Распознавание мозгом ранее изученных и новых временных последовательностей: дифференциальная одновременная обработка, часть 2

Получение данных

Мы получили анатомические данные МРТ и МЭГ за два независимых сеанса. Данные МЭГ были получены с использованием системы Elekta Neuromag TRIUX (Elekta Neuromag, Хельсинки, Финляндия), оснащенной 306 каналами. Аппарат был установлен в комнате с магнитным экранированием в университетской больнице Орхуса, Дания. Данные записывались с частотой дискретизации 1,000 Гц с аналоговой фильтрацией 0,1–330 Гц. Перед измерениями мы установили уровень звука на 50 дБ выше минимального порога слышимости каждого участника. Кроме того, с помощью трехмерного дигитайзера (Polhemus Fastrak, Колчестер, Вирджиния, США) мы зарегистрировали форму головы участника и положение четырех головных катушек относительно трех анатомических ориентиров (назион, а также левая и правая преаурикулярные области).

С постоянным развитием науки и техники в нашей жизни появилось множество новых концепций и технологий. Они, технология MEG – одна из них. МЭГ — это общий метод измерения электрической активности человеческого мозга. Он использует сверхпроводящий квантовый интерферометр (СКВИД) для обнаружения электрической активности нейронов. Технология МЭГ может помочь нам лучше понять принцип работы человеческого мозга, а затем раскрыть тайну человеческого интеллекта.

Помимо изучения электрической активности нейронов, технология МЭГ позволяет также оценивать и изучать память человека. Многие исследования показали связь между технологией MEG и памятью. Изучая и анализируя большие объемы данных, ученые могут использовать технологию MEG для отслеживания объема памяти людей и того, как разные люди обрабатывают воспоминания.

Согласно исследованию, благодаря анализу технологии и данных МЭГ ученые смогут идентифицировать и измерить электрическую активность в различных областях человеческого мозга, тем самым помогая нам понять режим работы мозга. Эти данные могут помочь нам лучше понять память и когнитивные процессы и, в свою очередь, разработать более эффективные способы улучшения памяти людей.

Кроме того, многие исследования также показали, что вполне реально использовать различные методы и приемы для улучшения памяти. Используя различные методы и упражнения для запоминания, мы можем тренировать свой мозг и тем самым улучшить нашу способность запоминать. Для тех, кто хочет улучшить свою память, понимание технологии MEG и анализа данных является решающим шагом.

Таким образом, существует неразрывная связь между технологией MEG и памятью. Благодаря анализу больших объемов данных мы можем лучше понять, как работает человеческий мозг и процесс формирования памяти, а затем разработать более эффективные методы улучшения нашей памяти. Мы верим, что в будущем, благодаря постоянному развитию и совершенствованию технологий, у нас будет больше методов и технологий, которые помогут нам лучше развивать и использовать нашу способность памяти. С этой точки зрения нам необходимо улучшить нашу память. Цистанхе может значительно улучшить память, поскольку Цистанхе также может регулировать баланс нейротрансмиттеров, например, повышая уровень ацетилхолина и факторов роста, которые очень важны для памяти и обучения. Кроме того, мясо также может улучшить кровоток и способствовать доставке кислорода, что может гарантировать, что мозг получает достаточное питание и энергию, тем самым повышая жизнеспособность и выносливость мозга.

Нажмите на добавки, чтобы улучшить память

Местоположение катушек головки регистрировалось в течение всей записи с помощью непрерывной идентификации положения головы (cHPI), что позволяло нам отслеживать точное местоположение головки внутри МЭГ-сканера в каждый момент времени. Мы использовали эти данные для точной коррекции движения на более позднем этапе анализа данных.

