Oldin o'rganilgan va yangi vaqtinchalik ketma-ketliklarning miyani tanib olishi: bir vaqtning o'zida differentsial ishlov berish 2-qism

Ma'lumotlarni yig'ish

Biz ikkita mustaqil seansda anatomik MRI va MEG ma'lumotlarini oldik. MEG ma'lumotlari 306 kanal bilan jihozlangan Elekta Neuromag TRUX tizimi (Elekta Neuromag, Xelsinki, Finlyandiya) yordamida olingan. Mashina Daniya Orxus universiteti kasalxonasida magnit bilan himoyalangan xonaga joylashtirilgan. Ma'lumotlar 0,1–330 Gts analog filtrlash bilan 1,000 Gts namuna olish tezligida qayd etilgan. O'lchovlardan oldin biz tovush darajasini har bir ishtirokchining minimal eshitish chegarasidan 50 dB ga o'rnatamiz. Bundan tashqari, uch o'lchovli raqamlashtiruvchi (Polhemus Fastrak, Colchester, VT, AQSH) yordamida biz ishtirokchining bosh shakli va uchta anatomik belgilarga (nasion, chap va o'ng quloq oldingi joylashuvi) tegishli to'rtta bosh bo'laklarining holatini qayd etdik.

Fan va texnologiyaning uzluksiz rivojlanishi bilan hayotimizda ko'plab yangi tushunchalar va texnologiyalar paydo bo'ldi. Ular, MEG texnologiyasi ulardan biri. MEG - bu inson miyasida elektr faolligini o'lchashning umumiy usuli. U neyronlarning elektr faolligini aniqlash uchun supero'tkazuvchi kvant interferometridan (SQUID) foydalanadi. MEG texnologiyasi inson miyasining ishlash tamoyilini yaxshiroq tushunishga yordam beradi va keyin inson aqlining sirini o'rganadi.

MEG texnologiyasi neyronlarning elektr faolligini o'rganishdan tashqari, inson xotirasini ham baholashi va o'rganishi mumkin. Ko'pgina tadqiqotlar MEG texnologiyasi va xotira o'rtasidagi munosabatni ko'rsatdi. Katta hajmdagi ma'lumotlarni o'rganish va tahlil qilish orqali olimlar MEG texnologiyasidan odamlarning xotira imkoniyatlarini va turli odamlarning xotiralarni qayta ishlash usullarini kuzatish uchun foydalanishlari mumkin.

Tadqiqotga ko'ra, MEG texnologiyasi va ma'lumotlarini tahlil qilish orqali olimlar inson miyasining turli mintaqalaridagi elektr faolligini aniqlab, o'lchashlari mumkin, bu esa miyaning ish rejimini tushunishga yordam beradi. Ushbu ma'lumotlar bizga xotira va kognitiv jarayonlarni yaxshiroq tushunishga yordam beradi va o'z navbatida odamlar xotirasini yaxshilashning yaxshi usullarini ishlab chiqadi.

Bundan tashqari, ko'plab tadqiqotlar shuni ko'rsatdiki, xotirani yaxshilash uchun turli xil usullar va usullardan foydalanish mutlaqo mumkin. Turli xil xotira texnikasi va mashqlaridan foydalanib, biz miyamizni mashq qilishimiz va shu bilan eslash qobiliyatimizni yaxshilashimiz mumkin. Xotirasini yaxshilashni xohlaydiganlar uchun MEG texnologiyasini tushunish va ma'lumotlarni tahlil qilish juda muhim qadamdir.

Shuning uchun MEG texnologiyasi va xotira o'rtasida uzviy bog'liqlik mavjud. Katta hajmdagi ma'lumotlarni tahlil qilish orqali biz inson miyasi qanday ishlashini va xotirani shakllantirish jarayonini yaxshiroq tushunishimiz va keyin xotira qobiliyatini yaxshilash uchun yaxshiroq usullarni ishlab chiqishimiz mumkin. Ishonamizki, kelajakda texnologiyaning uzluksiz rivojlanishi va takomillashtirilishi bilan biz xotiramizni yaxshiroq rivojlantirish va undan foydalanishimizga yordam beradigan ko'proq usullar va texnologiyalarga ega bo'lamiz. Shu nuqtai nazardan qaraganda, biz xotiramizni yaxshilashimiz kerak. Cistanche xotirani sezilarli darajada yaxshilashi mumkin, chunki Cistanche xotira va o'rganish uchun juda muhim bo'lgan atsetilxolin va o'sish omillari darajasini oshirish kabi neyrotransmitterlar muvozanatini ham tartibga solishi mumkin. Bundan tashqari, go'sht ham qon oqimini yaxshilashi va kislorod yetkazib berishni rag'batlantirishi mumkin, bu esa miyaning etarli darajada oziqlanishi va energiya olishini ta'minlaydi va shu bilan miyaning hayotiyligi va chidamliligini oshiradi.

Xotirani yaxshilash uchun qo'shimchalarni bosing

Bosh bobinlarining joylashuvi butun yozuv davomida doimiy bosh holatini identifikatsiyalash (cHPI) yordamida ro'yxatga olindi, bu bizga har bir vaqtda MEG skaneridagi boshning aniq joylashishini kuzatish imkonini beradi. Biz ushbu ma'lumotlardan ma'lumotlarni tahlil qilishning keyingi bosqichida aniq harakatni tuzatish uchun foydalandik.

Ro'yxatga olingan anatomik MRI ma'lumotlari tizimli T1 ga to'g'ri keldi. Skanerlash uchun olish parametrlari quyidagicha xabar qilinadi: voksel hajmi=1.0 × 1.0 × 1.0 mm (yoki 1.0 mm3); qayta tiklangan matritsa o'lchami 256 × 256; aks-sado vaqti (TE) 2,96 ms va takrorlash vaqti (TR) 5,000 ms va tarmoqli kengligi 240 Gts/Px. Tahlilning keyingi bosqichida har bir T1-vaznli MR skanerlash afin transformatsiya orqali standart MNI miya shabloniga qo'shildi va keyin Polhemus bosh shakli ma'lumotlari va uchtasi yordamida MEG sensorlar maydoniga havola qilindi. MEG sessiyasi davomida o'lchangan ishonchli nuqtalar.

Ma'lumotlarni oldindan qayta ishlash

Xom MEG sensori ma'lumotlari (204 planar gradiometr va 102 magnitometr) MaxFilter (Taulu va Simola 2006) tomonidan signal bo'shlig'ini ajratishni qo'llash orqali bosh terisi tashqarisida paydo bo'ladigan shovqinlarni yumshatish uchun oldindan ishlangan. Xuddi shu seansda Maxfilter bosh harakati uchun signalni ham sozladi va uni 1,000 dan 250 Gts gacha tushirdi.

Ma'lumotlar SPM formatiga aylantirildi va Matlab'da (MathWorks, Natick, Massachusets, AQSh) FSL kombinatsiyasiga asoslangan erkin foydalanish mumkin bo'lgan OSL (OHBA Software Library) asboblar to'plamidan foydalangan holda keyingi tahlil qilindi (Woolrich et al. 2009), SPM (Penny va boshq. 2007) va Fieldtrip (Oostenveld va boshq. 2011), shuningdek, uyda qurilgan funktsiyalar. Elektr toki bilan yuzaga kelishi mumkin bo'lgan shovqinlarni tuzatish uchun tishli filtr (48-52 Gts) qo'llanildi. Ma'lumotlar keyinchalik 150 Gts ga tushirildi va katta artefaktlar tomonidan o'zgartirilgan ma'lumotlarning bir nechta segmentlari vizual tekshiruvdan so'ng olib tashlandi.

