Zkoumání toku informací z posteromediálního kortexu během vizuoprostorové pracovní paměti: Magnetoencefalografická studie, část 3

Nakonec jsme vzali průměrný tok informací mezi každou dvojicí oblastí zájmu ve třech funkčně relevantních epochách, odpovídajících fázím úkolu kódování, údržby a vyhledávání, a zeptali jsme se, zda variabilita toku informací mezi subjekty koreluje s variabilitou výkonu úkolu.

V moderní společnosti je množství informací, které dostáváme, bezprecedentně obrovské. Každý den jsme obklopeni obrovským množstvím informací, od zpráv, které dostáváme na naše mobilní telefony, až po zprávy a reklamy, které vidíme na sociálních sítích. většinu našeho času a pozornosti. V tomto případě se snadno můžeme cítit unavení, ale průměrný tok informací nám může pomoci zlepšit paměť.

Za prvé, větší tok informací nám umožňuje lépe cvičit naše mozky. Když i nadále přijímáme nové informace a znalosti, náš mozek potřebuje tyto informace neustále zpracovávat a ukládat, a tím zvyšuje zátěž mozku. Tato práce je cvičením pro mozkové funkce, které nám může pomoci zlepšit naši schopnost myslet a analyzovat, lépe se vypořádat se složitými situacemi. Stejně jako tělo potřebuje cvičení, aby zůstalo zdravé, mozek potřebuje neustálé výzvy ke zlepšení svých schopností.

Za druhé, větší tok informací nám může pomoci rozšířit naše obzory. Pokud přijmeme pouze omezené informace, bude naše vize omezena na malou oblast. A když získáme více informací, můžeme se dozvědět o širším spektru témat a věcí. To nám může pomoci vidět svět úplněji a zlepšit náš náhled a úsudek. To nám pomáhá lépe porozumět různým kulturám a perspektivám, a tak se lépe přizpůsobit a začlenit se do komplexního sociálního prostředí.

A konečně, průměrný tok informací může také stimulovat naši zvědavost. Jak stále dostáváme nové informace, zjišťujeme, že nás zajímají další témata a oblasti. To může stimulovat naši zvědavost a touhu po vědění, a tím nás motivovat k prozkoumávání dalších znalostí. Je vidět, že průměrný tok informací může také zvýšit naši sebekontrolu a nadšení.

Stručně řečeno, průměrný tok informací nám může pomoci zlepšit mozkové funkce, rozšířit naše obzory a podnítit naši zvědavost. Když budeme mít lepší vzpomínky, snáze se naučíme nové znalosti a dovednosti a lépe se vypořádáme se složitými výzvami. Proto bychom měli aktivně přijímat více informací a dělat ze sebe chytřejšího a všestrannějšího člověka. Je vidět, že potřebujeme zlepšit paměť a Cistanche deserticola může výrazně zlepšit paměť, protože Cistanche deserticola je tradiční čínský léčivý materiál, který má mnoho jedinečných účinků, jedním z nich je zlepšení paměti. Účinnost mletého masa vychází z různých účinných látek, které obsahuje, včetně kyselin, polysacharidů, flavonoidů atd. Tyto složky mohou různými způsoby podporovat zdraví mozku.

Klikněte na možnost poznat způsoby, jak zlepšit svou paměť

Epocha „kódování“ zahrnovala prvních 180 ms po nástupu každého ze čtyř kódovacích stimulů a „udržovací“ epocha zahrnovala udržovací období od 180 ms po začátku čtvrtého kódujícího stimulu do nejčasnějšího nástupu stimulu vyhledávání, a epocha „vyvolání“ odpovídala nástupu stimulu vyhledávání až do konce pokusu.

U účastníka s nejkratší dobou trvání stimulu kódování (180 ms) tyto tři epochy pokryly prvních 3440 ms od začátku pokusu; zatímco pro účastníka s nejdelším trváním kódovacího stimulu (320 ms) skončila poslední epocha na 4000 ms.

