寸法変化カードソート·パフォーマンスと認知制御ネットワーク関連の機能的結合の加齢の違いを調査するための方法

要約

このビデオでは、ターゲット·タスク/プロセスによって係認知制御ネットワークの機能的接続性の加齢変化を調べる方法を提示します。技術は、fMRIのデータの多変量解析に基づいている。

要約

環境の急激な変化への行動を調整する能力は、小児期および青年期に徐々に開発しています。例えば、寸法変化カードソート作業では、参加者は彼らに色などの異なる方法を、仕分けし、このような形状のようなカードの一つの方法を、ソートに切り替える。このように動作を調整することで、小さなパフォーマンスコストを強要するか、スイッチのコスト、応答は仕分けルールが同じままである臨床試験を繰り返すと比較して、仕分けルールの変更のスイッチ裁判上のエラーが発生しやすく、通常より遅く、よりであるように。柔軟に行動を調整する能力は、多くの場合、スイッチのコストなどの行動のコストは、通常、加齢とともに減少するので、部分的には、徐々に開発することが言われています。このような行動の柔軟性などの高次認知的側面には、そのように開発し​​、なぜ、徐々に未解決の問題のまま。 1つの仮説は、これらの変更は、幅広い規模の認知制御ネットワークにおける機能の変化と関連して発生していることである。このビューでは、このような切り替えなどの複雑な精神的な操作では、急速な業者は、更新およびタスクルールを維持するなど、いくつかの分散型脳領域間の相互作用、再オリエント注意、および選択行動を伴う。発展に伴い、それらの領域間の機能の接続は、より速く、より効率的なスイッチング動作につながる、強化する。現在のビデオは、異なる年齢の参加者からのfMRIデータを収集および多変量解析により、この仮説を試験する方法を記載している。

概要

行動を調節する能力は、（レビューのために、ダイヤモンド^1を参照）、小児期および青年期に徐々に開発しています。寸法変化カードソートタスクでは、例えば、参加者は（ 図2を参照）、彼らにそのような色²のような異なる方法で、仕分けに、このような形状のようなカードの一つの方法を、ソートに切り替える。切り替えは応答が仕分けルールは同じ³残存する試験を繰り返して比較したソートルール変更スイッチ試験に関する一般的遅く、エラーが発生しやすい、よりであるように、小さなパフォーマンスコストを強要するか、スイッチのコスト。子どもたちは、行動調節のための容量は人生の早い段階で継続的な開発を受けているという事実を説明するための^、4古い成長するにつれて、これらのコストの大きさは、一般的に小さくなる。

このような切り替えなどの複雑な精神的な操作は、複数の脳領域⁵間の迅速な相互作用を伴うため、relatiでの関心が高まっている広いスケール皮質ネットワーク⁶の機能組織の変化に高次認知の発達ngの。

広い規模ネットワークの発達の変化を調査する1つのアプローチは、シードベースの機能的結合分析^6,7の使用によるものである。この技術の最初のステップは、利用可能な研究文献に相談し、問題の行動に関連すると思われる先験的関心領域、または関心領域を定義することです。これらのROI、またはノードは、ネットワークの基本骨格を定義します。次に、活性の低周波数変動（またはT2 *強調は、信号強度）、これらのROI内の参加者がMRIスキャナに静止している間に5〜10分間測定される。ネットワークの任意の2つのノード間の機能的接続は、次いで、それぞれのタイムコースの相関として定量化される。強力に機能的に接続されたノードは、類似有し、従って高度に、信号を相関されるべき時間のコース。一方、弱い機能的に接続されているノードは、似ていないので、弱い相関がある時間経過を通知する必要があります。ネットワークのモデルを完成させるために、エッジ（またはリンク）は、その時のコース選択された閾値を超える相関ノード間に描かれています。ネットワーク内の機能の接続性の加齢の違いのためのテストは、任意の単一のノードからノードへの接続、またはノードとエッジのセット全体のトポロジー上で行うことができる。機能的結合におけるこれらの違いは、オフライン収集認知能力の尺度に関連させることができる。

