Aikaisemmin opittujen ja uusien ajallisten sekvenssien aivojen tunnistus: differentiaalinen samanaikainen käsittely, osa 2

Tiedonkeruu

Hankimme anatomiset MRI- ja MEG-tiedot kahdessa itsenäisessä istunnossa. MEG-tiedot hankittiin käyttämällä Elekta Neuromag TRIUX -järjestelmää (Elekta Neuromag, Helsinki, Suomi), joka on varustettu 306 kanavalla. Kone sijoitettiin magneettisesti suojattuun huoneeseen Aarhusin yliopistollisessa sairaalassa, Tanskassa. Tiedot tallennettiin näytteenottotaajuudella 1,000 Hz analogisella suodatuksella 0,1–330 Hz. Ennen mittauksia asetimme äänitason 50 dB kunkin osallistujan minimikuulorajan yläpuolelle. Lisäksi käyttämällä kolmiulotteista digitoijaa (Polhemus Fastrak, Colchester, VT, USA) rekisteröimme osallistujan pään muodon ja neljän pään kierteen sijainnin kolmen anatomisen maamerkin osalta (nenä sekä vasen ja oikea preaurikulaariset paikat).

Tieteen ja tekniikan jatkuvan kehityksen myötä elämäämme on ilmaantunut monia uusia käsitteitä ja teknologioita. He, MEG-tekniikka on yksi niistä. MEG on yleinen tekniikka ihmisen aivojen sähköisen toiminnan mittaamiseen. Se käyttää suprajohtavaa kvanttiinterferometriä (SQUID) hermosolujen sähköisen toiminnan havaitsemiseen. MEG-teknologia voi auttaa meitä ymmärtämään paremmin ihmisaivojen toimintaperiaatteen ja sitten tutkimaan ihmisälyn mysteeriä.

Neuronien sähköisen toiminnan tutkimuksen lisäksi MEG-teknologialla voidaan arvioida ja tutkia myös ihmisen muistia. Monet tutkimukset ovat osoittaneet yhteyden MEG-tekniikan ja muistin välillä. Tutkimalla ja analysoimalla suuria tietomääriä tutkijat voivat käyttää MEG-tekniikkaa ihmisten muistikapasiteetin ja eri ihmisten muistojen käsittelyn seuraamiseen.

Tutkimuksen mukaan MEG-teknologian ja datan analysoinnin avulla tutkijat voivat tunnistaa ja mitata sähköistä aktiivisuutta ihmisaivojen eri alueilla, mikä auttaa meitä ymmärtämään aivojen toimintatapaa. Nämä tiedot voivat auttaa meitä ymmärtämään paremmin muistia ja kognitiivisia prosesseja ja vuorostaan ​​kehittämään parempia tapoja parantaa ihmisten muistia.

Lisäksi monet tutkimukset ovat osoittaneet, että on täysin mahdollista käyttää erilaisia ​​menetelmiä ja tekniikoita muistin parantamiseen. Erilaisten muistitekniikoiden ja harjoitusten avulla voimme harjoitella aivojamme ja siten parantaa kykyämme muistaa. Niille, jotka haluavat parantaa muistiaan, MEG-tekniikan ja data-analyysin ymmärtäminen on ratkaiseva askel.

Siksi MEG-tekniikan ja muistin välillä on erottamaton suhde. Suuria tietomääriä analysoimalla voimme ymmärtää paremmin ihmisen aivojen toimintaa ja muistin muodostumisprosessia ja kehittää sitten parempia menetelmiä muistikykymme parantamiseksi. Uskomme, että teknologian jatkuvan kehityksen ja parantamisen myötä meillä on tulevaisuudessa lisää menetelmiä ja teknologioita, jotka auttavat kehittämään ja hyödyntämään muistikykyämme paremmin. Tästä näkökulmasta meidän on parannettava muistiamme. Cistanche voi parantaa merkittävästi muistia, koska Cistanche voi myös säädellä välittäjäaineiden tasapainoa, kuten nostaa asetyylikoliinin ja kasvutekijöiden tasoa, jotka ovat erittäin tärkeitä muistille ja oppimiselle. Lisäksi liha voi myös parantaa verenkiertoa ja edistää hapen toimitusta, mikä voi varmistaa, että aivot saavat riittävästi ravintoa ja energiaa, mikä parantaa aivojen elinvoimaa ja kestävyyttä.

Napsauta lisäaineita parantaaksesi muistia

Pääkäämien sijainti rekisteröitiin koko tallennuksen ajan käyttämällä jatkuvaa pään asennon tunnistusta (cHPI), jonka avulla pystyimme jäljittämään tarkan pään sijainnin MEG-skannerin sisällä kullakin aikapisteellä. Käytimme näitä tietoja tarkan liikekorjauksen suorittamiseen data-analyysin myöhemmässä vaiheessa.

Tallennetut anatomiset MRI-tiedot vastasivat rakenteellista T1:tä. Skannauksen hankintaparametrit raportoidaan seuraavasti: vokselin koko=1.0 × 1.0 × 1.0 mm (tai 1.0 mm3); rekonstruoidun matriisin koko 256 × 256; kaikuaika (TE) 2,96 ms ja toistoaika (TR) 5,000 ms ja kaistanleveys 240 Hz/Px. Analyysin myöhemmässä vaiheessa jokainen T1-painotettu MR-skannaus rekisteröitiin vakiomuotoiseen MNI-aivomalliin affiinin muunnoksen avulla ja viitattiin sitten MEG-anturien tilaan käyttämällä Polhemuksen pään muototietoja ja kolmea MEG-istunnon aikana mitatut vertailupisteet.

Tietojen esikäsittely

MEG-anturin raakadata (204 tasogradiometriä ja 102 magnetometriä) esikäsiteltiin MaxFilterillä (Taulu ja Simola 2006) päänahan ulkopuolelta tulevien häiriöiden vaimentamiseksi käyttämällä signaalitilan erottelua. Saman istunnon aikana Maxfilter myös sääti signaalin pään liikettä varten ja alensi sen 1,000 250 Hz:iin.

Tiedot muunnettiin SPM-muotoon ja analysoitiin edelleen Matlabissa (MathWorks, Natick, Massachusetts, USA) käyttämällä OSL:ää (OHBA Software Library), joka on vapaasti saatavilla oleva työkalupakki, joka perustuu FSL:n yhdistelmään (Woolrich et al. 2009). SPM (Penny ym. 2007) ja Fieldtrip (Oostenveld et al. 2011) sekä talon sisällä rakennetut toiminnot. Lovisuodatin (48–52 Hz) käytettiin korjaamaan mahdollisia sähkövirran häiriöitä. Tiedoista näytteet laskettiin edelleen 150 Hz:iin ja muutamat datasegmentit, jotka olivat muuttuneet suurten artefaktien vuoksi, poistettiin visuaalisen tarkastelun jälkeen.