Записанные анатомические данные МРТ соответствовали структурному Т1. Параметры сбора данных для сканирования сообщаются следующим образом: размер воксела=1.0 × 1.0 × 1.0 мм (или 1.0). мм3); размер восстановленной матрицы 256×256; время эха (TE) 2,96 мс и время повторения (TR) 5,000 мс и полоса пропускания 240 Гц/пиксель. На более позднем этапе анализа каждое T1-взвешенное МР-сканирование было сорегистрировано со стандартным шаблоном мозга MNI посредством аффинного преобразования, а затем сопоставлено с пространством датчиков MEG с использованием данных о форме головы Полемуса и трех контрольные точки, измеренные во время сеанса MEG.

Предварительная обработка данных

Необработанные данные датчиков МЭГ (204 планарных градиентометра и 102 магнитометра) были предварительно обработаны MaxFilter (Таулу и Симола, 2006) для ослабления помех, возникающих за пределами кожи головы, путем применения разделения пространства сигналов. В ходе того же сеанса Maxfilter также скорректировал сигнал на движение головы и снизил его частоту с 1,000 до 250 Гц.

Данные были преобразованы в формат SPM и дополнительно проанализированы в Matlab (MathWorks, Натик, Массачусетс, США) с использованием OSL (Библиотека программного обеспечения OHBA), свободно доступного набора инструментов, основанного на сочетании FSL (Woolrich et al. 2009), SPM (Пенни и др., 2007 г.) и Fieldtrip (Остенвельд и др., 2011 г.), а также функции, созданные собственными силами. Для коррекции возможных помех электрическому току применялся режекторный фильтр (48–52 Гц). Данные были дополнительно уменьшены до 150 Гц, а несколько сегментов данных, измененных крупными артефактами, были удалены после визуального осмотра.

Затем, чтобы исключить помехи моргания глаз и артефактов сердцебиения в данных мозга, был использован анализ независимых компонентов (ICA) для разложения исходного сигнала на независимые компоненты. Затем компоненты, которые улавливали активность моргания глаз и сердцебиения, сначала были изолированы, а затем отброшены. Сигнал был восстановлен с использованием оставшихся компонентов (Мантини и др., 2011), а затем повторен в 80 испытаниях (по одному на каждый музыкальный отрывок) продолжительностью 3500 мс каждый (со 100 мс времени перед стимулом, которое использовалось для коррекции базовой линии) ( Рис. 1Б).

Одномерные испытания и моделирование методом Монте-Карло для датчиков MEG.

Хотя наше основное внимание было сосредоточено на реконструированных данных мозга, полученных из источника МЭГ, первый анализ данных датчика МЭГ был выполнен в соответствии с современными рекомендациями по передовым методам анализа МЭГ (Gross et al. 2013).

Таким образом, подобно большому числу исследований, связанных с выполнением задач, связанных с МЭГ и электроэнцефалографией (ЭЭГ) (Gross et al. 2013), мы усреднили испытания по условиям, получив два окончательных средних испытания, для M и N, соответственно. Затем мы объединили каждую пару плоских градиентометров по квадрату суммы корней. После этого мы провели t-тест для каждого момента времени в диапазоне времени 0–2,500 с и для каждого комбинированного планарного градиентометра, сравнивая M и N.

Чтобы исправить множественные сравнения, мы рассчитали моделирование Монте-Карло (MCS) (Kroese et al. 2011) с 1,000 перестановками в кластерах значимых результатов, полученных в результате t-тестов. Мы считали значимыми исходные кластеры, размер которых превышал 99,9% максимальных размеров кластеров переставленных данных. Дополнительную информацию об этой широко используемой процедуре можно найти у Bonetti et al. (2020), Бонетти, Браттико, Карломаньо и др. (2021a), Бонетти, Бруззоне, Седги и др. (2021b), Бонетти, Браттико, Вууст и др. (2021c) и Фернандес-Рубио, Браттико и др. (2022a), ФернандесРубио, Карломаньо и др. (2022b), Фернандес-Рубио, Олсен и др. (2022с).