本論文では、異なるアプローチがタスクベースのfMRIのデータを⁸のグループ独立成分分析に基づくものであることが記載されている。独立成分分析（ICAまたは）盲目的に明らかにしたソースが最大限に独立しているような観察のセットの基礎となる隠れた情報源を明らかにするための統計的な手続きである。 fMRIのデータの分析はpに適用rocedureは、各ボリュームは、空間的に独立したソースの有限数の混合物であることを前提としています。そのようなインフォマックスアルゴリズムなどの異なるアルゴリズム、種々のいずれかを使用して、ICAは、元のデータに適用するときに最大限に独立した情報源、又はコンポーネントのセットを生じるアンミキシング行列を推定する。各コンポーネントは、共通の時間経過を共有するボクセル集合で構成する限り、ネットワークとして考えることができる。基ICAは、グループの構成要素の共通のセットが第全体のデータセットから推定されたICAの特定のタイプであり、基成分のその後参加者固有のセットが、バック再構築ステップで計算される。データセット全体がコンポーネントのセットに分解されると、次のステップは、雑音源を表す人工の成分を破棄して、関心対象のネットワークに対応する理論的に意味のあるコンポーネントを識別することである。これはIDEにGLMのコンテキストでモデリング·コンポーネント時間のコースのいずれかによって達成することができ空間的に関心のあるネットワークのテンプレート、またはその両方でコンポーネントを相関、予測的に活性化したネットワークをntify。コンポーネントの結果セットは、それから、理論的に興味深いネットワーク^7,9,10内の機能の接続で可能な年齢に関連した違いをテストするために、グループの比較に提出することができます。

グループのICAを適用することにより、機能の接続性における加齢変化を研究するためにタスクベースのfMRIのデータは安静状態fMRIのデータへのシードに基づいた技術の適用に比べていくつかの利点があります。まず、 先験的に定義されたROIの小さなセットに焦点を当てるとは異なり、シードベースの技術は、現在のグループのICAアプローチは、容積時系列を構成するすべてのボクセルを利用しています。これは種子の小さなグループが関心領域として演繹的に選択された場合、必ずしも発生するバイアスの機会を減少させる。第二に、機能的結合分析（ICAベースまたはそれ以外）にタスクを付与休止状態のfMRIデータがネットワーク組織とネットワーク機能をより直接的に関連することができるという利点を有しているのではなく。例えば、（例えば、DCCS性能のばらつきなど）の機能的結合の認知または行動への影響を調べることが優先事項である場合には、関心対象のネットワークがタスク実行に関連していることを示すことが重要である。研究者は、任意のレコード、認知、行動、又はデータ収集中に参加者によって経験される感情状態をまだ有していないため、休止状態プロトコルでは、これは非常に困難である。これは、関心対象の任意のネットワークタスクのパフォーマンスに関連するという直接的な証拠を提供することは不可能である。例えばICAのような機能的結合分析は、タスク·データに適用されたときに対照的に、それが関心のあるネットワークは、少なくともタスクの実行に関連付けられていることを確認することができる。最後に、ICAは、ノイズの影響を受けにくい。このようなものに関連するウィットなどのノイズ源H被検体の動きと心臓のリズムが、独特​​の時空間プロファイルを有する。したがって、グループICAの文脈において、これらの供給源は、単離され、分散の歓迎されないこれらの供給源の比較的自由な残りの成分を残して、別々のコンポーネントに割り当てられる。シードベースの分析は、機能的結合の推定生の時間経過を使用し、時間のコースであるため、定義により、神経生理学的信号と人工ノイズの混合物は、機能的な接続性の見積りのグループの違いは基礎となる神経生理学、群差の真のグループの違いを反映することができますノイズの構造、またはその両方^11。

プロトコル

1。ヒトを対象を操作するための承認を得る

2。fMRIのデータ収集

1. （Raschle ら ^12参照 ）幼児のための適切な方法以下のfMRIのデータを取得する。これらの違いは、脳の活性化と機能の接続性における発生的に関連の違いについての推論を描く1の能力を制限し、不要な交絡を導入として、タスクのパフォーマンスと動作で可能な年齢関連の相違を制限するためにあらゆる努力をする。
   注：現在のプロトコルでは、DCCSの反復試験のバージョンはブロック設計¹³の形態で投与した。各ランは、2つの8トライアルスイッチブロックとスイッチブロックは4スイッチ試験および4の繰り返し試験で構成され、2つの8トライアルリピートブロックを備えており、リピートブロックは8繰り返し試験で構成されています。プロトコルは、事象関連fMRIのデータを使用するために完全に適している。しかし、ブロックの設計は、最初ACQUを取得するときで動作するようにいいですそれは、コンポーネントのタイムコースでタスク変調を簡単に確認することができように、ICAとainted。
2. 標準fMRIの前処理手順を実行する前処理を行いfMRIのデータ。
   1. 同じ向きや位置へのすべての機能画像を再調整。典型的には、第一の機能ボリュームが整列される他のすべてのボリュームのための参照画像として用いられる。
   2. T2 *強調（機能）スキャンしたT1強調（解剖学的）イメージCoregister、活性化は正しい解剖学的位置に重畳されるように。
   3. 標準化されたサイズは、スペース、およびテンプレートの脳（ 例えばタライラッハ空間）の選択に位置するすべての画像を正規化する。これは、異なる被験者からの相同領域が比較されていることを確認するのに役立ちます。
      注：他のテンプレートはまた、（例えば、MNI {モントリオール神経学研究所}空間）を使用することもできる画像は、現在のプロトコルでタライラッハ空間にワープされる。
   4. DAT内のすべての機能ボリュームを滑らかにカーネルを平滑6〜10ミリメートルとのセット。
3. ディレクトリの別々のセットに前処理されたボリュームを封鎖。トップディレクトリとして「機能スキャン "を使用します。 「機能スキャン」内の別々の各参加者のディレクトリ、および各参加者ディレクトリ内の、それぞれの実行のための別のディレクトリが含まれています。データは今のICA分析のための準備ができています。