Sitten silmänräpäysten ja sydämen sykevirheiden poistamiseksi aivotiedoista riippumaton komponenttianalyysi (ICA) käytettiin alkuperäisen signaalin hajottamiseksi itsenäisiksi komponenteiksi. Sitten komponentit, jotka ottivat silmänräpäyksen ja sydämen syketoiminnan, eristettiin ensin ja sitten heitettiin pois. Signaali rakennettiin uudelleen käyttämällä jäljellä olevia komponentteja (Mantini et al. 2011) ja sen jälkeen jaksotettiin 80 kokeessa (yksi jokaiselle musiikkikappaleelle), jotka kestivät kukin 3 500 ms (100 ms esistimulaatioaikaa, jota käytettiin perustason korjaukseen) ( kuvio 1B).

Yksimuuttujatestit ja Monte-Carlo-simulaatiot MEG-antureilla

Vaikka keskityimme ensisijaisesti MEG-lähteen rekonstruoituun aivodataan, ensimmäinen MEG-anturidatan analyysi laskettiin johdonmukaisesti MEG-analyysin parhaita käytäntöjä koskevien uusimpien suositusten kanssa (Gross et al. 2013).

Näin ollen, kuten monet MEG- ja elektroenkefalografia (EEG) -tehtäviin liittyvät tutkimukset (Gross et al. 2013), laskemme kokeiden keskiarvon olosuhteiden mukaan ja saimme kaksi lopullista keskiarvoa, M:lle ja N:lle. vastaavasti. Sitten yhdistämme jokaisen tasogradiometriparin juurisummaneliön perusteella. Myöhemmin teimme t-testin jokaiselle aikapisteelle aikavälillä 0–2 500 s ja kullekin yhdistetylle tasogradiometrille, kontrastina M ja N.

Useiden vertailujen korjaamiseksi laskemme Monte-Carlo-simulaatiot (MCS) (Kroese et al. 2011) 1,000 permutaatiolla t-testeistä saatujen merkittävien tulosten klustereissa. Pidimme merkittävinä alkuperäisiä klustereita, joiden koko oli suurempi kuin permutoidun datan 99,9 %:n maksimiklusterikoot. Lisätietoja tästä laajasti käytetystä menettelystä löytyy julkaisusta Bonetti et ai. (2020), Bonetti, Brattico, Carlomagno, et ai. (2021a), Bonetti, Bruzzone, Sedghi et ai. (2021b), Bonetti, Brattico, Vuust, et ai. (2021c) ja Fernàndez-Rubio, Brattico, et ai. (2022a), FernàndezRubio, Carlomagno, et ai. (2022b), Fernàndez-Rubio, Olsen, et ai. (2022c).

Tämä analyysi palautti suuren ja vankan eron koeolosuhteiden välillä. Lisäksi MCS-analyysin tuottaman merkittävän klusterin muodostavien MEG-kanavien yli tallennettu aivojen toiminta hahmotteli aikasarjan, joka esitti kaksi päätaajuuskomponenttia. Kuten kuvasta S2A näkyy, nopeampi taajuuskomponentti saavutti huippunsa jokaisen sekvenssin muodostavan kohteen esittämisen jälkeen, kun taas hitaampi taajuuskomponentti seurasi koko sekvenssiä.

Tätä näyttöä tuki edelleen monimutkaisen Morlet-aallonmuunnoksen (Daubechies 1992) laskeminen kaikissa MEG-anturin tiedoissa, mikä korosti 1 ja 4 Hz:n pääosuutta tehtävän aikana tallennettuun MEG-signaaliin (kuva S2B). Lisäksi tämä analyysi osoitti huomattavan mutta heikomman tehon noin 10 Hz.

On huomattava, että 10 Hz:n teho ei ollut aikalukittu musiikillisen sekvenssin alkuun. Siten seuraavat analyysimme keskittyivät ensisijaisesti kahteen taajuuskaistaan, jotka määriteltiin noin 1 ja 4 Hz, koska ne olivat voimakkaimpia taajuuksia. Nämä kaksi kaistaa olivat 0,1–1 ja 2–8 Hz. Lisäksi teimme lisäanalyysin noin 10 Hz määritellylle taajuusalueelle, koska se esitti pienentyneen mutta erottuvan tehon. Tällainen kaista oli 8-12 Hz.

Tärkeää on, että oletimme, että taajuuskaistat 2–8 ja 0,1–1 Hz indeksoivat kaksi kokeelliseen tehtäväämme liittyvää pääprosessia: yksittäisten elementtien käsittelyn, jotka muodostavat ajallisen sekvenssin (i-paikallinen käsittely) ja tunnistamisen ajallinen järjestys kattavana yläobjektina (ii— globaali käsittely).

Lähteen rekonstruointi

Käytimme huippuluokan lähteiden rekonstruktiomenetelmiä arvioidaksemme lähteet, jotka synnyttivät signaalin, jonka tallensimme MEG-antureille (kuva 1C ja kuva 2A) (Huang et al. 1999; Hillebrand ja Barnes 2{{ 7}}05). Tärkeää on, että lähteen rekonstruktioalgoritmi on laskettu itsenäisesti kolmelle tutkimukseen osallistuvalle taajuuskaistalle (0,1–1, 2–8 ja 8–12 Hz), jotta voidaan karakterisoida herätettyjä vasteita M:lle ja N:lle näillä kolmella eri taajuuskaistalla. . Erityisesti seuraavat vaiheet toteutettiin.

Ensin jatkuva data (ennen aikakausia) kaistanpäästösuodatettiin kolmelle taajuuskaistalle. Toiseksi, suodatettu data (riippumatta kolmen kaistan osalta) jaksotettiin. Kolmanneksi aikakausitiedot lähetettiin alla kuvattuun lähteen rekonstruointialgoritmiin.

Tällainen algoritmi sisältää kaksi peräkkäistä vaihetta: (i) eteenpäin suunnatun mallin suunnittelu ja (ii) käänteisen ratkaisun laskeminen. Forward-malli on teoreettinen malli, joka pitää jokaista aivolähdettä aktiivisena dipolina ja kuvaa kuinka tällaisen dipolin unitaarinen voimakkuus heijastuisi kaikkiin MEG-antureihin (tässä tapauksessa käytimme sekä magnetometrejä että tasomaisia ​​gradiometrejä) (Huang et al. 1999).

Tässä käytimme 8-mm ruudukkoa, joka palautti 3 559 dipolikohtaa (vokseliä) koko aivoissa. Sen jälkeen kun yksittäiset rakenteelliset T1-tiedot oli rekisteröity fducialeille (tiedot pään maamerkeistä), eteenpäin suuntautuva malli laskettiin ottamalla käyttöön laajalti käytetty menetelmä nimeltä "Single Shell", jonka Nolte (2003) esitti yksityiskohtaisesti. Tällaisen laskennan tulos, jota kutsutaan myös johtokenttämalliksi, tallennettiin matriisiin L (lähteet × MEG-kanavat). Niissä harvoissa tapauksissa, joissa rakenteellista T1:tä ei ollut saatavilla, suoritimme johtokentän laskennan käyttämällä mallia (MNI152-T1 8-mm tilaresoluutiolla).

