Rozpoznávání dříve naučených v mozku versus nové časové sekvence: Diferenciální simultánní zpracování Část 2

Získávání dat

Anatomická MRI a MEG data jsme získali ve dvou nezávislých sezeních. Data MEG byla získána pomocí systému Elekta Neuromag TRIUX (Elekta Neuromag, Helsinki, Finsko) vybaveného 306 kanály. Stroj byl umístěn v magneticky stíněné místnosti v Aarhus University Hospital v Dánsku. Data byla zaznamenávána při vzorkovací frekvenci 1,000 Hz s analogovou filtrací 0,1–330 Hz. Před měřením jsme nastavili hladinu zvuku na 50 dB nad minimálním prahem sluchu každého účastníka. Navíc jsme pomocí trojrozměrného digitizéru (Polhemus Fastrak, Colchester, VT, USA) zaregistrovali tvar hlavy účastníka a polohu čtyř hlavových cívek, týkající se tří anatomických orientačních bodů (nasion a levé a pravé preaurikulární umístění).

S neustálým rozvojem vědy a techniky se v našem životě objevilo mnoho nových konceptů a technologií. Oni, technologie MEG je jednou z nich. MEG je obecná technika pro měření elektrické aktivity v lidském mozku. K detekci elektrické aktivity neuronů využívá supravodivý kvantový interferometr (SQUID). Technologie MEG nám může pomoci lépe pochopit princip fungování lidského mozku a poté prozkoumat tajemství lidské inteligence.

Kromě studia elektrické aktivity neuronů dokáže technologie MEG také vyhodnocovat a studovat lidskou paměť. Mnoho studií prokázalo vztah mezi technologií MEG a pamětí. Studiem a analýzou velkého množství dat mohou vědci využít technologii MEG ke sledování kapacity paměti lidí a způsobu, jakým různí lidé zpracovávají vzpomínky.

Podle výzkumu mohou vědci pomocí analýzy technologie a dat MEG identifikovat a měřit elektrickou aktivitu v různých oblastech lidského mozku, což nám pomáhá pochopit pracovní režim mozku. Tato data nám mohou pomoci lépe porozumět paměti a kognitivním procesům a následně vyvinout lepší způsoby, jak zlepšit paměť lidí.

Kromě toho mnoho studií také ukázalo, že je zcela možné použít různé metody a techniky ke zlepšení paměti. Pomocí různých paměťových technik a cvičení můžeme procvičit náš mozek a zlepšit tak naši schopnost zapamatovat si. Pro ty, kteří chtějí zlepšit svou paměť, je pochopení technologie MEG a analýzy dat zásadním krokem.

Mezi technologií MEG a pamětí proto existuje neoddělitelný vztah. Díky analýze velkého množství dat můžeme lépe porozumět tomu, jak funguje lidský mozek a proces utváření paměti, a poté vyvinout lepší metody ke zlepšení naší schopnosti paměti. Věříme, že v budoucnu, s neustálým vývojem a zlepšováním technologií, budeme mít více metod a technologií, které nám pomohou lépe rozvíjet a využívat naši paměťovou schopnost. Z tohoto pohledu musíme zlepšit paměť. Cistanche dokáže výrazně zlepšit paměť, protože Cistanche dokáže také regulovat rovnováhu neurotransmiterů, jako je zvýšení hladiny acetylcholinu a růstových faktorů, které jsou velmi důležité pro paměť a učení. Kromě toho může maso také zlepšit průtok krve a podpořit dodávku kyslíku, což může zajistit, že mozek dostane dostatečnou výživu a energii, čímž se zlepší vitalita a vytrvalost mozku.

Kliknutím na doplňky zlepšíte paměť

Umístění hlavových cívek bylo registrováno během celého záznamu pomocí kontinuální identifikace polohy hlavy (cHPI), což nám umožňuje sledovat přesné umístění hlavy v rámci MEG skeneru v každém časovém bodě. Tato data jsme použili k provedení přesné korekce pohybu v pozdější fázi analýzy dat.

Zaznamenaná anatomická data MRI odpovídala strukturálnímu T1. Parametry akvizice pro skenování jsou hlášeny takto: velikost voxelu=1.0 × 1.0 × 1.0 mm (nebo 1.0 mm3); velikost rekonstruované matrice 256 × 256; doba ozvěny (TE) 2,96 ms a doba opakování (TR) 5,000 ms a šířka pásma 240 Hz/Px. V pozdější fázi analýzy byl každý T1-vážený MR sken společně registrován do standardní mozkové šablony MNI prostřednictvím afinní transformace a poté odkazován na prostor senzorů MEG pomocí dat tvaru hlavy Polhemus a tří referenční body měřené během relace MEG.

Předzpracování dat

Nezpracovaná data ze senzoru MEG (204 planárních gradiometrů a 102 magnetometrů) byla předzpracována pomocí MaxFilter (Taulu a Simola 2006) pro zmírnění rušení pocházejícího mimo pokožku hlavy použitím separace signálového prostoru. V rámci stejné relace Maxfilter také upravil signál pro pohyb hlavy a převzorkoval jej z 1,000 na 250 Hz.

Data byla převedena do formátu SPM a dále analyzována v Matlabu (MathWorks, Natick, Massachusetts, USA) pomocí OSL (OHBA Software Library), volně dostupné sady nástrojů, která se opírá o kombinaci FSL (Woolrich et al. 2009), SPM (Penny et al. 2007) a Fieldtrip (Oostenveld et al. 2011), stejně jako interní funkce. Pro korekci možného rušení elektrickým proudem byl použit zářezový filtr (48–52 Hz). Data byla dále převzorkována na 150 Hz a několik segmentů dat, pozměněných velkými artefakty, bylo po vizuální kontrole odstraněno.

Poté, aby se odstranila interference mrknutí oka a artefaktů srdečního tepu z dat mozku, byla použita analýza nezávislých složek (ICA) k rozložení původního signálu na nezávislé složky. Poté byly komponenty, které zachytily mrkání a srdeční činnost, nejprve izolovány a poté vyřazeny. Signál byl přestavěn pomocí zbývajících komponent (Mantini et al. 2011) a poté epochován v 80 pokusech (jeden pro každý hudební úryvek) trvajících každý 3 500 ms (se 100 ms času před stimulem, který byl použit pro korekci základní linie) ( Obr. 1B).

