منهج في التحقيق المتعلقة العمر الاختلافات في الربط الوظيفي للتحكم الشبكات المعرفية المرتبطة بتغير الأبعاد بطاقة الأداء ترتيب

Summary

ويعرض هذا الفيديو وسيلة لدراسة التغيرات المرتبطة بالعمر في الاتصال وظيفية من شبكات السيطرة المعرفية تعمل من خلال استهداف المهام / العمليات. وتستند هذه التقنية على تحليل متعدد VARIATE لبيانات الرنين المغناطيسي الوظيفي.

Abstract

القدرة على ضبط السلوك إلى تغيرات مفاجئة في البيئة يتطور تدريجيا في مرحلة الطفولة والمراهقة. على سبيل المثال، في ترتيب مهمة بطاقة تغيير الأبعاد، والتحول من المشاركين فرز البطاقات في اتجاه واحد، مثل الشكل، لفرزها بطريقة مختلفة، مثل اللون. تعديل السلوك في هذا الطريق يوقع خسائر أداء صغير، أو تكلفة التبديل، مثل أن الاستجابات عادة ما تكون أبطأ وأكثر على تجارب التحول عرضة للخطأ في الحكم الذي التغييرات الفرز بالمقارنة مع تكرار التجارب التي حكم الفرز لا يزال هو نفسه. غالبا ما يقال إن القدرة على التكيف بمرونة السلوك تتطور تدريجيا، ويرجع ذلك جزئيا تكاليف السلوكية مثل تكاليف التبديل تقليل عادة مع زيادة العمر. لماذا جوانب العليا الإدراك، مثل المرونة السلوكية، وتطوير ذلك تدريجيا يبقى السؤال مفتوحا. واحد الفرضية هو أن هذه التغييرات تحدث بالاشتراك مع تغييرات وظيفية في شبكات التحكم المعرفية على نطاق واسع. على هذا الرأي،العمليات العقلية المعقدة، مثل التبديل، تنطوي على التفاعل السريع بين العديد من مناطق الدماغ توزيعها، بما في ذلك تلك التي التحديث والحفاظ على قواعد مهمة، والانتباه إعادة توجيه، والسلوكيات حدد. مع التنمية، وصلات وظيفية بين هذه المناطق تعزيز، مما يؤدي إلى عمليات أسرع وأكثر كفاءة التحويل. يصف الفيديو الحالي وسيلة لاختبار هذه الفرضية من خلال جمع وتحليل البيانات متعدد المتغيرات الرنين المغناطيسي الوظيفي من المشاركين من مختلف الأعمار.

Introduction

القدرة على تنظيم السلوك يتطور تدريجيا في مرحلة الطفولة والمراهقة (للمراجعة، انظر الماس ^1). في ترتيب مهمة بطاقة تغيير الأبعاد، على سبيل المثال، التبديل المشاركين من فرز بطاقات اتجاه واحد، مثل الشكل، لفرزها بطريقة مختلفة، مثل لون ² (انظر الشكل 2). التبديل يوقع خسائر أداء صغير، أو تكلفة التبديل، مثل أن الاستجابات عادة ما تكون أبطأ وأكثر على تجارب التحول عرضة للخطأ في الحكم الذي التغييرات الفرز بالمقارنة مع تكرار التجارب التي لا تزال في حكم فرز نفسه ^3. حجم هذه التكاليف عادة ما يحصل على أصغر كما ينمو الأطفال الأكبر سنا ^4، مما يدل على أن القدرة على التنظيم السلوكي يخضع استمرار التنمية في وقت مبكر من الحياة.

لأن العمليات العقلية المعقدة، مثل التبديل، تنطوي على التفاعل السريع بين مناطق الدماغ متعددة ^5، هناك اهتمام متزايد في relatiنانوغرام تنمية العليا الإدراك للتغيرات في التنظيم الوظيفي للشبكات القشرية واسعة النطاق ^6.