Toinen vaihe lähderekonstruktiossa on käänteisen ratkaisun laskeminen (eli hermosignaalin generaattorien estimointi MEG:llä tallennetun aivotoiminnan perusteella). Tutkimuksessamme valitsimme säteenmuodostuksen, joka on yksi suosituimmista ja tehokkaimmista alalla saatavilla olevista algoritmeista (Huang et al. 1999; Hillebrand ja Barnes 2005). Tämä menettely käyttää eri painoarvoja, joita sovelletaan peräkkäin lähdepaikkoihin, jotta eristetään kunkin lähteen osuus MEG-kanavien tallentamasta aktiivisuudesta kullekin aikapisteelle (Hillebrand ja Barnes 2005; Brookes et al. 2007). Teknisemmällä tasolla säteenmuodostukseen perustuvaa käänteistä ratkaisua voidaan kuvata seuraavilla päävaiheilla.

Ensinnäkin MEG-antureiden (B) hetkellä t tallentamat tiedot voidaan kuvata seuraavalla yhtälöllä (3):

missä L on edellä kuvattu johdinkenttämalli, Q on dipolimatriisi, joka kuljettaa kunkin aktiivisen dipolin (q) aktiivisuutta ajan kuluessa ja ε on kohina (katso Huang et al. (2004) lisätietoja varten). Siten käänteisen ongelman ratkaisemiseksi meidän on laskettava Q. Säteenmuodostusta käyttämällä tällainen menettely pyörii painojen laskemisen ympärillä, jotka kohdistetaan MEG-antureille kullakin aikapisteellä, kuten yhtälön (4) yksittäiselle dipolille q esitetään. ):

Todellakin, jotta q saadaan, painot W pitäisi laskea (alaindeksi T viittaa transponointimatriisiin). Tätä varten säteen muodostus perustuu L:n väliseen matriisin kertomiseen ja MEG-antureiden (C) väliseen kovarianssimatriisiin, joka on laskettu ketjutetuilla kokeellisilla kokeilla. Tarkemmin sanottuna kunkin aivolähteen n painot Wn lasketaan seuraavasti:

On huomattava, että lyijykenttämallin laskenta tehtiin kunkin aivolähteen (dipolin) kolmelle pääorientaatiolle Nolten (Nolte 2003) mukaan. Kuitenkin ennen painojen laskemista orientaatiot on vähennetty yhdeksi käyttämällä singulaariarvon hajottelualgoritmia yhtälössä (6) raportoidussa matriisikertolaskussa. Tätä menetelmää käytetään laajalti keilanmuodostustuloksen yksinkertaistamiseksi (Huang et al. 2004; Woolrich et al. 2011).

Tässä l edustaa johdinkenttämallia kolmella suunnalla, kun taas L on ratkaistu yhden suuntauksen malli, jota käytettiin kohdassa (5).

Lopuksi, kuten edellä mainittiin, tällaisten algoritmien koodaustoteutukseen liittyen olemme käyttäneet Matlabin työkalupakkeja, kuten OSL, FieldTrip, SPM (toiminnot MEEG-esikäsittelyyn ja SPM-keilanmuodostustyökalupakkiin) ja FSL:ää. Lisäksi näitä koodeja täydennettiin talon sisäisillä skripteillä ja toiminnoilla.

Aivojen toiminta temporaalisen sekvenssin jokaiselle elementille

Ensinnäkin halusimme havaita aivojen toiminnan taustalla kunkin kohteen meidän temporaalinen sekvenssejä (kuva 1D, kuvat. S3, S4, taulukko 1, ja taulukko S1). Tässä laskettiin rekonstruoidun aikasarjan itseisarvo, koska olimme kiinnostuneita signaalin absoluuttisesta voimakkuudesta.

Ensimmäisen tason analyysin suorittamiseksi kullekin osallistujalle käytimme yleisiä lineaarisia malleja (GLM). Tällaiset mallit laskettiin lähteen rekonstruoidusta datasta kullekin aikapisteelle ja aivolähteelle (Hunt et al. 2012). GLM:t palauttivat M:n ja N:n päävaikutuksen (parametriarvioiden kontrastit (COPE)) sekä niiden kontrastin. Heidät käytettiin, koska heidän annettiin saada päävaikutukset, joita oikaistiin ratkaisevasti osallistujien välisen varianssin perusteella. Nämä tulokset toimitettiin toisen tason analyysiin, jossa käytettiin yhden otoksen t-testejä spatiaalisesti tasoittuneella varianssilla, joka saatiin Gaussin ytimellä (täysleveys puolet maksimissaan: 50 mm) (Huang et al. 2004).

Täällä olimme kiinnostuneita tarkkailemaan erilaista aivotoimintaa M:n ja N:n ajallisen sekvenssin tunnistamisen taustalla, itsenäisesti jokaiselle taajuuskaistalle ja sekvenssin muodostavalle kohteelle (musiikkisävel). Näin ollen laskemme 15 (5 ääntä × 3 taajuuskaistaa) klusteripohjaista Monte-Carlo-simulaatiota (MCS) toisen tason (ryhmätason) analyysituloksilla, jotka oli laskettu keskiarvoisiksi viiden aikaikkunan ajalta, jotka vastaavat musiikin äänien kestoa. . MCS-analyysi sisältää 1,000 permutaatiota ja klusterinmuodostuskynnyksen P < 0.05 (toisen tason testeistä). Erityisesti MCS-testi koostui alkuperäisen datan merkittävien arvojen spatiaalisten klustereiden havaitsemisesta. Sitten tällaiset tiedot permutoitiin ja permutoitujen merkittävien arvojen spatiaaliset klusterit havaittiin. Tämä menettely laskettiin useita kertoja (esim. 1,000), ja se johti kullekin permutaatiolle havaittuun klusterikokojen vertailujakaumaan. Lopuksi alkuperäisiä klusterin kokoja verrattiin vertailujakaumaan. Alkuperäisiä klustereita pidettiin merkittävinä, jos permutoidun datan klusterikoot olivat suurempia kuin alkuperäiset klusterikoot harvemmin kuin MCS-taso. Tässä tapauksessa, koska laskimme analyysin 15 kertaa, korjasimme useita vertailuja jakamalla standardi MCS-tason (=0.05) 15:llä, jolloin tuloksena oli päivitetty MCS=0.003 (eli alkuperäinen). klusterit olivat merkittäviä, jos niiden koot olivat suurempia kuin 99,7 % permutoiduista klusterikooista).

Koska yksi tässä tutkimuksessa käytetyistä taajuusalueista oli melko alhainen ({{0}},1–1 Hz), laskemme uudelleen lähderekonstruktio ja kontrastit M:n ja N:n välillä 0,1–1 Hz:lle käyttämällä kolmea erilaista perusviivat (500, 1, 000 ja 2,000 ms). Tämä tehtiin sen osoittamiseksi, että alkuperäiset tulokset eivät perustuneet perusviivan pituuteen. Tämän menettelyn tulokset on kuvattu kuvassa S5 ja raportoitu yksityiskohtaisesti taulukossa S2.