Jednorozměrné testy a simulace Monte-Carlo přes senzory MEG

Ačkoli jsme se primárně zaměřili na rekonstruovaná data mozku ze zdroje MEG, první analýza dat ze senzoru MEG byla vypočtena v souladu s nejmodernějšími doporučeními pro nejlepší postupy v analýze MEG (Gross et al. 2013).

Podobně jako u velkého počtu studií souvisejících s MEG a elektroencefalografií (EEG) (Gross et al. 2013) jsme zprůměrovali studie za podmínek a získali jsme dva konečné průměrné studie, pro M a N, respektive. Potom jsme zkombinovali každou dvojici planárních gradiometrů pomocí druhé mocniny. Poté jsme provedli t-test pro každý časový bod v časovém rozsahu 0–2,500 s a každý kombinovaný planární gradiometr, kontrastující M versus N.

Abychom opravili vícenásobná srovnání, vypočítali jsme Monte-Carlo simulace (MCS) (Kroese et al. 2011) s 1,000 permutací na shlucích významných výsledků, které vyplynuly z t-testů. Za významné jsme považovali původní shluky, které měly velikost větší než 99,9 % maximální velikosti shluků permutovaných dat. Další podrobnosti o tomto široce používaném postupu lze nalézt v Bonetti et al. (2020), Bonetti, Brattico, Carlomagno a kol. (2021a), Bonetti, Bruzzone, Sedghi a kol. (2021b), Bonetti, Brattico, Vuust a kol. (2021c) a Fernàndez-Rubio, Brattico, et al. (2022a), FernàndezRubio, Carlomagno a kol. (2022b), Fernàndez-Rubio, Olsen a kol. (2022c).

Tato analýza vrátila velký a robustní rozdíl mezi experimentálními podmínkami. Navíc mozková aktivita zaznamenaná přes kanály MEG tvořící významný shluk získaný analýzou MCS načrtla časovou řadu, která představovala dvě hlavní frekvenční složky. Jak je znázorněno na obr. S2A, rychlejší frekvenční složka vrcholila po prezentaci každé z položek tvořících sekvenci, zatímco pomalejší frekvenční složka doprovázela celou sekvenci.

Tento důkaz byl dále podpořen výpočtem komplexní Morletovy vlnkové transformace (Daubechies 1992) na všech datech senzoru MEG, který zdůraznil hlavní příspěvek 1 a 4 Hz k signálu MEG zaznamenanému během úlohy (obr. S2B). Navíc tato analýza ukázala znatelný, ale slabší výkon kolem 10 Hz.

Je třeba poznamenat, že výkon 10 Hz nebyl časově uzamčen na počáteční offset hudební sekvence. Naše následující analýzy se tedy primárně zaměřily na dvě frekvenční pásma definovaná kolem 1 a 4 Hz, protože to byly frekvence s nejsilnějším výkonem. Tato dvě pásma byla 0,1–1 a 2–8 Hz. Kromě toho jsme provedli další analýzu frekvenčního rozsahu definovaného kolem 10 Hz, protože představoval snížený, ale rozlišitelný výkon. Takové pásmo bylo 8–12 Hz.

Důležité je, že jsme předpokládali, že frekvenční pásma 2–8 a 0.1–1 Hz indexují dva hlavní procesy zahrnuté v našem experimentálním úkolu: zpracování jednotlivých položek tvořících časovou sekvenci (i – lokální zpracování) a rozpoznávání časová posloupnost jako komplexní nadřazený objekt (ii— globální zpracování).

Rekonstrukce zdroje

K odhadu zdrojů jsme použili nejmodernější metody rekonstrukce zdrojů, které generovaly signál, který jsme zaznamenali na MEG senzorech (obr. 1C a obr. 2A) (Huang et al. 1999; Hillebrand a Barnes 2{{ 7}}05). Důležité je, že algoritmus rekonstrukce zdroje byl vypočítán nezávisle pro tři frekvenční pásma zahrnutá do studie (0,1–1, 2–8 a 8–12 Hz), aby se charakterizovaly evokované odezvy na M a N v těchto třech různých frekvenčních pásmech. . Konkrétně byly provedeny následující kroky.

Nejprve byla souvislá data (před epochováním) filtrována pásmovou propustí do tří frekvenčních pásem. Za druhé, filtrovaná data (nezávisle pro tři pásma) byla epochována. Za třetí, epochální data byla předložena algoritmu zdrojové rekonstrukce popsanému níže.

Takový algoritmus zahrnuje dva následné kroky: (i) návrh dopředného modelu a (ii) výpočet inverzního řešení. Dopředný model je teoretický model, který považuje každý zdroj mozku za aktivní dipól a popisuje, jak by se jednotná síla takového dipólu projevila na všech MEG senzorech (v našem případě jsme použili jak magnetometry, tak planární gradiometry) (Huang et al. 1999).

Zde jsme použili 8-mm mřížku, která vrátila 3 559 dipólových umístění (voxelů) v celém mozku. Po zaregistrování jednotlivých strukturálních dat T1 s referenčními značkami (informace o hlavních orientačních bodech) byl dopředný model vypočítán pomocí široce používané metody zvané „Single Shell“, kterou podrobně představil Nolte (2003). Výstup takového výpočtu označovaný také jako model pole olova byl uložen v matici L (zdroje × kanály MEG). V několika případech, kdy strukturální T1 nebyl k dispozici, jsme provedli výpočet pole vedoucího pomocí šablony (MNI152-T1 s prostorovým rozlišením 8-mm).