So'ngra, miya ma'lumotlaridan ko'zni chayqash va yurak urishi artefaktlarining aralashuvini yo'q qilish uchun asl signalni mustaqil komponentlarga ajratish uchun mustaqil komponent tahlili (ICA) ishlatilgan. So'ngra, ko'zni qamashtiruvchi va yurak urishini ko'rsatadigan komponentlar avval izolyatsiya qilingan va keyin tashlab yuborilgan. Signal qolgan komponentlar yordamida qayta tiklandi (Mantini va boshq. 2011) va keyin har biri 3500 ms davom etadigan 80 ta sinovda (har bir musiqiy parcha uchun bittadan) (asosiy tuzatish uchun ishlatilgan 100 ms rag'batlantirish vaqti bilan) ( 1B-rasm).

MEG sensorlari orqali bir o'zgaruvchan testlar va Monte-Karlo simulyatsiyalari

Bizning asosiy e'tiborimiz MEG manbasi rekonstruksiya qilingan miya ma'lumotlariga qaratilgan bo'lsa-da, MEG sensori ma'lumotlarining birinchi tahlili MEG tahlilidagi eng yaxshi amaliyotlar bo'yicha eng zamonaviy tavsiyalar bilan izchil ravishda hisoblab chiqildi (Gross va boshq. 2013).

Shunday qilib, ko'p sonli MEG va elektroensefalografiya (EEG) topshiriqlari bilan bog'liq tadqiqotlarga o'xshab (Gross va boshq. 2013), biz M va N uchun ikkita yakuniy o'rtacha sinovni qo'lga kiritib, shartlar bo'yicha sinovlarni o'rtacha hisobladik. mos ravishda. Keyin, biz har bir juft planar gradiometrni ildiz yig'indisi kvadratiga birlashtirdik. Keyinchalik, biz 0-2,500 s vaqt oralig'idagi har bir vaqt nuqtasi va har bir birlashtirilgan planar gradiometr uchun t-testini o'tkazdik, bu M ga N ga qarama-qarshidir.

Bir nechta taqqoslashlarni tuzatish uchun biz Monte-Karlo simulyatsiyalarini (MCS) (Kroese va boshq. 2011) t-testlaridan olingan muhim natijalar klasterlarida 1000 almashtirish bilan hisoblab chiqdik. Biz o'zgartirilgan ma'lumotlarning 99,9% maksimal klaster o'lchamlaridan kattaroq bo'lgan original klasterlarni muhim deb hisobladik. Ushbu keng qo'llaniladigan protsedura bo'yicha qo'shimcha ma'lumotlarni Bonetti va boshqalarda topish mumkin. (2020), Bonetti, Brattico, Carlomagno va boshqalar. (2021a), Bonetti, Bruzzone, Sedghi va boshqalar. (2021b), Bonetti, Brattico, Vuust va boshqalar. (2021c) va Fernàndez-Rubio, Brattico va boshqalar. (2022a), FernàndezRubio, Carlomagno va boshqalar. (2022b), Fernàndez-Rubio, Olsen va boshqalar. (2022c).

Ushbu tahlil eksperimental shartlar orasidagi katta va kuchli farqni qaytardi. Bundan tashqari, MCS tahlili natijasida olingan muhim klasterni tashkil etuvchi MEG kanallari orqali qayd etilgan miya faoliyati ikkita asosiy chastota komponentini taqdim etgan vaqt seriyasini belgilab berdi. S2A-rasmda ko'rsatilganidek, tezroq chastota komponenti ketma-ketlikni tashkil etuvchi elementlarning har biri taqdim etilgandan keyin cho'qqisiga chiqdi, sekinroq chastota komponenti esa butun ketma-ketlikka hamroh bo'ldi.

Bu dalil barcha MEG sensori ma'lumotlari bo'yicha murakkab Morlet to'lqinli o'zgarishini (Daubechies 1992) hisoblash bilan qo'shimcha ravishda qo'llab-quvvatlandi, bu vazifa davomida qayd etilgan MEG signaliga 1 va 4 Gts ning asosiy hissasini ta'kidladi (S2B-rasm). Bundan tashqari, ushbu tahlil 10 Gts atrofida sezilarli, ammo zaifroq quvvatni ko'rsatdi.

Shuni ta'kidlash kerakki, 10 Gts chastotasi musiqiy ketma-ketlikning boshlang'ich ofsetiga vaqt bilan bog'liq emas edi. Shunday qilib, bizning keyingi tahlillarimiz asosan 1 va 4 Gts atrofida aniqlangan ikkita chastota diapazoniga qaratilgan, chunki ular eng kuchli quvvatga ega chastotalar edi. Ushbu ikkita diapazon 0,1-1 va 2-8 Gts edi. Bundan tashqari, biz 10 Gts atrofida aniqlangan chastota diapazoni bo'yicha qo'shimcha tahlil o'tkazdik, chunki u kamaytirilgan, ammo ajralib turadigan quvvatni taqdim etdi. Bunday diapazon 8-12 Gts edi.

Muhimi, biz 2–8 va 0.1–1 Gts chastota diapazonlari eksperimental vazifamizda ishtirok etgan ikkita asosiy jarayonni indekslashini taxmin qildik: vaqtinchalik ketma-ketlikni tashkil etuvchi yagona elementlarni qayta ishlash (i—mahalliy ishlov berish) va har tomonlama ustun ob'ekt sifatida vaqtinchalik ketma-ketlik (ii - global qayta ishlash).

Manbani qayta qurish

MEG datchiklarida (1C-rasm va 2A-rasm) yozib olgan signalni yaratgan manbalarni baholash uchun manbalarni qayta tiklashning zamonaviy usullaridan foydalandik (Huang va boshq. 1999; Hillebrand va Barnes 2{{). 7}}05). Muhimi shundaki, manbani qayta tiklash algoritmi tadqiqotda ishtirok etgan uchta chastota diapazoni (0,1-1, 2-8 va 8-12 Gts) uchun mustaqil ravishda hisoblab chiqilgan bo'lib, bu uch xil chastota diapazonidagi M va N ga uyg'ongan javoblarni tavsiflash uchun. . Xususan, quyidagi bosqichlar amalga oshirildi.

Birinchidan, uzluksiz ma'lumotlar (epochingdan oldin) uchta chastota diapazonida filtrlangan. Ikkinchidan, filtrlangan ma'lumotlar (uchta band uchun mustaqil ravishda) epoched. Uchinchidan, epoched ma'lumotlar quyida tavsiflangan manbani qayta qurish algoritmiga topshirildi.

Bunday algoritm ikkita keyingi bosqichni o'z ichiga oladi: (i) to'g'ridan-to'g'ri modelni loyihalash va (ii) teskari yechimni hisoblash. Oldinga yo'naltirilgan model har bir miya manbasini faol dipol sifatida ko'rib chiqadigan nazariy model bo'lib, bunday dipolning unitar kuchi barcha MEG sensorlarida qanday aks etishini tavsiflaydi (bizning holatlarimizda biz magnitometrlardan ham, planar gradiometrlardan ham foydalandik) (Huang va boshq. 1999).

Bu erda biz butun miya ichidagi 3559 dipol joylashuvini (voksel) qaytaradigan 8-mm panjaradan foydalandik. Shaxsiy tuzilmaviy T1 ma'lumotlarini ishonchli ma'lumotlar bilan ro'yxatdan o'tkazgandan so'ng (bosh belgilar to'g'risidagi ma'lumotlar), Nolte (2003) tomonidan batafsil taqdim etilgan "Yagona qobiq" deb nomlangan keng qo'llaniladigan usulni qo'llash orqali oldinga model hisoblab chiqildi. Etakchi maydon modeli deb ham ataladigan bunday hisoblashning chiqishi L matritsasida (manbalar × MEG kanallari) saqlangan. Strukturaviy T1 mavjud bo'lmagan bir nechta hollarda biz qo'rg'oshin maydonini hisoblashni shablon yordamida amalga oshirdik (MNI{6}}T1, 8- mm fazoviy o'lchamlari).