Этот анализ выявил большую и надежную разницу между экспериментальными условиями. Более того, активность мозга, зарегистрированная по каналам МЭГ, образующая значительный кластер, полученный в результате анализа MCS, очерчивала временной ряд, который представлял собой два основных частотных компонента. Как показано на рис. S2A, более быстрый частотный компонент достигал максимума после предъявления каждого из элементов, образующих последовательность, тогда как более медленный частотный компонент сопровождал всю последовательность.

Это свидетельство было дополнительно подтверждено вычислением сложного вейвлет-преобразования Морле (Daubechies 1992) на всех данных датчика MEG, которое выявило основной вклад 1 и 4 Гц в сигнал MEG, записанный во время задачи (рис. S2B). Кроме того, этот анализ показал заметную, но более слабую мощность в районе 10 Гц.

Следует отметить, что мощность 10 Гц не была привязана по времени к началу смещения музыкальной последовательности. Таким образом, наш следующий анализ в первую очередь был сосредоточен на двух полосах частот, определенных около 1 и 4 Гц, поскольку они были частотами с наибольшей мощностью. Эти две полосы составляли 0,1–1 и 2–8 Гц. Кроме того, мы провели дополнительный анализ диапазона частот, определенного около 10 Гц, поскольку он представляет собой уменьшенную, но различимую мощность. Такая полоса составляла 8–12 Гц.

Важно отметить, что мы предположили, что диапазоны частот 2–8 и 0,1–1 Гц индексируют два основных процесса, участвующих в нашей экспериментальной задаче: обработку отдельных элементов, образующих временную последовательность (i — локальная обработка), и распознавание временная последовательность как комплексный вышестоящий объект (ii — глобальная обработка).

Реконструкция источника

Мы использовали современные методы реконструкции источников для оценки источников, которые генерировали сигнал, который мы зарегистрировали на датчиках МЭГ (рис. 1C и рис. 2A) (Хуанг и др., 1999; Хиллебранд и Барнс 2{{ 7}}05). Важно отметить, что алгоритм реконструкции источника был рассчитан независимо для трех частотных диапазонов, участвующих в исследовании (0,1–1, 2–8 и 8–12 Гц), чтобы охарактеризовать вызванные ответы на M и N в этих трех различных частотных диапазонах. . В частности, были реализованы следующие шаги.

Сначала непрерывные данные (до эпохального изменения) подвергались полосовой фильтрации в трех частотных диапазонах. Во-вторых, отфильтрованные данные (независимо для трех полос) были синхронизированы. В-третьих, периодические данные были отправлены в алгоритм реконструкции источника, описанный ниже.

Такой алгоритм включает два последовательных шага: (i) разработку прямой модели и (ii) вычисление обратного решения. Прямая модель — это теоретическая модель, которая рассматривает каждый источник мозга как активный диполь и описывает, как унитарная сила такого диполя будет отражаться на всех датчиках МЭГ (в нашем случае мы использовали как магнитометры, так и плоские градиентометры) (Хуанг и др. 1999).

Здесь мы использовали сетку 8- мм, которая вернула 3559 местоположений диполей (вокселей) во всем мозге. После регистрации отдельных структурных данных T1 с помощью реперных данных (информации об ориентирах головы) прямая модель была рассчитана с использованием широко используемого метода под названием «Одиночная оболочка», подробно представленного Нолте (2003). Результаты таких вычислений, также называемые моделью свинцового поля, сохранялись в матрице L (источники × каналы MEG). В тех немногих случаях, когда структурный T1 был недоступен, мы выполняли расчет поля свинца с использованием шаблона (MNI152-T1 с пространственным разрешением 8- мм).

Вторым шагом реконструкции источника является вычисление обратного решения (т.е. оценка генераторов нейронного сигнала на основе активности мозга, записанной с помощью МЭГ). В нашем исследовании мы выбрали формирование луча, который является одним из самых популярных и эффективных алгоритмов, доступных в этой области (Хуанг и др., 1999; Хиллебранд и Барнс, 2005). В этой процедуре используется другой набор весов, последовательно применяемых к местоположениям источников, для выделения вклада каждого источника в активность, зарегистрированную каналами MEG для каждого момента времени (Hillebrand and Barnes 2005; Brookes et al. 2007). На более техническом уровне обратное решение, основанное на формировании луча, можно описать следующими основными этапами.