Druhým krokem rekonstrukce zdroje je výpočet inverzního řešení (tj. odhad generátorů nervového signálu na základě mozkové aktivity zaznamenané pomocí MEG). V naší studii jsme zvolili beamforming, což je jeden z nejpopulárnějších a nejúčinnějších algoritmů dostupných v této oblasti (Huang et al. 1999; Hillebrand a Barnes 2005). Tento postup používá odlišnou sadu vah sekvenčně aplikovaných na umístění zdrojů pro izolaci příspěvku každého zdroje k aktivitě zaznamenané kanály MEG pro každý časový bod (Hillebrand a Barnes 2005; Brookes et al. 2007). Na techničtější úrovni lze inverzní řešení založené na beamformingu popsat následujícími hlavními kroky.

Za prvé, data zaznamenaná MEG senzory (B) v čase t lze popsat pomocí následující rovnice (3):

kde L je výše popsaný model pole olova, Q je dipólová matice nesoucí aktivitu každého aktivního dipólu (q) v čase a ε je šum (viz Huang et al. (2004) pro více podrobností). Abychom tedy vyřešili inverzní problém, musíme vypočítat Q. Pomocí tvarování paprsku se takový postup točí kolem výpočtu vah, které jsou aplikovány na MEG senzory v každém časovém bodě, jak je ukázáno pro jediný dipól q v rovnici (4 ):

Pro získání q by se skutečně měly vypočítat váhy W (dolní index T odkazuje na transpoziční matici). Aby se tak stalo, paprsek se opírá o násobení matice mezi L a kovarianční matici mezi MEG senzory (C), vypočtené na zřetězených experimentálních zkouškách. Konkrétně pro každý zdroj mozku n jsou váhy Wn vypočteny následovně:

Je třeba poznamenat, že výpočet modelu pole olova byl proveden pro tři hlavní orientace každého zdroje mozku (dipólu), podle Nolte (Nolte 2003). Před výpočtem vah však byly orientace zredukovány na jednu pomocí algoritmu rozkladu singulárních hodnot na násobení matice uvedené v rovnici (6). Tento postup je široce používán pro zjednodušení výstupu tvarování paprsku (Huang et al. 2004; Woolrich et al. 2011).

Zde l představuje model pole olova se třemi orientacemi, zatímco L je vyřešený model s jednou orientací, který byl použit v (5).

A konečně, jak bylo zmíněno výše, pokud jde o implementaci kódování takových algoritmů, použili jsme sady nástrojů Matlab, jako je OSL, FieldTrip, SPM (funkce pro předzpracování MEEG a sadu nástrojů SPM beamforming) a FSL. Tyto kódy byly navíc doplněny o vlastní skripty a funkce.

Mozková aktivita pro každý prvek časové sekvence

Nejprve jsme chtěli detekovat mozkovou aktivitu, která je základem každé položky našich časových sekvencí (obr. 1D, obr. S3, S4, tabulka 1 a tabulka S1). Zde jsme vypočítali absolutní hodnotu rekonstruované časové řady, protože nás zajímala absolutní síla signálu.

K provedení analýzy první úrovně pro každého účastníka jsme použili obecné lineární modely (GLM). Takové modely byly vypočítány na zdrojových rekonstruovaných datech pro každý časový bod a mozkový zdroj (Hunt et al. 2012). GLM vrátily hlavní efekt (odhad kontrastů parametrů (COPE)) M a N a také jejich kontrast. Byly použity, protože jim bylo umožněno získat hlavní efekty, které byly zásadně upraveny rozptylem mezi účastníky. Tyto výsledky byly podrobeny analýze druhé úrovně za použití jednovzorkových t-testů s prostorově vyhlazeným rozptylem získaným s Gaussovým jádrem (plná šířka v polovině maxima: 50 mm) (Huang et al. 2004).

Zde nás zajímalo pozorování rozdílné mozkové aktivity, která je základem rozpoznání M versus N časové sekvence, nezávisle pro každé frekvenční pásmo a položku (hudební tón) tvořící sekvenci. Vypočítali jsme tedy 15 (5 tónů × 3 frekvenční pásma) klastrových simulací Monte-Carlo (MCS) na výsledcích analýzy druhé úrovně (úroveň skupiny) zprůměrovaných během pěti časových oken odpovídajících trvání hudebních tónů. . Analýza MCS obsahuje 1,000 permutace a práh vytváření shluků P < 0,05 (z testů druhé úrovně). Konkrétně test MCS spočíval v detekci prostorových shluků významných hodnot v původních datech. Poté byla taková data permutována a byly detekovány prostorové shluky permutovaných významných hodnot. Tento postup byl počítán několikrát (např. 1,000) a dal vzniknout referenční distribuci velikostí shluků detekovaných pro každou permutaci. Nakonec byly původní velikosti shluků porovnány s referenční distribucí. Původní shluky byly považovány za významné, pokud byly velikosti shluků permutovaných dat větší než původní velikosti shluků méněkrát než úroveň MCS. V tomto případě, protože jsme analýzu počítali 15krát, jsme provedli korekci na vícenásobná srovnání vydělením standardní úrovně MCS (=0.05) 15, což vedlo k aktualizovanému MCS=0.003 (tj. původní shluky byly významné, pokud jejich velikosti byly větší než 99,7 % velikostí permutovaných shluků).

Protože jeden z frekvenčních rozsahů použitých v této studii byl poměrně nízký ({{0}}.1–1 Hz), přepočítali jsme rekonstrukci zdroje a kontrasty mezi M a N pro 0,1–1 Hz pomocí tří různých základní linie (500, 1,000 a 2,000 ms). To bylo provedeno, abychom prokázali, že naše původní výsledky nebyly řízeny délkou základní linie. Výsledky tohoto postupu jsou znázorněny na obr. S5 a jsou podrobně uvedeny v tabulce S2.

K-znamená funkční shlukování

Abychom doplnili naše předchozí výsledky a poskytli podrobnější popis prostorového rozsahu aktivních mozkových zdrojů a také jejich aktivity v čase, definovali jsme funkčně založenou parcelaci mozku. Přijali jsme takzvané k-means funkční shlukování, sestávající z řady k-means shlukovacích algoritmů. Sinaga a Yang (2020) provedli funkční a prostorovou informaci každého z rekonstruovaných mozkových zdrojů (voxelů) časových řad. Tento přístup byl použit pro dvě frekvenční pásma, která v našich předchozích analýzách přinesla nejsilnější výsledky a která byla spojena buď s jednotlivými položkami sekvence, nebo s celou sekvencí, konkrétně 0,1–1 a 2–8 Hz.