Manbani qayta tiklashning ikkinchi bosqichi teskari yechimni hisoblashdir (ya'ni MEG bilan qayd etilgan miya faoliyatiga asoslangan neyron signal generatorlarini baholash). Tadqiqotimizda biz bu sohada mavjud bo'lgan eng mashhur va samarali algoritmlardan biri bo'lgan beamformingni tanladik (Huang va boshq. 1999; Hillebrand and Barnes 2005). Ushbu protsedura har bir vaqt nuqtasi uchun MEG kanallari tomonidan qayd etilgan faoliyatga har bir manbaning hissasini ajratish uchun manba joylariga ketma-ket qo'llaniladigan turli xil og'irliklar to'plamidan foydalanadi (Hillebrand va Barnes 2005; Brookes va boshq. 2007). Ko'proq texnik darajada, nurlanishga asoslangan teskari yechim quyidagi asosiy bosqichlar bilan tavsiflanishi mumkin.

Birinchidan, t vaqtida MEG sensorlari (B) tomonidan qayd etilgan ma'lumotlarni quyidagi tenglama (3) bilan tavsiflash mumkin:

Bu erda L yuqorida tavsiflangan qo'rg'oshin maydoni modeli, Q - har bir faol dipolning (q) vaqt davomida faolligini ko'rsatadigan dipol matritsasi va e - shovqin (batafsil ma'lumot uchun Huang va boshq. (2004) ga qarang). Shunday qilib, teskari masalani hal qilish uchun biz Q ni hisoblashimiz kerak. Beamforming yordamida bunday protsedura tenglamadagi yagona dipol q uchun ko'rsatilganidek, har bir vaqt nuqtasida MEG sensorlariga qo'llaniladigan og'irliklarni hisoblash atrofida aylanadi. ):

Darhaqiqat, q ni olish uchun W og'irliklarini hisoblash kerak (T pastki belgisi transpozitsiya matritsasini bildiradi). Buning uchun nur hosil qilish L o'rtasidagi matritsaning ko'payishiga va MEG datchiklari (C) o'rtasidagi kovariatsiya matritsasiga tayanadi, u birlashtirilgan eksperimental sinovlarda hisoblanadi. Xususan, har bir miya manbai n uchun Wn og'irliklari quyidagicha hisoblanadi:

Shuni ta'kidlash kerakki, Nolte (Nolte 2003) ma'lumotlariga ko'ra, etakchi maydon modelini hisoblash har bir miya manbasining uchta asosiy yo'nalishi (dipol) uchun amalga oshirildi. Biroq, og'irliklarni hisoblashdan oldin, (6) tenglamada keltirilgan matritsani ko'paytirish bo'yicha yagona qiymatlarni ajratish algoritmidan foydalangan holda yo'nalishlar bittaga qisqartirildi. Ushbu protsedura nur hosil qilish chiqishini soddalashtirish uchun keng qo'llaniladi (Huang va boshq. 2004; Woolrich va boshq. 2011).

Bu erda l uchta yo'nalishga ega etakchi maydon modelini ifodalaydi, L esa (5) da ishlatilgan hal qilingan bir yo'nalishli modeldir.

Va nihoyat, yuqorida aytib o'tilganidek, bunday algoritmlarni kodlashda biz OSL, FieldTrip, SPM (MEEG oldindan ishlov berish va SPM nurlarini shakllantirish asboblar to'plami uchun funktsiyalar) va FSL kabi Matlab asboblar qutilaridan foydalanganmiz. Bundan tashqari, ushbu kodlar uyda qurilgan skriptlar va funktsiyalar bilan to'ldirildi.

Vaqtinchalik ketma-ketlikning har bir elementi uchun miya faoliyati

Birinchidan, biz vaqtinchalik ketma-ketliklarimizning har bir elementi asosidagi miya faoliyatini aniqlashni xohladik (1D-rasm, S3, S4-rasm, 1-jadval va S1-jadval). Bu erda biz qayta tiklangan vaqt seriyasining mutlaq qiymatini hisobladik, chunki biz signalning mutlaq kuchiga qiziqdik.

Har bir ishtirokchi uchun birinchi darajali tahlilni amalga oshirish uchun biz umumiy chiziqli modellardan (GLM) foydalandik. Bunday modellar har bir vaqt-nuqta va miya manbai uchun qayta tiklangan manba ma'lumotlari bo'yicha hisoblab chiqilgan (Hunt va boshq. 2012). GLMlar M va N ning asosiy effektini (parametrlar bahosining kontrastlari (COPE)) hamda ularning kontrastini qaytardi. Ishtirokchilar o'rtasidagi tafovut bilan hal qiluvchi darajada tuzatilgan asosiy effektlarni olishga ruxsat berilganligi sababli ular ishladilar. Ushbu natijalar Gauss yadrosi (yarim maksimalda to'liq eni: 50 mm) bilan olingan fazoviy tekislangan dispersiyaga ega bir namunali t-testlaridan foydalangan holda ikkinchi darajali tahlilga topshirildi (Huang va boshq. 2004).

Bu erda biz ketma-ketlikni tashkil etuvchi har bir chastota diapazoni va elementi (musiqiy ohang) uchun mustaqil ravishda M va N vaqtinchalik ketma-ketlikni tanib olish asosida yotgan turli miya faoliyatini kuzatishga qiziqdik. Shunday qilib, biz musiqa ohanglarining davomiyligiga mos keladigan besh martalik oynalar bo'yicha o'rtacha hisoblangan ikkinchi darajali (guruh darajasidagi) tahlil natijalari bo'yicha 15 (5 tonna × 3 chastota diapazoni) klasterga asoslangan Monte-Karlo simulyatsiyasini (MCS) hisoblab chiqdik. . MCS tahlili 1,000 almashtirish va P < 0.05 (ikkinchi darajali testlardan) klaster hosil qilish chegarasidan iborat. Xususan, MCS testi asl ma'lumotlardagi muhim qiymatlarning fazoviy klasterlarini aniqlashdan iborat edi. Keyinchalik, bunday ma'lumotlar almashtirildi va almashtirilgan muhim qiymatlarning fazoviy klasterlari aniqlandi. Ushbu protsedura bir necha marta hisoblab chiqilgan (masalan, 1,000) va har bir almashtirish uchun aniqlangan klaster o'lchamlarining mos yozuvlar taqsimotiga asos bo'ldi. Nihoyat, klasterning asl o'lchamlari mos yozuvlar taqsimoti bilan solishtirildi. Agar o'zgartirilgan ma'lumotlarning klaster o'lchamlari MCS darajasidan bir necha baravar kam bo'lsa, dastlabki klasterlar muhim deb hisoblanadi. Bu holatda, biz tahlilni 15 marta hisoblaganimiz sababli, standart MCS darajasini (=0.05) 15 ga bo'lish orqali bir nechta taqqoslashlarni tuzatdik, natijada yangilangan MCS=0.003 (ya'ni asl nusxa) paydo bo'ldi. Agar ularning o'lchamlari almashtirilgan klaster o'lchamlarining 99,7% dan katta bo'lsa, klasterlar muhim edi).

Ushbu tadqiqotda foydalanilgan chastota diapazonlaridan biri ancha past ({0}}.1-1 Gts) bo'lgani uchun biz manbani qayta qurish va M va N o'rtasidagi kontrastlarni 0,1-1 Gts uchun uch xil chastota yordamida qayta hisoblab chiqdik. asosiy ko‘rsatkichlar (500, 1,000 va 2,{10}} ms). Bu bizning dastlabki natijalarimiz asosiy chiziq uzunligiga bog'liq emasligini ko'rsatish uchun qilingan. Ushbu protsedura natijalari S5-rasmda tasvirlangan va S2-jadvalda batafsil bayon etilgan.