Mezi účastníky byl střední reakční čas 1,99 s po začátku stimulu vyhledávání (spodní až horní kvartily: 1,69–2,27 s), což znamená, že epocha „vyhledávání“ pokryla přibližně dobu do odpovědi účastníka.

V každé z těchto epoch jsme pro každou dvojici ROI zprůměrovali data z časových bodů, pro které existovaly alespoň střední důkazy toku informací (tj. BF . 3, q, 0.05) alespoň v jednom směru mezi dvojice ROI. Vyloučili jsme data ze zbývajících časových bodů, abychom minimalizovali příspěvek dat z dob, kdy byl slabý nebo žádný důkaz o toku informací mezi ROI.

V každém případě uvádíme průměrný rozdíl v toku informací (DiffA.B) a lineární (Pearsonovu) korelaci (r) mezi průměrným chováním účastníků během relace MEG a průměrným rozdílem v toku informací DiffA.B během příslušnou epochu. Tuto analýzu (průměrný rozdíl DiffA.B a jeho korelaci s chováním) jsme zopakovali pro každý z 10,000 vzorků dat bootstrappednull, což vedlo k distribuci 10,000 hodnot null a r.

Pokud jde o další výsledky, uvádíme středních 95 % těchto nulových hodnot a toto nulové rozdělení jsme použili k definování hodnot p, v tomto případě jsme p-hodnotu definovali jako podíl nulových průměrů nebo hodnot r s vyšší absolutní hodnotou, než je pozorovaná Nakonec jsme na tyto hodnoty p použili korekci FDR, abychom opravili více srovnání napříč epochami a vypočítali BF pro každý průměr a korelaci.

Dostupnost dat. Data z experimentů MEG jsou volně dostupná online z Open Science Framework (https://doi.org/10.17605/OSF.IO/MW3J2). Toto online úložiště obsahuje neidentifikovaná nezpracovaná data z experimentů MEG, podrobnosti o načasování stimulů pro každého účastníka a kód MATLAB používaný k provádění zde uvedených analýz.

Výsledek

Klasifikační analýzy

Použili jsme řadu klasifikačních analýz k testování časů, ve kterých signály MEG v OC, VTC, PMC a PFC obsahovaly informace o umístění a obrazu každého stimulu během výkonu vizuoprostorové pracovní paměti.

Dekódování umístění v každém stimulu je znázorněno na obrázku 3 a dekódování obrazu v každém místě je znázorněno na obrázku 4. Dekódování umístění stimulu bylo vyšší než dekódování identity stimulu; ale pro dekódování umístění i identity existoval důkaz období nadnáhodného dekódování každého podnětu ve všech ROI.

Pro dekódování umístění stimulu jsme našli období dekódování polohy a identity s vyšší pravděpodobností pro každý ze čtyř kódovacích stimulů a také stimulu vyhledávání na základě signálů z OC, VTC, PMC nebo PFC [q, 0.05 s korekcí FDR pomocí vícenásobných srovnání napříč časovými zásobníky, včetně středních (BF . 3) a silných (BF . 10) efektů]. Pro dekódování identity obrazu stimulu (obr. 4) jsme zjistili celkově slabší výkon klasifikátoru, s poměrem správným o řád nižší než pro umístění dekódování. Navzdory nižší celkové přesnosti statistické analýzy ukázaly, že dekódování každé identity stimulu bylo v některých časových bodech ve všech ROI výrazně nad šancí.