Konkrétně, jako první krok, algoritmus funkčního shlukování k-means vypočítal shlukování na základních funkčních parametrech, jako jsou špičkové hodnoty a odpovídající indexy voxelových časových řad. Tento krok označujeme jako funkční shlukování. Tento postup vrátil sadu nezávislých parcel seskupených podle funkčních profilů mozkových voxelů. Takové parcely by skutečně mohly obsahovat voxely, které dosáhly vrcholu přibližně ve stejnou dobu (obr. 2B, vlevo) nebo s podobnou absolutní silou (obr. 2B, vpravo). Je myslitelné, že se shlukování na maximálních indexech časové řady navrhuje, když je mozková aktivita lokalizována v různých oblastech v různých časech.

Naopak, když je aktivita vysoce korelovaná u většiny mozkových voxelů, shlukování by mělo být provedeno na maximálních hodnotách časových řad a pomohlo by identifikovat jádrové generátory nervového signálu. V této studii 0.1–1 Hz (globální zpracování sekvence) představovaly různé vrcholy aktivity posunuté v průběhu času, a proto byly seskupeny s ohledem na časové indexy těchto vrcholů. Na rozdíl od toho, 2–8 Hz (lokální zpracování sekvence) vykazovalo velmi korelovanou aktivitu, a proto bylo shlukováno pomocí absolutních hodnot takové maximální aktivity. Jak se široce provádí v shlukové analýze (Garcia-Dias et al. 2019), také v našem případě bylo přínosné vypočítat shlukovací algoritmus na sekvenční sadě k shluků (od k=2 do 20). Poté bylo rozhodnuto o nejlepším řešení shlukování na základě dobře známých hodnotících strategií (heuristiky), jako je metoda/pravidlo lokte (Liu a Deng 2021) a koeficient siluety (Al-Zoubi a Al Rawi 2008).

Metoda kolena spočívá ve vykreslení součtu čtvercových chyb (SSE) prvků patřících do shluků týkajících se těžišť shluku jako funkce progresivně početnějších řešení shluků. Poté metoda navrhuje vizuálně identifikovat „loket“ křivky jako počet shluků, které se mají použít. Koeficient siluety je hodnota (v rozsahu od -1 do +1), která ukazuje podobnost prvku s jeho shlukem (kohezi) ve srovnání s jinými shluky (separace). Vysoká hodnota koeficientu siluety ukazuje, že prvek je dobře sladěn se svým shlukem a špatně se shoduje se sousedními shluky.

Jakmile je rozhodnuto o nejlepším funkčním řešení shlukování, mělo by se vypočítat druhé shlukování prostorových informací (prostorové shlukování, obr. 2C). Ve skutečnosti je mozková aktivita popsána především dvěma parametry, prostorovými umístěními a změnami v čase. Shlukování původních mozkových voxelů do odlišných funkčních částí může vrátit velké části zahrnující síť prostorově oddělených oblastí mozku, které jsou např. aktivní ve stejnou dobu. Pro definování lepší parcelace je tedy výhodné provést shlukovou analýzu také na prostorových souřadnicích každé z funkčních parcel. V naší studii jsme uvažovali trojrozměrné prostorové souřadnice (v prostoru MNI) voxelů tvořících každou z funkčních parcel. Tento shlukovací výpočet byl proveden pro sekvenční sadu k řešení shluků (od k=2 do 10), pro jeden pozemek najednou. Pokud jde o funkční shlukování, vyhodnotili jsme nejlepší řešení pro prostorové shlukování pomocí pravidla lokte a koeficientu siluety. Funkční shlukování k-means bylo dokončeno, jakmile byl tento postup proveden na všech funkčních parcelách, což naznačuje efektivní parcelaci pro experimentální úlohu založenou na funkčních i prostorových informacích (příklady jsou uvedeny na obr. S7, tabulkách S3 a S4 pro 0,1– 1 Hz a obr. S8, tabulky S5, S6 a S7 pro 2–8 Hz). Jako poslední krok byly časové řady mozkových voxelů patřících do každé parcely zprůměrovány dohromady, aby se získala konečná časová řada pro parcelu. Další informace o funkčním shlukování k-means jsou uvedeny v doplňkových materiálech.

Kontrasty v čase pro každý balík

Zde bylo funkční shlukování k-průměrů provedeno na hlavních účincích M a N na skupinové úrovni zprůměrovaných dohromady. Poté, abychom získali hlavní účinek M a N pro každou parcelu a účastníka, jsme zprůměrovali hlavní účinek M a N (z GLM) na první úrovni na mozkové voxely patřící ke každé z funkčních parcel. Výsledkem byla nová časová řada pro každého účastníka, funkční pozemek a experimentální stav (M a N). Takové časové řady byly podrobeny jednorozměrným kontrastům (M versus N; Obr. 2D, metody a Obr. S9 a S1 0, výsledky). Konkrétně jsme pro každou parcelu a časový bod vypočítali jeden dvouvýběrový t-test (práh P < 0,05), který kontrastoval s hlavním účinkem M versus N. Poté jsme provedli korekci na vícenásobná srovnání pomocí dvourozměrný přístup MCS s 1,000 permutacemi (MCS P < 0,001). Více podrobností o tomto široce používaném statistickém postupu lze nalézt v Bonetti et al. (2020), Bonetti, Brattico, Carlomagno a kol. (2021a), Bonetti, Bruzzone, Sedghi a kol. (2021b), Bonetti, Brattico, Vuust a kol. (2021c). Stejně jako u ostatních analýz byl takový provoz pozorován u dvou hlavních frekvenčních pásem zkoumaných ve studii (obr. 3 a tabulka S8).