K-funktsional klasterlashni bildiradi

Oldingi natijalarimizni to'ldirish va faol miya manbalarining fazoviy ko'lamini, shuningdek, vaqt o'tishi bilan ularning faolligini batafsilroq tavsiflash uchun biz miyaning funktsional asoslangan parselatsiyasini aniqladik. Biz k-vositalarni klasterlash algoritmlari qatoridan iborat bo'lgan k-vositalari deb ataladigan funktsional klasterni qabul qildik. Sinaga va Yang (2020) rekonstruksiya qilingan miya manbalari (voksellar) vaqt seriyalarining har birining funktsional va fazoviy ma'lumotlarini bajarishdi. Ushbu yondashuv avvalgi tahlillarimizda eng kuchli natijalarni bergan va ketma-ketlikning bitta elementlari yoki butun ketma-ketlik bilan bog'langan ikkita chastota diapazoni uchun qo'llanilgan, ya'ni 0,1-1 va 2-8 Gts.

Xususan, birinchi qadam sifatida k-means funktsional klasterlash algoritmi cho'qqi qiymatlari va voksel vaqt seriyasining tegishli indekslari kabi asosiy funktsional parametrlar bo'yicha klasterlashni hisoblab chiqdi. Biz bu bosqichni funktsional klasterlash deb ataymiz. Ushbu protsedura miya voksellarining funktsional profillariga ko'ra guruhlangan mustaqil posilkalar to'plamini qaytardi. Haqiqatan ham, bunday posilkalar taxminan bir vaqtning o'zida cho'qqiga chiqqan voksellarni o'z ichiga olishi mumkin (2B-rasm, chap) yoki shunga o'xshash mutlaq kuchga ega (2B-rasm, o'ng). Ma'lum bo'lishicha, miya faoliyati turli hududlarda turli vaqtlarda lokalizatsiya qilinganida maksimal vaqt seriyali indekslari bo'yicha klasterlash tavsiya etiladi.

Aksincha, faollik ko'pchilik miya voksellari bilan yuqori darajada bog'langan bo'lsa, klasterlash maksimal vaqt seriyasi qiymatlarida amalga oshirilishi kerak va neyron signalning asosiy generatorlarini aniqlashga yordam beradi. Ushbu tadqiqotda 0.1-1 Hz (ketma-ketlikni global qayta ishlash) vaqt o'tishi bilan o'zgargan faollikning turli cho'qqilarini taqdim etdi va shuning uchun bunday cho'qqilarning vaqt indekslarini hisobga olgan holda klasterlangan. Boshqacha qilib aytganda, 2-8 Gts (ketma-ketlikni mahalliy qayta ishlash) juda o'zaro bog'liq faollikni ko'rsatdi va shuning uchun bunday yuqori faollikning mutlaq qiymatlari yordamida klasterlangan. Klasterlash tahlilida keng tarqalganidek (Garsia-Dias va boshq. 2019), bizning holatimizda ham klaster algoritmini k klasterlarning ketma-ket to'plamida (k=2 dan 20 gacha) hisoblash foydali bo'ldi. Keyin eng yaxshi klasterlash yechimi tirsak usuli/qoidasi (Liu va Deng 2021) va siluet koeffitsienti (Al-Zoubi va Al Rawi 2008) kabi taniqli baholash strategiyalari (evristika) asosida qaror qilindi.

Tirsak usuli klaster markazlariga tegishli bo'lgan klasterlarga tegishli elementlarning kvadratik xatolar yig'indisini (SSE) bosqichma-bosqich ko'proq klaster yechimlari funktsiyasi sifatida tuzishdan iborat. Keyinchalik, usul egri chiziqning "tirsagi" ni ishlatiladigan klasterlar soni sifatida vizual tarzda aniqlashni taklif qiladi. Siluet koeffitsienti elementning boshqa klasterlar (ajralish) bilan solishtirganda uning klasteri (uyushishi) bilan o'xshashligini ko'rsatadigan qiymatdir (−1 dan +1 gacha). Yuqori siluet koeffitsienti elementning o'z klasteriga yaxshi mos kelishini va qo'shni klasterlarga yomon mos kelishini ko'rsatadi.

Eng yaxshi funktsional klasterlash yechimiga qaror qilingandan so'ng, fazoviy ma'lumotlarga oid ikkinchi klasterni hisoblash kerak (fazoviy klasterlash, 2C-rasm). Darhaqiqat, miya faoliyati asosan ikkita parametr, fazoviy joylashuv va vaqt o'zgarishi bilan tavsiflanadi. Asl miya voksellarini alohida funktsional uchastkalarga to'plash, bir vaqtning o'zida faol bo'lgan, fazoviy ravishda ajratilgan miya sohalari tarmog'ini o'z ichiga olgan katta posilkalarni qaytarishi mumkin. Shunday qilib, yaxshiroq parselatsiyani aniqlash uchun har bir funktsional uchastkaning fazoviy koordinatalari bo'yicha klaster tahlilini o'tkazish foydali bo'ladi. Bizning tadqiqotimizda biz funktsional uchastkalarning har birini tashkil etuvchi voksellarning uch o'lchovli fazoviy koordinatalarini (MNI fazosida) ko'rib chiqdik. Ushbu klasterlash hisobi bir vaqtning o'zida bitta posilka uchun k klaster yechimlarining ketma-ket to'plami (k=2 dan 1 0 gacha) uchun amalga oshirildi. Funktsional klasterga kelsak, biz tirsak qoidasi va siluet koeffitsienti yordamida fazoviy klasterlash uchun eng yaxshi yechimni baholadik. Ushbu protsedura barcha funktsional uchastkalarda amalga oshirilgandan so'ng, k-funktsional klasterlash tugallandi, bu ham funktsional, ham fazoviy ma'lumotlarga asoslangan eksperimental topshiriqni samarali taqsimlashni taklif qiladi (misollar S7-rasmda, S3 va S4-jadvallarda 0,1-rasmda keltirilgan. 1 Hz va S8-rasm, 2-8 Gts uchun S5, S6 va S7 jadvallari). Oxirgi qadam sifatida, har bir posilkaga tegishli miya voksellarining vaqt seriyalari posilka uchun yakuniy vaqt seriyasini ta'minlash uchun birgalikda o'rtacha hisoblangan. k-funktsional klasterlash bo'yicha qo'shimcha ma'lumotlar Qo'shimcha materiallarda keltirilgan.

Har bir posilka uchun vaqt o'tishi bilan qarama-qarshiliklar

Bu erda k-funktsional klasterlash M va N ning birgalikda o'rtacha hisoblangan guruh darajasidagi asosiy effektlari bo'yicha amalga oshirildi. Keyin, har bir posilka va ishtirokchi uchun M va N ning asosiy ta'sirini olish uchun biz M va N ning (GLMlardan) har bir funktsional posilkaga tegishli miya voksellari ustidan birinchi darajali asosiy ta'sirini o'rtacha hisobladik. Bu har bir ishtirokchi, funktsional uchastka va eksperimental holat (M va N) uchun yangi vaqt seriyasiga olib keldi. Bunday vaqt seriyalari bir o'zgaruvchan kontrastlarga taqdim etilgan (M va N; 2D-rasm, usullar va S9 va S1 0-rasmlar, natijalar). Xususan, har bir posilka va vaqt nuqtasi uchun biz M va N ning asosiy taʼsirini qarama-qarshi qoʻyadigan ikkita namunali t-testini (P < 0.05 chegarasi) hisoblab chiqdik. 1,000 almashtirish bilan ikki oʻlchovli MCS yondashuvi (MCS P < 0.001). Ushbu keng tarqalgan statistik protsedura haqida batafsil ma'lumotni Bonetti va boshqalarda topish mumkin. (2020), Bonetti, Brattico, Carlomagno va boshqalar. (2021a), Bonetti, Bruzzone, Sedghi va boshqalar. (2021b), Bonetti, Brattico, Vuust va boshqalar. (2021c). Boshqa tahlillar uchun bo'lgani kabi, bunday operatsiya tadqiqotda tekshirilgan ikkita asosiy chastota diapazoni uchun kuzatilgan (3-rasm va S8-jadval).