K- tarkoittaa toiminnallista klusterointia

Täydentääksemme aikaisempia tuloksiamme ja tarjotaksemme yksityiskohtaisemman kuvauksen aktiivisten aivojen lähteiden alueellisesta laajuudesta sekä niiden aktiivisuudesta ajan mittaan määritimme toiminnallisesti perustuvan aivojen lohkomisen. Otimme käyttöön ns. k-means funktionaalisen klusteroinnin, joka koostuu sarjasta k-keskiarvoklusterointialgoritmeja. Sinaga ja Yang (2020) suorittivat kunkin rekonstruoidun aivolähteen (vokselin) aikasarjan toiminnallisen ja spatiaalisen tiedon. Tätä lähestymistapaa on noudatettu kahdella taajuuskaistalla, jotka tuottivat vahvimmat tulokset aikaisemmissa analyyseissämme ja jotka liittyivät joko sekvenssin yksittäisiin kohtiin tai koko sekvenssiin, nimittäin 0,1–1 ja 2–8 Hz.

Tarkemmin sanottuna ensimmäisenä askeleena k-means-funktionaalinen klusterointialgoritmi laski klusteroinnin toiminnallisista perusparametreista, kuten huippuarvoista ja vokseliaikasarjan vastaavista indekseistä. Kutsumme tätä vaihetta toiminnalliseksi klusteriksi. Tämä toimenpide palautti joukon itsenäisiä paketteja, jotka oli ryhmitelty aivojen vokselien toiminnallisten profiilien mukaan. Itse asiassa tällaiset paketit voivat sisältää joko vokseleita, jotka saavuttivat huippunsa suunnilleen samaan aikaan (kuva 2B, vasen) tai samalla absoluuttisella vahvuudella (kuvio 2B, oikea). Kuten on ajateltavissa, klusterointia maksimiaikasarjaindekseihin ehdotetaan, kun aivojen toiminta on lokalisoitunut eri alueille eri aikoina.

Päinvastoin, kun aktiivisuus korreloi voimakkaasti useimpien aivojen vokseleiden kanssa, klusterointi tulisi tehdä maksimiaikasarjojen arvoille, ja se auttaisi tunnistamaan hermosignaalin ydingeneraattorit. Tässä tutkimuksessa 0.1–1 Hz (sekvenssin globaali prosessointi) esitti erilaisia ​​aktiivisuushuippuja, jotka siirtyivät ajan myötä, ja ryhmiteltiin siten tällaisten huippujen aikaindeksit huomioon ottaen. Erilailla 2–8 Hz (sekvenssin paikallinen käsittely) osoitti hyvin korreloivaa aktiivisuutta, ja siksi se ryhmiteltiin käyttämällä tällaisen huippuaktiivisuuden absoluuttisia arvoja. Kuten klusterointianalyysissä laajasti on tehty (Garcia-Dias ym. 2019), myös meidän tapauksessamme oli hyödyllistä laskea klusterointialgoritmi k klusterin peräkkäiselle joukolle (k=2 - 20). Sitten paras klusterointiratkaisu päätettiin tunnettujen arviointistrategioiden (heuristiikka) perusteella, kuten kyynärpäämenetelmä/sääntö (Liu ja Deng 2021) ja siluettikerroin (Al-Zoubi ja Al Rawi 2008).

Kyynärpäämenetelmä koostuu klustereihin kuuluvien elementtien neliövirheiden summan (SSE) piirtämisestä klusterin sentroidien suhteen progressiivisesti lisääntyvien klusteriratkaisujen funktiona. Sitten menetelmä ehdottaa visuaalisesti käyrän "kyynärpään" tunnistamista käytettävien klustereiden lukumääränä. Siluettikerroin on arvo (välillä −1 - +1), joka osoittaa elementin samankaltaisuuden sen klusterin kanssa (koheesio) verrattuna muihin klustereihin (erottelu). Korkea siluettikerroinarvo osoittaa, että elementti sopii hyvin klusteriinsa ja huonosti viereisiin klustereihin.

Kun paras toiminnallinen klusterointiratkaisu on päätetty, tulee laskea toinen paikkatiedon klusterointi (spatial clustering, kuva 2C). Itse asiassa aivojen toimintaa kuvataan pääasiassa kahdella parametrilla, spatiaalisella sijainnilla ja vaihtelulla ajan myötä. Alkuperäisten aivojen vokselien klusterointi erillisiksi toiminnallisiksi lohkoiksi voi palauttaa suuria lohkoja, joihin liittyy avaruudellisesti erillään olevien aivoalueiden verkosto, jotka ovat esimerkiksi aktiivisia samanaikaisesti. Siten paremman lohkon määrittelemiseksi on hyödyllistä tehdä klusterointianalyysi myös kunkin toiminnallisen lohkon tilakoordinaateista. Tutkimuksessamme tarkastelimme kunkin toiminnallisen lohkon muodostavien vokselien kolmiulotteisia spatiaalisia koordinaatteja (MNI-avaruudessa). Tämä klusterointilaskenta suoritettiin k klusterin ratkaisun peräkkäiselle joukolle (k=2 - 10), yhdelle paketille kerrallaan. Funktionaalisen klusteroinnin osalta arvioimme parhaan ratkaisun spatiaaliseen klusterointiin käyttämällä kyynärpääsääntöä ja siluettikerrointa. K-keskiarvoinen funktionaalinen klusterointi oli valmis, kun tämä toimenpide suoritettiin kaikille toiminnallisille lohkoille, mikä viittaa tehokkaaseen lohkomiseen kokeelliseen tehtävään, joka perustuu sekä toiminnallisiin että paikkatietoihin (esimerkit on raportoitu kuvassa S7, taulukoissa S3 ja S4 arvolla 0,1– 1 Hz ja kuva S8, taulukot S5, S6 ja S7 taajuudella 2–8 Hz). Viimeisenä vaiheena kuhunkin lohkoon kuuluvien aivovokseleiden aikasarjat laskettiin yhteen, jolloin saatiin lopullinen aikasarja paketille. Lisätietoja k-keskiarvojen toiminnallisesta klusteroinnista on raportoitu lisämateriaaleissa.

Kontrastit ajan mittaan jokaiselle paketille

Tässä k-keskiarvojen funktionaalinen klusterointi suoritettiin M:n ja N:n ryhmätason päävaikutuksille keskiarvoistettuina yhdessä. Sitten saadaksemme M:n ja N:n päävaikutuksen kullekin lohkolle ja osallistujalle, laskemme M:n ja N:n (GLM:istä) ensimmäisen tason päävaikutuksen keskiarvon kuhunkin toiminnalliseen lohkoon kuuluviin aivovokseleihin. Tämä johti uuteen aikasarjaan kullekin osallistujalle, toiminnalliselle lohkolle ja koetilanteelle (M ja N). Tällaiset aikasarjat lähetettiin yksimuuttujakontrastiin (M vs. N; kuva 2D, menetelmät ja kuvat S9 ja S10, tulokset). Tarkemmin sanottuna kullekin palstalle ja aikapisteelle laskemme yhden kahden otoksen t-testin (kynnys P < 0.05), joka erotti M:n ja N:n päävaikutuksen. Sitten korjasimme useita vertailuja käyttämällä kaksiulotteinen MCS-lähestymistapa 1,000 permutaatiolla (MCS P < 0,001). Lisätietoja tästä laajasti käytetystä tilastollisesta menettelystä löytyy julkaisusta Bonetti et ai. (2020), Bonetti, Brattico, Carlomagno, et ai. (2021a), Bonetti, Bruzzone, Sedghi et ai. (2021b), Bonetti, Brattico, Vuust, et ai. (2021c). Kuten muissakin analyyseissä, tällainen toiminta havaittiin kahdella tutkimuksessa tutkitulla päätaajuuskaistalla (kuva 3 ja taulukko S8).

