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

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.