Natijalar

Eksperimental dizayn va MEG sensorlarini tahlil qilish

Birinchi navbatda, MEG ma'lumotlarini oldindan qayta ishlagandan so'ng (1A va B-rasmga qarang va batafsil ma'lumot uchun Materiallar va usullarga qarang), MEG sensorlari tomonidan qayd etilgan M va N ni tanib olish asosidagi miya faoliyatini qarama-qarshi qo'ydik. Bu protsedura katta ahamiyatga ega klasterni qaytardi (P < 0.001, klaster hajmi k=2,117, oʻrtacha qiymat=3,29, vaqt=0.547-1,180 s), M ga nisbatan N uchun kuchliroq miya faolligini ko'rsatadi. Bundan tashqari, bunday muhim klasterni tashkil etuvchi MEG kanallari orqali qayd etilgan miya faoliyati ikki asosiy chastota komponentini taqdim etgan vaqt seriyasini belgilab berdi. S2A-rasmda ko'rsatilganidek, tezroq chastota komponenti ketma-ketlikni tashkil etuvchi elementlarning har biri taqdim etilgandan keyin cho'qqisiga chiqdi, sekinroq chastota komponenti esa butun ketma-ketlikka hamroh bo'ldi. Ushbu dalil, barcha MEG sensori ma'lumotlari tomonidan qayd etilgan chaqirilgan javoblar bo'yicha murakkab Morlet to'lqinli o'zgarishini hisoblash bilan qo'shimcha ravishda qo'llab-quvvatlandi, bu vazifa davomida qayd etilgan MEG signaliga 1 va 4 Gts ning asosiy hissasini ta'kidladi (S2B-rasm). Shunday qilib, bizning keyingi tahlillarimiz, birinchi navbatda, 0,1-1 va 2-8 Gts bo'lgan 1 va 4 Gts atrofida aniqlangan ikkita chastota diapazoniga qaratilgan. Muhimi, biz 2-8 va 0,1-1 Gts chastota diapazonlari eksperimental vazifamizda ishtirok etgan ikkita asosiy jarayonni indekslashini taxmin qildik: vaqtinchalik ketma-ketlikni tashkil etuvchi yagona elementlarni qayta ishlash (i-mahalliy ishlov berish) va vaqtinchalik ketma-ketlikni keng qamrovli ustun sifatida tan olish. ob'ekt (ii - global qayta ishlash).

Manba qayta tiklangan miya faoliyati va bitta elementli tahlil

Biz M va N ketma-ketliklari asosida yotadigan qayta tiklangan miya faoliyatini taqqosladik (batafsil ma'lumot uchun Materiallar va usullarga qarang). Asosiy ikkita chastota diapazoni ({0}}.1-1 va 2-8 Gts) uchun turli natijalar paydo bo'ldi. Miyaning 0.1–1 Gts faolligi, ayniqsa ketma-ketlikning oxirgi uchta elementini qayta ishlash paytida, M va N uchun kuchliroq edi. 1D, S3-S5-rasmlarda tasvirlanganidek, bunday faoliyat ketma-ketlikni global qayta ishlash asosida yotgan miyaning keng tarqalgan tarmog'ini tasvirlaydi, bunda miyaning xotira va baholash jarayonlari bilan bog'liq bo'lgan hududlari, masalan, singulat girus, hipokampus, insula, frontal operkulum va pastki orqa miya temporal korteks (MCS P < 0.001). Aksincha, 2-8 Gts diapazoni uchun miya faoliyati N uchun M ga nisbatan umumiy kuchliroq edi va asosan eshitish kortekslarini o'z ichiga oladi (MCS P <0,001). 0,1-1 va 2-8 Gts chastotalar uchun eng yuqori muhim miya voksellarining statistikasi 1-jadvalda keltirilgan, uchta chastota diapazoni uchun keng natijalar esa S1 va S2 jadvallarida tasvirlangan.

Funktsional ravishda olingan ROIlarda kontrastlar

Vaqt o'tishi bilan miya faoliyatining fazoviy-vaqtincha rivojlanishini to'liq tavsiflash uchun, biz k-vositalari funktsional klasterlashdan foydalangan holda miyaning funktsional asosli parselatsiyasini aniqladik (batafsil ma'lumot uchun Materiallar va usullar va 2-rasm va S6-rasmga qarang), {{3} uchun mustaqil ravishda. }.1–1 va 2–8 Hz chastota diapazonlari. Buning natijasida har bir ishtirokchi, funktsional uchastka va eksperimental holat (M va N) uchun yangi vaqt seriyasi paydo bo'ldi, ular bir o'zgaruvchan kontrastlarga (M va Nga qarshi) taqdim etildi (3-rasm) va klasterga asoslangan MCS yordamida bir nechta taqqoslashlar uchun tuzatildi.

Bizning oldingi tahlilimizga o'xshab, sekinroq diapazondagi eng kuchli miya faoliyati M uchun aniqlandi. E'tiborga molikki, bizning birinchi tahlilimizni kengaytiradigan bo'lsak, bu yangi natijalar vaqtinchalik ketma-ketlikni qayta ishlash bilan birga keladigan bir qator ketma-ket faol miya posilkalarini ta'kidladi. 3A-rasmda ko'rsatilganidek, miya o'ng eshitish po'stlog'ida M ga nisbatan N uchun biroz kuchliroq quvvat bilan tavsiflangan dastlabki faoliyatni taqdim etdi (3A-rasm, 1-qism: P < 0.0{ {10}}1, klaster oʻlchami k=39; oʻrtacha t-qiymati=2,72; obyektning birinchi paydo boʻlgan vaqti: 0–0. 25 s). Keyinchalik, biz chap eshitish po'stlog'ida asabiy faollikni kuzatdik, ammo eksperimental sharoitlar o'rtasida sezilarli farqlar yo'q (3A-rasm, 2-qism). Ikkinchi va uchinchi elementlardan boshlab va vaqtinchalik ketma-ketlikning beshinchi bandi davomida eng yuqori cho'qqisiga chiqqan holda, biz singulat girusda faollikning portlashini kuzatdik, bu M va N uchun kuchliroq edi (3A-rasm, 3-qism: P < {{34} }.001, k=92; t-qiymati=2,73; vaqt: 0,45–1,05 s). Bir oz kechikish bilan xuddi shunday profil paydo bo'ldi, bu insula, pastki temporal korteksning oldingi qismi, hipokampus va frontal operkulumni o'z ichiga olgan kattaroq miya uchastkasi uchun. Yana bir bor, M N dan ancha kuchliroq edi (rasm 3A, uchastka 4: P <0,001, k=77; t-qiymati=2,79; vaqt: 0,69-1,19 s). Nihoyat, ishtirokchilarning naqshni tasniflashi uchun o'rtacha reaktsiya vaqtidan biroz oldin cho'qqisiga ko'tarilib, M ga qarshi N uchun post-markaziy girus va sensorimotor korteksda kuchliroq faollik kuzatildi (3A-rasm, 5-rasm, asosiy klaster: P <0,001, k=142; t-qiymati=2,68; vaqt: 0,94-1,88 s).