Tulokset

Kokeellinen suunnittelu ja MEG-antureiden analyysi

Ensinnäkin MEG-tietojen esikäsittelyn jälkeen (katso kuviot 1A ja B sekä materiaalit ja menetelmät yksityiskohtia varten) vertailimme M:n ja N:n tunnistamisen taustalla olevaa aivotoimintaa, jonka MEG-anturit tallensivat. Tämä menettely palautti suuren merkitsevän klusterin (P < 0.001, klusterin koko k=2,117, keskiarvo=3.29, aika=0.547–1,180 s), jotka osoittavat voimakkaampaa aivotoimintaa M:lle verrattuna N:ään. Lisäksi näin merkittävän klusterin muodostavien MEG-kanavien yli tallennettu aivotoiminta hahmotteli aikasarjan, joka esitti kaksi päätaajuuskomponenttia. Kuten kuvasta S2A näkyy, nopeampi taajuuskomponentti saavutti huippunsa jokaisen sekvenssin muodostavan kohteen esittämisen jälkeen, kun taas hitaampi taajuuskomponentti seurasi koko sekvenssiä. Tätä näyttöä tuki edelleen monimutkaisen Morlet-aallonmuunnoksen laskeminen kaikkien MEG-anturin tietojen tallentamiin herätettyihin reaktioihin, jotka korostivat 1 ja 4 Hz:n pääosuutta tehtävän aikana tallennettuun MEG-signaaliin (kuva S2B). Näin ollen seuraavat analyysimme keskittyivät ensisijaisesti kahteen taajuuskaistaan, jotka määriteltiin 1 ja 4 Hz:n ympärille, jotka olivat 0,1–1 ja 2–8 Hz. Tärkeää on, että oletimme, että taajuuskaistat 2–8 ja 0,1–1 Hz indeksoivat kaksi kokeelliseen tehtäväämme liittyvää pääprosessia: yksittäisten elementtien käsittelyn, jotka muodostavat ajallisen sekvenssin (i-paikallinen käsittely) ja ajallisen sekvenssin tunnistamisen kattavaksi superordinaatiksi. objekti (ii – globaali käsittely).

Lähde rekonstruoitu aivotoiminta ja yhden kohteen analyysi

Vertasimme M- ja N-sekvenssien taustalla olevaa rekonstruoitua aivotoimintaa (katso lisätietoja kohdasta Materiaalit ja menetelmät). Kahdella päätaajuuskaistalla ({{0}},1–1 ja 2–8 Hz) saatiin erilaisia ​​tuloksia. Aivojen aktiivisuus 0,1–1 Hz:llä oli voimakkaampaa M:lle verrattuna N:ään, erityisesti sekvenssin kolmen viimeisen kohteen käsittelyn aikana. Kuten kuvassa 1D, kuviot S3-S5 on kuvattu, tällainen toiminta rajasi sekvenssin maailmanlaajuisen prosessoinnin taustalla olevan laajalle levinneen aivoverkoston, johon osallistui muistiin ja arviointiprosesseihin liittyviä aivoalueita, kuten cingulaattipyörre, hippokampus, insula, frontal operculum ja inferior temporaalinen aivokuori (MCS P < 0.001). Sitä vastoin aivojen aktiivisuus 2–8 Hz:n kaistalla oli kaiken kaikkiaan voimakkaampaa N:lle verrattuna M:ään ja käsitti pääasiassa kuulokuoren (MCS P < 0,001). Tilastot merkittävien aivojen vokseleiden huipusta taajuuksilla 0,1–1 ja 2–8 Hz on raportoitu taulukossa 1, kun taas laajat tulokset kolmelle taajuusalueelle on kuvattu taulukoissa S1 ja S2.

Kontrastit toiminnallisesti johdetuille ROI:ille

Aivojen toiminnan spatiotemporaalisen kehittymisen täysin karakterisoimiseksi ajan mittaan määritimme aivojen toiminnallisesti perustuvan ryhmittelyn käyttämällä k-keskiarvoista funktionaalista klusterointia (katso materiaalit ja menetelmät sekä kuva 2 ja kuva S6 lisätietoja varten) riippumattomasti {{3} }.1–1 ja 2–8 Hz:n taajuuskaistat. Tämä johti uuteen aikasarjaan kullekin osallistujalle, toiminnalliselle lohkolle ja koeolosuhteille (M ja N), joille tehtiin yksimuuttujakontrastit (M vs. N) (kuva 3) ja korjattiin useiden vertailujen osalta käyttämällä klusteripohjaista MCS:ää.

Kuten edellinen analyysimme, vahvin aivojen aktiivisuus hitaammalla vyöhykkeellä havaittiin M:lle. On huomattava, että laajentamalla ensimmäistä analyysiämme nämä uudet tulokset korostivat sarjaa peräkkäin aktiivisia aivolohkoja, jotka liittyvät ajallisen sekvenssin käsittelyyn. Kuten kuvasta 3A näkyy, aivot esittivät alkuaktiviteetin oikeassa kuulokuoressa, jolle oli tunnusomaista hieman vahvempi teho M:lle verrattuna N:ään (kuva 3A, paketti 1: P < 0.0{ {10}}1, klusterin koko k=39; keskimääräinen t-arvo=2,72; aika ensimmäisestä objektin alkamisesta: 0–0. 25 s). Seuraavaksi havaitsimme hermotoimintaa vasemmassa kuulokuoressa, mutta ei merkittäviä eroja koeolosuhteiden välillä (kuva 3A, paketti 2). Aloitimme toisen ja kolmannen kohteen väliltä ja saavuttivat huippunsa temporaalisen sekvenssin viidennen osan aikana, havaitsimme cyngulate gyrusin aktiivisuuden purkauksen, joka oli voimakkaampi M:n ja N:n kohdalla (kuva 3A, paketti 3: P < {{34} }.001, k=92; t-arvo=2,73; aika: 0,45–1,05 s). Pienellä viiveellä samanlainen profiili ilmaantui suuremmalle aivolohkolle, joka käsitti insulan, alemman temporaalisen aivokuoren etuosan, hippokampuksen ja frontaalisen operculumin. Jälleen kerran M oli suurelta osin vahvempi kuin N (kuva 3A, paketti 4: P < 0,001, k=77; t-arvo=2,79; aika: 0,69–1,19 s). Lopuksi, juuri ennen keskimääräistä reaktioaikaa osallistujien kuvion luokittelussa, voimakkaampi aktiivisuus post-central gyrusissa ja sensorimotorisessa aivokuoressa havaittiin M:lle verrattuna N:ään (kuva 3A, paketti 5, päärypäle: P < 0,001, k=142; t-arvo=2,68; aika: 0,94–1,88 s).

