Диссертация (1144704), страница 25
Текст из файла (страница 25)
Во второмфМРТ-исследовании также использовался блоковый дизайн с 4 блоками,моделирующими 4 экспериментальных условия: 1) «творческий выбор» (CreCh),2) «творческая импровизация» (CreImp), 3) «контрольный выбор» (ContCh), 4)«контрольная импровизация» (ContImp). Данные блоки предъявлялись в разнойпоследовательности для каждого добровольца: первому добровольцу блокипредъявлялись в порядке «1234, 1234, …», второму добровольцу в порядке «4123,4123, …» и т.д. Длительность каждого блока составляла 38 с. В промежуткахмежду блоками на экране монитора в течение 15 с предъявлялось перекрестие дляфиксациивнимания.Данныепромежуткивремени,вовремякоторыхдобровольцы находились в состоянии оперативного покоя, использовались вкачестве референтного условия («baseline»), который имплицитно учитывался пристатистическом анализе фМРТ данных.
Каждый блок начинался с двухсекунднойинструкции и состоял из треб проб, во время которых на экране монитора втечение 8 с предъявлялся текст с пропущенным словом или словосочетанием.Короткие инструкции представляли собой текст «Придумайте свой вариантответа»или«Выберетевариантответа»,взависимостиоттипаэкспериментального условия. После каждой пробы на экране в течение 4 споявлялсявопросительныйзнак;вовремяэтогопромежуткавремени152добровольцы проговаривали вслух свой вариант пропущенного слова илисловосочетания.Перед проведением группового статистического анализа в обоих фМРТисследованиях осуществлялась предварительная обработка и преобразованиеиндивидуальных данных,включавшая: пространственноевыравниваниекпервому «динамическому скану» («realignment»), коррекция отличий во временирегистрации данных в разных срезах («slice time correction»), совместнаярегистрация функциональных изображений со структурными изображениями(«coregistration»), нормализация изображений к стандартному анатомическомупространству, сегментация индивидуальных анатомических изображений напаттерны серого и белого вещества головного мозга, а также пространственноесглаживание функцией Гаусса размером 8×8×8 мм (Friston, 2006).
Для обоихфМРТ-исследованийпредварительнаяобработкаданныхипостроениестатистических параметрических карт модели BOLD-сигнала проводились впрограммномпакетеStatisticalParametricMapping–SPM12(http://www.fil.ion.ucl.ac.uk/spm), работающем в среде MATLAB (Mathworks Inc.,Natick, MA, USA).
При процедуре выравнивания рассчитывалось 6 параметров,соответствующих смещению и вращению относительно начального положенияголовы по трем осям (x, y, z).Для обоих фМРТ-исследований статистический анализ проводился сиспользованием множественной регрессии в рамках основной линейной модели(ОЛМ) и осуществлялся в два этапа – индивидуальном и групповом уровнях,соответственно.Для первого фМРТ-исследования построение ОЛМ модели на первом,индивидуальном этапе осуществлялось следующим образом.
Все пробы каждогоотдельного индивида подразделялись на 4 типа, соответствующих тестовымзаданиям Т1; Т2; К1; K2. Длительность каждой пробы, которые были объединеныв блоки по 50 секунд, составляла 10 секунд (в течение 7 секунд предъявляласьпара слов, плюс 3 секунды предъявлялось изображения креста). На первом этапестатистического анализа рассчитывали параметры множественной регрессии с153использованием следующих, t-контрастов для каждого из 5 бинов: Т1>П; Т2>П;К1>П; K2>П.
В результате расчета t-контрастов соответствующих 4 типамсравнений, получались статистические параметрические карты (СПК) параметроврегрессии, которые использовались в качестве переменных на втором этапеанализа.Второй этап статистического анализа для первого фМРТ-исследованияпроводился с использованием трехфакторной модели для повторных измерений(F-контрасты, Fullfactorial (SPM12)):1) Фактор «Творчество», с 2-мя уровнями все «творческие» пробы сравнивались со всеми контрольными (Т1Т2 – К1К2); 2)«Сложность» - все «первые» пробы сравнивались со «вторыми» (Т1К1 – Т2К2).Анализировались главные эффекты факторов «Творчество», «Сложность», атакже их взаимодействие.Для того чтобы избежать ложно положительных результатов, повоксельноепостроение статистических карт осуществлялось с порогом p<0.05, с коррекциейна множественность сравнений по методу FDR (false discovery rate, (Genovese etal., 2002)). Для определения анатомической локализации выявленных кластеровиспользовался программный пакет Xjview (http://www.alivelearn.net/xjview8/).Оценка изменений функциональных взаимодействий для первого фМРТисследованияосуществлялась спомощью анализапсихофизиологическихвзаимодействий (PPI, psychophysiological interactions, Gitelman et al., 2003;McLaren et al., 2012).