Výsledek

Experimentální návrh a analýza MEG senzorů

Za prvé, po předběžném zpracování dat MEG (podrobnosti viz obr. 1A a B a Materiály a metody) jsme porovnali mozkovou aktivitu, která je základem rozpoznání M proti N, která byla zaznamenána senzory MEG. Tato procedura vrátila velký významný shluk (P < 0.001, velikost shluku k=2,117, střední hodnota=3,29, čas=0,547–1,180 s), ukazující silnější mozkovou aktivitu pro M oproti N. Navíc mozková aktivita zaznamenaná přes kanály MEG tvořící tak významný shluk načrtla časovou řadu, která představovala dvě hlavní frekvenční složky. Jak je znázorněno na obr. S2A, rychlejší frekvenční složka vrcholila po prezentaci každé z položek tvořících sekvenci, zatímco pomalejší frekvenční složka doprovázela celou sekvenci. Tento důkaz byl dále podpořen výpočtem komplexní Morletovy vlnkové transformace na evokovaných odezvách zaznamenaných všemi daty senzoru MEG, který zdůraznil hlavní příspěvek 1 a 4 Hz k signálu MEG zaznamenanému během úlohy (obr. S2B). Naše následující analýzy se tedy primárně zaměřily na dvě frekvenční pásma definovaná kolem 1 a 4 Hz, což byla 0,1–1 a 2–8 Hz. Důležité je, že jsme předpokládali, že frekvenční pásma 2–8 a 0,1–1 Hz indexují dva hlavní procesy zahrnuté v našem experimentálním úkolu: zpracování jednotlivých položek tvořících časovou sekvenci (i – lokální zpracování) a rozpoznání časové sekvence jako komplexní nadřazené objekt (ii – globální zpracování).

Zdroj rekonstruované mozkové aktivity a jednopoložková analýza

Porovnali jsme rekonstruovanou mozkovou aktivitu, která je základem sekvencí M versus N (podrobnosti viz Materiály a metody). Rozdílné výsledky se objevily pro dvě hlavní frekvenční pásma ({{0}}.1–1 a 2–8 Hz). Mozková aktivita pro 0.1–1 Hz byla silnější pro M oproti N, zejména během zpracování posledních tří položek sekvence. Jak je znázorněno na obr. 1D, obr. S3–S5, taková aktivita vymezila rozsáhlou mozkovou síť, která je základem globálního zpracování sekvence, zahrnující mozkové oblasti související s pamětí a hodnotícími procesy, jako je cingulární gyrus, hippocampus, insula, frontální operculum a inferior temporální kůra (MCS P < 0.001). Naopak mozková aktivita pro pásmo 2–8 Hz byla celkově silnější pro N oproti M a zahrnovala hlavně sluchové kůry (MCS P < 0,001). Statistiky špičkových významných mozkových voxelů pro frekvence 0,1–1 a 2–8 Hz jsou uvedeny v tabulce 1, zatímco rozsáhlé výsledky pro tři frekvenční pásma jsou popsány v tabulkách S1 a S2.

Kontrasty s funkčně odvozenými ROI

Abychom plně charakterizovali časoprostorový vývoj mozkové aktivity v čase, definovali jsme funkčně založenou parcelaci mozku pomocí k-means funkčního shlukování (podrobnosti viz Materiály a metody a Obr. 2 a Obr. S6), nezávisle pro {{3} }.1–1 a 2–8 Hz frekvenční pásma. Výsledkem byla nová časová řada pro každého účastníka, funkční pozemek a experimentální stav (M a N), které byly podrobeny jednorozměrným kontrastům (M versus N) (obr. 3) a korigovány pro vícenásobná srovnání pomocí MCS na bázi clusteru.

Podobně jako v naší předchozí analýze byla nejsilnější mozková aktivita v pomalejším pásmu detekována u M. Je pozoruhodné, že po rozšíření naší první analýzy tyto nové výsledky zvýraznily řadu sekvenčně aktivních mozkových parcel doprovázejících zpracování časové sekvence. Jak je znázorněno na obr. 3A, mozek vykazoval počáteční aktivitu v pravé sluchové kůře charakterizovanou mírně silnější silou pro M oproti N (obr. 3A, parcela 1: P < 0.0{ {10}}1, velikost clusteru k=39; střední t-hodnota=2,72; čas od začátku prvního objektu: 0–0. 25 s). Dále jsme pozorovali nervovou aktivitu v levé sluchové kůře, ale žádné významné rozdíly mezi experimentálními podmínkami (obr. 3A, parcela 2). Počínaje druhou a třetí položkou a vrcholící během páté položky časové sekvence jsme pozorovali výbuch aktivity v gyru cingulate, který byl silnější pro M oproti N (obr. 3A, parcela 3: P < {{34} }.001, k=92; t-hodnota=2,73; čas: 0,45–1,05 s). S mírným zpožděním se podobný profil objevil pro větší část mozku zahrnující inzulu, přední část dolní temporální kůry, hippocampus a frontální operculum. Opět byl M do značné míry silnější než N (obr. 3A, parcela 4: P < 0,001, k=77; t-hodnota=2,79; čas: 0,69– 1,19 s). Konečně, vrchol těsně před průměrnou reakční dobou pro kategorizaci vzoru účastníků, byla pozorována silnější aktivita v postcentrálním gyru a senzomotorické kůře pro M oproti N (obr. 3A, parcela 5, hlavní shluk: P < 0,001, k=142; t-hodnota=2,68; čas: 0,94–1,88 s).