Sitä vastoin 2–8 Hz:n kaistan analyysi osoitti useita merkittäviä voimakkaamman aktiivisuuden klustereita N:lle verrattuna M:ään aikasarjan terävien huippujen ympärillä. Erityisesti verrattuna ensimmäiseen analyysiimme temporaalisen sekvenssin 5 kohteen osalta, tämä toinen menettely hahmotteli selvästi tällaisen eron ajallisen laajuuden, joka vastasi temporaalisten sekvenssien kolmea viimeistä sävyä. Erityisesti tällaiset erot koskivat oikeaa (kuva 3B, tontti 1, pääryhmä I: P < 0.001, k=11, t-arvo {{ 9}}.51; aika: 0.89–0.95 s; II: P < 0.001, k {{ 17}}; t-arvo=2,22; aika: 1,21–1,28 s) ja vasemmanpuoleinen ensisijainen kuulokuoret (kuva 3B, paketti 2, pääryhmä I: P < 0.{{46) }}01, k=12, t-arvo=−3,70; aika: 0,74–{{6{{7{{ 76}}}}}},81 s; II: P < 0.001, k {{40}}; t-arvo {{ 42}}.09; aika: 0,87–{{1{{105}}1}},95 s; III: P < {{113} }.001, k {{50}}; t-arvo=2,90; aika: 0,64–0,69 s). Vähentyneellä voimakkuudella on havaittu samankaltaisia ​​aktiivisuusklustereita oikealla (kuva 3B, lohko 3, pääklusteri I: P < 0,001, k=13, t-arvo=3,08; aika : 1,19–1,27 s; II: P < 0,001, k=12; t-arvo=3,61; aika: 0,89–0,96 s) ja vasemman sekundaarisen kuulokuoren ja hippokampuksen alueet (kuva 3B, tontti 4, pääklusteri I: P < 0,001, k=12,t-arvo {{86}} −2,97; aika: 0,74–0,81 s; II: P < 0,001, k {{95 }}; t-arvo=2,86; aika: 0,87–0,93 s) ja singulaatti (kuva 3B, paketti 5, pääryhmä I: P < 0,001, k=10, t-arvo { {109}},03; aika: 0,90–0,96 s; II: P < 0,001, k=9; t-arvo=−2,29; aika: 0,79–0,84 s). Lisäyksityiskohtia näistä kontrasteista on raportoitu taulukoissa S8 ja kuvattu laajasti kuvioissa 1 ja 3. S9 ja S10.

Lopuksi kuvio 4 havainnollistaa kvalitatiivisesti mielenkiintoista ilmiötä. Vaikka "aalto"vaste ensimmäiseen ääneen osoitti hyvin samanlaista aktiivisuutta primaarisessa (lohko i) ja toissijaisessa kuulokuoressa, insulassa, hippokampuksen alueilla (alue ii) ja cingulatessa (osa iii), seuraavien äänien huiput osoittivat erilaista suuntaus, erityisesti vastauksena sekvenssin kolmanteen ja neljänteen kohtaan. Tässä tapauksessa toissijaiset kuulokuoret, insula, aivotursoalueet ja cingulaatti näyttivät saavuttavan huippunsa ennen ensisijaista kuulokuorta. Toisin kuin aluksi saattaa näyttää, tämä ei kuitenkaan välttämättä tarkoita nopeampaa reagointia näillä alueilla. Todellakin, kun tarkastellaan esimerkiksi huipuja noin 0,5 s (ensimmäinen punainen neliö kuvassa 4), ensimmäisen huipun (jota esiintyy pääasiassa toissijaisissa kuulokuoressa, insulassa, hippokampuksen alueissa ja singulaatessa) pitäisi vastata P300-komponenttiin kuvion toiseen ääneen, kun taas toinen piikki (jotka esiintyy pääasiassa ensisijaisessa kuulokuoressa) voi olla P50 kolmanteen ääneen. Analoginen ilmiö tapahtui seuraaville sekvenssin kohteille (kuten muut punaiset neliöt hahmottelevat).

Tämä voi viitata siihen, että vaikka primaarisen kuulokuoren panos oli vahvempi ensimmäisille komponenteille (eli P50 ja N100), jotka indeksoivat alemman tason prosesseja, myöhempiä komponentteja, kuten P300, voivat tuottaa pääasiassa korkeamman asteen alueet, kuten toissijainen kuulo. aivokuoret, insula, hippokampuksen alueet ja cingulaattikuoret. Nykytilanteessa tämä on vain laadullinen havainto, joka vaatii tulevia tutkimuksia, joilla pyritään spesifisesti ja määrällisesti tutkimaan tätä ilmiötä.

Keskustelu

Tämä musiikkisekvenssejä käyttävä MEG-tutkimus paljasti kaksinkertaisen samanaikaisen prosessoinnin aivoissa, joka liittyy ajallisten kuulosekvenssien tunnistamiseen. Yhtäältä sekvenssin muodostavien paikallisten yksittäisten kohteiden esittäminen yhdistettiin nopeaan, värähtelevään, paikalliseen prosessointiin, jota ohjasivat sensoriset aivokuoret. Tämä prosessointi oli vahvempi romaanin muodostavien äänien tunnistamisessa verrattuna ulkoa opetettuihin musiikkijaksoihin. Toisaalta globaalin, koko ajallisen sekvenssin prosessointiin liittyi samanaikainen globaali, hidas prosessointi, joka käsitti laajan verkoston peräkkäin aktiivisia korkean tason aivoalueita. Tässä tapauksessa aivojen aktiivisuus oli suurelta osin vahvempaa muistiin tallennetuissa vs. uusissa sekvensseissä.

Tämä kaksinkertainen samanaikainen prosessointi oli erityisen ilmeistä sekvenssin kolmen viimeisen sävyn esittämisen yhteydessä, mikä viittaa siihen, että aivot tarvitsevat vähintään kaksi tai kolme ääntä tunnistusprosessin aloittamiseksi. Täällä aivot rekrytoivat laajan verkoston alueita, jotka liittyvät suurelta osin muistiin, huomioimiseen, koe-esiintymiseen ja päätöksentekoon. Tällaisia ​​aivoalueita olivat hippokampus (Knierim 2015), gyrus (Rolls 2019; Pando-Naude et al. 2021; Criscuolo ym. 2022), alempana oleva temporaalinen aivokuori (Conway 2018), frontaalinen operculum (Indefrey et al. 2000mand; al. 2015), insula (Uddin 2015) sekä primaarinen ja sekundaarinen kuulokuori (Elhilali ym. 2004). Erityisesti molemmat prosessit (globaalit ja paikalliset) sisälsivät suunnilleen samoja aivoalueita, mutta riippuivat hermosolujen herättämien vasteiden eri taajuuksista. Lisäksi paikallinen prosessointi perustui pääasiassa sensorisiin aivokuoreen (esim. kuulokuoreen), kun taas globaali prosessointi esitti laajemman rekrytoinnin korkeamman asteen aivoalueisiin, kuten cingulaattiin, alempaan ajalliseen aivokuoreen ja hippokampukseen.