Ve všech oblastech zájmu sledovalo dekódování umístění a identity stimulu v průběhu času podobný vývoj, s počátečním vrcholem a poté poklesem, což je konzistentní se signály primárně řízenými vizuální odezvou na stimul. Očekávali jsme, že informace o stimulu v OC budou předcházet informacím v jiných ROI, ale časné vrcholy v dekódování v OC, VTC a PMC nastaly přibližně ve stejnou dobu. To naznačuje, že mezi ROI v naší zdrojové lokalizaci může docházet k určitému „úniku signálu“ (k této otázce se vrátíme, když zvažujeme výsledky IFA níže). Nicméně rozdíly mezi ROI naznačují, že tyto analýzy zachytily také signály, které se napříč ROI nepřekrývají. . Například pro dekódování umístění stimulu se relativní přesnost při;100 ms versus;300 ms po začátku relevantního stimulu v různých oblastech zájmu liší.

Na obrázcích 3A–D a 4A–D bývá během zpracování vyhledávacího podnětu krátká perioda dekódování nad náhodou. To může odrážet určitý nervový proces, který porovnává vyvolávací stimul se zapamatovanými polohami a identitami, zejména tam, kde přetrvává později (např. 300 ms) po začátku vyhledávacího stimulu.

Nemůžeme však vyloučit, že dekódování v těchto časech by mohlo být řízeno neurální odezvou na vyhledávací podnět, pokud existuje mírná nerovnováha ve vyvažování pokusů. Například krátká období dekódování nad šancí před nástupem příslušného stimulu (např. přibližně v době prvního kódovacího stimulu na obr. 3B–E a 4B–E) zjevně nemohou být řízeny reakcí na dekódovaný stimul.

To mohlo vzniknout, protože každý pokus byl definován tak, aby zahrnoval čtyři různá umístění a čtyři různé identity během kódování; takže například dekódování místa 1 versus místo 3 pro kódování stimulu 2 je ekvivalentní dekódování „není místo 1“ versus „není místo 3“ pro jiné kódovací podněty. Ať tak či onak, naše výsledky naznačují, že signály založené na zapamatovaných stimulačních umístěních nebo identitách byly velmi slabé ve srovnání s robustními signály zahrnujícími vizuálně řízenou reakci.

LI

Dále jsme zvažovali Grangerovo-kauzální interakce mezi každým párem ROI pomocí IFA. I když je výkon klasifikátoru nízký, celkově mohou existovat malé, skutečné signály, které způsobují rozdíly ve vzoru výkonu klasifikátoru napříč mnoha různými párovými klasifikacemi pro každou časovou přihrádku. Abychom však zajistili, že naše měření toku informací nebudou řízena žádnými rušivými efekty, provedli jsme tuto analýzu pomocí klasifikací pouze nejnovějších podnětů pro každou zkušební epochu (viz Materiály a Metody).

IFA specificky testuje rozdíly mezi ROI a časovou strukturou těchto rozdílů, takže je potenciálně citlivější než průměrný výkon klasifikátoru pro detekci rozdílů mezi ROI. Výsledky našich IFA mezi PMC a všemi ostatními ROI jsou znázorněny na obrázku 5, přičemž interakce mezi zbývajícími ROI jsou znázorněny na obrázku 6.

Hodnoty IFA odhalily období významných Grangerových kauzálních interakcí mezi každým párem ROI [q, 0,05, s korekcí FDR, včetně časů středních (BF . 3) a silných (BF . 10) účinků] napříč všemi zkušební fáze (kódování, údržba a vyhledávání).

Informační toky (nejvyšší grafy v každém případě na obr. 5 a 6) byly nejsilnější v každém směru v blízkosti období vyššího výkonu klasifikátoru; ale v rámci každého páru ROI se relativní síla každé ROI při ovlivňování druhé v průběhu času měnila, jak se odráží v grafech rozdílů. Když byla OC spárována s jakoukoli jinou ROI, informační tok z OC měl tendenci být vyšší než tok informací do OC bezprostředně po každém začátku stimulu, což je v souladu s reakcí řízenou stimulem.