نهج واحد للتحقيق التغيير التنموية في الشبكات واسعة النطاق من خلال استخدام وظيفي تحليل الربط ^6،7 القائم على البذور. الخطوة الأولى في هذه التقنية هو للتشاور مع الأدب البحوث المتاحة وتحديد المناطق بداهة المصالح، أو رويس، التي يبدو أنها تكون ذات صلة السلوك في السؤال. هذه رويس، أو العقد، وتحديد الهيكل الأساسي للشبكة. المقبل، وتقلبات منخفضة التردد في النشاط (أو T2 * المرجحة كثافة إشارة) في هذه رويس يتم قياسها لمدة 5 إلى 10 دقيقة بينما في بقية المشاركين في الماسح الضوئي التصوير بالرنين المغناطيسي. ثم يتم كميا الربط الوظيفي بين أي عقدتين من الشبكة مثل ارتباط دوام كل منهما. ينبغي أن العقد التي ترتبط وظيفيا بقوة مماثلة لها، وبالتالي يرتبط بعلاقة متبادلة، إشارةدورات الزمن. من ناحية أخرى، ينبغي أن العقد التي ترتبط وظيفيا لديهم ضعيفة متباينة، وبالتالي ترتبط ضعيفة، إشارة دورات الزمن. لإكمال نموذج الشبكة، يتم رسمها الحواف (أو وصلات) بين العقد الذي ربط فوق عتبة اختيار دورات الزمن. ويمكن إجراء اختبارات الفروق المرتبطة بالعمر في اتصال ضمن شبكة وظيفية على أي عقدة إلى عقدة اتصال واحد، أو على طوبولوجيا من مجموعة كاملة من العقد والحواف. هذه الاختلافات في الربط وظيفية ثم يمكن المتعلقة بتدابير الأداء المعرفي جمعها حاليا.

في هذه الورقة، وصفت نهجا مختلفا يستند مجموعة تحليل عنصر مستقل من البيانات المستندة إلى المهام الرنين المغناطيسي الوظيفي ^8. تحليل عنصر مستقل (أو ICA) هو إجراء الإحصائية للكشف عن مصادر عمياء الخفية الكامنة وراء مجموعة من الملاحظات مثل أن مصادر كشفت مستقلة الحد الأقصى. تطبيق لتحليل البيانات الرنين المغناطيسي الوظيفي، عrocedure يفترض أن كل وحدة تخزين هو خليط من عدد محدود من مصادر مستقلة مكانيا. باستخدام واحدة من مجموعة متنوعة من خوارزميات مختلفة، مثل خوارزمية إنفوماكس، ICA ثم يقدر مصفوفة unmixing، والتي عند تطبيقها على البيانات الأصلية ينتج مجموعة من مصادر مستقلة إلى الحد الأقصى، أو المكونات. ويمكن اعتبار كل مكون من كشبكة، بقدر ما تتكون من مجموعة من voxels التي تشترك في دوام المشتركة. مجموعة ICA هو نوع معين من ICA الذي يقدر مجموعة مشتركة من عناصر المجموعة الأولى من مجموعة البيانات بالكامل، ومن ثم يتم احتساب مجموعات مشارك محددة من مكونات المجموعة في خطوة إلى الوراء التعمير. مرة واحدة تتحلل مجموعة البيانات بالكامل إلى مجموعة من المكونات، فإن الخطوة التالية هي لتجاهل مكونات مصطنعة التي تمثل مصادر الضوضاء، وتحديد مكونات ذات مغزى من الناحية النظرية التي تتوافق مع شبكات المصالح. ويمكن تحقيق ذلك إما عن طريق الدورات الوقت عنصر النمذجة في سياق GLM إلى IDEntify الشبكات التي تنشط بطريقة توقع، ربط مكانيا المكونات مع قالب شبكة من المصالح، أو كليهما. مجموعة الناتجة من مكونات يمكن بعد ذلك قدمت لمقارنة مجموعة لاختبار الفروق المرتبطة بالعمر ممكن في الاتصال وظيفية ضمن شبكات للاهتمام من الناحية النظرية ^7،9،10.

