Мозъчно разпознаване на предварително научени спрямо нови времеви последователности: Диференциална едновременна обработка, част 2

Събиране на данни

Получихме анатомични MRI и MEG данни в две независими сесии. MEG данните бяха получени чрез използване на система Elekta Neuromag TRIUX (Elekta Neuromag, Хелзинки, Финландия), оборудвана с 306 канала. Машината беше поставена в магнитно екранирана стая в университетската болница в Орхус, Дания. Данните бяха записани при честота на дискретизация от 1,000 Hz с аналогово филтриране от 0,1–330 Hz. Преди измерванията настроихме нивото на звука на 50 dB над минималния праг на чуване на всеки участник. Освен това, използвайки триизмерен дигитайзер (Polhemus Fastrak, Colchester, VT, САЩ), регистрирахме формата на главата на участника и позицията на четири намотки на главата, относно три анатомични ориентира (назия и ляво и дясно преаурикуларно местоположение).

С непрекъснатото развитие на науката и технологиите в нашия живот се появиха много нови концепции и технологии. Те, технологията MEG е една от тях. MEG е обща техника за измерване на електрическата активност в човешкия мозък. Той използва свръхпроводящ квантов интерферометър (SQUID) за откриване на електрическата активност на невроните. Технологията MEG може да ни помогне да разберем по-добре принципа на работа на човешкия мозък и след това да изследваме мистерията на човешкия интелект.

В допълнение към изучаването на електрическата активност на невроните, MEG технологията може също така да оцени и изследва човешката памет. Много проучвания показват връзка между MEG технологията и паметта. Чрез изучаване и анализиране на големи количества данни учените могат да използват технологията MEG, за да проследят капацитета на паметта на хората и начина, по който различните хора обработват спомените.

Според изследването чрез анализа на MEG технологията и данните учените могат да идентифицират и измерват електрическата активност в различни региони на човешкия мозък, като по този начин ни помагат да разберем режима на работа на мозъка. Тези данни могат да ни помогнат да разберем по-добре паметта и когнитивните процеси и от своя страна да разработим по-добри начини за подобряване на паметта на хората.

В допълнение, много проучвания също показват, че е напълно възможно да се използват различни методи и техники за подобряване на паметта. Използвайки различни техники и упражнения за запаметяване, можем да тренираме мозъка си и по този начин да подобрим способността си да запомняме. За тези, които искат да подобрят паметта си, разбирането на MEG технологията и анализа на данни е решаваща стъпка.

Следователно съществува неразривна връзка между MEG технологията и паметта. Чрез анализа на големи количества данни можем да разберем по-добре как работи човешкият мозък и процеса на формиране на паметта и след това да разработим по-добри методи за подобряване на паметта ни. Вярваме, че в бъдеще, с непрекъснатото развитие и усъвършенстване на технологиите, ще имаме повече методи и технологии, които да ни помогнат да развием и използваме по-добре способността си за памет. От тази гледна точка трябва да подобрим паметта си. Cistanche може значително да подобри паметта, тъй като Cistanche може също да регулира баланса на невротрансмитерите, като например повишаване на нивото на ацетилхолин и растежни фактори, които са много важни за паметта и ученето. Освен това месото може също да подобри притока на кръв и да насърчи доставката на кислород, което може да гарантира, че мозъкът получава достатъчно храна и енергия, като по този начин подобрява жизнеността и издръжливостта на мозъка.

Щракнете върху добавки за подобряване на паметта

Местоположението на намотките на главата беше регистрирано по време на целия запис чрез използване на непрекъсната идентификация на позицията на главата (cHPI), което ни позволява да проследим точното местоположение на главата в MEG скенера във всяка времева точка. Използвахме тези данни, за да извършим точна корекция на движението на по-късен етап от анализа на данните.

Записаните анатомични MRI данни съответстват на структурния T1. Параметрите на придобиване за сканиране се съобщават, както следва: размер на воксел=1.0 × 1.0 × 1.0 mm (или 1.0 mm3); реконструиран размер на матрицата 256 × 256; време за ехо (TE) от 2,96 ms и време за повторение (TR) от 5,000 ms и честотна лента от 240 Hz/Px. На по-късен етап от анализа всяко T1-претеглено MR сканиране беше съвместно регистрирано към стандартния MNI мозъчен шаблон чрез афинна трансформация и след това препратено към пространството на MEG сензорите чрез използване на данните за формата на главата на Polhemus и трите опорни точки, измерени по време на MEG сесията.

Предварителна обработка на данни

Суровите MEG сензорни данни (204 равнинни градиометри и 102 магнитометъра) бяха предварително обработени от MaxFilter (Taulu и Simola 2006) за намаляване на смущенията, произхождащи извън скалпа, чрез прилагане на разделяне на сигналното пространство. В рамките на същата сесия Maxfilter също коригира сигнала за движение на главата и го намали от 1,000 до 250 Hz.

Данните бяха преобразувани във формат SPM и допълнително анализирани в Matlab (MathWorks, Natick, Масачузетс, САЩ) с помощта на OSL (Software Library на OHBA), свободно достъпна кутия с инструменти, която разчита на комбинация от FSL (Woolrich et al. 2009), SPM (Penny et al. 2007) и Fieldtrip (Oostenveld et al. 2011), както и вътрешно изградени функции. Приложен е прорезен филтър (48–52 Hz), за да се коригира възможна интерференция с електрическия ток. Данните бяха допълнително намалени до 150 Hz и няколко сегмента от данните, променени от големи артефакти, бяха премахнати след визуална проверка.