To bylo zvláště výrazné pro epochu kódování, kde se průměrný rozdíl v toku informací mezi OC a jakoukoli jinou ROI (prům. rozdíl DiffOC. ) měnil od {{0}}.094 až 0. 127 a BF indikoval řadu silných účinků ve prospěch většího toku informací z OC do druhé oblasti (q, 0,05, BF . 10 v každém případě). Rovněž byl zaznamenán mírný účinek toku informací z OC do PMC překračujícího opačný směr během údržby (prům. DiffOC.PMC=0,042, q, 0,05, BF=3,19).

Zajímalo nás zejména, zda existují důkazy o toku informací z PMC utvářejících odezvy v jiných oblastech. Nejsilnější důkazy pro to byly mezi PMC a PFC. Průměrný tok informací z PMC do PFC měl tendenci překračovat opačný směr ve všech epochách se silným účinkem během kódování (prům. DiffPMC.PFC {{0}}.056, q, 0.05, BF=18.70) a střední účinek během údržby (prům. DiffPMC.PFC=0.025,q, 0.05, BF=7.33), ale toto vychýlení nedosáhlo významnosti během vyhledávání (prům. DiffPMC.PFC=0. 014, q 0,05, BF=0,77). Časové průběhy na obrázku 5C ukazují, že ve všech zkušebních epochách byl tok informací z PMC do PFC nejsilnější v době časné, stimulem řízené reakce na každý stimul. S OC PMC prokázalo větší tok informací v pozdější části epochy vyhledávání (obr. 5A). V průměru za epochu vyhledávání byl tento rozdíl vychýlen směrem k PMC drivingOC, ale to byl malý efekt (prům. DiffPMC.PFC=0,029, q, 0,05,BF=1,59).

U zbývajících párů ROI byly jediné případy se středním nebo větším účinkem (BF . 3) mezi VT a PFC (obr. 6C) během kódování (prům. DiffVT.PFC=0.057, q , 0.05, BF=4.00) a načítání (prům. DiffVT.PFC=0.040, q, 0.05, BF=57.79) . Pokud jde o OC, doby, kdy VT dominovala informačnímu toku s PFC, byly v souladu s časnou reakcí řízenou stimulem (např. porovnejte doby dominance VT na obr. 6C a OC na obr. 6B). Celkově bylo málo důkazů o tom, že by PFC dominovalo toku informací do jiných oblastí.

Nakonec jsme pro každou zkušební epochu korelovali průměrný tok informací mezi každou dvojicí ROI s přesností chování mezi účastníky. Žádná z těchto korelací nedosáhla statistické významnosti po korekci pro vícenásobná srovnání a nokorelace dosáhla úrovně středního účinku (BF . 3). To naznačuje, že naše relativně malá velikost vzorku byla nedostatečná k detekci jakékoli prediktivní schopnosti toku informací pro výkon úlohy. Domníváme se však, že takové korelace by mohly být plodným směrem pro budoucí výzkum využívající tyto metody, takže tyto předběžné výsledky zahrneme jako referenci pro budoucí práci.

Diskuse

Navzdory prokázané důležitosti PMC při získávání paměti zůstal kauzální vliv PMC na jiné oblasti nejasný. Konkrétně nebyl testován směr a obsah výměny informací mezi PMC a jinými oblastmi mozku během paměťových procesů. Zde jsme použili MEGrecordings z MRI definovaných ROI k vyhodnocení toku informací mezi PMC a jinými regiony během úkolu s vizuoprostorovou pracovní pamětí. Výsledky naznačují, že reprezentace objektů PMC ukazují Grangerův kauzální vliv na stimulační informace v jiných regionech, zejména v jeho vlivu na PFC ve všech fázích úkolů. Objevil se také návrh, že PMC tvaruje odezvy v OC během vyhledávání.