Важным преимуществом PPI-анализа, по сравнению состандартными способами обработки фМРТ данных, является способность оценитьувеличение или снижение статистической зависимости между сигналами,зарегистрированными в сравниваемых мозговых областях, которая меняется взависимости от типа деятельности. Для этих целей использовался программныйпакет gPPI (generalized PPI toolbox (http://www.nitrc.org/projects/gppi).Статистическая обработка данных осуществлялась с использованием т.н.общей линейной модели (ОЛМ, general linear model), в которую кроме блоков сконтрольными (нетворческими) и творческими заданиями, дополнительно, вкачестве игнорируемых переменных включались также:1541) параметры смещения головы;2) динамические сканы в которых наблюдались резкие изменения BOLDсигнала (blood-oxygen-level dependent), рассчитываемые с использованиемспециализированногопрограммногопакетаART(http://www.nitrc.org/projects/artifact_detect/));3) значения BOLD-сигнала в области интереса (ОИ, для игнорированияизменений BOLD-сигнала в ОИ);4) регрессоры, используемые при стандартном анализе фМРТ данных.ТакжеОЛМвключала6PPI-регрессоровсоответствующих5экспериментальным событиями: творческие задания (два типа) контрольныезадания двух типов, а также стимулы-инструкции, предъявляемые перед каждымэкспериментальным блоком.
В статистическом групповом анализе, в качествепеременных использовались параметры PPI- регрессоров, соответствующимчетырем типам экспериментальных тестовых заданий (группированных в блоки),рассчитываемых для каждого испытуемого в отдельности.Использоваласьдвухфакторная модель дисперсионного анализа с двумя факторами «сложность» и«креативность» (2Х2 дизайн, с использованием опции статистического анализа«Flexible Factorial» (SPM812)). Повоксельное построение статистических картосуществлялось с корректированным порогом p<0.05 по методу FDR (Falsediscovery rate). Для выяснения направления изменений, индивидуальные значенияпараметров PPI регрессоров усреднялись для всех вокселей выявленныхкластеров и далее усреднялись по группе с использованием программного пакетаREX(https://www.nitrc.org/projects/rex/).Дляопределенияанатомическойлокализации выявленных кластеров использовался программный пакет xjview(http://www.nitrc.org/projects/xjview/).Для второго фМРТ-исследования на первом этапе для каждого добровольцапо-отдельности определялась активность мозга, связанная с выполнением всехвариантов тестовых заданий.
Для этого зарегистрированный BOLD-сигналразделялся на несколько частей, связанных с экспериментальными факторами инеобъяснимым шумом, в виде общей линейной модели (ОЛМ) (Friston, 2006). В155ОЛМ в качестве регрессоров, описывающих экспериментальные факторы,использовались прямоугольные функции («boxcar function»), указывающие навремена предъявления четырех типов блоков. Эти регрессоры свертывались сканонической функцией гемодинамического ответа. Дополнительно, для учетавлияния артефактов движения, в ОЛМ были введены 6 регрессоров смещенийположения головы, рассчитанные на этапе пространственного выравнивания(Johnstone, 2006). Величина параметров регрессоров указывала на вклад того илииногоэкспериментальногофактораврегистрируемыйBOLD-сигнал.Сиспользованием рассчитываемых параметров для всего объема головного мозгастроились статистические параметрические карты («Statistical Parametric Mapping12», SPM12).При расчете параметров ОЛМ использовался фильтр высоких частот спериодом 270 с, для того чтобы устранить низкочастотные шумы МР-томографа,не снижая при этом эффективность блокового дизайна.
На основе вычисленныхпараметров регрессоров ОЛМ рассчитывались t-контрасты для обнаруженияэффектов «Творческий выбор > Покой» (CreCh>B (baseline)), «Творческаяимпровизация > Покой» (CreImp>B), «Контрольный выбор > Покой» (ContCh>B),«Контрольная импровизация > Покой» (ContImp>B). Полученные t-контрастыиспользовались для дальнейшего статистического анализа на втором этапе(групповойанализ),которыйосуществляетсясучетоммежсубъектнойвариабельности (т.н.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