Во-первых, данные, записанные датчиками МЭГ (Б) в момент времени t, можно описать следующим уравнением (3):

где L — описанная выше модель свинцового поля, Q — матрица диполя, несущая активность каждого активного диполя (q) с течением времени, а ε — шум (более подробную информацию см. в Huang et al. (2004)). Таким образом, чтобы решить обратную задачу, мы должны вычислить Q. Используя формирование диаграммы направленности, такая процедура вращается вокруг вычисления весов, которые применяются к датчикам MEG в каждый момент времени, как показано для одиночного диполя q в уравнении (4). ):

Действительно, чтобы получить q, необходимо вычислить веса W (индекс T относится к матрице транспонирования). Для этого формирование луча основано на умножении матриц L и ковариационной матрицы между датчиками MEG (C), рассчитанной на основе объединенных экспериментальных испытаний. В частности, для каждого источника мозга n веса Wn вычисляются следующим образом:

Следует отметить, что расчет модели ведущего поля проводился для трех основных ориентаций каждого источника мозга (диполя), согласно Нолте (Nolte 2003). Однако перед вычислением весов ориентации были сведены к единице с помощью алгоритма разложения по сингулярным значениям при умножении матриц, представленном в уравнении (6). Эта процедура широко применяется для упрощения выходного сигнала формирования луча (Хуанг и др., 2004 г.; Вулрич и др., 2011 г.).

Здесь l представляет собой модель свинцового поля с тремя ориентациями, а L — разрешенную модель с одной ориентацией, которая использовалась в (5).

Наконец, как упоминалось выше, что касается реализации кодирования таких алгоритмов, мы использовали наборы инструментов Matlab, такие как OSL, FieldTrip, SPM (функции для предварительной обработки MEEG и набора инструментов формирования луча SPM) и FSL. Более того, эти коды были дополнены собственными скриптами и функциями.

Мозговая активность для каждого элемента временной последовательности

Во-первых, мы хотели обнаружить активность мозга, лежащую в основе каждого элемента наших временных последовательностей (рис. 1D, рис. S3, S4, таблица 1 и таблица S1). Здесь мы вычислили абсолютное значение восстановленного временного ряда, поскольку нас интересовала абсолютная сила сигнала.

Для проведения анализа первого уровня для каждого участника мы использовали общие линейные модели (GLM). Такие модели были рассчитаны на основе реконструированных данных источника для каждого момента времени и источника мозга (Hunt et al. 2012). GLM вернули основной эффект (контрасты оценок параметров (COPE)) M и N, а также их контраст. Их использовали, поскольку им было позволено получить основные эффекты, которые существенно корректировались за счет различий между участниками. Эти результаты были подвергнуты анализу второго уровня с использованием одновыборочных t-тестов с пространственно сглаженной дисперсией, полученной с помощью ядра Гаусса (полная ширина на полувысоте: 50 мм) (Хуанг и др., 2004).

Здесь нам было интересно наблюдать за различной активностью мозга, лежащей в основе распознавания временной последовательности M и N, независимо для каждого диапазона частот и элемента (музыкального тона), образующего последовательность. Таким образом, мы вычислили 15 (5 тонов × 3 частотных диапазона) кластерных симуляций Монте-Карло (MCS) на основе результатов анализа второго уровня (группового уровня), усредненных по пяти временным окнам, соответствующим длительности музыкальных тонов. . Анализ MCS включает 1,000 перестановок и порог формирования кластера P < 0,05 (из тестов второго уровня). В частности, тест MCS заключался в обнаружении пространственных кластеров значимых значений в исходных данных. Затем такие данные переставлялись и обнаруживались пространственные кластеры переставленных значимых значений. Эта процедура вычислялась несколько раз (например, 1,000) и приводила к эталонному распределению размеров кластеров, обнаруженному для каждой перестановки. Наконец, исходные размеры кластеров сравнивались с эталонным распределением. Исходные кластеры считались значимыми, если размеры кластеров перестановочных данных превышали размеры исходных кластеров в меньшее количество раз, чем уровень MCS. В этом случае, поскольку мы вычисляли анализ 15 раз, мы внесли поправку на множественные сравнения, разделив стандартный уровень MCS (=0.05) на 15, в результате чего был получен обновленный MCS=0.003 (т. е. исходный уровень MCS). кластеры считались значимыми, если их размеры превышали 99,7% размеров перестановочных кластеров).