Hämmästyttävää on, että kuulon ajallinen sekvenssin tunnistus yhdistettiin asteittain hitaampien tapahtumien sarjaan, jotka kytkevät uudelleen ketjun matalasta korkeampaan aivoalueeseen. Tämä 0.1–1 Hz:n kaistan osalta havaittu todiste voi viitata siihen, että aivot seuraavat ja asteittain rakentavat mielekästä ymmärrystä kehittyvästä ajallisesta sekvenssistä rekrytoimalla hierarkkisen reitin myöhemmin aktiivisista alueista. Sitä vastoin aktiivisuus 2–8 Hz:n kaistalla osoitti komplementaarista profiilia, joka oli hieman huipussaan jokaisen temporaalisen sekvenssin kohdan jälkeen. Tällaiset todisteet viittaavat siihen, että vaikka 0,1–1 Hz:n kaista voi olla osallisena koko sekvenssin kattavan ymmärtämisen saavuttamisessa (maailmanlaajuinen käsittely), 2–8 Hz:n kaista voi kehittää itsenäisesti yksittäisiä kohteita (paikallinen käsittely). Tuloksemme eivät kuitenkaan voi lopullisesti kertoa, edustivatko tällaiset vyöhykkeet sisäisiä aivojen mekanismeja vai olivatko ne yksinkertaisesti ärsykevetoisia. Tämän tärkeän kysymyksen ratkaisemiseksi tarvitaan jatkotutkimuksia.

Pääasiallinen uutuus tuloksissamme liittyy aivojen signaalin erotusvoimakkuuteen, joka havaittiin kahdella taajuuskaistalla koeolosuhteissamme (M ja N). Todellakin, vaikka 0,1–1 Hz:n kaistalla oli vahvempi teho muistiin tallennetuille sarjoille, 2–8 Hz:n kaista osoitti suurempia vasteita uusille. Tämä havainto voidaan nähdä ennakoivan koodausteorian valossa (Friston 2012; Vuust ym. 2012; Koelsch ym. 2019), jonka mukaan aivot päivittävät jatkuvasti sisäisiä malleja ennustaakseen ympäristöinformaatiota. Tässä, kun aivot tunnistavat ajallisia sekvenssejä (esim. sekvenssiemme sävyjen numero kaksi ja kolme ympärillä), ne voivat muotoilla parempia ennusteita tulevista, aiemmin muistiin kirjoitetuista kohteista, jotka täydentävät sekvenssit.

Siten tällaiset kohteet vaatisivat vähemmän paikallista käsittelyä, kuten havaitsimme kokeellisesti. Mielenkiintoista on, että vaikka 2–8 Hz:n kaistan aktiivisuuden hermolähteet sijaitsevat pääasiassa primaarisessa kuulokuoressa, ne sijoitettiin myös hippokampuksen alueille, sekundaariseen kuulokuoreen, insulaan ja cingulaattiin. Kuten aiemmin mainittiin, nämä todisteet viittaavat siihen, että suunnilleen samat aivoalueet tuottivat kaksi samanaikaista taajuuskaistaa, joille on ominaista hyvin erilainen toiminnallinen profiili, joka indeksoi ajallisen sekvenssin paikallisen ja globaalin käsittelyn. Tämän lisäksi paikallisesta prosessoinnista tuloksemme osoittavat, että kunkin äänen käsittely synnytti aallokomaisen aikasarjan, jossa oli kolme päähuippua (komponenttia). Tässä ensimmäisten komponenttien (eli P50 ja N100 (Coles ja Rugg 2008)) indeksoimien äänien alemman tason jalostus on peräisin pääasiassa primaarisesta kuulokuoresta. Sitä vastoin myöhempiä komponentteja, kuten P300 (Coles ja Rugg 2008), synnyttivät erityisesti korkeamman asteen alueet, kuten sekundaariset kuulokuoret, insula, hippokampuksen alueet ja cingulaatti. On huomattava, että tällainen ilmiö tuli selvemmäksi ajallisen sekvenssin avautumisen jälkeen, mikä viittaa siihen, että yksittäisten kohteiden asteittain hienostuneempi käsittely voi olla välttämätöntä aivoille ymmärtääkseen koko ajallisen sekvenssin merkityksen.

Toisaalta useat aiemmat tutkimukset kuvasivat globaalia ja paikallista prosessointia hermosignaalin eri paikoissa (eli primaariset sensoriset aivokuoret edelsivät korkeamman asteen aivoalueita saapuvien ärsykkeiden käsittelyssä (Qiu ja Von Der Heydt 2005). tutkimuksemme osoitimme, että samat aivoalueet toimivat näitä kahta prosessia (globaalia ja paikallista) samanaikaisesti käyttäen kahta samanaikaista taajuuskaistaa, mikä saattaa viitata monimutkaiseen multipleksointiin. Nämä tulokset ovat johdonmukaisia ​​aiemman tutkimuksen kanssa, joka osoitti samanaikaisia ​​aivoprosesseja. samat asiat kuulohavainnoissa ja kielen ymmärtämisessä (Giraud ja Poeppel 2012).

Lisäksi jotkin aiemmat tutkimukset, joissa tutkittiin kuulokäsittelyä ja äänitietojen muistia, raportoivat hitaista herätetyistä reaktioista, jotka ovat samanlaisia ​​kuin meidän hidas, globaali käsittelymme. Esimerkiksi Picton (1978) esitti todisteita kuulon jatkuvasta sähköpotentiaalista ihmisen aivoissa vasteena äänille. Viime aikoina Bidet-Caulet et ai. (2007), käyttäen kallonsisäistä EEG:tä, osoitti, että selektiivinen huomio äänitietoon liittyi jatkuviin herätettyihin vasteisiin sekundaarisilla kuuloaivojen alueilla. Samalla tavalla Grimault et ai. (2014), joka tutkii kuulo-lyhytaikaista muistia, raportoi jatkuvasta aivotoiminnasta etu-, temporaali- ja parietaalialueilla, kun useita kuulokohteita pidettiin muistissa. Näiden havaintojen mukaisesti Albouy ja kollegat osoittivat hitaita herätettyjä vastauksia, kun osallistujia pyydettiin suorittamaan kuulotyömuistitehtäviä.

He raportoivat hitaista, jatkuvista aivojen vasteista erityisesti kuuloärsykkeiden säilyttämisestä ja manipuloinnista (Albouy ym. 2013, 2017).

Lopuksi löydöksemme liittyivät ja laajensivat käsitteitä tunnetusta kaksivirtaushypoteesista aivoista (Goodale ja Milner 1992; Whitwell ym. 2014). Tällainen käsitteellistäminen ehdotti kahta pääpolkua visuaalisen ja auditiivisen tiedon korkeatasoiseen kehittämiseen. Toisaalta vatsavirta johtaa aistialueilta (esim. näkö- ja kuulokuoret) mediaaliseen ohimolohkoon, prosessoimalla pääasiassa esineiden tunnistamiseen liittyviä piirteitä (Goodale ja Milner 1992; Weiller et al. 2021). Toisaalta selkävirta tuo tietoa sensorisista aivokuorista parietaalilohkoon ja kehittää ärsykkeiden spatiaalisia piirteitä (Arbib 2017).