След това, за да се отхвърли намесата на мигането на очите и артефактите на сърдечния ритъм от мозъчните данни, беше използван анализ на независими компоненти (ICA) за разлагане на оригиналния сигнал на независими компоненти. След това компонентите, които улавят мигането на очите и сърдечния ритъм, първо са изолирани и след това изхвърлени. Сигналът беше възстановен чрез използване на останалите компоненти (Mantini et al. 2011) и след това епохиран в 80 опита (по един за всеки музикален откъс), продължаващи 3500 ms всеки (със 100 ms време преди стимула, което беше използвано за корекция на базовата линия) ( Фиг. 1B).

Едномерни тестове и Монте-Карло симулации върху MEG сензори

Въпреки че основният ни фокус беше върху реконструираните мозъчни данни от MEG източника, първият анализ на данните от MEG сензора беше изчислен, съгласуван с най-съвременните препоръки за най-добри практики в MEG анализа (Gross et al. 2013).

По този начин, подобно на голям брой MEG и електроенцефалографски (ЕЕГ) проучвания, свързани със задачи (Gross et al. 2013), ние осреднихме опитите за условия, като получихме две крайни средни проучвания, за M и N, съответно. След това комбинирахме всяка двойка равнинни градиометри по квадратен корен. След това проведохме t-тест за всяка времева точка във времевия диапазон 0–2.500 s и всеки комбиниран планарен градиометър, контрастиращ M срещу N.

За да коригираме множество сравнения, ние изчислихме симулации Монте-Карло (MCS) (Kroese et al. 2011) с 1,000 пермутации на клъстерите от значими резултати, произлезли от t-тестовете. Считахме за значими оригиналните клъстери, които имат размер, по-голям от 99,9% максимални размери на клъстери на пермутираните данни. Допълнителни подробности за тази широко използвана процедура могат да бъдат намерени в Bonetti et al. (2020), Бонети, Братико, Карломаньо и др. (2021a), Bonetti, Bruzzone, Sedghi и др. (2021b), Bonetti, Brattico, Vuust и др. (2021c) и Fernàndez-Rubio, Brattico, et al. (2022a), FernàndezRubio, Carlomagno и др. (2022b), Fernàndez-Rubio, Olsen и др. (2022c).

Този анализ показа голяма и стабилна разлика между експерименталните условия. Освен това мозъчната активност, записана през MEG каналите, образуващи значителния клъстер, изведен от MCS анализа, очерта времева серия, която представя два основни честотни компонента. Както е показано на фиг. S2A, по-бързият честотен компонент достига своя връх след представянето на всеки от елементите, образуващи последователността, докато по-бавният честотен компонент придружава цялата последователност.

Това доказателство беше допълнително подкрепено от изчислението на сложна вълнова трансформация на Morlet (Daubechies 1992) върху всички данни от MEG сензори, което подчертава основния принос на 1 и 4 Hz към MEG сигнала, записан по време на задачата (фиг. S2B). В допълнение, този анализ показа забележима, но по-слаба мощност около 10 Hz.

Трябва да се отбележи, че мощността от 10 Hz не е заключена във времето към началното изместване на музикалната последователност. По този начин нашите следващи анализи се фокусираха основно върху две честотни ленти, определени около 1 и 4 Hz, тъй като те бяха честотите с най-голяма мощност. Тези две ленти бяха 0,1–1 и 2–8 Hz. Освен това проведохме допълнителен анализ на честотния диапазон, дефиниран около 10 Hz, тъй като той представи намалена, но различима мощност. Тази лента беше 8–12 Hz.

Важното е, че предположихме, че честотните ленти 2–8 и 0.1–1 Hz индексират двата основни процеса, включени в нашата експериментална задача: обработка на единични елементи, формиращи времевата последователност (i—локална обработка) и разпознаване на времева последователност като всеобхватен суперординатен обект (ii— глобална обработка).

Реконструкция на източника

Използвахме най-съвременни методи за реконструкция на източници, за да оценим източниците, които генерираха сигнала, който записахме на MEG сензорите (фиг. 1C и фиг. 2A) (Huang et al. 1999; Hillebrand and Barnes 2{{ 7}}05). Важно е, че алгоритъмът за реконструкция на източника е изчислен независимо за трите честотни ленти, включени в изследването (0,1–1, 2–8 и 8–12 Hz), за да се характеризират предизвиканите отговори на M и N в тези три различни честотни ленти . По-конкретно, бяха изпълнени следните стъпки.

Първо, непрекъснатите данни (преди епохирането) бяха лентово филтрирани в трите честотни ленти. Второ, филтрираните данни (независимо за трите ленти) бяха епохирани. Трето, епохираните данни бяха изпратени на алгоритъма за реконструкция на източника, описан по-долу.

Такъв алгоритъм включва две последователни стъпки: (i) проектиране на преден модел и (ii) изчисляване на обратното решение. Предният модел е теоретичен модел, който разглежда всеки мозъчен източник като активен дипол и описва как единната сила на такъв дипол ще бъде отразена върху всички MEG сензори (в нашия случай ние използвахме както магнитометри, така и планарни градиометри) (Huang et al. 1999).

Тук използвахме решетка от 8- mm, която върна 3559 диполни местоположения (воксели) в целия мозък. След регистриране на индивидуални структурни T1 данни с фидуциали (информация за основни ориентири), предният модел беше изчислен чрез възприемане на широко използван метод, наречен "Единична обвивка", представен подробно от Nolte (2003). Резултатът от такова изчисление, наричан също модел на водещо поле, се съхранява в матрица L (източници × MEG канали). В малкото случаи, когато структурен T1 не беше наличен, извършихме изчисление на водещото поле с помощта на шаблон (MNI152-T1 с 8- mm пространствена разделителна способност).