البيانات الرنين المغناطيسي الوظيفي على أساس مهمة دراسة التغيرات المرتبطة بالعمر في الاتصال وظيفية من خلال تطبيق مجموعة ICA لديها العديد من المزايا أكثر من تطبيق التقنيات المعتمدة على البذور لبيانات الرنين المغناطيسي الوظيفي يستريح للدولة. الأولى، التقنيات المعتمدة على البذور خلافا التي تركز على مجموعة صغيرة من بداهة تعريف رويس، ومجموعة ICA النهج الحالي يستخدم جميع voxels تضم سلسلة زمنية الحجمي. هذا يقلل من فرص التحيز التي تنشأ بالضرورة عندما يتم اختيار مجموعة صغيرة من بذور بداهة كما المناطق المثيرة للاهتمام. الثانية، وتطبيق تحليل الربط وظيفية (المستندة إلى ICA أو غير ذلك) لمهمةبدلا من البيانات الرنين المغناطيسي الوظيفي للدولة يستريح له ميزة السماح منظمة شبكة وظيفة الشبكة لتكون مرتبطة بشكل مباشر أكثر. إذا، على سبيل المثال، دراسة الآثار المعرفية أو السلوكية للاتصال وظيفية (مثل التباين في الأداء DCCS) هو من الأولويات، من المهم أن تبين أن شبكة من الفائدة يرتبط أداء المهمة. مع بروتوكولات حالة الراحة، وهذا أمر صعب جدا لأن الباحث ليس لديه أي سجل من الدول المعرفية والسلوكية والعاطفية التي يمر بها أو المشارك خلال الحصول على البيانات. وبالتالي فإنه من المستحيل أن تقدم أي دليل مباشر على أن شبكة من المصالح هو ذات الصلة لأداء المهمة. على النقيض من ذلك، عندما ربط تحليل وظيفي، مثل ICA، يتم تطبيقها على البيانات المهمة، فمن الممكن للتأكد من أن شبكة من الفائدة على الأقل المرتبطة أداء مهمة. أخيرا، ICA هو أقل عرضة للتأثير السلبي للضجيج. مصادر الضوضاء، مثل تلك المرتبطة الطرافةح موضوع الحركة وإيقاع القلب، لمحات المكانية والزمانية فريدة من نوعها. لذلك، في سياق ICA المجموعة، يتم عزل هذه المصادر وتعيين لمكونات منفصلة، ​​وترك المكونات المتبقية خالية نسبيا من هذه المصادر غير مرحب به من التباين. لأن التحليلات القائمة على استخدام البذور دوام الخام في تقدير الربط وظيفية، ودورات الوقت هي، بالتعريف، خليط من الإشارات العصبية والضوضاء مصطنعة، والاختلافات في تقديرات مجموعة الاتصال وظيفية يمكن أن تعكس الاختلافات الحقيقية في مجموعة الفسيولوجيا العصبية الأساسية، والاختلافات في مجموعة هيكل الضوضاء، أو كليهما ^11.