Naopak analýza pro pásmo 2–8 Hz ukázala několik významných shluků silnější aktivity pro N oproti M kolem ostrých vrcholů časové řady. Je pozoruhodné, že ve srovnání s naší první analýzou pro 5 položek časové sekvence tento druhý postup jasně nastínil časový rozsah takového rozdílu, který odpovídal posledním třem tónům časové sekvence. Konkrétně takové rozdíly zahrnovaly právo (obr. 3B, parcela 1, hlavní shluk I: P < 0.001, k=11, t-hodnota {{ 9}},51; čas: 0,89–0,95 s; II: P < 0.001, k {{ 17}}; t-hodnota=2,22; čas: 1,21–1,28 s) a levé primární sluchové kůry (obr. 3B, parcela 2, hlavní shluk I: P < 0.{{46 }}01, k=12, t-hodnota=−3,70; čas: 0,74–{{6{{7{{ 76}}}}}},81 s; II: P < 0.001, k {{40}}; t-hodnota {{ 42}}.09; čas: 0,87–{{1{{105}}1}},95 s; III: P < {{113} }.001, k {{50}}; t-hodnota=2,90; čas: 0,64–0,69 s). Se sníženou silou byly podobné shluky aktivity pozorovány pro pravou stranu (obr. 3B, parcela 3, hlavní shluk I: P < 0,001, k=13, t-hodnota=3,08; čas : 1,19–1,27 s; II: P < 0,001, k=12; hodnota t=3,61; čas: 0,89–0,96 s) a levá sekundární sluchová kůra a hipokampální oblasti (obr. 3B, parcela 4, hlavní shluk I: P < 0,001, k=12, t-hodnota {{86}} −2,97; čas: 0,74–0,81 s; II: P < 0,001, k {{95 }}; t-hodnota=2,86; čas: 0,87–0,93 s) a cingulace (obr. 3B, parcela 5, hlavní shluk I: P < 0,001, k=10, t-hodnota { {109}},03; čas: 0,90–0,96 s; II: P < 0,001, k=9; t-hodnota=−2,29; čas: 0,79– 0,84 s). Další podrobnosti o těchto kontrastech jsou uvedeny v tabulkách S8 a rozsáhle znázorněny na Obr. S9 a S10.

Na závěr, obr. 4 kvalitativně ilustruje zajímavý jev. Zatímco „vlnková“ odezva na první zvuk vykazovala velmi podobnou aktivitu na primární (parcela i) a sekundární sluchové kůry, insula, hipokampální oblasti (parcel ii) a cingulát (parcel iii), vrcholy pro následující zvuky vykazovaly odlišnou aktivitu. trend, zejména v reakci na třetí a čtvrtou položku sekvence. V tomto případě se zdálo, že sekundární sluchové kůry, insula, hipokampální oblasti a cingulát vrcholí před primárním sluchovým kortexem. Na rozdíl od toho, co se může zdát zpočátku, to však nemusí znamenat rychlejší reakci v těchto oblastech. Když se například podíváme na vrcholy kolem 0,5 s (první červený čtverec na obr. 4), první vrchol (vyskytující se hlavně pro sekundární sluchové kůry, insulu, hipokampální oblasti a cingulát) by měl odpovídat do složky P300 na druhý zvuk vzoru, zatímco druhý vrchol (vyskytující se hlavně pro primární sluchovou kůru) může být P50 na třetí zvuk. K podobnému jevu došlo u následujících položek sekvence (jak je naznačeno ostatními červenými čtverečky).

To může naznačovat, že zatímco příspěvek primární sluchové kůry byl silnější u prvních složek (tj. P50 a N100), které indexovaly procesy nižší úrovně, pozdější složky, jako je P300, mohou být generovány hlavně oblastmi vyššího řádu, jako jsou sekundární sluchové mozkové kůry, insuly, hipokampální oblasti a cingulární kůry. V současném stavu jde pouze o kvalitativní pozorování, které si žádá budoucí studie zaměřené na specifické a kvantitativní zkoumání tohoto jevu.

Diskuse

Tato studie MEG využívající hudební sekvence odhalila duální simultánní zpracování v mozku spojené s rozpoznáváním sluchových časových sekvencí. Na jedné straně byla prezentace lokálních, jednotlivých položek tvořících sekvenci spojena s rychlým, oscilačním, lokálním zpracováním řízeným senzorickými kůrami. Toto zpracování bylo silnější pro rozpoznání zvuků tvořících román oproti zapamatovaným hudebním sekvencím. Na druhé straně bylo zpracování globální, celé časové sekvence spojeno se současným globálním pomalým zpracováním zahrnujícím rozsáhlou síť postupně aktivních oblastí mozku vysokého řádu. V tomto případě byla mozková aktivita do značné míry silnější pro zapamatované versus nové sekvence.

Toto duální simultánní zpracování bylo zvláště patrné v souladu s prezentací posledních tří tónů sekvence, což naznačuje, že mozek potřebuje alespoň dva nebo tři tóny k zahájení procesu rozpoznávání. Zde mozek rekrutoval rozsáhlou síť oblastí převážně souvisejících s pamětí, pozorností, konkurzem a rozhodováním. Takovými oblastmi mozku byly hippocampus (Knierim 2015), cingulární gyrus (Rolls 2019; Pando-Naude et al. 2021; Criscuolo et al. 2022), inferiorní temporální kortex (Conway 2018), frontální operculum (Indefrey et al.; Behro2 al. 2015), insula (Uddin 2015) a primární a sekundární sluchová kůra (Elhilali et al. 2004). Je pozoruhodné, že oba procesy (globální a lokální) zahrnovaly přibližně stejné oblasti mozku, ale závisely na různých frekvencích nervově evokovaných reakcí. Kromě toho se místní zpracování opíralo hlavně o senzorické kůry (např. sluchová kůra), zatímco globální zpracování představovalo širší nábor oblastí mozku vyššího řádu, jako je cingulát, dolní temporální kůra a hippocampus.

Překvapivě bylo rozpoznání sluchové časové sekvence spojeno s kaskádou postupně pomalejších událostí, které přepojovaly řetězec mozkových oblastí nízkého až vysokého řádu. Tento důkaz pozorovaný pro pásmo 0 0,1–1 Hz může naznačovat, že mozek sleduje a postupně vytváří smysluplné porozumění rozvíjející se časové sekvenci tím, že získává hierarchickou dráhu následně aktivních oblastí. Naopak aktivita v pásmu 2–8 Hz vykazovala komplementární profil, který mírně vrcholil po každé položce časové sekvence. Tyto důkazy naznačují, že zatímco pásmo 0 0,1–1 Hz se může podílet na dosažení komplexního pochopení celé sekvence (globální zpracování), pásmo 2–8 Hz se může rozpracovat nezávisle na jednotlivých položkách (lokální zpracovává se). Naše výsledky však nemohou přesvědčivě říci, zda takové pásy představovaly vnitřní mozkové mechanismy nebo byly jednoduše řízeny stimulem. K vyřešení této důležité otázky bude zapotřebí budoucí výzkum.

