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

Özet

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.

Özet

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.

Giriş

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.

Protokol

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.
   6. Analizin çıkış yazılmalıdır dizini gösterir. Verilerin saklandığı aynı dizine sonuçları yazmayın.
   7. Tüm çıkış dosyalarına eklenecektir bir önek sağlayın.
   8. 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.
   9. Kullanılacak grup PCA türünü belirtin. 'Konuya özel.' Kullanın
   10. 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.
   11. Veri ön-işleme türünü belirtin. Çıkışı olmayan sayısal değerleri (yani infinites ve NaN ait) önlemek için yoğunluk normalleşme kullanın. Bu örnekte, '1 'varsayılan seçti.
   12. 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.
   13. 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.
   14. Veri ölçekli nasıl olması gerektiğini belirtin. Bu iş için, z-skoru ölçekleme kullanılmıştır.
   15. ICA için bir kör kaynak ayırma algoritması seçin. Bu iş için, Infomax kullanılmıştır. HEDİYE en az 10 farklı algoritmalarla bir seçenek sunar.
   16. 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.

Sonuçlar

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. Y...

Tartışmalar

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...

Malzemeler

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