Protocol

1. الحصول على الموافقة على العمل مع الموضوعات الإنسان

2. الرنين المغناطيسي الوظيفي الحصول على البيانات

1. الحصول على البيانات الرنين المغناطيسي الوظيفي إجراءات مناسبة للأطفال الصغار التالية (انظر Raschle، وآخرون ^12). بذل كل جهد ممكن للحد من الخلافات المتعلقة بالعمر ممكن في أداء المهمة والحركة، وهذه الاختلافات إدخال يفند غير المرغوب فيها التي تحد من قدرة المرء لاستخلاص استنتاجات حول الخلافات تنمويا ذات الصلة في تنشيط الدماغ والربط وظيفية.
   ملاحظة: في البروتوكول الحالي، كانت تدار نسخة من التجارب المتكررة لDCCS في شكل تصميم كتلة ^13. يتضمن كل تشغيل اثنين من كتل التبديل 8 للمحاكمة واثنين من كتل تكرار 8 للمحاكمة، حيث تتكون كتل التبديل من 4 محاكمات التبديل و4 تكرار التجارب، وتتكون كتل تكرار 8 تكرار التجارب. البروتوكول هو مناسبة تماما للاستخدام مع البيانات الرنين المغناطيسي الوظيفي ذات الصلة بالحدث. ومع ذلك، كتلة التصاميم لطيفة للعمل مع عند الحصول acqu الأولىainted مع ICA، لأنه من السهل أن نرى التحويرات المهمة في الوقت دورات المكون.
2. البيانات Preprocess الرنين المغناطيسي الوظيفي وفقا للإجراءات تجهيزها الرنين المغناطيسي الوظيفي القياسية.
   1. إعادة ترتيب كافة الصور وظيفية لنفس التوجه والموقف. عادة، يتم استخدام المجلد الأول وظيفية كصورة مرجعية لكافة وحدات التخزين الأخرى إلى الانحياز ل.
   2. Coregister وT1 المرجحة (التشريحية) صورة مع T2 * المرجحة (وظيفية) بالاشعة، بحيث يتم فرضه على أن تفعيل الموقع التشريحي الصحيح.
   3. تطبيع كل الصور إلى حجم موحد، والفضاء، وموقف مع اختيار قالب الدماغ (مثل Talairach الفضاء). هذا يساعد على ضمان أن مناطق متماثلة من مواضيع مختلفة ويجري مقارنة.
      ملاحظة: يتم مشوه الصور إلى Talairach الفضاء في البروتوكول الحالي، على الرغم من القوالب الأخرى يمكن أيضا أن تستخدم (على سبيل المثال، MNI {معهد مونتريال العصبية} الفضاء).
   4. على نحو سلس كافة وحدات التخزين وظيفية في داتمجموعة مع 6 إلى 10 ملم تمهيد النواة.
3. عزل كميات preprocessed إلى مجموعة منفصلة من الدلائل. استخدام "المسح الوظيفي" كدليل أعلى. داخل "بمسح وظيفية" تشمل دليل منفصل لكل مشارك، وداخل كل دليل المشارك، دليل منفصل لكل شوط. البيانات جاهز الآن لتحليل ICA.

3. المجموعة المستقلة تحليل المكون (ICA)