Втората стъпка от реконструкцията на източника е да се изчисли обратното решение (т.е. да се оценят генераторите на невронния сигнал въз основа на мозъчната активност, записана с MEG). В нашето проучване ние избрахме формиране на лъч, който е един от най-популярните и ефективни налични алгоритми в тази област (Huang et al. 1999; Hillebrand and Barnes 2005). Тази процедура използва различен набор от тегла, последователно приложени към местоположенията на източниците за изолиране на приноса на всеки източник към активността, записана от MEG каналите за всяка времева точка (Hillebrand и Barnes 2005; Brookes et al. 2007). На по-техническо ниво, обратното решение, базирано на формиране на лъч, може да бъде описано чрез следните основни стъпки.

Първо, данните, записани от MEG сензори (B) в момент t, могат да бъдат описани със следното уравнение (3):

където L е описаният по-горе модел на водещо поле, Q е диполната матрица, пренасяща активността на всеки активен дипол (q) във времето и ε е шум (вижте Huang et al. (2004) за повече подробности). По този начин, за да разрешим обратния проблем, трябва да изчислим Q. Използвайки формирането на лъча, такава процедура се върти около изчисляването на теглата, които се прилагат към MEG сензорите във всяка времева точка, както е показано за единичния дипол q в уравнението (4 ):

Наистина, за да се получи q, трябва да се изчислят теглата W (долният индекс T се отнася до транспонираната матрица). За да направи това, формирането на лъча разчита на умножението на матрицата между L и ковариационната матрица между MEG сензорите (C), изчислени на свързаните експериментални опити. По-конкретно, за всеки мозъчен източник n, теглата Wn се изчисляват, както следва:

Трябва да се отбележи, че изчислението на модела на водещото поле е направено за трите основни ориентации на всеки мозъчен източник (дипол), според Nolte (Nolte 2003). Въпреки това, преди да се изчислят теглата, ориентациите са намалени до една чрез използване на алгоритъма за разлагане на сингулярна стойност върху умножението на матрицата, отчетено в уравнение (6). Тази процедура е широко възприета за опростяване на изхода за формиране на лъч (Huang et al. 2004; Woolrich et al. 2011).

Тук l представлява модела на водещото поле с трите ориентации, докато L е разрешеният модел с една ориентация, който беше използван в (5).

И накрая, както бе споменато по-горе, по отношение на внедряването на кодиране на такива алгоритми, използвахме кутии с инструменти на Matlab като OSL, FieldTrip, SPM (функции за предварителна обработка на MEEG и кутия с инструменти за формиране на лъч на SPM) и FSL. Освен това тези кодове бяха допълнени от вътрешно изградени скриптове и функции.

Мозъчна активност за всеки елемент от времевата последователност

Първо, искахме да открием мозъчната активност, лежаща в основата на всеки елемент от нашите времеви последователности (фиг. 1D, фиг. S3, S4, таблица 1 и таблица S1). Тук изчислихме абсолютната стойност на реконструирания времеви ред, тъй като се интересувахме от абсолютната сила на сигнала.

За да извършим анализ от първо ниво за всеки участник, използвахме общи линейни модели (GLM). Такива модели бяха изчислени върху реконструирани данни от източника за всяка времева точка и източник на мозък (Hunt et al. 2012). GLM върнаха основния ефект (контрасти на оценката на параметрите (COPE)) на M и N, както и техния контраст. Те бяха използвани, тъй като им беше позволено да получат основни ефекти, които бяха съществено коригирани от вариацията между участниците. Тези резултати бяха подложени на анализ от второ ниво, използвайки t-тестове за една извадка с пространствено изгладена дисперсия, получена с гаусово ядро ​​(пълна ширина на половината максимум: 50 mm) (Huang et al. 2004).

Тук се интересувахме от наблюдението на различната мозъчна активност, лежаща в основата на разпознаването на времевата последователност M срещу N, независимо за всяка честотна лента и елемент (музикален тон), формиращ последователността. По този начин, ние изчислихме 15 (5 тона × 3 честотни ленти) базирани на клъстер Монте-Карло симулации (MCS) върху резултатите от анализ на второ ниво (ниво на група), осреднени за петте времеви прозореца, съответстващи на продължителността на музикалните тонове . MCS анализът включва 1,000 пермутации и праг за образуване на клъстер от P < 0.05 (от тестовете от второ ниво). По-конкретно, MCS тестът се състоеше от откриване на пространствени клъстери на значими стойности в оригиналните данни. След това такива данни бяха пермутирани и пространствените клъстери на пермутираните значими стойности бяха открити. Тази процедура беше изчислена няколко пъти (например 1, 000) и доведе до референтно разпределение на размерите на клъстерите, открити за всяка пермутация. И накрая, оригиналните размери на клъстерите бяха сравнени с референтното разпределение. Оригиналните клъстери се считат за значими, ако размерите на клъстерите на пермутираните данни са по-големи от първоначалните размери на клъстери по-малко пъти от нивото на MCS. В този случай, тъй като изчислихме анализа 15 пъти, коригирахме за множество сравнения, като разделихме стандартното ниво на MCS (=0.05) на 15, което доведе до актуализиран MCS=0.003 (т.е. оригинален клъстерите са били значителни, ако техните размери са били по-големи от 99,7% от размерите на пермутираните клъстери).

Тъй като един от честотните диапазони, използвани в това изследване, беше доста нисък ({{0}}.1–1 Hz), ние преизчислихме реконструкцията на източника и контрастите между M и N за 0,1–1 Hz, използвайки три различни базови линии (500, 1, 000 и 2, 000 ms). Това беше направено, за да се докаже, че нашите първоначални резултати не се ръководят от дължината на базовата линия. Резултатите от тази процедура са изобразени на Фиг. S5 и докладвани подробно в Таблица S2.