PMC tvaruje reprezentace stimulu v prefrontálních oblastech

Naše nejpozoruhodnější zjištění se týká vlivu PMC na zapamatovanou stimulační informaci v PFC. Ve všech fázích úkolu měl tok informací z PMC do PFC tendenci být dominantnější než opačný směr. Vzhledem k tomu, že naše měření toku informací je založeno spíše na výkonu klasifikace než na amplitudě odezvy, toto zjištění naznačuje, že informace související se stimulem v PMC předpovídaly reprezentaci stimulu, která se měla objevit v PFC. Nejvíce se to projevilo ve fázích kódování a údržby; bylo však také zjištěno, že PMC utvářel odezvy v PFC během fáze vyhledávání. Skutečnost, že k tomuto efektu došlo krátce po sadě podnětu pro vyhledávání, rezonuje s tím, že PMC předává informace, na kterých je rozhodnutí účastníka založeno, do PFC, aby podpořilo úspěšné stažení.

Prefrontální oblasti se spolehlivě podílejí na kontrole pozornosti a flexibilním kódování informací relevantních pro úkol (Duncan, 2010; Freedman a Assad, 2016). Vzorce anatomické konektivity mezi hippocampusem a frontálními zrakově-okulomotorickými systémy (tj. dorzolaterální PFC a frontální oční pole) (Shen et al., 2016) naznačují, že frontální oblasti jsou zvláště dobře situovány pro integraci informací z vizuální paměti pro vedení chování (Contiand Irish, 2021 ). Frontoparietální oblasti zapojené do kontroly pozornosti jsou také zapojeny do pracovní paměti, zejména během období kódování a údržby (Gazzaley a Nobre, 2012). Navíc je známo, že prefrontální oblasti řídí změny ve zrakové kůře; například mikrostimulace frontálních očních polí vyvolává změny ve zrakové kůře konzistentní s přesuny pozornosti (Moore et al., 2003; Premereuret al., 2013).

Naše výsledky naznačují, že PMC tvaruje prefrontální reprezentace zapamatovaných vizuoprostorových informací během plnění úkolu a včetně začátku období vyhledávání. Předchozí práce fMRI prokázala zvýšenou frontoparietální aktivaci během kódování a údržby, ať už bylo vyhledávání vyžadováno nebo ne, zatímco zadní cingulární kůra vykazovala vzorce odezvy konzistentní s roli při vyhledávání (Rahm et al., 2014). Funkční konektivita mezi PMC a prefrontálními oblastmi, jako je ventromediální PFC, dále podporuje důležitost frontoparietálního propojení během epizodického vyhledávání (přehled viz Andrews-Hanna, 2012; Ritchey a Cooper, 2020). Naše zjištění rozšiřují předchozí práci tím, že naznačují, že tento pozorovaný model konektivity zahrnuje PMC ovlivňující informace relevantní pro úkol v prefrontálních sítích.

Jako u každé korelace mohou naše dílčí korelace v IFA odrážet asociace s jinou (netestovanou) oblastí. Další možností je, že naše ROI nebyly během rekonstrukce zdroje plně izolovány a zahrnovaly signály z blízkých regionů. Pokud by signály PMC byly přítomny v PFC ROI nebo naopak, zvýšilo by to sdílený rozptyl mezi ROI. Sdílený rozptyl by mohl snížit rozsah, v jakém signály v jedné ROI přispívají k informacím výše, které jsou již přítomny v druhé ROI, což by mohlo snížit naměřené informace. tok.

PMC ovlivňuje časnou senzorickou kůru během vyhledávání

Naše výsledky dále naznačují, že během vyhledávání PMC tvarové odpovědi v senzorické kůře. Ve všech fázích úkolu a u každého párování ROI měl OC tendenci dominovat toku informací a ovlivňovat ostatní regiony více, než bylo ovlivněno těmito oblastmi, což je v souladu s vizuální povahou úkolu. Nicméně dominance OC v našich měřeních toku informací mohla být zesílena obecně pozorovaným přechodným klasifikátorem. Napříč všemi ROI bylo dekódování s vyšší pravděpodobností omezeno na krátké epochy po prezentacích stimulů, což naznačuje, že jakákoli neurální reprezentace udržovaných informací měla minimální příspěvek k výkonu klasifikátoru. Pozoruhodně jsme našli určité důkazy významného toku informací z PMC do OC v posledně jmenovaném část období načítání (BF=1.59). Zda je tento tok informací funkčně relevantní, zůstává nejasné. Jakýkoli funkční vliv PMC na OC musí být zprostředkován nepřímými vazbami, protože neexistují žádné přímé projekce mezi PMC a primárními senzomotorickými oblastmi (Parvizi et al., 2006; Leech a Smallwood, 2019). mediální temporální dráhu, o které se předpokládá, že přispívá k visuoprostorovému zpracování (Kravitz et al., 2011).