Aksincha, 2-8 Gts diapazonining tahlili vaqt seriyasining keskin cho'qqilari atrofida N va M uchun kuchliroq faollikning bir nechta muhim klasterlarini ko'rsatdi. Ta'kidlash joizki, vaqtinchalik ketma-ketlikning 5 ta elementi uchun birinchi tahlilimiz bilan solishtirganda, bu ikkinchi protsedura vaqtinchalik ketma-ketlikning oxirgi uchta ohangiga mos keladigan bunday farqning vaqtinchalik darajasini aniq belgilab berdi. Xususan, bunday farqlar to'g'ri ishtirok etdi (3B-rasm, 1-qism, asosiy klaster I: P < 0.001, k=11, t-qiymati {{ 9}}.51; vaqt: 0.89–0.95 s; II: P < 0.001, k {{ 17}}; t-qiymati=2.22; vaqt: 1,21- 1,28 s) va chap birlamchi eshitish kortekslari (3B-rasm, 2-qism, asosiy klaster I: P < 0.{{46 }}01, k=12, t-qiymati=−3,70; vaqt: 0,74–{{6{7{{ 76}}}}}.81 s; II: P < 0.001, k {{40}}; t-qiymati {{ 42}}.09; vaqt: 0,87–{{1{{105}}1}},95 s; III: P < {{113} }.001, k {{50}}; t-qiymati=2,90; vaqt: 0,64–0,69 s). Kamaytirilgan kuch bilan o'ng uchun ham shunga o'xshash faoliyat klasterlari kuzatilgan (3B-rasm, 3-bo'lim, asosiy klaster I: P <0,001, k=13, t-qiymati=3,08; vaqt : 1.19– 1.27 s; II: P < 0.001, k=12; t-qiymati=3.61; vaqt: 0.89-0.96 s) va chap ikkilamchi eshitish poʻstlogʻi va hipokampal sohalar (3B-rasm, posilka 4, asosiy klaster I: P < 0,001, k=12, t-qiymati {86}} −2,97; vaqt: 0,74–0,81 s; II: P < 0,001, k {{95 }}; t-qiymati=2,86; vaqt: 0,87-0,93 s) va singulatli (3B-rasm, 5-paket, I asosiy klaster: P <0,001, k=10, t-qiymati { {109}}.03; vaqt: 0,90-0,96 s; II: P <0,001, k=9; t-qiymati=-2,29; vaqt: 0,79-0,84 s). Ushbu kontrastlar bo'yicha qo'shimcha ma'lumotlar S8-jadvallarda keltirilgan va rasmda keng tasvirlangan. S9 va S10.

Xulosa qilib aytganda, 4-rasm qiziqarli hodisani sifat jihatidan tasvirlaydi. Birinchi tovushga "to'lqinli" javob birlamchi (i uchastkasi) va ikkilamchi eshitish kortekslari, insula, gippokampal hududlar (ii uchastka) va singulat (iii uchastka) ustidan juda o'xshash faollikni ko'rsatgan bo'lsa-da, keyingi tovushlar uchun cho'qqilar boshqacha ko'rsatdi. tendentsiya, ayniqsa ketma-ketlikning uchinchi va to'rtinchi bandlariga javoban. Bunday holda, ikkilamchi eshitish kortekslari, insula, gippokampal hududlar va singulat birlamchi eshitish qobig'idan oldin cho'qqisiga o'xshardi. Biroq, dastlab paydo bo'lishi mumkin bo'lganidan farqli o'laroq, bu o'sha sohalarda tezroq javob berishni ko'rsatmasligi mumkin. Darhaqiqat, masalan, 0.5 s atrofida cho'qqilarga (4-rasmdagi birinchi qizil kvadrat) qarasak, birinchi cho'qqi (asosan ikkilamchi eshitish kortekslari, insula, hipokampal sohalar va singulat uchun paydo bo'ladi) mos kelishi kerak. P300 komponentiga naqshning ikkinchi tovushiga, ikkinchi cho'qqi (asosan, asosiy eshitish qobig'i uchun sodir bo'ladi) uchinchi tovushga P50 bo'lishi mumkin. O'xshash hodisa ketma-ketlikning quyidagi elementlari uchun sodir bo'ldi (boshqa qizil kvadratlarda ko'rsatilganidek).

Bu shuni ko'rsatishi mumkinki, birlamchi eshitish korteksining hissasi past darajadagi jarayonlarni indekslaydigan birinchi komponentlar (ya'ni P50 va N100) uchun kuchliroq bo'lsa-da, P300 kabi keyingi komponentlar asosan ikkinchi darajali eshitish kabi yuqori tartibli sohalar tomonidan yaratilishi mumkin. kortekslar, insula, hipokampal sohalar va singulat kortekslar. Hozirgi holatda bu faqat sifatli kuzatuv bo'lib, ushbu hodisani aniq va miqdoriy jihatdan o'rganishga qaratilgan kelajakdagi tadqiqotlarni talab qiladi.

Munozara

Musiqiy ketma-ketliklardan foydalangan holda ushbu MEG tadqiqoti eshitish vaqtinchalik ketma-ketliklarni tan olish bilan bog'liq bo'lgan miyada ikkita bir vaqtning o'zida ishlov berishni aniqladi. Bir tomondan, ketma-ketlikni tashkil etuvchi mahalliy, yagona elementlarning taqdimoti sezgir kortekslar tomonidan boshqariladigan tez, tebranuvchi, mahalliy ishlov berish bilan bog'liq edi. Ushbu qayta ishlash yodlangan musiqiy ketma-ketliklarga nisbatan romanni tashkil etuvchi tovushlarni tanib olish uchun kuchliroq edi. Boshqa tomondan, global, butun vaqtinchalik ketma-ketlikni qayta ishlash ketma-ket faol yuqori tartibli miya sohalarining keng tarqalgan tarmog'ini o'z ichiga olgan bir vaqtning o'zida global, sekin ishlov berish bilan bog'liq edi. Bunday holda, miya faoliyati yangi ketma-ketliklarga nisbatan yodlanganlar uchun asosan kuchliroq edi.

Bu ikki tomonlama bir vaqtning o'zida qayta ishlash, ayniqsa, ketma-ketlikning so'nggi uchta ohangining taqdimotiga mos keladigan yozishmalarda yaqqol namoyon bo'ldi, bu esa tan olish jarayonini boshlash uchun miya tomonidan kamida ikki yoki uch tonna talab qilinishini ko'rsatadi. Bu erda miya asosan xotira, e'tibor, tinglash va qaror qabul qilish bilan bog'liq bo'lgan sohalarning keng tarmog'ini jalb qildi. Bunday miya hududlari gippokamp (Knierim 2015), singulat girus (Rolls 2019; Pando-Naude va boshq. 2021; Criscuolo va boshq. 2022), pastki temporal korteks (Conway 2018), frontal operkulum (Indefrey va boshq. Beshro) edi. boshq. 2015), insula (Uddin 2015) va asosiy va ikkilamchi eshitish korteksi (Elhilali va boshq. 2004). Shunisi e'tiborga loyiqki, ikkala jarayon (global va mahalliy) taxminan bir xil miya hududlarini o'z ichiga olgan, ammo asabiy uyg'otuvchi javoblarning turli chastotalariga bog'liq edi. Bundan tashqari, mahalliy ishlov berish asosan sensorli kortekslarga (masalan, eshitish qobig'iga) tayangan bo'lsa, global qayta ishlash singulat, pastki temporal korteks va hipokampus kabi yuqori darajadagi miya sohalarini kengroq jalb qilishni taqdim etdi.