K-означава функционално групиране

За да допълним нашите предишни резултати и да предоставим по-подробно описание на пространствената степен на активните мозъчни източници, както и тяхната активност във времето, ние дефинирахме функционално базирана парцелация на мозъка. Приехме така нареченото k-средно функционално групиране, състоящо се от серия от k-средни алгоритми за групиране. Sinaga и Yang (2020) извършиха функционална и пространствена информация за всеки от реконструираните времеви серии на мозъчни източници (воксели). Този подход е следван за двете честотни ленти, които върнаха най-силните резултати в предишните ни анализи и които бяха свързани или с отделните елементи от последователността, или с цялата последователност, а именно 0,1–1 и 2–8 Hz.

По-конкретно, като първа стъпка, алгоритъмът за функционално групиране на k-средни стойности изчислява групиране на основни функционални параметри като пикови стойности и съответните индекси на вокселните времеви серии. Ние наричаме тази стъпка функционално клъстериране. Тази процедура върна набор от независими пакети, групирани според функционалните профили на мозъчните воксели. Наистина, такива пакети могат или да съдържат воксели, които са достигнали своя връх приблизително по едно и също време (фиг. 2B, вляво) или с подобна абсолютна сила (фиг. 2B, вдясно). Както е възможно, се предлага групиране на индексите на максималните времеви серии, когато мозъчната активност е локализирана в различни региони по различно време.

Обратно, когато активността е силно корелирана върху повечето от мозъчните воксели, групирането трябва да се извърши на стойности на максималните времеви серии и би помогнало да се идентифицират основните генератори на невронния сигнал. В това проучване 0.1–1 Hz (глобална обработка на последователността) представя различни пикове на активност, изместени във времето и по този начин е групирано, като се вземат предвид времевите индекси на такива пикове. По различен начин, 2–8 Hz (локална обработка на последователността) показва много корелирана активност и следователно е групирана с помощта на абсолютните стойности на такава пикова активност. Както се прави широко в клъстерния анализ (Garcia-Dias et al. 2019), също и в нашия случай беше полезно да се изчисли алгоритъмът за клъстериране върху последователен набор от k клъстера (от k=2 до 20). След това беше решено най-доброто решение за клъстериране въз основа на добре известни стратегии за оценка (евристики) като метода/правилото на лакътя (Liu и Deng 2021) и коефициента на силуета (Al-Zoubi и Al Rawi 2008).

Методът на коляното се състои в начертаване на сумата от квадратни грешки (SSE) на елементите, принадлежащи на клъстерите, по отношение на центроидите на клъстера, като функция на прогресивно по-многобройните клъстерни решения. След това методът предлага визуално идентифициране на "лакътя" на кривата като броя на клъстерите, които да се използват. Коефициентът на силуета е стойност (варираща от −1 до +1), показваща сходството на елемент с неговия клъстер (кохезия) в сравнение с други клъстери (разделяне). Високата стойност на силуетния коефициент показва, че елементът е добре съчетан със своя клъстер и лошо със съседните клъстери.

След като бъде решено най-доброто решение за функционално клъстериране, трябва да се изчисли второ клъстериране за пространствена информация (пространствено клъстериране, фиг. 2C). Действително, мозъчната активност се описва главно от два параметъра, пространствени местоположения и вариации във времето. Групирането на оригиналните мозъчни воксели в отделни функционални пакети може да върне големи пакети, включващи мрежа от пространствено разделени мозъчни области, които например са активни по едно и също време. По този начин, за да се дефинира по-добро парцелиране, е полезно да се извърши анализ на групиране и върху пространствените координати на всеки от функционалните парцели. В нашето изследване ние разгледахме триизмерните пространствени координати (в MNI пространството) на вокселите, образуващи всеки от функционалните пакети. Това изчисление за клъстериране беше извършено за последователен набор от k клъстерни решения (от k=2 до 10), за един парцел наведнъж. Що се отнася до функционалното групиране, ние оценихме най-доброто решение за пространствено групиране, като използвахме правилото на лакътя и коефициента на силуета. K-средното функционално групиране беше завършено, след като тази процедура беше извършена на всички функционални парцели, което предполага ефективно парцелиране за експерименталната задача въз основа както на функционална, така и на пространствена информация (примерите са докладвани на Фиг. S7, Таблици S3 и S4 за 0.1– 1 Hz и фиг. S8, таблици S5, S6 и S7 за 2–8 Hz). Като последна стъпка, времевите серии на мозъчните воксели, принадлежащи към всеки пакет, бяха осреднени заедно, за да се осигури крайна времева серия за пакета. Допълнителна информация за k-средно функционално групиране е докладвана в допълнителните материали.

Контрасти във времето за всеки колет

Тук k-средното функционално групиране беше извършено върху основните ефекти на ниво група на M и N, осреднени заедно. След това, за да получим основния ефект на M и N за всеки пакет и участник, ние осреднихме основния ефект от първо ниво на M и N (от GLM) върху мозъчните воксели, принадлежащи към всеки от функционалните пакети. Това доведе до нов времеви ред за всеки участник, функционален пакет и експериментално състояние (M и N). Такива времеви серии бяха подложени на едномерни контрасти (M срещу N; Фиг. 2D, методи и Фигури S9 и S1 0, резултати). По-конкретно, за всеки парцел и времева точка изчислихме един t-тест с две проби (праг P < 0.05), контрастиращ основния ефект на M спрямо N. След това коригирахме за множество сравнения, като използвахме двуизмерен MCS подход с 1,000 пермутации (MCS P <0,001). Повече подробности за тази широко възприета статистическа процедура могат да бъдат намерени в Bonetti et al. (2020), Бонети, Братико, Карломаньо и др. (2021a), Bonetti, Bruzzone, Sedghi и др. (2021b), Bonetti, Brattico, Vuust и др. (2021c). Както беше направено за другите анализи, такава операция беше наблюдавана за двете основни честотни ленти, изследвани в проучването (фиг. 3 и таблица S8).

