치수 변경 카드 정렬 성능인지 제어 네트워크 관련의 기능 연결에서 연령 관련 차이점을 조사하는 방법

요약

이 동영상은 대상 작업 / 프로세스에 관여인지 제어 네트워크의 기능적 연결성에 나이와 관련된 변화를 검사하는 방법을 제시한다. 기법의 fMRI 데이터의 다변량 분석에 기초한다.

초록

환경의 급격한 변화에 동작을 조정할 수있는 능력은 아동기와 청소년기에 점차적으로 개발하고 있습니다. 예를 들어, 치수 변경 카드 정렬 작업에서는 참가자들에게 색과 같은 다른 방법을, 정렬로, 같은 모양으로, 카드 한 방법을 분류 전환. 이 방법으로 문제를 조정하면 약간의 성능 비용, 또는 스위치의 비용을 입히고있다 응답은 일반적으로 느리고 오류가 발생하기 쉬운 스위치 시험에이되도록하는 정렬 규칙이 동일하게 유지되는 실험을 반복 비교하여 정렬 규칙 변경. 유연하게 동작을 조정하는 기능은 종종 스위치 비용으로 행동 비용은 일반적으로 연령 증가에 따라 감소 부분에 있기 때문에, 점차 개발이라고합니다. 이러한 행동의 유연성 등의 고차인지, 측면, 그래서 개발 왜 점점 의문 남아있다. 하나의 가설은 이러한 변화가 광범위한 규모인지 제어 네트워크의 기능 변화와 관련하여 발생하는 것입니다. 이보기에,이러한 전환과 같은 복잡한 정신 작업은 빠른 그 해당 업데이트 및 작업 규칙을 유지하는 등 여러 분산 된 뇌 영역 사이의 상호 작용, 다시 방향을주의, 선택 행동을 포함한다. 개발,이 지역 사이의 기능적 연결이보다 빠르고 효율적으로 전환 작업을 선도, 강화. 현재 비디오는 다양한 연령의 참가자로부터의 fMRI 데이터의 수집과 다변량 분석을 통해이 가설을 시험하는 방법을 설명한다.

서문

행동을 조절하는 능력은 (검토를 위해, 다이아몬드 ¹ 참조) 유년기와 청소년기에 점차적으로 개발하고 있습니다. 치수 변경 카드 정렬 작업에서는, 예를 들어, 참가자들에게 같은 색상 ^2와 같은 다른 방법을, (그림 2 참조) 정렬로, 같은 모양으로, 카드 한 방법을 분류 전환. 전환은 약간의 성능 비용 또는 스위치 비용을 입히고있다 응답은 일반적으로 느리고 오류가 발생하기 쉬운 스위치 시험에이되도록하는 정렬 규칙이 같은 ³ 남아있는 실험을 반복 비교하여 정렬 규칙 변경. 아이들이 ⁴ 나이를 먹어 감에 따라 이러한 비용의 크기는 일반적으로 행동 규제 능력은 인생의 초기 개발을 계속 겪는다는 사실을 보여주는 작아진다.

이러한 전환과 같은 복잡한 정신 작업, 여러 뇌 영역 ⁵ 사이의 빠른 상호 작용을 포함하고 있기 때문에, relati에 관심이 증가하고있다넓은 규모의 대뇌 피질의 네트워크 ^6의 기능 조직의 변화에 고차인지의 발달을 겨.

광범위한 대규모 네트워크의 발달 변화를 조사하는 한 가지 방법은 시드 계 기능적 연결성 분석 ^6,7의 사용을 통해서이다. 이 기술의 첫 번째 단계는 가능한 연구 문헌에 문의하고 문제의 행동과 관련이있을 것 같다 선험적으로 관심 영역, 또는의 ROI를 정의하는 것입니다. 이러한 ROI에, 또는 노드는, 네트워크의 기본 골격을 정의한다. 참가자가 MRI 스캐너에 휴식하는 동안 다음 활동의 저주파 변동이의 ROI (또는 T2 신호 강도를 * 가중)은 5 ~ 10 분 동안 측정된다. 네트워크의 두 노드 사이의 기능적 연결이 후 각각의 시간 코스의 상관 관계로 정량화된다. 기능적으로 강하게 연결되어 노드가 유사하고, 따라서 높은 신호보기 상관해야시간 코스. 한편, 약하게 기능적으로 연결되어있는 노드는 비슷하기 때문에 약한 상관 관계가 시간의 과정을 신호한다. 네트워크의 모델을 완성하기 위해, 가장자리 (또는 링크)는 그 시간 코스 선택 임계 값 이상으로 상관 관계 노드 사이에 그려집니다. 네트워크 내의 기능적 연결성의 연령과 관련된 차이 테스트 단일 노드 간 연결, 또는 노드 및 에지들의 전체 세트의 토폴로지에서 수행 될 수있다. 기능적 연결성의 이러한 차이는 다음 오프라인 수집 인식 성능의 측정과 관련 될 수있다.