Ajablanarlisi shundaki, eshitishning vaqtinchalik ketma-ketligini aniqlash miyaning pastdan yuqori darajali mintaqalari zanjirini o'zgartiradigan asta-sekin sekinroq hodisalar kaskadi bilan bog'liq edi. 0.1-1 Gts diapazoni uchun kuzatilgan bu dalil, miya keyingi faol hududlarning ierarxik yo'lini jalb qilish orqali rivojlanayotgan vaqtinchalik ketma-ketlikni mazmunli tushunishni kuzatib borishini va bosqichma-bosqich qurishini ko'rsatishi mumkin. Aksincha, 2-8 Gts diapazonidagi faollik vaqtinchalik ketma-ketlikning har bir elementidan keyin bir oz cho'qqiga chiqqan qo'shimcha profilni ko'rsatdi. Bunday dalillar shuni ko'rsatadiki, 0.1-1 Gts diapazoni butun ketma-ketlikni (global qayta ishlash) keng qamrovli tushunishga erishishda ishtirok etishi mumkin bo'lsa-da, 2-8 Gts diapazoni alohida elementlar (mahalliy) bo'yicha mustaqil ravishda ishlab chiqilishi mumkin. qayta ishlash). Biroq, bizning natijalarimiz bunday chiziqlar miyaning ichki mexanizmlarini ifodalaydimi yoki shunchaki stimulga asoslanganmi yoki yo'qligini aniq ayta olmaydi. Ushbu muhim savolni hal qilish uchun kelajakdagi tadqiqotlar kerak bo'ladi.

Natijalarimizning asosiy yangiligi eksperimental sharoitimizda (M va N) ikkita chastota diapazoni uchun kuzatilgan miya signalining differentsial kuchi bilan bog'liq. Darhaqiqat, 0.1-1 Gts diapazoni yodlangan ketma-ketliklar uchun kuchliroq quvvatni taqdim etgan bo'lsa, 2-8 Gts diapazoni yangilari uchun ko'proq javob ko'rsatdi. Ushbu topilmani bashoratli kodlash nazariyasi (Friston 2012; Vuust va boshq. 2012; Koelsch va boshq. 2019) nurida ko'rish mumkin, bu esa miya atrof-muhit haqidagi ma'lumotni bashorat qilish uchun doimiy ravishda ichki modellarni yangilab turishini ta'kidlaydi. Bu erda, miya vaqtinchalik ketma-ketliklarni (masalan, bizning ketma-ketliklarning ikkinchi va uchinchi ohanglari atrofida) tan olganida, u ketma-ketlikni yakunlovchi yaqinlashib kelayotgan, avval eslab qolingan narsalar haqida yaxshiroq bashorat qilishi mumkin.

Shunday qilib, biz eksperimental ravishda kuzatganimizdek, bunday elementlar kamroq mahalliy ishlov berishni talab qiladi. Qizig'i shundaki, asosan asosiy eshitish po'stlog'ida lokalizatsiya qilingan bo'lsa-da, 2-8 Gts tarmoqli faolligining neyron manbalari ham hipokampal sohalarda, ikkilamchi eshitish korteksida, insulada va singulatda joylashgan. Yuqorida aytib o'tilganidek, bu dalillar, taxminan bir xil miya hududlari vaqtinchalik ketma-ketlikning mahalliy va global qayta ishlanishini indekslaydigan juda boshqacha funktsional profil bilan tavsiflangan ikkita bir vaqtning o'zida chastota diapazonini hosil qilganligini ko'rsatadi. Buning ustiga, mahalliy ishlov berish haqida bizning natijalarimiz shuni ko'rsatadiki, har bir tovushni ishlab chiqish uchta asosiy cho'qqiga (komponentga) ega bo'lgan to'lqinlarga o'xshash vaqt seriyasini keltirib chiqardi. Bu erda, birinchi komponentlar (ya'ni P50 va N100 (Coles and Rugg 2008)) tomonidan indekslangan tovushlarning quyi darajadagi ishlab chiqilishi asosan asosiy eshitish korteksida paydo bo'lgan. Aksincha, P300 (Coles and Rugg 2008) kabi keyingi komponentlar, ayniqsa, ikkinchi darajali eshitish kortekslari, insula, hipokampal hududlar va singulat kabi yuqori darajadagi hududlar tomonidan yaratilgan. Shunisi e'tiborga loyiqki, bunday hodisa vaqtinchalik ketma-ketlik paydo bo'lgandan keyin yanada aniqroq bo'ldi, bu esa miyaning butun vaqtinchalik ketma-ketlikning ma'nosini tushunishi uchun alohida elementlarning tobora takomillashtirilgan ishlab chiqilishi zarur bo'lishi mumkinligini ko'rsatadi.

Yana bir eslatmada, oldingi bir qancha tadqiqotlar neyron signalning turli joylashuvi nuqtai nazaridan global va mahalliy ishlov berishni tasvirlab berdi (ya'ni birlamchi sezgi kortekslari kiruvchi stimullarni ishlab chiqishda yuqori darajadagi miya sohalaridan oldin joylashgan (Qiu va Von Der Heydt 2005). Aksincha, Bizning tadqiqotimiz shuni ko'rsatdiki, bir xil miya hududlari ushbu ikkita jarayonni (global va mahalliy) bir vaqtning o'zida ikkita bir vaqtning o'zida ikkita chastota diapazoni yordamida boshqargan, ehtimol murakkab multipleksatsiyadan dalolat beradi.Bu natijalar oldingi tadqiqotlar bilan mos keladi, ular miya jarayonlarining bir vaqtning o'zida sodir bo'lishini ko'rsatdi. eshitish idroki va tilni tushunishda bir xil narsalar (Giraud va Poeppel 2012).

Bundan tashqari, ovozli ma'lumot uchun eshitishni qayta ishlash va xotirani o'rgangan oldingi tadqiqotlarning ba'zilari bizning sekin, global qayta ishlashimizga o'xshash sekin chaqirilgan javoblar haqida xabar berishdi. Misol uchun, Picton (1978) tovushlarga javoban inson miyasida eshitish barqaror elektr potentsialining dalillarini keltirdi. Yaqinda Bidet-Caulet va boshqalar. (2007) intrakranial EEG dan foydalangan holda, ovozli ma'lumotlarga tanlab e'tibor berish miyaning ikkilamchi eshitish qismlarida doimiy uyg'ongan javoblar bilan bog'liqligini ko'rsatdi. Xuddi shunday, Grimault va boshqalar. (2014) qisqa muddatli eshitish xotirasini o'rganar ekan, xotirada bir nechta eshitish ob'ektlari saqlanganida frontal, temporal va parietal hududlarda barqaror miya faoliyati haqida xabar berdi. Ushbu topilmalarga muvofiq, Albouy va uning hamkasblari ishtirokchilardan eshitish xotirasi bo'yicha vazifalarni bajarishni so'rashganda, sekin uyg'ongan javoblarni ko'rsatdilar.

Ular sekin, barqaror miya javoblari haqida xabar berishdi, ayniqsa eshitish stimullarini ushlab turish va manipulyatsiya qilish (Albouy va boshq. 2013, 2017).

Nihoyat, bizning topilmalarimiz miyaning taniqli ikki oqimli gipotezasi tushunchalari bilan bog'liq va kengaytirilgan (Goodale va Milner 1992; Whitwell va boshq. 2014). Bunday kontseptualizatsiya vizual va eshitish ma'lumotlarini yuqori darajadagi ishlab chiqish uchun ikkita asosiy yo'lni taklif qildi. Bir tomondan, ventral oqim sensorli sohalardan (masalan, vizual va eshitish kortekslari) medial temporal lobga olib keladi, asosan ob'ektni tanib olish bilan bog'liq xususiyatlarni qayta ishlaydi (Goodale va Milner 1992; Weiller va boshq. 2021). Boshqa tomondan, dorsal oqim sensorli kortekslardan ma'lumotni parietal lobga olib keladi, stimullarning fazoviy xususiyatlarini ishlab chiqadi (Arbib 2017).