Резултати

Експериментален дизайн и анализ на MEG сензори

На първо място, след предварителна обработка на MEG данните (вижте Фиг. 1A и B и Материали и методи за подробности), ние контрастирахме мозъчната активност, лежаща в основата на разпознаването на M срещу N, която беше записана от MEG сензорите. Тази процедура върна голям значим клъстер (P < 0.001, размер на клъстера k=2,117, средна стойност=3.29, време=0.547–1.180 s), показващи по-силна мозъчна активност за M спрямо N. Освен това, мозъчната активност, записана през MEG каналите, образуващи такъв значителен клъстер, очертава времева серия, която представя два основни честотни компонента. Както е показано на фиг. S2A, по-бързият честотен компонент достига своя връх след представянето на всеки от елементите, образуващи последователността, докато по-бавният честотен компонент придружава цялата последователност. Това доказателство беше допълнително подкрепено от изчислението на сложна уейвлет трансформация на Morlet върху предизвиканите отговори, записани от всички данни на MEG сензора, които подчертаха основния принос на 1 и 4 Hz към MEG сигнала, записан по време на задачата (фиг. S2B). По този начин нашите следващи анализи се фокусираха основно върху две честотни ленти, определени около 1 и 4 Hz, които бяха 0,1–1 и 2–8 Hz. Важно е, че ние предположихме, че честотните ленти 2–8 и 0,1–1 Hz индексират двата основни процеса, включени в нашата експериментална задача: обработка на единични елементи, формиращи времевата последователност (i-локална обработка) и разпознаване на времевата последователност като цялостна суперординатна обект (ii—глобална обработка).

Реконструирана мозъчна активност на източника и анализ на един елемент

Сравнихме реконструираната мозъчна активност, лежаща в основата на M срещу N последователности (вижте Материали и методи за подробности). Появиха се различни резултати за основните две честотни ленти ({{0}}.1–1 и 2–8 Hz). Мозъчната активност за 0.1–1 Hz е по-силна за M спрямо N, особено по време на обработката на последните три елемента от последователността. Както е изобразено на Фиг. 1D, Фигури S3-S5, такава активност очертава широко разпространена мозъчна мрежа, лежаща в основата на глобалната обработка на последователността, включваща мозъчни региони, свързани с паметта и оценъчни процеси, като cingulate gyrus, hipocampus, insula, frontal operculum и inferior темпорален кортекс (MCS P < 0.001). Обратно, мозъчната активност за лентата 2–8 Hz беше като цяло по-силна за N спрямо M и включваше главно слухови кори (MCS P <0.001). Статистическите данни за пиковите значими мозъчни воксели за честоти 0.1–1 и 2–8 Hz са докладвани в таблица 1, докато обширните резултати за трите честотни ленти са описани в таблици S1 и S2.

Контрасти на функционално получени ROI

За да характеризираме напълно пространствено-времевото разгръщане на мозъчната активност с течение на времето, ние дефинирахме функционално базирано парцелиране на мозъка, използвайки k-означава функционално групиране (вижте Материали и методи и Фиг. 2 и Фиг. S6 за подробности), независимо за {{3} }.1–1 и 2–8 Hz честотни ленти. Това доведе до нова времева серия за всеки участник, функционален пакет и експериментално състояние (M и N), които бяха подложени на едномерни контрасти (M срещу N) (Фиг. 3) и коригирани за множество сравнения, използвайки клъстер-базиран MCS.

Подобно на нашия предишен анализ, най-силната мозъчна активност в по-бавната лента беше открита за M. Забележително е, разширявайки нашия първи анализ, тези нови резултати подчертаха серия от последователно активни мозъчни пакети, придружаващи обработката на времевата последователност. Както е показано на Фиг. 3A, мозъкът представи първоначална активност в дясната слухова кора, характеризираща се с малко по-силна мощност за M спрямо N (Фиг. 3A, пакет 1: P < 0.0{ {10}}1, размер на клъстера k=39; средна t-стойност=2.72; време от появата на първия обект: 0–0. 25 s). След това наблюдавахме невронна активност в левия слухов кортекс, но нямаше значителни разлики между експерименталните условия (фиг. 3A, пакет 2). Започвайки между втория и третия елемент и достигайки пик по време на петия елемент от времевата последователност, наблюдавахме изблик на активност в cingulate gyrus, който беше по-силен за M спрямо N (фиг. 3A, парцел 3: P < {{34} }.001, k=92; t-стойност=2.73; време: 0,45–1,05 s). С малко закъснение се появи подобен профил за по-голям мозъчен пакет, включващ инсулата, предната част на долния темпорален кортекс, хипокампуса и фронталния оперкулум. Още веднъж, M беше до голяма степен по-силен от N (фиг. 3A, парцел 4: P <0.001, k=77; t-стойност=2.79; време: 0.69– 1.19 s). И накрая, достигайки връх точно преди средното време за реакция за категоризирането на модела на участниците, по-силна активност в пост-централния гирус и сензомоторния кортекс се наблюдава за M спрямо N (фиг. 3A, парцел 5, основен клъстер: P <0.001, k=142; t-стойност=2.68; време: 0,94–1,88 s).