본 논문에서는 다른 방법은 작업 기반의 fMRI 데이터 ⁸ 그룹 독립 성분 분석을 기반으로이 설명되어 있습니다. 독립 성분 분석 (ICA 나)는 맹목적 밝혀 소스가 극대로 독립적이되도록 한 세트의 관측을 밑에 숨겨진 소스를 드러내는위한 통계적 절차이다. 의 fMRI 데이터의 분석, (P)에인가rocedure 각 볼륨이 공간적으로 독립적 인 소스의 유한 수의 혼합물 인 것으로 가정한다. 그러한 포맥스 알고리즘 같은 다른 알고리즘의 다양한 중 하나를 사용하여, ICA는 원래의 데이터에 적용 할 때 오는 극대 독립 소스, 또는 구성 요소의 집합을 산출 unmixing 행렬을 추정한다. 각 구성 요소는 공통 시간 코스를 나누어 복셀의 집합으로 구성 것이면, 네트워크로서 생각 될 수있다. 그룹 ICA는 그룹 구성 요소의 공통 집합은 우선 전체 데이터 세트로부터 추정 한 후 그룹 구성 요소의 참가자 고유 세트가 백 재구성 단계에서 계산 된 ICA의 특정 유형이다. 전체 데이터 세트는 일련의 구성 요소로 분해되면, 다음 단계는 잡음 소스를 나타내는 인공적 성분을 폐기하고, 그 네트워크에 대응 이론적으로 의미있는 구성 요소를 식별하는 것이다. 이것은에 IDE GLM의 컨텍스트에서 모델링 성분 시간의 과정에 의해도 달성 될 수있다공간적으로 그 네트워크의 템플릿, 또는 두 가지 모두에 구성 요소의 상관 관계, 예측 방식으로 활성화 네트워크를 ntify. 구성 요소의 결과 세트는 이론적으로 흥미 네트워크 ^7,9,10 이내에 기능적 연결이 가능한 연령에 따른 차이를 테스트하기 위해 그룹 비교에 제출 될 수있다.

그룹 ICA의 응용 프로그램을 통해 기능적인 연결에 나이와 관련된 변화를 공부하는하는 작업 기반의 fMRI 데이터는 휴식 상태의 fMRI 데이터에 씨앗 기반 기술의 응용 프로그램에 비해 몇 가지 장점을 가지고있다. 먼저, 사전 정의 된 ROI에의 작은 세트에 초점과 다른 시드 기반 기술은 현재 그룹 ICA 방식은 체적 시계열을 구성하는 모든 복셀을 이용한다. 이 씨의 작은 그룹이 관심 영역으로 사전을 선택하면 반드시 발생한다는 편견 기회를 감소. 둘째로, 기능적 연결성 분석 (ICA 기반이거나)에 작업을 적용휴식 상태의 fMRI 데이터는 네트워크 구성 및 네트워크 기능을보다 직접적으로 연관 될 수있는 이점을 가지고보다는. 예를 들어, (예 DCCS 성능의 변화와 같은) 기능적 연결성인지 또는 행동 영향을 검사하는 것이 우선적이며, 경우에, 그 네트워크가 작업 성능과 연관되어 있음을 나타 내기 위해 중요하다. 연구자가 데이터를 수집하는 동안 참가자가 경험하는,인지 행동, 또는 정서적 상태의 기록이 없기 때문에 휴식 상태 프로토콜로, 이것은 매우 어렵습니다. 그것은 관심의 네트워크 작업 성능 관련이 있다는 직접적인 증거를 제공하는 것이 불가능하다. 이러한 ICA 같은 기능적 연결성 분석, 작업 데이터에 적용될 때 대조적으로, 그것은 또한 네트워크는 적어도 작업의 성능과 관련되어 있음을 확인할 수있다. 마지막으로, ICA는 소음의 부정적 영향을 덜받습니다. 그런 그 관련된 재치와 같은 노이즈 소스,H 제목의 운동과 심장 리듬, 독특한 공간 - 시간 프로파일이 있습니다. 따라서 그룹 ICA의 맥락에서, 이러한 소스는 고립되고 분산 이러한 반갑지 소스의 비교적 자유로운 나머지 구성 요소를 떠나는 별개의 구성 요소에 할당. 종자 기반의 분석은 기능적인 연결의 추정에 원시 시간 코스를 사용하고, 시간 과정이기 때문에, 정의에 의해, 신경 생리 학적 신호와 인공적인 잡음의 혼합물은 기능적 연결 추정 그룹의 차이에 기초 신경 생리학, 그룹의 차이에 해당 그룹의 차이를 반영 할 수 노이즈의 구조 또는 둘 ^11.