Johdonmukaisesti tämän hypoteesin kanssa tuloksemme korostivat useita vatsan virran aivoalueita, jotka ovat osallisia tunnistusprosesseissa, kuten hippokampusalueet, frontaalinen operculum ja huonompi temporaalinen aivokuori. On kuitenkin huomattava, että tuloksemme laajensivat entisestään aiempaa tietämystä kaksivirtaisesta hypoteesista antamalla vähintään kolme ratkaisevaa, ratkaisevaa huomautusta. (i) Aivojen ajallisten sekvenssien tunnistus esitti ainutlaatuisia tila-ajallisia piirteitä, joita ei jaettu yksittäisten kohteiden tai synkronisten kuvioiden tunnistamiseen. (ii) Kaksivirtaiseen hypoteesiin osallistuvien aivoalueiden lisäksi löydöksemme osoittivat cingulaattisen gyrusen etuoikeutetun roolin ajallisen kuulosekvenssin tunnistamisen saavuttamisessa. (iii) Lopuksi ajan myötä kehittyvien sekvenssien tunnistamiseen sisältyi samojen kohteiden kaksinkertainen samanaikainen prosessointi, jotka aivot tulkitsivat samanaikaisesti yksittäisiksi tiedoiksi (paikallinen käsittely) ja suuremman kokonaisuuden perusosiksi (globaali käsittely). Erityisesti tutkimuksemme osoitti, että paikallinen prosessointi oli erittäin merkityksellistä uuden kuuloinformaation kannalta, kun taas aiemmin ulkoa opitut musiikkisekvenssit tunnistettiin aivojen globaalin prosessoinnin vahvan osallistumisen kautta.

Tulevaisuuden tutkimusta pyydetään tutkimaan tätä aihetta edelleen tutkimalla aivomekanismeja, jotka ovat taustalla ei-musikaalisten ajallisten sekvenssien (esim. numeroiden, sanojen ja visuaalisten elementtien) tunnistamisen. Lisäksi eri ihmisryhmien (esim. vanhemmat ja nuoremmat aikuiset (Fernàndez-Rubio, Brattico, et al. 2022a; Fernàndez-Rubio, Olsen ym. 2022c) kognitiivisten kykyjen tunnettujen erojen perusteella muusikot vs. ei-muusikot (Criscuolo ym. 2019; Bonetti, Brattico, Vuust ym. 2021c) ja terveet yksilöt vs. potilaat (Valenzuela ja Sachdev 2006)), tulevissa tutkimuksissa tulisi selvittää iän ja kliinisen tilan vaikutusta aivomekanismeihin taustalla olevien ajallisten sekvenssien tunnistaminen.

Tekijän panokset

Käsitteellistäminen: LB, EB, MLK, PV; Metodologia: LB, MLK, DP, GDE; Ohjelmisto: LB; Analyysi: LB; Tutkimus: LB, GDO; Resurssit: MLK, PV, EB, LB; Tietojen kuratointi: LB; Kirjoitus – Alkuperäinen luonnos: LB; Kirjoittaminen – tarkistus ja editointi: LB, SEPB, EB, DP, GDE, GDO, PV; Visualisointi: LB, SEPB; Valvonta: MLK, PV, DP, EB; Hankkeen hallinto: LB, MLK, PV, EB; Rahoitushankinta: LB, PV, MLK.

Kiitokset

Kiitämme Riccardo Proiettia, Giulio Carraturoa, Mick Holtia ja Holger Friisiä avusta neurotieteellisessä kokeessa. Kiitämme myös psykologi Tina Birgitte Wisbech Carstensenia hänen avustaan ​​psykologisten testien ja kyselylomakkeiden hallinnoinnissa sekä Francesco Carlomagnoa avusta lehden esillepanossa.

Oheismateriaali
Täydentävää materiaalia on saatavana Cerebral Cortexista verkossa.

Rahoitus

Center for Music in the Brain (MIB) on Tanskan kansallisen tutkimussäätiön rahoittama (projektinumero DNRF117).

LB:tä tukevat Carlsberg Foundation (CF20-0239), Lundbeck Foundation (Talent Prize 2022), Center for Music in the Brain, Oxfordin yliopiston Linacre College ja Society for Education and Music Psychology (SEMPRE:n 50-vuotisjuhla). Palkintojärjestelmä).

MLK:ta tukevat Center for Music in the Brain sekä Pettit- ja Carlsberg-säätiöiden rahoittama Center for Eudaimonia and Human Flourishing.

GD:tä tukee espanjalainen tutkimusprojekti PSI2016- 75688-P (AEI/FEDER, EU) ja Euroopan unionin Horizon 2020 -tutkimus- ja innovaatioohjelma avustussopimuksen nro. 720270 (HBP SGA1) ja no. 785907 (HBP SGA2) ja Katalonian AGAUR-ohjelma 2017 SGR 1545.

Lisäksi kiitämme Bolognan yliopistoa taloudellisesta tuesta kirjailija Giulia Donatille ja opiskelija-assistenteille Riccardo Proiettille ja Giulio Carraturolle sekä Mensan: The International High IQ Societyn italialaiselle osastolle Francesco Carlomagnolle annetusta taloudellisesta tuesta.

Viitteet

Al-Zoubi MB, Al RM. Tehokas tapa laskea siluettikertoimia. 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 ai. Äänenkorkeuden havaitsemisen ja muistin heikkeneminen synnynnäisessä amusiassa: alijäämä alkaa kuulokuoresta. Aivot. 2013:136(5):1639–1661.

3. Albouy P, Weiss A, Baillet S, Zatorre RJ. Selektiivinen theta-värähtelyjen kulkeutuminen selkävirtaan lisää kausaalisesti kuulotyömuistin suorituskykyä. Neuroni. 2017:94(1):193–206.

4. Arbib MA. Dorsaali- ja ventr1982al-virrat kielivalmiiden aivojen kehityksessä: kielen yhdistäminen maailmaan. J Neurolingvistiikka. 2017:43:228–253.

5. Behroozmand R, Shebek R, Hansen DR, Oya H, Robin DA, Howard MA, Greenlee JDW. Puheen tuottamiseen ja moottorin ohjaukseen liittyvät sensorimotoriset verkot: fMRI-tutkimus. NeuroImage. 2015:109: 418–428.

6. Berdyjeva TK, Olson CR. Järjestä signaalit makakin etukuoren neljällä alueella valittaessa toimintoja ja kohteita sarjajärjestyksessä. J Neurophysiol. 2010:104(1):141–159.

7. Bidet-Caulet A, Fischer C, Besle J, Aguera PE, Giard MH, Bertrand, O. Selektiivisen huomion vaikutukset samanaikaisten äänien elektrofysiologiseen esitykseen ihmisen kuulokuoressa. 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. Aivojen spatiotemporaalinen dynamiikka Johann Sebastian Bachin musiikin tunnistamisen aikana. 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. Nopea musiikin äänien koodaus löydetty koko aivojen liitettävyydestä. NeuroImage. 2021a:245:118735.

10. Bonetti L, Brattico E, Vuust P, Kliuchko M, Saarikallio S. Älykkyys ja musiikki: matalampi älykkyysosamäärä liittyy musiikin korkeampaan käyttöön voimakkaiden tuntemusten kokemiseen. Empi Stud Arts. 2021c:39(2):194–215.

For more information:1950477648nn@gmail.com