Důsledky pro pochopení funkce PMC

Celkově naše výsledky naznačují, že PMC má specifickou roli při předávání informací souvisejících se stimuly do jiných regionů. To pak vyvolává otázku, co přesně PMC dělá. Zatímco naše výsledky naznačují směrovost vlivu PMC na jiné oblasti mozku, přesná funkce PMC v tomto kontextu zůstává nejasná. PMC představuje jeden z hlavních uzlů sítě výchozího režimu mozku, definovaného profilem odezvy „negativní na úkol“ (Buckner et al., 2005). Zde však ukazujeme, že PMC nevykazuje jednoduchý úkol-negativní příspěvek k visuoprostorové paměti. Zapojení PMC během kódování a údržby je spojeno s horším výkonem úkolu (Piccoliet al., 2015; Santangelo a Bordier, 2019), přesto „překlopení kódování/vyhledávání“ PMC naznačuje, že zvýšená aktivita během vyhledávání je spojena s lepším vybavováním (Daselaar et al., 2004, 2009). Zatímco samotná aktivita může odrážet obsahově nespecifické příspěvky, naše měření reprezentací stimulů pomocí výkonu klasifikátoru naznačují, že PMC aktivně tvaruje reprezentace informací souvisejících se stimulem v jiných oblastech během plnění úkolu. V souladu s tím se PMC nezabývá zpracováním čistě externích senzorických stimulů. ale aktivně se podílí na reprezentaci interního obsahu, včetně zapamatovaných informací (Leech a Smallwood, 2019). Naše studie však nebyla dostatečně silná, aby nastínila, jak tok informací mezi PMC a dalšími oblastmi mozku predikuje přesnost chování, a domníváme se, že to bude kritická cesta k prozkoumání v budoucí práci.

Budoucí pokyny

Jako první studie, pokud je nám známo, prozkoumala výměnu informací souvisejících se stimuly mezi PMC a jinými regiony, naše studie nabízí několik směrů pro budoucí výzkum. Zatímco jsme se zde zaměřili na čtyři a priori ROI a použili relativně malou velikost vzorku, bude důležité komplexně zmapovat tok informací mezi PMC a jinými oblastmi mozku během visuoprostorové paměti s většími kohortami účastníků. Časově rozlišené metody, jako je MEG/EEG , by také mohly být doplněny zobrazovacími metodami, jako je fMRI, pro testování jemnějších parcelací v těchto oblastech.

Měli jsme nízké celkové dekódování během údržby, a tak omezenou schopnost detekovat tok informací během této fáze úkolu. Zvolili jsme vizuálně podobné podněty, abychom zvýšili obtížnost úkolu a snížili verbální označování. To však mohlo snížit výkon klasifikátoru pro identitu úlohy. Dekódování bylo vyšší pro umístění stimulu, kde by retinotopická organizace vizuálních kortikálních oblastí přinesla větší rozdíly v odezvách v prostorovém měřítku, ale i v místech, mimo odezvu vyvolanou stimulem, jsme našli jen málo důkazů o dekódování na základě zapamatovaných hodnot. Naopak při dekódování EEG signálů během jednoduššího úkolu vizuální paměti Bocincova a Johnson (2019) uvádějí dekódování podnětů s vyšší pravděpodobností během období zpoždění, i když slabší než během kódování. I když se tedy zdá, že k izolaci specifické role PMC je nezbytná vysoká obtížnost úkolu (Kochanet al., 2011; Leech et al., 2011; Vannini et al., 2011), méně náročný úkol může přinést lepší výkon klasifikátoru a lépe detekovat informační toky. ve všech fázích úkolu.