Поскольку один из использованных в работе диапазонов частот был довольно низким ({{0}}.1–1 Гц), мы пересчитали реконструкцию источника и контрасты между M и N для 0,1–1 Гц, используя три разных диапазона. базовые линии (500, 1,000 и 2,000 мс). Это было сделано для того, чтобы продемонстрировать, что наши первоначальные результаты не зависят от длины базовой линии. Результаты этой процедуры изображены на рисунке S5 и подробно представлены в таблице S2.

K-означает функциональную кластеризацию

Чтобы дополнить наши предыдущие результаты и обеспечить более детальное описание пространственной протяженности активных источников мозга, а также их активности с течением времени, мы определили функционально основанную парцелляцию мозга. Мы приняли так называемую функциональную кластеризацию k-средних, состоящую из серии алгоритмов кластеризации k-средних. Синага и Ян (2020) изучали функциональную и пространственную информацию каждого из реконструированных временных рядов источников мозга (вокселей). Этот подход применялся для двух диапазонов частот, которые дали самые сильные результаты в наших предыдущих анализах и были связаны либо с отдельными элементами последовательности, либо со всей последовательностью, а именно 0,1–1 и 2–8 Гц.

В частности, в качестве первого шага алгоритм функциональной кластеризации k-средних вычислил кластеризацию по основным функциональным параметрам, таким как пиковые значения и соответствующие индексы временных рядов вокселей. Мы называем этот шаг функциональной кластеризацией. Эта процедура вернула набор независимых участков, сгруппированных по функциональным профилям вокселей мозга. Действительно, такие пакеты могут содержать вокселы либо с пиком примерно в одно и то же время (рис. 2Б, слева), либо с одинаковой абсолютной силой (рис. 2Б, справа). Предположительно предлагается кластеризация по максимальным показателям временного ряда, когда активность мозга локализована в разных регионах в разное время.

И наоборот, когда активность сильно коррелирует с большинством вокселей мозга, кластеризация должна выполняться по максимальным значениям временных рядов и поможет идентифицировать основные генераторы нейронного сигнала. В этом исследовании 0.1–1 Гц (глобальная обработка последовательности) представляла различные пики активности, сдвинутые во времени, и, таким образом, была сгруппирована с учетом временных индексов таких пиков. И наоборот, 2–8 Гц (локальная обработка последовательности) демонстрировали очень коррелированную активность и поэтому были кластеризованы с использованием абсолютных значений такой пиковой активности. Как это широко делается в кластерном анализе (Гарсия-Диас и др., 2019), в нашем случае было полезно вычислить алгоритм кластеризации на последовательном наборе из k кластеров (от k=2 до 20). Затем было выбрано лучшее решение для кластеризации на основе хорошо известных стратегий оценки (эвристики), таких как метод/правило локтя (Лю и Дэн, 2021) и коэффициент силуэта (Аль-Зуби и Аль Рави, 2008).

Метод локтя заключается в построении графика суммы квадратов ошибок (SSE) элементов, принадлежащих кластерам, относительно центроидов кластера как функции постепенно увеличивающегося числа кластерных решений. Затем метод предлагает визуально определить «колено» кривой как количество используемых кластеров. Коэффициент силуэта — это значение (в диапазоне от −1 до +1), показывающее сходство элемента с его кластером (сплоченность) по сравнению с другими кластерами (разделение). Высокое значение коэффициента силуэта указывает на то, что элемент хорошо согласован со своим кластером и плохо с соседними кластерами.