Обратно, анализът за лентата 2–8 Hz показа няколко значителни клъстера на по-силна активност за N спрямо M около острите пикове на времевата серия. Трябва да се отбележи, че в сравнение с първия ни анализ за 5-те елемента от времевата последователност, тази втора процедура ясно очерта времевата степен на такава разлика, която съответства на последните три тона от времевите последователности. По-конкретно, такива разлики включват дясно (фиг. 3B, парцел 1, основен клъстер I: P < 0.001, k=11, t-стойност {{ 9}}.51; време: 0.89–0.95 s; II: P < 0.001, k {{ 17}}; t-стойност=2.22; време: 1.21– 1.28 s) и ляв първичен слухов кортекс (фиг. 3B, парцел 2, основен клъстер I: P < 0.{{46 }}01, k=12, t-стойност=−3,70; време: 0.74–{{6{{7{{ 76}}}}}}.81 s; II: P < 0.001, k {{40}}; t-стойност {{ 42}}.09; време: 0.87–{{1{{105}}1}}.95 s; III: P < {{113} }.001, k {{50}}; t-стойност=2.90; време: 0.64–0.69 s). С намалена сила, подобни клъстери на активност са наблюдавани за дясната (фиг. 3B, парцел 3, основен клъстер I: P <0,001, k=13, t-стойност=3.08; време : 1,19–1,27 s; II: P <0,001, k=12; t-стойност=3.61; време: 0,89–0,96 s) и ляв вторичен слухов кортекс и хипокампални области (фиг. 3B, парцел 4, основен клъстер I: P <0,001, k=12,t-стойност {{86}} −2,97; време: 0,74–0,81 s; II: P <0,001, k {{95 }}; t-стойност=2.86; време: 0,87–0,93 s) и cingulate (фиг. 3B, парцел 5, основен клъстер I: P < 0,001, k=10, t-стойност { {109}}.03; време: 0,90–0,96 s; II: P <0,001, k=9; t-стойност=−2,29; време: 0,79–0,84 s). Допълнителни подробности за тези контрасти са докладвани в таблици S8 и подробно описани на фиг. S9 и S10.

В заключение Фиг. 4 качествено илюстрира един интересен феномен. Докато отговорът на "вълна" на първия звук показва много сходна активност върху първичен (парцел i) и вторичен слухов кортекс, инсула, хипокампални области (парцел ii) и зъбна кост (парцел iii), пиковете за следните звуци показват различно тенденция, особено в отговор на третия и четвъртия елемент от последователността. В този случай вторичните слухови кори, инсулата, хипокампалните области и зъбната кора изглежда достигат своя връх преди първичната слухова кора. Въпреки това, противно на това, което може да изглежда първоначално, това може да не означава по-бърз отговор в тези области. Наистина, гледайки например пиковете около 0.5 s (първият червен квадрат на Фиг. 4), първият пик (проявяващ се главно за вторичните слухови кори, инсулата, хипокампалните области и цингулата) трябва да съответства към компонента P300 към втория звук на модела, докато вторият пик (възникващ главно за първичната слухова кора) може да бъде P50 към третия звук. Аналогично явление се случи за следните елементи от последователността (както е очертано от другите червени квадратчета).

Това може да предполага, че докато приносът на първичния слухов кортекс е бил по-силен за първите компоненти (т.е. P50 и N100), които индексират процесите на по-ниско ниво, по-късните компоненти като P300 могат да бъдат генерирани главно от области от по-висок ред, като вторичен слухов кортикули, инсула, хипокампални области и кортекси на зъбния кортикус. В настоящото състояние това е само качествено наблюдение, което изисква бъдещи проучвания, целящи конкретно и количествено изследване на този феномен.

Дискусия

Това изследване на MEG, използващо музикални последователности, разкрива двойната едновременна обработка в мозъка, свързана с разпознаването на слухови времеви последователности. От една страна, представянето на локални, единични елементи, образуващи последователността, беше свързано с бърза, осцилаторна, локална обработка, управлявана от сензорните кори. Тази обработка беше по-силна за разпознаването на звуците, формиращи новите спрямо запомнените музикални последователности. От друга страна, обработката на глобалната, цялата времева последователност беше свързана с едновременна глобална, бавна обработка, включваща широко разпространена мрежа от последователно активни мозъчни области от висок ред. В този случай мозъчната активност е до голяма степен по-силна за запаметени спрямо нови последователности.

Тази двойна едновременна обработка беше особено очевидна в съответствие с представянето на последните три тона от последователността, което предполага, че поне два или три тона са необходими на мозъка, за да започне процеса на разпознаване. Тук мозъкът набира широко разпространена мрежа от области, свързани до голяма степен с паметта, вниманието, прослушването и вземането на решения. Такива области на мозъка са хипокампус (Knierim 2015), cingulate gyrus (Rolls 2019; Pando-Naude et al. 2021; Criscuolo et al. 2022), долна темпорална кора (Conway 2018), фронтален оперкулум (Indefrey et al. 2001; Behroozmand et al. др. 2015), инсула (Uddin 2015) и първичен и вторичен слухов кортекс (Elhilali et al. 2004). Трябва да се отбележи, че и двата процеса (глобален и локален) включват приблизително едни и същи области на мозъка, но зависят от различни честоти на невралните предизвикани отговори. Освен това, локалната обработка разчиташе главно на сензорните кори (напр. слуховия кортекс), докато глобалната обработка представяше по-широко набиране на мозъчни области от по-висок порядък като cingulate, долна темпорална кора и хипокампус.

Поразително е, че разпознаването на слуховата времева последователност е свързано с каскада от прогресивно по-бавни събития, пренавиващи верига от мозъчни региони от нисък до висок ред. Това доказателство, наблюдавано за обхвата 0.1–1 Hz, може да показва, че мозъкът проследява и прогресивно изгражда смислено разбиране на разгръщащата се времева последователност чрез набиране на йерархичен път на последващи активни региони. Обратно, активността в лентата 2–8 Hz показва допълнителен профил, който достига леко връх след всеки елемент от времевата последователност. Такива доказателства предполагат, че докато лентата 0.1–1 Hz може да бъде замесена в постигането на цялостно разбиране на цялата последователност (глобална обработка), лентата 2–8 Hz може да се разработи независимо върху отделните елементи (локални обработка). Въпреки това, нашите резултати не могат категорично да кажат дали такива ленти представляват вътрешни мозъчни механизми или просто са управлявани от стимули. Ще са необходими бъдещи изследвания, за да се отговори на този важен въпрос.