Hlavní novinka našich výsledků se týká rozdílné síly mozkového signálu pozorované pro dvě frekvenční pásma v našich experimentálních podmínkách (M a N). Ve skutečnosti, zatímco pásmo 0.1–1 Hz představovalo silnější výkon pro zapamatované sekvence, pásmo 2–8 Hz vykazovalo větší odezvu pro nové sekvence. Toto zjištění lze vidět ve světle teorie prediktivního kódování (Friston 2012; Vuust et al. 2012; Koelsch et al. 2019), která předpokládá, že mozek neustále aktualizuje vnitřní modely, aby předpovídal informace o životním prostředí. Zde, když mozek rozpoznává časové sekvence (např. kolem tónů číslo dva a tři z našich sekvencí), může formulovat lepší předpovědi nadcházejících, dříve zapamatovaných položek, které dokončují sekvence.

Takové položky by tedy vyžadovaly nižší místní zpracování, jak jsme experimentálně pozorovali. Je zajímavé, že i když byly neurální zdroje aktivity pásma 2–8 Hz lokalizovány hlavně v primární sluchové kůře, byly také umístěny v hipokampálních oblastech, sekundární sluchové kůře, inzule a cingulu. Jak již bylo zmíněno, tyto důkazy naznačují, že zhruba stejné oblasti mozku vytvořily dvě simultánní frekvenční pásma charakterizovaná velmi odlišným funkčním profilem, indexujícím místní a globální zpracování časové sekvence. Kromě toho, pokud jde o místní zpracování, naše výsledky ukazují, že zpracování každého zvuku dalo vzniknout vlnkové časové řadě se třemi hlavními vrcholy (složkami). Zde zpracování zvuků na nižší úrovni indexovaných prvními složkami (tj. P50 a N100 (Coles a Rugg 2008)) pocházelo převážně z primární sluchové kůry. Naopak pozdější komponenty jako P300 (Coles a Rugg 2008) byly generovány zejména oblastmi vyššího řádu, jako jsou sekundární sluchové kůry, insula, hipokampální oblasti a cingulát. Je pozoruhodné, že takový jev se stal zjevnějším po rozvinutí časové sekvence, což naznačuje, že progresivně jemnější zpracování jednotlivých položek může být nezbytné pro to, aby mozek pochopil význam celé časové sekvence.

Na druhou stranu několik předchozích studií popisovalo globální a lokální zpracování z hlediska různých lokalizací neurálního signálu (tj. primární senzorické kůry předcházely oblastem mozku vyššího řádu při zpracování příchozích podnětů (Qiu a Von Der Heydt 2005). V naší studii jsme ukázali, že stejné oblasti mozku provozovaly tyto 2 procesy (globální a lokální) současně, za použití dvou souběžných frekvenčních pásem, což možná naznačuje komplexní multiplexování. Tyto výsledky jsou v souladu s předchozím výzkumem, který ukázal souběžné mozkové procesy stejné položky ve sluchové percepci a porozumění jazyku (Giraud a Poeppel 2012).

Navíc některé z předchozích studií, které zkoumaly sluchové zpracování a paměť pro zvukové informace, uváděly pomalé vyvolané reakce podobné našemu pomalému globálnímu zpracování. Například Picton (1978) poskytl důkazy o sluchovém trvalém elektrickém potenciálu v lidském mozku v reakci na zvuky. Nedávno Bidet-Caulet et al. (2007) pomocí intrakraniálního EEG prokázali, že selektivní pozornost ke zvukovým informacím byla spojena s trvalými evokovanými reakcemi v sekundárních sluchových oblastech mozku. Podobně Grimault a kol. (2014), studující krátkodobou sluchovou paměť, uvedli trvalou mozkovou aktivitu ve frontální, temporální a parietální oblasti, když bylo v paměti uloženo několik sluchových položek. V souladu s těmito zjištěními Albouy a kolegové vykazovali pomalé evokované reakce, když byli účastníci požádáni, aby provedli úkoly se sluchovou pracovní pamětí.

Uváděli pomalé, trvalé mozkové reakce, zejména pokud jde o zadržování a manipulaci se sluchovými podněty (Albouy et al. 2013, 2017).

Naše zjištění konečně souvisela a rozšířila koncepty známé dvouproudové hypotézy mozku (Goodale a Milner 1992; Whitwell et al. 2014). Taková konceptualizace navrhla 2 hlavní cesty pro zpracování vizuální a sluchové informace vysokého řádu. Na jedné straně ventrální proud vede ze senzorických oblastí (např. zrakové a sluchové kůry) do mediálního temporálního laloku, přičemž zpracovává rysy spojené především s rozpoznáváním objektů (Goodale a Milner 1992; Weiller et al. 2021). Na druhé straně dorzální proud přináší informace ze smyslových kůr do parietálního laloku a rozpracovává prostorové rysy podnětů (Arbib 2017).

V souladu s touto hypotézou naše výsledky zdůraznily několik oblastí mozku ventrálního proudu, které se podílejí na procesech rozpoznávání, jako jsou hipokampální oblasti, frontální operculum a inferiorní temporální kortex. Je však pozoruhodné, že naše výsledky dále rozšířily předchozí znalosti o hypotéze dvou proudů tím, že poskytly alespoň tři zásadní, přesvědčivé poznámky. (i) Mozkové rozpoznávání časových sekvencí představovalo jedinečné prostorově-časové rysy, které nebyly sdíleny s identifikací jednotlivých položek nebo synchronních vzorců. (ii) Kromě oblastí mozku zapojených do hypotézy dvou proudů naše zjištění ukázala privilegovanou roli cingulárního gyru pro dosažení sluchového rozpoznání časové sekvence. (iii) Konečně rozpoznávání sekvencí rozvíjejících se v čase zahrnovalo duální simultánní zpracování stejných položek, které mozek interpretoval současně jako jednotlivé informace (lokální zpracování) a elementární části většího celku (globální zpracování). Naše studie zejména ukázala, že místní zpracování bylo vysoce relevantní pro nové sluchové informace, zatímco dříve zapamatované hudební sekvence byly rozpoznány díky silnému zapojení globálního zpracování mozku.