После того, как будет принято решение о наилучшем решении функциональной кластеризации, следует вычислить вторую кластеризацию пространственной информации (пространственная кластеризация, рис. 2C). Действительно, активность мозга в основном описывается двумя параметрами: пространственным расположением и изменением во времени. Кластеризация исходных вокселов мозга в отдельные функциональные участки может дать большие участки, включающие сеть пространственно разделенных областей мозга, которые, например, активны в одно и то же время. Таким образом, чтобы определить лучшую парцелляцию, полезно провести кластерный анализ также и по пространственным координатам каждого из функциональных участков. В нашем исследовании мы рассматривали трехмерные пространственные координаты (в пространстве MNI) вокселей, образующих каждый из функциональных участков. Это вычисление кластеризации было выполнено для последовательного набора решений k кластеров (от k=2 до 1 0), для одного участка за раз. Что касается функциональной кластеризации, мы оценили лучшее решение для пространственной кластеризации, используя правило локтя и коэффициент силуэта. Функциональная кластеризация k-средних была завершена после того, как эта процедура была выполнена на всех функциональных участках, что предполагает эффективную парцелляцию для экспериментальной задачи, основанную как на функциональной, так и на пространственной информации (примеры приведены на рис. S7, в таблицах S3 и S4 для 0,1– 1 Гц и рис. S8, таблицы S5, S6 и S7 для 2–8 Гц). На последнем этапе временные ряды вокселей мозга, принадлежащих каждому участку, усреднялись, чтобы получить окончательный временной ряд для участка. Дополнительная информация о функциональной кластеризации k-средних представлена ​​в дополнительных материалах.

Контрасты во времени для каждой посылки

Здесь функциональная кластеризация k-средних была выполнена для основных эффектов M и N на уровне группы, усредненных вместе. Затем, чтобы получить основной эффект M и N для каждого пакета и участника, мы усредняли основной эффект M и N первого уровня (из GLM) по вокселям мозга, принадлежащим каждому из функциональных пакетов. В результате были получены новые временные ряды для каждого участника, функционального пакета и экспериментальных условий (M и N). Такие временные ряды подвергались одномерному контрасту (M против N; рис. 2D, методы и рис. S9 и S10, результаты). В частности, для каждого участка и момента времени мы рассчитали один двухвыборочный t-критерий (пороговое значение P < 0,05), сравнивающий основной эффект M и N. Затем мы внесли поправку на множественные сравнения, используя двумерный подход MCS с 1,000 перестановками (MCS P <0,001). Более подробную информацию об этой широко распространенной статистической процедуре можно найти у Bonetti et al. (2020), Бонетти, Браттико, Карломаньо и др. (2021a), Бонетти, Бруззоне, Седги и др. (2021b), Бонетти, Браттико, Вууст и др. (2021в). Как и в случае с другими анализами, такая работа наблюдалась для двух основных частотных диапазонов, исследованных в исследовании (рис. 3 и таблица S8).

