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

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。