프로토콜

1. 사람을 대상으로 작업에 대한 승인을 받아야

2.의 fMRI 데이터 수집

1. (Raschle, 등. ¹² 참조) 어린이를위한 적합한 절차에 따라의 fMRI 데이터를 수집. 이러한 차이는 뇌의 활성화와 기능적인 연결의 발달 관련 차이점에 대해 추론을 그릴 수있는 자신의 능력을 제한하는 불필요한 혼동을 소개로, 작업 성능과 동작 가능한 연령에 따른 차이를 제한하기 위해 최선의 노력을합니다.
   참고 : 현재 프로토콜에서 DCCS의 회 반복 시험 버전은 블록 설계 ^(13)의 형태로 투여 하였다. 각각의 실행은 2 개의 8 시험 스위치 블록과 스위치 블록 4 스위치 시련과 4 반복 시험으로 구성되어 2 개의 8 시험 반복 블록을 포함하고, 반복 블록은 8 반복 시험으로 구성되어 있습니다. 이 프로토콜은 이벤트 관련의 fMRI 데이터를 사용하기 위해 완벽하게 적합합니다. 그러나, 블록 디자인은 처음 acqu을 가져올 때 작업하기 좋은 위치이 구성 요소 시간 과정에서 작업 변조를 쉽게 알 수있다로, ICA와 ainted.
2. 표준 fMRI를 전처리 절차에 따라 전처리의 fMRI 데이터.
   1. 같은 방향 및 위치에 대한 모든 기능 이미지를 다시 정렬합니다. 통상적으로, 제 1 기능은 볼륨에 정렬되는 다른 모든 볼륨에 대한 참조 화상으로서 사용된다.
   2. 정품 인증이 정확한 해부학 적 위치에 중첩되도록 T2와 T1-가중 (해부학) 이미지 Coregister, (기능) 검사 * 가중.
   3. 템플릿 뇌 (예 Talairach 공간)의 선택과 표준화 된 크기, 공간, 위치의 모든 이미지를 표준화. 이것은 다른 과목에서 상동 지역이 비교되고 있는지 확인하는 데 도움이됩니다.
      주의 : 다른 템플릿은 또한 (예를 들어, {MNI 몬트리올 신​​경학 연구소} 공간)을 사용할 수 있지만, 이미지가 현재의 프로토콜에 Talairach 공간으로 워핑된다.
   4. DAT의 모든 기능 볼륨을 부드럽게커널을 부드럽게 6~10밀리미터와 세트.
3. 디렉토리의 별도의 세트로 사전 처리 된 볼륨을 격리한다. 상위 디렉토리로 "기능 검사"를 사용합니다. "기능 검사"내에서 각 참가자에 대해 별도의 디렉토리를 포함하고, 각 실행에 대한 각 참가자의 디렉토리 내에서 별도의 디렉토리. 이제 데이터가 ICA 분석을위한 준비가되어 있습니다.

3. 그룹 독립적 인 구성 요소 분석 (ICA)