Основната новост на нашите резултати е свързана с диференциалната сила на мозъчния сигнал, наблюдаван за двете честотни ленти в нашите експериментални условия (M и N). Наистина, докато лентата 0.1–1 Hz показва по-силна мощност за запомнените последователности, лентата 2–8 Hz показва по-големи отговори за новите. Това откритие може да се разглежда в светлината на теорията за предсказуемото кодиране (Friston 2012; Vuust et al. 2012; Koelsch et al. 2019), която постулира, че мозъкът непрекъснато актуализира вътрешните модели, за да предвиди информацията за околната среда. Тук, когато мозъкът разпознава времевите последователности (напр. около тонове номер две и три от нашите последователности), той може да формулира по-добри прогнози за предстоящите, предварително запаметени елементи, завършващи последователностите.

По този начин такива предмети биха изисквали по-ниска локална обработка, както наблюдавахме експериментално. Интересното е, че въпреки че са локализирани главно в първичната слухова кора, невронните източници на 2–8 Hz честотна лента също са поставени в хипокампалните области, вторичната слухова кора, инсулата и цингулата. Както беше споменато по-горе, това доказателство предполага, че приблизително едни и същи мозъчни региони генерират две едновременни честотни ленти, характеризиращи се с много различен функционален профил, индексирайки локалната и глобалната обработка на времевата последователност. Освен това, относно локалната обработка, нашите резултати показват, че усъвършенстването на всеки звук е довело до времеви серии, подобни на вълни, с три основни пика (компоненти). Тук по-ниското ниво на уточняване на звуците, индексирани от първите компоненти (т.е. P50 и N100 (Coles and Rugg 2008)) произхожда главно от първичната слухова кора. Обратно, по-късни компоненти като P300 (Coles and Rugg 2008) са генерирани особено от области от по-висок порядък като вторични слухови кори, инсула, хипокампални области и cingulate. Забележително е, че подобно явление стана по-очевидно след разгръщането на времевата последователност, което предполага, че прогресивно по-прецизното уточняване на отделните елементи може да бъде от съществено значение за мозъка, за да разбере значението на цялата времева последователност.

От друга страна, няколко предишни проучвания описват глобална и локална обработка по отношение на различни местоположения на невронния сигнал (т.е. първичните сензорни кори предхождат мозъчните области от по-висок порядък при разработването на входящи стимули (Qiu и Von Der Heydt 2005). Обратно, в нашето проучване показа, че едни и същи мозъчни региони оперират тези 2 процеса (глобален и локален) едновременно, използвайки две едновременни честотни ленти, което може би предполага сложно мултиплексиране Тези резултати са в съответствие с предишни изследвания, които показват едновременни мозъчни процеси на същите елементи в слуховото възприятие и езиковото разбиране (Giraud and Poeppel 2012).

В допълнение, някои от предишните проучвания, които изследват слуховата обработка и паметта за звукова информация, съобщават за бавни предизвикани реакции, подобни на нашата бавна, глобална обработка. Например Picton (1978) предоставя доказателства за слухов устойчив електрически потенциал в човешкия мозък в отговор на звуци. Съвсем наскоро Bidet-Caulet et al. (2007), използвайки интракраниална ЕЕГ, показаха, че селективното внимание към звуковата информация е свързано с продължителни предизвикани реакции във вторичните слухови области на мозъка. По подобен начин Grimault et al. (2014), изучавайки слуховата краткосрочна памет, съобщават за продължителна мозъчна активност във фронталната, темпоралната и париеталната област, когато няколко слухови елемента се държат в паметта. В съответствие с тези констатации, Albouy и колеги показаха бавни предизвикани реакции, когато участниците бяха помолени да изпълнят задачи за слухова работна памет.

Те съобщават за бавни, продължителни реакции на мозъка, особено относно задържането и манипулирането на слухови стимули (Albouy et al. 2013, 2017).

И накрая, нашите открития свързват и разширяват концепциите на добре известната хипотеза за два потока на мозъка (Goodale и Milner 1992; Whitwell et al. 2014). Такава концептуализация предлага 2 основни пътя за високо ниво на обработка на визуална и слухова информация. От една страна, вентралната струя води от сетивните зони (напр. зрителни и слухови кори) към медиалния темпорален лоб, обработвайки функции, свързани главно с разпознаването на обекти (Goodale и Milner 1992; Weiller et al. 2021). От друга страна, дорзалният поток носи информация от сензорните кори до париеталния лоб, разработвайки пространствени характеристики на стимулите (Arbib 2017).

В съответствие с тази хипотеза, нашите резултати подчертаха няколко мозъчни области на вентралния поток, които са замесени в процесите на разпознаване, като области на хипокампа, фронтален оперкулум и долна темпорална кора. Забележително е обаче, че нашите резултати допълнително разшириха предишните познания за хипотезата за два потока, като предоставиха най-малко три решаващи, заключителни забележки. (i) Мозъчното разпознаване на времеви последователности представи уникални пространствено-времеви характеристики, които не бяха споделени с идентифицирането на единични елементи или синхронни модели. (ii) В допълнение към мозъчните области, включени в хипотезата за два потока, нашите открития показаха привилегированата роля на cingulate gyrus за постигане на разпознаване на слуховата времева последователност. (iii) И накрая, разпознаването на последователностите, развиващи се във времето, включва двойна едновременна обработка на едни и същи елементи, които мозъкът интерпретира едновременно като отделни части от информация (локална обработка) и елементарни части от по-голямо цяло (глобална обработка). Трябва да се отбележи, че нашето проучване показа, че локалната обработка е много подходяща за новата слухова информация, докато предишните запаметени музикални последователности са разпознати чрез силно участие на глобалната обработка на мозъка.