1. تحميل وتثبيت مجموعة برامج ICA. هناك عدد من أدوات العمل المتاحة لتنفيذ ICA على أنواع مختلفة من البيانات العصبية، بما في ذلك الرنين المغناطيسي الوظيفي. في حين أن أي الأدوات التي تنفذ مجموعة ICA أن يحتمل أن تكون مناسبة، ويسمى احد المستخدمة في البروتوكول الحالي هدية. وقد وضعت هدية من قبل فينس كالهون وزملاؤه في جامعة نيو مكسيكو. الأدوات هدية عبارة عن مجموعة من البرامج النصية MATLAB التي تعمل جنبا إلى جنب مع الحركة الوطنية الصومالية، مجموعة تحليل الرنين المغناطيسي الوظيفي المعروفة. كل من يمكن به تحميلها مجانا من الإنترنت (GIFT: mialab.mrn.org / البرمجيات / هدية / index.html و#؛ SPM: www.fil.ion.ucl.ac.uk/spm/). مرة واحدة تحميلها، إضافة الأدوات هدية وكافة الدلائل الفرعية إلى مسار البحث MATLAB وحفظ ملف المسار.
2. الحوسبة ICA المجموعة على البيانات باستخدام الرنين المغناطيسي الوظيفي هدية يجعل مطالب كبيرة على ذاكرة RAM. فإن مطالب محددة على الذاكرة تختلف تبعا لعدد المشاركين، ومقدار البيانات التي تم جمعها من كل مشارك، وقرار من البيانات. لتجنب مشاكل الذاكرة، فمن الأفضل لتشغيل تحليل ICA على ملقم. إذا تشغيل تحليل على الكمبيوتر المحلي، يمكن تقدير الاحتياجات من ذاكرة الوصول العشوائي من خلال استخدام برنامج نصي "icatb_mem_ica.m" التي هي جزء من هدية.
3. انشاء أو بالحدود التحليل. القيام بذلك عن طريق تعديل السيناريو دفعة الموجودة من قبل تسمى "Input_data_subjects_1.m" التي يتم تخزينها في هدية تحت عنوان "icatb_batch_files".
   ملاحظة: يمكن أيضا أن يتم ذلك باستخدام هدية للالمستخدم الرسومية Interfالآس. ومع ذلك، فإنه هو أسهل من ذلك بكثير، مع قليل من الممارسة، لإعداد تحليل عن طريق تعديل هذا البرنامج النصي موجود مسبقا.
   1. طريقة تحديد البيانات كما الرنين المغناطيسي الوظيفي
   2. تحديد نوع التحليل كما ICA مع ICASSO. وهذا ضمان تشغيل ICA مع الإجراء ICASSO. وتقدر ICASSO موثوقية التحلل عن طريق تشغيل ICA عدة مرات بدءا من البذور عشوائية مختلفة. بعد ذلك اختبارات تشابه كل نتيجة من خلال المجموعات. فمن المستحسن استخدام ICASSO كوسيلة من وسائل فحص جودة التحلل ICA، ولكن سيمتد إلى حد كبير من الوقت الذي يستغرقه هدية لاستكمال التحليل.
      1. لتشغيل ICA مع الإجراء ICASSO، حدد '2 'تحت "نوع من التحليل" ثم بالحدود الإجراء ICASSO في خطوط خلفا للملف الإعداد.
   3. تحقيق أقصى قدر من الأداء من مجموعة PCA باختيار '1 'تحت إعدادات الأداء المجموعة PCA. النظر في تعيين هذه المعلمة إلى '2'يجب أن يحدث مشاكل الذاكرة RAM غير كافية.
   4. في وقت لاحق لتمكين فرز الناتجة المكونات باستخدام تنبؤ من معيار SPM تصميم مصفوفة، تحديد ما إذا كان أو لم يكن هناك مصفوفات مختلفة لمواضيع مختلفة.
   5. تحديد حيث يتم تخزين البيانات وظيفية preprocessed وعما إذا كان ملف SPM.mat يحتوي على مصفوفة تصميم يتم تخزين جنبا إلى جنب مع بيانات وظيفية preprocessed.
      1. الطريق الأكثر مباشرة للحصول على هدية لقراءة البيانات هو إذا كان كل مشارك لديه نفس عدد أشواط، ويتمحور دليل البيانات كما هو موضح في الخطوة 2.3 تحت الحصول على البيانات الرنين المغناطيسي الوظيفي. إذا كان الأمر كذلك، ثم تحت DataSelectionMethod، اختار '1 'لأسلوب 1، وإكمال المعلمة "sourceDir_filePattern_flagLocation" من قبل بما في ذلك أسم دليل حيث يتم تخزين البيانات، وتنسيق ملف للبيانات، وبيانا يوضح أن يتم تخزين جلسات فردية كما الدلائل داخل كل مجلد الموضوع.
   6. إشارة إلى الدليل الذي يجب أن يكتب الناتج من التحليل. لا تكتب النتائج إلى نفس الدليل حيث يتم تخزين البيانات.
   7. توفير البادئة التي ستضاف إلى جميع ملفات الإخراج.