3。グループ独立成分分析（ICA）

1. グループのICAのソフトウェアをダウンロードし、インストールします。 fMRIのを含む神経生理学的データ、様々なタイプの上のICAを実装するための利用可能なツールボックスがいくつかあります。グループのICAを実行する任意のツールボックスには潜在的に適切であろうが、現在のプロトコルで利用される1がギフトと呼ばれています。 GIFTは、ニューメキシコ大学のヴィンス·カルフーンらによって開発されました。ギフトツールボックスは、SPM、よく知られているfMRIの解析パッケージと連携したMATLABスクリプトのセットです。どちらも、できるBEは、イン​​ターネットから無料でダウンロード（ギフト：mialab.mrn.org /ソフトウェア/ギフト/ index.htmlの番号、SPM：www.fil.ion.ucl.ac.uk/spm/を）。ダウンロードした後は、MATLAB検索パスにギフトボックスおよびすべてのサブディレクトリを追加し、パスファイルを保存します。
2. ギフトを使用するfMRIのデータのグループのICAを計算するRAMメモリに相当な要求をします。メモリ上の正確な要求は、参加者の数、各参加者から収集されたデータの量、およびデータの解像度に依存して変化する。メモリの問題を回避するには、サーバー上のICA解析を実行することをお勧めします。ローカルコンピュータ上で解析を実行している場合は、RAMの要件は、ギフトの一部であるスクリプト」icatb_mem_ica.m」を利用して推定することができる。
3. アップ設定や分析をパラメータ化。 「icatb_batch_files」のギフトに格納されている「Input_data_subjects_1.m」と呼ばれる既存のバッチ·スクリプトを変更することによってこれを行います。
   注：これは、ギフトのグラフィカルユーザーINTERFを使用してもし行うことができますエース。しかし、この既存のスクリプトを変更することによって、分析を設定するには、少し練習して、はるかに簡単です。
   1. fMRIのようなデータ様式を​​指定する
   2. ICASSOと、ICAとして分析のタイプを指定します。これは、ICAはICASSO手順で実行されていることを確認します。 ICASSOは異なるランダムシードで始まるICA数回実行することによって、分解の信頼性を推定する。その後、クラスタリングによる各結果の類似度をテストします。 ICASSOの使用は、ICA分解の品質をチェックする手段として推奨されますが、かなりそれは分析を完了へのギフトを要する時間が長くなります。
      1. 「分析の種類」の下ICASSO手続きを選択'2 'でICAを実行し、設定ファイルの行以降にICASSOプロシージャをパラメータ化する。
   3. グループのPCAのパフォーマンス設定で'1 'を選択することで、グループのPCAのパフォーマンスを最大化します。 '2に、このパラメータを設定することを検討「不十分なRAMメモリの問題が発生する必要があります。
   4. 後で標準のSPM計画行列から予測因子を使用して結果の構成要素の並べ替えを有効にするには、別の科目ごとに異なる​​行列が存在するかどうかを指定します。
   5. 前処理された機能的なデータが保存され、計画行列を含むSPM.matファイルはプリプロセス、機能、データと一緒に格納されているか場所を指定します。
      1. すべての参加者が実行の同じ数を有し、fMRIのデータ取得の下に、ステップ2.3に記載のように、データディレクトリが構成されている場合、データを読み取るためにGIFTを得るための最も簡単な方法である。もしそうであれば、DataSelectionMethod下で、方法1のために'1 'を選択し、データが格納されるファイルパスに含めることによって、パラメータ「sourceDir_filePattern_flagLocation」を完了する、データのファイル形式、および個々のセッションは、サブディレクトリとして格納されていることを示す文各被験者フォルダ内の。
   6. 分析の出力が書き込まれるディレクトリを指定します。データが保存されている同じディレクトリに結果を書き込まないでください。
   7. すべての出力ファイルに追加されますプレフィックスを提供する。