Бъдещите изследвания са призвани да проучат допълнително тази тема чрез изучаване на мозъчните механизми, лежащи в основата на разпознаването на немузикални времеви последователности (напр. последователности от числа, думи и визуални елементи). Освен това, въз основа на добре известните разлики в когнитивните способности сред различни категории хора (напр. по-възрастни срещу по-млади (Fernàndez-Rubio, Brattico, et al. 2022a; Fernàndez-Rubio, Olsen, et al. 2022c), музикантите срещу не-музиканти (Criscuolo et al. 2019; Bonetti, Brattico, Vuust, et al. 2021c) и здрави индивиди срещу пациенти (Valenzuela и Sachdev 2006)), бъдещите проучвания трябва да изследват влиянието на възрастта и клиничните състояния върху мозъчните механизми разпознаване на основните времеви последователности.

Авторски принос

Концептуализация: LB, EB, MLK, PV; Методология: LB, MLK, DP, GDE; Софтуер: LB; Анализ: LB; Разследване: ЛБ, ГДО; Ресурси: MLK, PV, EB, LB; Подреждане на данни: LB; Писане - оригинална чернова: LB; Писане—Преглед и редактиране: LB, SEPB, EB, DP, GDE, GDO, PV; Визуализация: LB, SEPB; Надзор: МЛК, ПВ, ДП, ЕБ; Администриране на проекта: LB, MLK, PV, EB; Придобиване на финансиране: LB, PV, MLK.

Благодарности

Благодарим на Riccardo Proietti, Giulio Carraturo, Mick Holt и Holger Friis за тяхната помощ в невронаучния експеримент. Също така благодарим на психолога Тина Биргит Уисбех Карстенсен за нейната помощ при администрирането на психологически тестове и въпросници и на Франческо Карломаньо за съдействието му с изложените елементи на вестника.

Допълнителен материал
Допълнителен материал е достъпен в Cerebral Cortex онлайн.

Финансиране

Центърът за музика в мозъка (MIB) се финансира от Датската национална изследователска фондация (номер на проекта DNRF117).

LB се подкрепя от Фондация Карлсберг (CF20-0239), Фондация Лундбек (Награда за таланти 2022 г.), Център за музика в мозъка, Колеж Linacre на Оксфордския университет и Общество за образование и музикална психология (50-та годишнина на SEMPRE Схема за награди).

MLK се подкрепя от Центъра за музика в мозъка и Центъра за Евдемония и процъфтяване на човека, финансирани от фондациите Pettit и Carlsberg.

GD се подкрепя от испанския изследователски проект PSI2016- 75688-P (AEI/FEDER, ЕС), от Програмата за научни изследвания и иновации Horizon 2020 на Европейския съюз съгласно споразумение за безвъзмездни средства №. 720270 (HBP SGA1) и бр. 785907 (HBP SGA2) и от Каталонската програма AGAUR 2017 SGR 1545.

Освен това благодарим на Университета в Болоня за икономическата подкрепа, предоставена на автора Джулия Донати и студентските асистенти Рикардо Проети и Джулио Каратуро и на италианската секция на Mensa: Международното общество за висок IQ за икономическата подкрепа, предоставена на Франческо Карломаньо.

Препратки

Al-Zoubi MB, Al RM. Ефективен подход за изчисляване на силуетни коефициенти. 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. Нарушено възприятие и памет при вродена амузия: дефицитът започва в слуховата кора. мозък. 2013:136(5):1639–1661.

3.Albouy P, Weiss A, Baillet S, Zatorre RJ. Селективното увличане на тета трептенията в дорзалния поток каузално подобрява работата на слуховата работна памет. неврон. 2017: 94 (1): 193–206.

4. Arbib MA. Дорсални и вентрални потоци в еволюцията на готовия за език мозък: свързване на езика със света. J Невролингвистика. 2017: 43: 228–253.

5. Behroozmand R, Shebek R, Hansen DR, Oya H, Robin DA, Howard MA, Greenlee JDW. Сензорно-моторни мрежи, участващи в производството на реч и моторния контрол: изследване на fMRI. NeuroImage. 2015: 109: 418–428.

6. Berdyyeva TK, Olson CR. Ранг сигнали в четири области на предния кортекс на макака по време на избора на действия и обекти в сериен ред. J Neurophysiol. 2010:104(1):141–159.

7. Bidet-Caulet A, Fischer C, Besle J, Aguera PE, Giard MH, Bertrand, O. Ефекти на селективното внимание върху електрофизиологичното представяне на едновременни звуци в човешкия слухов кортекс. J Neurosci. 2007:27(35):9252–9261.

8.Бонети Л, Братико Е, Карломаньо Ф, Кабрал Дж, Стевнер А, Деко Г, Уайбрау ПК, Пиърс М, Пантазис Д, Крингелбах МЛ. Пространствено-времева динамика на мозъка по време на разпознаване на музиката на Йохан Себастиан Бах. bioRxiv. 2020: 27.35: 9252–9261.

9.Бонети Л, Братико Е, Карломаньо Ф, Донати Г, Кабрал Дж, Хауман Н.Т., Деко Г, Вууст П, Крингелбах МЛ. Бързо кодиране на музикални тонове, открити в свързаността на целия мозък. NeuroImage. 2021a: 245: 118735.

10. Bonetti L, Brattico E, Vuust P, Kliuchko M, Saarikallio S. Интелигентност и музика: по-нисък коефициент на интелигентност е свързан с по-висока употреба на музика за изпитване на силни усещания. Empir Stud Arts. 2021c:39(2):194–215.

For more information:1950477648nn@gmail.com