   8. توفير أسم دليل لقناع. يتم حجب كافة وحدات التخزين المقدمة إلى ICA. تقدم هدية قناع الافتراضي. لهذا العمل، وهو السيناريو في المنزل لتوليد قناع من البيانات التي ستقدم إلى ICA. كحد أدنى، ينبغي للقضاء على قناع الجمجمة، الفضاء خارج المخ، وبخاصة مقل العيون. سوف إشارة من voxels مقلة العين تظهر تقلبات كبيرة جدا خلال شوط وبالتالي سوف يكون لها تأثير كبير على هيكل مكونات النهائي. الشكل 3 يوضح ما قناع جيدة يجب أن تبدو.
   9. تحديد نوع مجموعة PCA لاستخدامها. استخدام 'محددة الموضوع.'
   10. تحديد طريقة العودة إعادة الإعمار. في هذه المرحلة، يتم حسابها الموضوع الفرد IC ودوام المرتبطة بها جيئة وذهابام نتائج تحليل المجموعة. ينصح GICA للحصول على أفضل الدورات الوقت، على الرغم من أن هناك نقاشا واسعا في الأدب حول هذه النقطة.
   11. تحديد نوع البيانات السابقة للتجهيز. استخدام كثافة تطبيع لتجنب القيم غير العددية (أي infinites، وعلى نان) في الإخراج. في هذا المثال، اخترنا الافتراضي '1 '.
   12. تحديد نوع PCA (نستخدم قياسي)، واستعرض القيم الافتراضية ضمن خيارات PCA. هدية ينفذ PCA على كل شوط من كل مشارك ويحتفظ عدد من المكونات مساو لعدد من المصادر أن تكون غير مخلوطة في ICA. يخدم غرضين PCA الهامة. الأولى، فإنه يساعد على القضاء على مصادر الضوضاء التي هي فريدة من نوعها لكل مشارك ولكل شوط. الثاني، فإنه يجعل مطالب الحسابية للتحليل أكثر لين العريكة.
   13. تحديد عدد PCAs لتشغيل على البيانات قبل ICA (2 مستحسن). كذلك، تحديد كيفية العديد من العناصر للاحتفاظ بعد كل PCA (إذا تشغيل2، فمن المستحسن أن عدد من العناصر المحتجزة بعد أول PCA هو ضعف عدد الاحتفاظ بعد الثانية).
   14. تحديد الكيفية التي ينبغي أن تقاس البيانات. لهذا العمل، وكان يستخدم ض النتيجة التحجيم.
   15. اختيار خوارزمية فصل مصدر أعمى لICA. لهذا العمل، تم استخدام إنفوماكس. هدية تقدم خيارا للا يقل عن 10 خوارزميات مختلفة.
   16. يمكن ترك المعلمات المتبقية كما هو.
4. بمجرد الانتهاء من ICA، اختر من بين المكونات المتوفرة تلك التي تهم النظرية المحتملة. من خلال واجهة المستخدم الرسومية هدية، اختر اختيار العنصر: الفرز المكاني فرز المكونات المكانية عن طريق الارتباط المكاني مع قالب موجود مسبقا؛ فرز الفرز الزمني للدوام المكون عن طريق تنبؤ خطي من تصميم SPM المصفوفة التي يمكن تخزينها مع البيانات (انظر 3.3.5).
   ملاحظة: كلا النهجين لاختيار عنصر لها فائدة. ومع ذلك، عند العمل مع البيانات المهمة، واختيار الزمنيةالمعايير هي مفيدة بشكل خاص، لأنها توفر وسيلة للتحقق من أنه تم تنشيط المكون المحدد من قبل المهمة. في حالة DCCS، واستخدام الفرز الزمنية يمكن استخدامها للتأكد من أن المكون المحدد كان أكثر نشاطا خلال كتل التبديل من خلال كتل تكرار.
5. اختبار ما إذا كانت إصدارات الأطفال والبالغين من هذه المكونات المحددة تختلف. الطفل الكلي ومكونات الكبار من الاهتمام إلى مجموعتين منفصلتين والاختبار عن طريق عينة منطقتين اختبار t حيث تختلف المكونات. هذا هو السهل نسبيا القيام به من خلال واجهة المستخدم الرسومية هدية.

النتائج

ICA المجموعة، حتى على مجموعة من البيانات الرنين المغناطيسي الوظيفي صغيرة نسبيا، سيعود مجموعة من المكونات مماثلة لتلك التي لوحظت في دراسات أخرى. الشكل 4 هو استعلاء من 5 هذه المكونات ودوام المرتبطة بها غير مخلوطة من عينة من 12 طفلا و 13 الكبار ، مع ما يقرب من 800 مجل?...

Discussion

العمليات العقلية العليا، مثل القدرة على تبديل قواعد الفرز، تتطور بسرعة طوال مرحلة الطفولة والمراهقة. لأن هذه العمليات العقلية تنطوي على التفاعلات بين عدة مناطق الدماغ توزيعها، هناك اهتمام متزايد في استكشاف العلاقة بين تنمية العليا الإدراك والتغيرات المرتبطة بالع?...

Materials

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