Budoucí výzkum je povolán k dalšímu zkoumání tohoto tématu studiem mozkových mechanismů, které jsou základem rozpoznávání nehudebních časových sekvencí (např. sekvence čísel, slov a vizuálních prvků). Kromě toho, na základě dobře známých rozdílů v kognitivních schopnostech mezi různými kategoriemi lidí (např. starší versus mladší dospělí (Fernàndez-Rubio, Brattico, et al. 2022a; Fernàndez-Rubio, Olsen, et al. 2022c), hudebníci versus nehudebníci (Criscuolo et al. 2019; Bonetti, Brattico, Vuust, et al. 2021c) a zdraví jedinci versus pacienti (Valenzuela a Sachdev 2006), budoucí studie by měly prozkoumat dopad věku a klinických stavů na mozkové mechanismy základní rozpoznávání časových sekvencí.

Autorské příspěvky

Konceptualizace: LB, EB, MLK, PV; Metodika: LB, MLK, DP, GDE; Software: LB; Analýza: LB; Vyšetřování: LB, GDO; Zdroje: MLK, PV, EB, LB; Správa dat: LB; Psaní – původní návrh: LB; Psaní – kontrola a úpravy: LB, SEPB, EB, DP, GDE, GDO, PV; Vizualizace: LB, SEPB; Dohled: MLK, PV, DP, EB; Administrace projektu: LB, MLK, PV, EB; Akvizice financování: LB, PV, MLK.

Poděkování

Děkujeme Riccardo Proietti, Giulio Carraturo, Mick Holt a Holger Friis za jejich pomoc při neurovědeckém experimentu. Děkujeme také psycholožce Tině Birgitte Wisbech Carstensen za pomoc s administrací psychologických testů a dotazníků a Francescu Carlomagno za pomoc s vystavenými předměty v novinách.

Doplňkový materiál
Doplňkový materiál je k dispozici online na Cerebral Cortex.

Financování

Centrum pro hudbu v mozku (MIB) je financováno Dánskou národní výzkumnou nadací (číslo projektu DNRF117).

LB je podporována Carlsberg Foundation (CF20-0239), Lundbeck Foundation (Talent Prize 2022), Centrem pro hudbu v mozku, Linacre College of Oxford a Society for Education and Music Psychology (50. výročí SEMPRE Program ocenění).

MLK je podporováno Centrem pro hudbu v mozku a Centrem pro Eudaimonii a lidský rozkvět financované nadací Pettit a Carlsberg Foundation.

GD je podporován španělským výzkumným projektem PSI2016- 75688-P (AEI/FEDER, EU), výzkumným a inovačním programem Evropské unie Horizont 2020 na základě grantové smlouvy č. 720270 (HBP SGA1) a č. 785907 (HBP SGA2) a katalánským programem AGAUR 2017 SGR 1545.

Dále děkujeme Boloňské univerzitě za ekonomickou podporu autorce Giulii Donati a asistentům studentů Riccardo Proietti a Giulio Carraturo a italské sekci Mensa: The International High IQ Society za ekonomickou podporu poskytnutou Francescu Carlomagno.

Reference

Al-Zoubi MB, Al RM. Efektivní přístup pro výpočet koeficientů siluety. J Comput Sci. 2008: 4 (3): 252–255.

2.Albouy P, Mattout J, Bouet R, Maby E, Sanchez G, Aguera PE, Daligault S, Delpuech C, Bertrand O, Caclin A et al. Zhoršené vnímání výšky tónu a paměť při vrozené amusii: deficit začíná ve sluchové kůře. Mozek. 2013:136(5):1639–1661.

3.Albouy P,Weiss A, Baillet S, Zatorre RJ. Selektivní strhávání theta oscilací v dorzálním proudu kauzálně zvyšuje výkon sluchové pracovní paměti. Neuron. 2017:94(1):193–206.

4. Arbib MA. Dorsální a ventr1982al proudy ve vývoji mozku připraveného na jazyk: propojení jazyka se světem. J Neurolingvistika. 2017:43:228–253.

5. Behroozmand R, Shebek R, Hansen DR, Oya H, Robin DA, Howard MA, Greenlee JDW. Senzoricko-motorické sítě zapojené do produkce řeči a motorického řízení: studie fMRI. NeuroImage. 2015:109: 418–428.

6. Berdyyeva TK, Olson ČR. Seřaďte signály ve čtyřech oblastech frontální kůry makaka během výběru akcí a objektů v sériovém pořadí. J Neurophysiol. 2010:104(1):141–159.

7. Bidet-Caulet A, Fischer C, Besle J, Aguera PE, Giard MH, Bertrand, O. Účinky selektivní pozornosti na elektrofyziologickou reprezentaci souběžných zvuků v lidském sluchovém kortexu. J Neurosci. 2007:27(35):9252–9261.

8.Bonetti L, Brattico E, Carlomagno F, Cabral J, Stevner A, Deco G, Whybrow PC, Pearce M, Pantazis D, Kringelbach ML. Časoprostorová dynamika mozku při rozpoznávání hudby Johanna Sebastiana Bacha. bioRxiv. 2020:27,35:9252–9261.

9.Bonetti L, Brattico E, Carlomagno F, Donati G, Cabral J, Haumann NT, Deco G, Vuust P, Kringelbach ML. Rychlé kódování hudebních tónů objevené v propojení celého mozku. NeuroImage. 2021a:245:118735.

10. Bonetti L, Brattico E, Vuust P, Kliuchko M, Saarikallio S. Inteligence a hudba: nižší inteligenční kvocient je spojen s vyšším využíváním hudby pro prožívání silných vjemů. Empir Stud Arts. 2021c:39(2):194–215.

For more information:1950477648nn@gmail.com