Метод исследования, связанные с возрастом различия в функциональной связности когнитивный контроль сети, связанной с Изменение размеров карты Сортировать Performance

Возможность регулировать поведение развивается постепенно в детстве и юности (см. обзор Алмаз ^1). В изменение размеров карты Сортировать задачи, например, участники перейти от сортировка карт в одну сторону, таких как форма, сортировке им другой способ, например, цвета ² (см. рисунок 2). Переключение взыскивает небольшую стоимость производительность, или стоимость коммутатора, например, что ответы, как правило, медленнее и более подвержены ошибкам на переключатель испытаний, в которых изменения в правилах сортировки по сравнению повторить испытания, в которых правило сортировки остается тем же ^3. Величина этих затрат, как правило, становится все меньше, как дети становятся старше ^4, иллюстрируя тот факт, что способность к регуляции поведения подвергается продолжение разработки в раннем возрасте.

Поскольку сложные мыслительные операции, такие как переключение, привлекать быстрые взаимодействия между несколькими областях мозга ^5, есть растущий интерес к отношений Типынг развитие высшего порядка познания к изменениям в функциональной организации широкомасштабных корковых сетей ^6.

Один из подходов к исследованию изменений в процессе развития в широкомасштабных сетей является использование семян на основе функционального анализа подключения ^6,7. Первым шагом в этой технике должен провести консультации с имеющейся научной литературы и определить априорные регионах, представляющих интерес, или трансформирования, которые, кажется, имеют отношение к поведению в вопросе. Эти трансформирования, или узлы, определить базовый скелет сети. Далее, низкочастотные колебания активности (или Т2 *-взвешенные интенсивность сигнала) в этих трансформирования измеряются от 5 до 10 мин в то время как участники находятся в состоянии покоя в МРТ сканера. Функциональная связность между любыми двумя узлами сети затем количественно как соотношение их соответствующих курсов времени. Узлы, которые сильно связаны функционально должны иметь похожи, и, таким образом, тесно связаны, сигналВремя курсы. С другой стороны, узлы, которые слабо связаны функционально должен иметь разнородных и, таким образом слабо коррелировать, сигнал времени курсы. Для завершения модель сети, края (или ссылки) рисуются между узлами, продолжительность которой курсы коррелируют выше выбранного порога. Тесты для возрастных различий в функциональной связности внутри сети могут быть проведены только на одном узла к узлу связи, или от топологии всей совокупности узлов и ребер. Эти различия в функциональной связности, то может быть связано с мерами когнитивных функций, собранных в автономном режиме.

В данной работе, другой подход описан, которая основана на групповой независимого анализа компонент на основе задач МРТ данных ^8. Независимый анализ компонент (или МКА) представляет собой статистический порядок слепо выявления скрытых источников, лежащих в основе ряд наблюдений таких, что выявленные источники максимально независимым. Применительно к анализу данных МРТ, рrocedure предполагает, что каждый объем представляет собой смесь из конечного числа пространственно-независимых источников. С помощью одного из множества различных алгоритмов, таких как алгоритма Infomax, ICA затем оценивает несмешивания матрицу, при нанесении на исходных данных приводит к системе максимально независимых источников или компонентов. Каждый компонент можно рассматривать как сеть, поскольку она состоит из набора вокселей, которые разделяют общие времени курс. Группа МКА является особый тип ICA, в котором общий набор компонентов группы сначала оценивается от всего набора данных, а затем участники конкретных наборов компонентов группы вычисляются в шаг назад-реконструкции. После того, как весь набор данных разбивается на набор компонентов, следующим шагом будет отказаться артефактом компоненты, которые представляют источники шума, а также определить теоретически значимые компоненты, которые соответствуют сетей, представляющих интерес. Это может быть достигнуто либо по времени курсов компонентов моделирование в контексте GLM к средеntify сетей, которые активируют в прогнозируемом образом, пространственно корреляции компонентов с шаблоном сети интереса, или обоих. В результате набор компонентов, то можно подать в сравнении группы для проверки возможных различий, связанных с возрастом в функциональной связности внутри теоретически интересных сетей ^7,9,10.

Изучение возрастных изменений в функциональной связности за счет применения группы МКА к ответу на основе данных МРТ имеет несколько преимуществ по сравнению с применением методов семян на основе к отдыхая-государственных данных МРТ. Во-первых, в отличие от методов семян на основе, которые сосредоточены на небольшой набор априорных определяется трансформирования, нынешний подход группа МКА использует все вокселы содержащие объемный временной ряд. Это уменьшает возможности для ошибки, которая обязательно возникают, когда небольшая группа семян выбираются априори как регионах, представляющих интерес. Во-вторых, применяя функциональный анализ подключения (МКА основе или иным образом) к задаче-а не основываться состояния МРТ данных имеет то преимущество, что позволяет организации сети и функция сети, чтобы быть более непосредственно связаны. Если, например, рассматривая когнитивные или поведенческие последствия функциональной связи (например, изменения в производительности КЦЦС) является приоритетом, важно, чтобы показать, что сеть интерес связан с выполнения задачи. С покоя государственных протоколов, это очень трудно, потому что исследователь не имеет никаких записей о любых познавательных, поведенческих или эмоциональных состояний, испытываемых участника во время сбора данных. Поэтому невозможно, чтобы обеспечить прямые доказательства, что любая сеть интерес имеет отношение для выполнения задания. В противоположность этому, когда функциональный анализ соединения, такие как ВСА, применяется для целевой-данных, можно подтвердить, что сеть интерес, по крайней мере, связанный с выполнением задачи. Наконец, МКА менее подвержен негативного влияния шума. Источники шума, такие как те, что связаны именноч при условии движения и сердечный ритм, имеют уникальные пространственно-временные профили. Таким образом, в контексте групповой ICA, эти источники выделен и назначен отдельных компонентов, в результате чего остальные компоненты относительно свободны от этих нежелательных источников дисперсии. Поскольку анализ семян на основе использования сырья времени курсы в оценке функциональной связности, и времени курсы, по определению, смеси нейрофизиологической сигнала и артефактом шума, групповые различия в функциональных оценок подключения может отражать истинные групповых различий в основной нейрофизиологии, групповых различий в структура шума, или обоих ^11.