Полученные результаты

Экспериментальный дизайн и анализ МЭГ-сенсоров

Во-первых, после предварительной обработки данных МЭГ (подробности см. на рис. 1А и Б и в разделе «Материалы и методы») мы сравнили активность мозга, лежащую в основе распознавания M, с N, которая регистрировалась датчиками МЭГ. Эта процедура вернула большой значимый кластер (P < 0.001, размер кластера k=2,117, среднее значение=3.29, время=0.547–1,180 с), демонстрируя более сильную активность мозга для M по сравнению с N. Более того, активность мозга, зарегистрированная по каналам МЭГ, образующим столь значительный кластер, очерчивала временной ряд, который представлял собой два основных частотных компонента. Как показано на рис. S2A, более быстрый частотный компонент достигал максимума после предъявления каждого из элементов, образующих последовательность, тогда как более медленный частотный компонент сопровождал всю последовательность. Эти доказательства были дополнительно подтверждены вычислением сложного вейвлет-преобразования Морле на вызванных ответах, записанных всеми данными датчика МЭГ, которые подчеркнули основной вклад 1 и 4 Гц в сигнал МЭГ, записанный во время задания (рис. S2B). Таким образом, наш следующий анализ в первую очередь был сосредоточен на двух полосах частот, определенных около 1 и 4 Гц, а именно 0,1–1 и 2–8 Гц. Важно отметить, что мы предположили, что диапазоны частот 2–8 и 0,1–1 Гц индексируют два основных процесса, участвующих в нашей экспериментальной задаче: обработку отдельных элементов, образующих временную последовательность (i – локальная обработка), и распознавание временной последовательности как комплексной вышестоящей объект (ii – глобальная обработка).

Исходная реконструированная мозговая активность и анализ отдельных элементов

Мы сравнили реконструированную активность мозга, лежащую в основе последовательностей M и N (подробнее см. в разделе «Материалы и методы»). Различные результаты получены для двух основных полос частот ({{0}}.1–1 и 2–8 Гц. Мозговая активность для 0.1–1 Гц была сильнее для M по сравнению с N, особенно во время обработки последних трех элементов последовательности. Как показано на рис. 1D, рис. S3–S5, такая активность очерчивает широко распространенную сеть мозга, лежащую в основе глобальной обработки последовательности, включающую области мозга, связанные с памятью и оценочными процессами, такие как поясная извилина, гиппокамп, островковая доля, лобная покрышка и нижняя височная кора (MCS P < 0.001). И наоборот, активность мозга в диапазоне 2–8 Гц была в целом выше для N по сравнению с M и в основном затрагивала слуховую кору (MCS P <0,001). Статистика пиковых значимых вокселов мозга для частот 0,1–1 и 2–8 Гц представлена ​​в таблице 1, а обширные результаты для трех частотных диапазонов описаны в таблицах S1 и S2.

Контрасты функционально производных ROI

Чтобы полностью охарактеризовать пространственно-временное развертывание активности мозга с течением времени, мы определили функционально основанную парцелляцию мозга с использованием функциональной кластеризации k-средних (подробности см. в разделе «Материалы и методы», а также на рис. 2 и рис. S6) независимо для {{3} }. Полосы частот 1–1 и 2–8 Гц. В результате были получены новые временные ряды для каждого участника, функционального пакета и экспериментальных условий (M и N), которые были подвергнуты одномерному контрасту (M против N) (рис. 3) и исправлены для множественных сравнений с использованием кластерной MCS.

Как и в нашем предыдущем анализе, самая сильная мозговая активность в более медленном диапазоне была обнаружена для M. Примечательно, что, расширяя наш первый анализ, эти новые результаты выявили серию последовательно активных участков мозга, сопровождающих обработку временной последовательности. Как показано на рис. 3А, мозг продемонстрировал первоначальную активность в правой слуховой коре, характеризующуюся несколько большей силой M по сравнению с N (рис. 3A, участок 1: P < 0.0{ {10}}1, размер кластера k=39, среднее значение t=2,72, время от появления первого объекта: 0–0. 25 с). Затем мы наблюдали нейронную активность в левой слуховой коре, но не обнаружили существенных различий между экспериментальными условиями (рис. 3А, участок 2). Начиная между вторым и третьим пунктами и достигая пика в пятом элементе временной последовательности, мы наблюдали всплеск активности поясной извилины, который был сильнее для M по сравнению с N (рис. 3А, участок 3: P < {{34}) }.001, k=92; значение t=2.73; время: 0,45–1,05 с). С небольшой задержкой аналогичный профиль появился для более крупного участка мозга, включающего островок, переднюю часть нижней височной коры, гиппокамп и лобную покрышку. И снова M было значительно сильнее, чем N (рис. 3A, участок 4: P <0,001, k=77; значение t=2,79; время: 0,69–1,19 с). Наконец, достигнув пика непосредственно перед средним временем реакции для категоризации паттерна участниками, более сильная активность в постцентральной извилине и сенсомоторной коре наблюдалась для M по сравнению с N (рис. 3A, участок 5, основной кластер: P <0,001, k=142; значение t=2,68; время: 0,94–1,88 с).