1. 그룹 ICA 소프트웨어를 다운로드하고 설치합니다. fMRI를 포함한 신경 생리 학적 상이한 유형의 데이터에 ICA 구현이 가능하고, 툴 박스의 수가있다. 그룹 ICA를 수행하는 모든 도구 상자는 잠재적으로 적합 할 것이지만, 현재의 프로토콜에 사용되는 하나는 선물이라고합니다. 선물은 뉴 멕시코 대학에서 빈스 하운 및 동료에 의해 개발되었다. 선물 도구 상자 SPM, 잘 알려진의 fMRI 분석 패키지와 함께 작동 MATLAB 스크립트의 집합입니다. 모두 B 수전자는 인터넷에서 무료로 다운로드 (GIFT : mialab.mrn.org / 소프트웨어 / 선물 / index.html 페이지 번호, SPM : www.fil.ion.ucl.ac.uk/spm/을). 일단 다운로드, MATLAB 검색 경로에 선물 도구 상자와 모든 하위 디렉토리를 추가하고 경로 파일을 저장합니다.
2. 선물을 사용하여의 fMRI 데이터에 대한 그룹 ICA 컴퓨팅 RAM 메모리에 대한 상당한 요구를합니다. 메모리에 대한 정확한 요구 참가자의 수, 각 참가자로부터 수집 된 데이터의 양, 데이터의 해상도에 따라 달라질 것이다. 메모리 문제를 방지하기 위해, 서버의 ICA 분석을 실행하는 것이 가장 좋습니다. 로컬 컴퓨터 분석을 실행하는 경우에, RAM 요건은 GIFT의 일부인 스크립트 "icatb_mem_ica.m"의 사용을 통해 추정 될 수있다.
3. - 설정하거나 분석을 매개 변수화. "icatb_batch_files"의 선물에 저장됩니다 "Input_data_subjects_1.m"라는 기존의 배치 스크립트를 수정하여이 작업을 수행합니다.
   참고 :이 선물의 그래픽 사용자 INTERF를 사용하여도를 수행 할 수 있습니다에이스. 그러나이 기존의 스크립트를 수정하여 분석을 설정하려면 약간의 연습으로, 훨씬 더 쉽습니다.
   1. 의 fMRI로 데이터 양상을 지정합니다
   2. ICASSO와 ICA 같은 분석의 유형을 지정합니다. 이 ICA가 ICASSO 절차를 실행 보장합니다. ICASSO는 상이한 랜덤 시드로 시작 ICA 여러 번 실행하여 분해 안정성을 추정한다. 그러므로 클러스터링 의해 각 결과의 유사도를 테스트한다. ICASSO의 사용은 ICA 분해의 품질을 검사하는 수단으로 권장되지만 크게는 분석을 완료하기 위해 선물을 소요되는 시간을 연장합니다.
      1. "분석 유형"의 ICASSO 절차를 선택 '2 '와 ICA를 실행 한 다음 설치 파일의 후속 라인 ICASSO 절차를 매개 변수화합니다.
   3. 그룹 PCA 성능 설정에서 '1 '을 선택하여 그룹 PCA의 성능을 극대화. '2이 매개 변수를 설정하는 것이 좋습니다'부족한 RAM 메모리의 문제가 발생한다.
   4. 표준 SPM 설계 행렬의 예측을 사용하여 구성 요소를 결과의 정렬 이상 사용 가능 다양한 주제에 대해 서로 다른 행렬이 있는지 여부를 지정합니다.
   5. 전처리 기능 데이터가 저장되고 디자인 매트릭스를 함유 SPM.mat 파일 전처리 기능 데이터와 함께 저장되어 있는지 위치를 지정.
      1. 모든 참가자가 실행되는 동일한 수를 가지며, fMRI를 데이터 취득 아래 단계 2.3에 설명 된대로 데이터 디렉토리가 구성되어있는 경우 데이터를 읽는 GIFT를 얻는 가장 간단한 방법이다. 그렇다면 DataSelectionMethod 하에서, 방법 1에 대해 '1 '을 선택하고, 데이터가 저장되는 파일 경로를 포함하여 파라미터 "sourceDir_filePattern_flagLocation"를 완료 데이터의 파일 포맷, 및 개별 세션이 하위로 저장되어 있는지를 나타내는 문 각 주제 폴더 안에.
   6. 분석의 출력을 기록 할 디렉토리를 나타냅니다. 데이터가 저장되어있는 같은 디렉토리에 결과를 작성하지 마십시오.
   7. 모든 출력 파일에 추가 할 접두사를 제공합니다.
   8. 마스크에 파일 경로를 제공합니다. ICA에 제출 된 모든 볼륨이 마스크됩니다. 선물은 기본 마스크를 제공한다. 이 작품은, ICA에 제출 될 데이터에서 마스크를 생성하는 자체 스크립트. 최소한 마스크는 두개골, 여분의 대뇌 공간, 특히 안구를 제거해야합니다. 안구 복셀에서 신호를 실행하는 동안 매우 큰 변동을 보여줍니다 때문에 마지막 구성 요소의 구조에 상당한 영향을 미칠 것입니다. 3이 좋은 마스크 모양을 보여줍니다 그림.