Snahy o vymezení funkční relevance podoblastí PMC mohou také nabídnout zásadní vhled do časné a přesné diagnózy Alzheimerovy choroby (Buckner et al., 2005; Xia et al., 2014; Wu et al., 2016; Khan et al., 2020 ). Nové důkazy naznačují, že zdraví mladí dospělí nesoucí alelu APOE-«4 vykazují neefektivitu modulující aktivitu PMC během pracovní paměti a vnímání scény (nikoli obličeje a objektu) (např. Shineet al., 2015), zatímco funkční deaktivaci PMC během visuoprostorové pracovní paměti. výkonnost je prediktivní pro následný kognitivní pokles u starších dospělých s mírnou kognitivní poruchou (Kochan et al., 2011).

Vzhledem k tomu, že visuoprostorová dysfunkce kvůli dysfunkci PMC byla navržena jako časný předzvěst Alzheimerovy choroby (Pihlajamäki et al., 2010; Irish et al., 2012; Salimi et al., 2018), budoucí studie zkoumající funkční změny v PMC mohou zlepšit včasná identifikace jedinců ohrožených demencí.

Reference

Andrews-Hanna JR (2012) Výchozí síť mozku a její adaptivní role ve vnitřní mentaci. Neurovědec 18:251–270.

Benjamini Y, Hochberg Y (1995) Řízení míry falešných objevů: praktický a účinný přístup k vícenásobnému testování. JR Stat Soc Ser BMethodol 57:289–300.

Bird CM, Keidel JL, Ing LP, Horner AJ, Burgess N (2015) Konsolidace komplexních událostí prostřednictvím obnovení v zadní cingulární kůře. J Neurosci35:14426–14434.

Bocincova A, Johnson JS (2019) Časový průběh kódování a údržby funkcí souvisejících s úlohou versus irelevantní objekty v pracovní paměti. Cortex111:196–209.

Brainard DH (1997) The Psychophysics Toolbox. Spat Vis 10:433–436.

Buckner RL, Snyder AZ, Shannon BJ, LaRossa G, Sachs R, Fotenos AF, Sheline YI, Klunk WE, Mathis CA, Morris JC, Mintun MA (2005) Molekulární, strukturální a funkční charakterizace Alzheimerovy choroby: důkazy vztahu mezi výchozí aktivitou, amyloidem a pamětí. J Neurosci 25:7709–7717.

Bzdok D, Heeger A, Langner R, Laird AR, Fox PT, Palomero-Gallagher N, Vogt BA, Zilles K, Eickhoff SB (2015) Subspecializace v lidské zadní mediální kůře. Neuroobraz 106:55–71.

Canolty RT, Edwards E, Dalal SS, Soltani M, Nagarajan SS, Kirsch HE, Berger MS, Barbaro NM, Knight RT (2006) Vysoký výkon gama je fázově vázán na oscilace theta v lidském neokortexu. Science 313:1626–1628.

Conti F, Irish M (2021) Využití vizuálních představ a okulomotorického chování k pochopení prospekce. Trends Cogn Sci 25:272–283.

Cooper RA, Ritchey M (2019) Kortiko-hippokampální síťová připojení podporují multidimenzionální kvalitu epizodické paměti. Elife 8:e45591.

Dale AM, Fischl B, Sereno MI (1999) Kortikální povrchová analýza: I. Segmentace a rekonstrukce povrchu. Neuroimage 9: 179–194.

Daselaar SM, Prince SE, Cabeza R (2004) Když méně znamená více: deaktivace během kódování, které předpovídají následnou paměť. Neuroimage23:921–927.

For more information:1950477648nn@gmail.com