   8. マスクにファイルパスを提供します。 ICAに提出されたすべてのボリュームがマスクされています。 GIFTは、デフォルトのマスクが用意されています。この作品、ICAに提出されるデータからマスクを生成するには、社内のスクリプトのため。最低でも、マスクは頭蓋骨、余分な脳の空間、特に眼球を排除する必要があります。眼球のボクセルからの信号が走行中に非常に大きな変動が表示されますので、最終的な部品の構造にかなりの影響を持つことになります。 図3は良いマスクがどのように見えるかを示しています。
   9. 使用するグループのPCAのタイプを指定します。 「対象の特定を。 'を使用
   10. バック再構成法を指定します。この段階では、個々の対象者のICおよびそれらに関連するタイムコースは往復計算される基分析の結果をメートル。この点に関する文献にはかなりの議論があるがGICAは、最高の時間のコースを取得することをお勧めします。
   11. データ前処理の種類を指定します。出力には非数値（ すなわち infinites、およびNaNの）を回避するために、強度の正規化を使用してください。この例では、'1 'のデフォルトを選択しました。
   12. PCAのタイプを指定します（我々は標準を使用します）と、PCAオプション]でデフォルト値を受け入れます。贈り物は各参加者の各実行に対して主成分分析を実行し、ICAに混合されていないようにする情報源の数と同じ成分の数を保持している。 PCAは、2つの重要な目的があります。第一に、各参加者および各実行に固有のノイズの発生源を排除するのに役立ちます。第二に、分析の計算要求は、より扱いやすくなります。
   13. ICA（2推奨）前のPCAは、データ上で実行する数を指定。だけでなく、実行している場合には（各PCAの後に保持するためにどのように多くのコンポーネントを指定2、それは）最初に、PCAの後に保持された成分の数が1秒間に2回後も保持数であることをお勧めします。
   14. データがスケーリング方法を指定します。この作業のために、Zスコアのスケーリングを使用した。
   15. ICAのためのブラインド音源分離アルゴリズムを選択してください。この作業のために、インフォマックスを使用した。 GIFTは、少なくとも10の異なるアルゴリズムを選択できます。
   16. で、残りのパラメータがままにすることができます。
4. ICAが完了すると、使用可能なコンポーネントの中から、潜在的な理論的関心のあるものを選択します。ギフトGUIを使用して、コンポーネントの選択]を選択します。空間的なソートは、既存のテンプレートとの空間相関を用いて空間的な構成要素を並べ替えます。一時的なソートは（3.3.5を参照）を使用すると、データを格納することができたSPM計画行列から線形予測器を用いて部品の経時変化をソートします。
   注：コンポーネントの選択するには、両方のアプローチは有用性がある。ただし、タスクのデータを操作する、一時的な選択彼らが選択したコンポーネントがタスクによって活性化されたことを検証する手段を提供するような基準は、特に有用である。 DCCSの場合には、時間的なソートの使用は、選択されたコンポーネントは、リピートブロックの間よりもスイッチブロック中のより活性であることを確認するために使用することができる。
5. これらの選択されたコンポーネントの子供と大人バージョンが異なるかどうかをテストします。興味のある骨材子供と大人のコンポーネント部品が異なる場合2標本t検定領域によって2つの別々のグループとテストに。これは、ギフトGUIを介して行うことが比較的容易である。

結果

グループICAは、比較的小規模なfMRIのデータセットに、他の研究で観察されたものに匹敵するコンポーネントのセットを返します。4図 5このような構成要素と12の子供や13成人のサンプルから混合されていないそれに関連する時間のコースの重ね合わせである、参加者あたり約800ボリュームを持つ。 図4に示すように、デフォルトモード、前頭頭頂、cingulo、島状、およ?...

ディスカッション

このような仕分けルールを切り替える機能などの高次精神操作は、小児期および青年期を通じて急速に開発しています。これらの精神的な動作は、複数の分散脳領域間の相互作用を伴うため、高次の認知および広域ネットワークの規模皮質組織の加齢変化の発症との関係を探索への関心が高まっている。我々は、グループの独立成分分析に基づく方法は、直接の関係を調べる手段として、タ?...

資料

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