Ushbu gipotezaga muvofiq, bizning natijalarimiz tanib olish jarayonlarida ishtirok etadigan ventral oqimning bir nechta miya hududlarini, masalan, hipokampal hududlar, frontal operkulum va pastki temporal korteksni ta'kidladi. Shunisi e'tiborga loyiqki, bizning natijalarimiz kamida uchta muhim, yakuniy fikrni taqdim etish orqali ikki oqimli gipoteza bo'yicha oldingi bilimlarni yanada kengaytirdi. (i) Vaqtinchalik ketma-ketliklarning miyani tanib olishi noyob fazoviy-vaqtinchalik xususiyatlarni taqdim etdi, ular bitta elementlarni yoki sinxron naqshlarni identifikatsiyalash bilan bo'lishmaydi. (ii) Ikki oqimli gipotezada ishtirok etgan miya hududlariga qo'shimcha ravishda, bizning topilmalarimiz eshitish vaqtinchalik ketma-ketlikni aniqlashga erishish uchun singulat girusning imtiyozli rolini ko'rsatdi. (iii) Nihoyat, vaqt o'tishi bilan paydo bo'ladigan ketma-ketlikni tanib olish bir xil elementlarni bir vaqtning o'zida ikki tomonlama qayta ishlashni o'z ichiga oladi, bu miya bir vaqtning o'zida ma'lumotlarning alohida qismlari (mahalliy ishlov berish) va kattaroq butunlikning elementar qismlari (global qayta ishlash) sifatida talqin qiladi. Ta'kidlash joizki, bizning tadqiqotimiz shuni ko'rsatdiki, mahalliy qayta ishlash yangi eshitish ma'lumotlari uchun juda dolzarb bo'lib, ilgari yodlangan musiqiy ketma-ketliklar miyaning global qayta ishlashining kuchli ishtiroki orqali tan olingan.

Kelajakdagi tadqiqotlar musiqiy bo'lmagan vaqtinchalik ketma-ketliklarni (masalan, raqamlar, so'zlar va vizual elementlar ketma-ketligi) tanib olishning miya mexanizmlarini o'rganish orqali ushbu mavzuni qo'shimcha tekshirishga chaqiriladi. Bundan tashqari, odamlarning turli toifalari o'rtasidagi kognitiv qobiliyatlardagi taniqli farqlarga asoslanib (masalan, kattalar va yoshlar (Fernàndez-Rubio, Brattico, et al. 2022a; Fernàndez-Rubio, Olsen, et al. 2022c), musiqachilar va boshqalar. musiqachi bo'lmaganlar (Criscuolo va boshq. 2019; Bonetti, Brattico, Vuust, va boshq. 2021c) va sog'lom odamlar bemorlarga nisbatan (Valenzuela va Sachdev 2006)), kelajakdagi tadqiqotlar yosh va klinik sharoitlarning miya mexanizmlariga ta'sirini o'rganishi kerak. asosiy vaqtinchalik ketma-ketliklarni aniqlash.

Muallif hissalari

Kontseptsiyalash: LB, EB, MLK, PV; Metodologiya: LB, MLK, DP, GDE; Dasturiy ta'minot: LB; Tahlil: LB; Tekshiruv: LB, GDO; Resurslar: MLK, PV, EB, LB; Ma'lumotlar kuratsiyasi: LB; Yozish — Asl qoralama: LB; Yozish - ko'rib chiqish va tahrirlash: LB, SEPB, EB, DP, GDE, GDO, PV; Vizualizatsiya: LB, SEPB; Nazorat: MLK, PV, DP, EB; Loyiha boshqaruvi: LB, MLK, PV, EB; Moliyaviy sotib olish: LB, PV, MLK.

Minnatdorchilik

Rikkardo Proietti, Giulio Karraturo, Mik Xolt va Xolger Friisga neyroilmiy eksperimentdagi yordamlari uchun minnatdorchilik bildiramiz. Shuningdek, psixolog Tina Birgitte Visbek Karstensenga psixologik testlar va anketalarni topshirishda yordam bergani uchun va Franchesko Karlomagnoga qog'ozni ko'rsatishda yordam bergani uchun minnatdorchilik bildiramiz.

Qo'shimcha material
Qo'shimcha materialni Onlayn Serebral Korteksda topish mumkin.

Moliyalashtirish

Miyadagi musiqa markazi (MIB) Daniya milliy tadqiqot fondi (loyiha raqami DNRF117) tomonidan moliyalashtiriladi.

LB Carlsberg Foundation (CF20-0239), Lundbeck Foundation (Iste'dod mukofoti 2022), Miyadagi musiqa markazi, Oksford universitetining Linacre kolleji va Ta'lim va musiqa psixologiyasi jamiyati (SEMPREning 50 yilligi) tomonidan qo'llab-quvvatlanadi. Mukofotlar sxemasi).

MLK Pettit va Carlsberg jamg'armalari tomonidan moliyalashtiriladigan Miyadagi musiqa markazi va Evdaimoniya va insonning gullab-yashnashi markazi tomonidan qo'llab-quvvatlanadi.

GD Ispaniyaning PSI{0}}P tadqiqot loyihasi (AEI/FEDER, EI) tomonidan, Yevropa Ittifoqining Horizont 2020 tadqiqot va innovatsiyalar dasturi tomonidan № li grant shartnomasi boʻyicha qoʻllab-quvvatlanadi. 720270 (HBP SGA1) va raqami. 785907 (HBP SGA2) va Kataloniya AGAUR dasturi 2017 SGR 1545 tomonidan.

Bundan tashqari, Boloniya universitetiga muallif Giulia Donati va talaba yordamchilari Rikkardo Proietti va Giulio Karraturoga hamda Mensaning Italiya bo‘limiga ko‘rsatgan iqtisodiy yordami uchun: Franchesko Karlomagnoga ko‘rsatgan iqtisodiy yordami uchun Xalqaro Oliy IQ Jamiyatiga minnatdorchilik bildiramiz.

Ma'lumotnomalar

Al-Zoubi MB, Al RM. Siluet koeffitsientlarini hisoblash uchun samarali yondashuv. 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 va boshqalar. Tug'ma amusiyada ovoz balandligini idrok etish va xotiraning buzilishi: defitsit eshitish qobig'ida boshlanadi. Miya. 2013: 136 (5): 1639–1661.

3.Albouy P, Weiss A, Baillet S, Zatorre RJ. Dorsal oqimdagi teta tebranishlarining tanlab kiritilishi eshitish xotirasining ish faoliyatini kuchaytiradi. Neyron. 2017: 94 (1): 193–206.

4. Arbib MA. Tilga tayyor miyaning evolyutsiyasidagi dorsal va ventr1982al oqimlari: tilni dunyo bilan bog'lash. J Neyrolingvistika. 2017: 43: 228–253.

5. Behroozmand R, Shebek R, Hansen DR, Oya H, Robin DA, Howard MA, Greenlee JDW. Nutqni ishlab chiqarish va vosita boshqaruvida ishtirok etadigan sensor-motor tarmoqlari: fMRI tadqiqoti. NeuroImage. 2015: 109: 418–428.

6. Berdiyeva T.K., Olson CR. Harakatlar va ob'ektlarni ketma-ket tartibda tanlashda makaka frontal korteksining to'rtta hududida signallarni tartiblang. J Neyrofiziol. 2010: 104 (1): 141–159.

7. Bidet-Kaulet A, Fischer C, Besle J, Aguera PE, Giard MH, Bertrand, O. Tanlangan e'tiborning inson eshitish po'stlog'ida parallel tovushlarning elektrofizyologik tasviriga ta'siri. 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. Iogann Sebastyan Bax musiqasini tan olishda fazoviy-zamoniy miya dinamikasi. 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. Butun miya aloqasida topilgan musiqiy ohanglarni tezkor kodlash. NeuroImage. 2021a:245:118735.

10. Bonetti L, Brattico E, Vuust P, Kliuchko M, Saarikallio S. Aql-idrok va musiqa: past intellekt koeffitsienti kuchli his-tuyg'ularni boshdan kechirish uchun musiqadan ko'proq foydalanish bilan bog'liq. Empir Stud Arts. 2021c:39(2):194–215.

For more information:1950477648nn@gmail.com