   9. 사용하는 그룹 PCA의 유형을 지정합니다. '주제 특정를.'사용
   10. 백 재건 방법을 지정합니다. 이 단계에서는 개별 주제 IC의 및 관련 시간 코스는 이리저리 계산기 분석 결과 m. 이 점에 대한 문헌에서 상당한 논의가 있지만 GICA은, 가장 좋은 시간 코스를 얻는 것이 좋습니다.
   11. 데이터 사전 처리의 유형을 지정합니다. 출력에 숫자가 아닌 값 (즉, infinites, NaN이의)를 방지하기 위해 강도 정상화를 사용합니다. 이 예제에서, 우리는 '1 '의 기본을 선택했다.
   12. PCA의 유형을 지정합니다 (우리는 표준을 사용)과 PCA 옵션에서 기본 값을 받아 들인다. 선물은 각 참가자의 각 실행에 PCA를 수행하고 ICA에 혼합되지 않은 것으로 소스의 수와 동일한 구성 요소의 수를 유지합니다. PCA는 두 가지 중요한 목적이 있습니다. 첫째, 각 참가자 및 각 실행에 고유 한 소음의 원인을 제거하는 데 도움이됩니다. 둘째, 분석의 계산적 요구가 더 다루기 쉬운 만든다.
   13. 의 PCA는 ICA 전에 데이터를 실행하는 방법에 대해 많은 지정 (2 권장). 뿐만 아니라, 실행하는 경우 (각 PCA 후 유지하는 방법에 많은 구성 요소 지정이이를) 제 PCA 후에도 유지 부품 점수 두번 초 후에도 유지 개수하는 것이 좋다.
   14. 데이터의 크기를 조절하는 방법을 지정합니다. 이 작품의 경우, z 점수 스케일링 사용 하였다.
   15. ICA에 대한 블라인드 소스 분리 알고리즘을 선택합니다. 이 일을 위해, 연합 인 포맥스 사용 하였다. 선물은 적어도 10 개의 서로 다른 알고리즘의 선택을 제공합니다.
   16. 같이 나머지 매개 변수는 남아있을 수 있습니다.
4. ICA가 완료되면, 사용 가능한 컴포넌트들에서 잠재적 이론적 관심있는 이들을 선택. 선물 GUI를 통해 구성 요소 선택을 선택 공간 정렬은 기존 템플릿과 공간의 상관 관계에 의한 공간 구성 요소를 정렬; 시간 정렬은 (3.3.5 참조) 데이터를 저장할 수있는 SPM 디자인 행렬에서 선형 예측에 의해 구성 요소의 시간 코스를 정렬합니다.
   참고 : 구성 요소 선택에 대한 두 가지 접근법이 유틸리티가있다. 그러나, 작업 데이터 작업, 시간 선택그들이 선택된 성분이 작업에 의해 활성화 된 것을 검증하는 수단을 제공하는 등의 기준이 특히 유용하다. DCCS의 경우, 시간적 정렬의 사용은 선택된 성분이 반복 블록에 비해 스위치 블록 중에 더욱 활성 이었다는 것을 확인하기 위하여 사용될 수있다.
5. 이 선택한 구성 요소의 어린이와 성인 버전이 차이가 있는지 여부를 테스트합니다. 집계 아동과 그 어른의 구성 요소를 두 개의 그룹 및 구성 요소가 될 두 표본 t-검정의 지역에 의해 시험에. 이 선물 GUI를 통해 할 상대적으로 쉽습니다.

결과

그룹 ICA가, 심지어 상대적으로 작은의 fMRI 데이터 세트에, 다른 연구에서 관찰 된 것과 유사한 구성 요소의 집합을 반환합니다. 4 그림 12 어린이와 13 성인의 샘플에서 혼합되지 않은 5와 같은 구성 요소와 관련된 시간 과정의 중첩은 참가자 당 약 800 볼륨이. 도 4, 기본 모드, 전두 정수리에 도시 된 바와 같이, cingulo-인술 및 네트워크 카메라는 좀처럼이 분해의 결과로부터 ...

토론

이러한 정렬 규칙을 전환하는 기능과 같은 고차원의 정신 작업은, 어린 시절과 청소년기에 걸쳐 신속하게 개발. 이러한 정신적 인 작업은 여러 분산 된 뇌 영역 사이의 상호 작용을 포함하고 있기 때문에, 고차인지와 광범위한 규모의 대뇌 피질 네트워크의 조직에서 연령과 관련된 변화의 발전 사이의 관계를 탐구에 관심이 증가하고있다. 우리는 직접 관계를 검사하는 수단으로 작업 기반의 fMRI ?...

자료

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