyin, iyi bilinen FMRI analiz paketi. İndirildikten sonra, hediye araç kutusunu ve tüm alt dizinleri MATLAB arama yoluna ekleyin ve yol dosyasını hesaplamaya kaydedin. GIF kullanan FMRI verileri üzerindeki bir grup ICA, RAM belleği üzerinde önemli taleplerde bulunur.

Bellek sorunlarından kaçınmak için, ICA analizini bir sunucuda çalıştırmak en iyisidir. Analiz yerel bir bilgisayarda çalıştırılıyorsa, RAM gereksinimleri, analizi parametreleştirmek için gif'in parçası olan bir komut dosyası kullanılarak tahmin edilebilir, ICAT B toplu iş dosyaları altında gif'te depolanan Giriş veri konuları bir M adlı önceden var olan bir toplu iş komut dosyasını değiştirebilir. Bu, gifs grafik kullanıcı arayüzü kullanılarak da yapılabilir.

Bununla birlikte, önceden var olan bu komut dosyasını değiştirerek analizi ayarlamak biraz pratikle çok daha kolaydır. Ardından, veri modalitesini belirtin. FMRI olarak, ICA'yı I Casso prosedürü ile çalıştırmak için analiz türünü ICA olarak belirtin.

Analiz türü altında iki tane seçin ve ardından kurulum dosyasının sonraki satırlarında I Casso yordamını parametreleştirin. Standart bir SPM tasarım matrisinden sıralamayı etkinleştirmek için grup PCA performans ayarları altında birini seçerek grup PCA'sının performansını en üst düzeye çıkarın, farklı konular için farklı matrisler olup olmadığını belirtin. Ardından, önceden işlenmiş işlevsel verilerin nerede saklandığını ve tasarım matrisini içeren bir SPM nokta mat dosyasının önceden işlenmiş işlevsel verilerle birlikte saklanıp saklanmayacağını belirtin.

Her katılımcının aynı sayıda çalışması varsa, birinci yöntem için birini seçin. Veri seçim yöntemi seçeneği altında, verilerin depolandığı dosya yolunu, verilerin dosya biçimini ve her bir konu klasörü içinde tek tek oturumların alt dizinler olarak saklandığını belirten bir ifadeyi dahil ederek parametre kaynak yönlendirme dosyası desenini, bayrağını, konumunu tamamlayın, analizin çıktısının yazılması gereken dizini belirtin. Bu, verilerin depolandığı dizinle aynı olmamalıdır.

Bir sonraki adım, tüm çıktı dosyalarına eklenecek bir önek sağlamaktır. Ardından, maske için bir dosya yolu sağlayın. En azından, maske kafatası ekstra serebral boşluğunu ve özellikle burada gösterildiği gibi göz kürelerini ortadan kaldırmalıdır.

Bu örnekte gözbebeklerinin kalıntı kanıtına dikkat edin. Bu, suboptimal bir ICA ayrışmasına yol açacaktır ve kullanılacak grup PCA tipi için kaçınılmalıdır. En iyi zaman kursunu elde etmek için konuya özel seçin.

Geri rekonstrüksiyon yöntemi olarak GICA'yı seçin. Bir veri, ön işleme türü seçerken, çıktıda sayısal olmayan değerlerden kaçınmak için yoğunluk normalleştirmeyi kullanın. Bu örnekte, birinin varsayılan değeri seçilmiştir.

Standart PCA türünü seçin ve PCA seçenekleri altında varsayılan değerleri kabul edin. Ardından, ICA'dan önce veriler üzerinde kaç PCA'nın çalıştırılacağını belirtin. Ayrıca, her PCA'nın verileri puanlamak için Z puanı ölçeklendirmesini kullandıktan sonra kaç bileşenin tutulacağını belirtin, bu iş için ICA için bir kör kaynak ayırma algoritması seçin.

ICA tamamlandıktan sonra Infomax kullanıldı. Daha fazla değerlendirme için potansiyel teorik ilgi bileşenlerini seçin. Uzamsal sıralama, zamansal sıralama sıralamaları yapılırken bileşenleri önceden var olan bir şablonla uzamsal korelasyon yoluyla sıralamak için seçilebilir.

Bileşen zamanı, SPM tasarım matrisinden doğrusal tahminciler aracılığıyla seyreder. Analiz tamamlandıktan sonra, seçilen bileşenlerin alt ve yetişkin sürümlerinin farklı olup olmadığını test edin. Gösterilen. İşte 60 bileşenli bir ICA'ya uygulanan ICAS O prosedürünün sonuçları.

Her numaralandırılmış nokta bir bileşeni temsil eder. Siyah noktalar, aynı verilerin farklı rastgele tohumlarla farklı ICA ayrışmalarını temsil eder. İdeal olarak, burada farklı siyah noktalar olarak görülen farklı ayrışmalardan elde edilen sonuçlar, numaralandırılmış noktaların etrafında sıkıca kümelenmelidir.

Bu, ayrışmada iyi bir güvenilirliği gösterir. Yönetici kontrol şablonu ve seçilen sağ frontal parietal bileşen, yüksek çözünürlüklü bir anatomik taramadan elde edilen aynı dilimler üzerine yerleştirilmiştir ve oldukça karşılaştırılabilir görünmektedir. Fonksiyonel bağlantı, yetişkinlerin medial prefrontal korteks ve ventral segmental alanı ile dorsal prefrontal ve inferior parietal korteksinde çocuklara göre daha güçlüydü.

Eh, bu prosedürü deniyor. Analizin her aşamasında çıktınızı kontrol etmeyi unutmamak önemlidir. Küçük hatalar ileriye doğru yayılır ve yorumlanamayan sonuçlara yol açar.

Bu prosedürü takiben. Bileşenler arasındaki işlevsel etkileşimlerin görev taleplerinin veya katılımcı yaşının bir fonksiyonu olarak değişip değişmediği gibi ek soruları yanıtlamak için işlevsel ağ bağlantısı analizi gibi başka yöntemler de gerçekleştirilebilir.