И наоборот, анализ диапазона 2–8 Гц показал несколько значительных кластеров более сильной активности N по сравнению с M вокруг острых пиков временного ряда. Примечательно, что по сравнению с нашим первым анализом пяти элементов временной последовательности, эта вторая процедура четко обозначила временную степень такой разницы, которая соответствовала последним трем тонам временной последовательности. В частности, такие различия касались правых (рис. 3B, участок 1, основной кластер I: P < 0.001, k=11, t-значение {{ 9}}.51; время: 0.89–0.95 с; II: P < 0.001, k {{ 17}}; значение t=2.22; время: 1,21–1,28 с) и левая первичная слуховая кора (рис. 3B, участок 2, основной кластер I: P < 0.{{46) }}01, k=12, t-значение=−3,70, время: 0,74–{{6{{7{{ 76}}}}}},81 с; II: P < 0.001, k {{40}}; t-значение {{ 42}}.09; время: 0.87–{{1{{105}}}1}}.95 с; III: P < {{113} }.001, k {{50}}; значение t=2.90; время: 0,64–0,69 с). При пониженной интенсивности аналогичные кластеры активности наблюдались справа (рис. 3B, участок 3, основной кластер I: P <0,001, k=13, t-значение=3,08; время : 1,19–1,27 с; II: P < 0,001, k=12; значение t=3,61; время: 0,89–0,96 с) и левая вторичная слуховая кора и области гиппокампа (рис. 3Б, участок 4, основной кластер I: P < 0,001, k=12, t-значение {{86}} -2,97, время: 0,74–0,81 с, II: P < 0,001, k {{95 }}; значение t=2,86; время: 0,87–0,93 с) и поясную извилину (рис. 3B, участок 5, основной кластер I: P < 0,001, k=10, значение t { {109}}.03; время: 0,90–0,96 с; II: P < 0,001, k=9; t-значение=-2,29; время: 0,79–0,84 с). Дополнительная информация об этих контрастах представлена ​​в таблицах S8 и подробно изображена на рис. С9 и С10.

В заключение рис. 4 качественно иллюстрирует интересное явление. В то время как «вейвлет»-ответ на первый звук показал очень схожую активность в первичной (участок i) и вторичной слуховой коре, островковой зоне, областях гиппокампа (участок ii) и поясной извилине (участок iii), пики для следующих звуков показали различную активность. тенденция, особенно в ответ на третий и четвертый пункты последовательности. В этом случае пик вторичной слуховой коры, островка, областей гиппокампа и поясной извилины, по-видимому, достигал пика раньше первичной слуховой коры. Однако, вопреки тому, что может показаться на первый взгляд, это может не указывать на более быстрое реагирование в этих областях. Действительно, если посмотреть, например, на пики около 0,5 с (первый красный квадрат на рис. 4), первый пик (в основном встречающийся во вторичной слуховой коре, островке, областях гиппокампа и поясной извилине) должен соответствовать к компоненту P300 ко второму звуку паттерна, тогда как второй пик (в основном встречающийся в первичной слуховой коре) может быть P50 к третьему звуку. Аналогичное явление произошло со следующими элементами последовательности (как отмечено другими красными квадратами).

Это может свидетельствовать о том, что, хотя вклад первичной слуховой коры был сильнее для первых компонентов (т. е. P50 и N100), которые индексировали процессы более низкого уровня, более поздние компоненты, такие как P300, могут в основном генерироваться областями более высокого порядка, такими как вторичные слуховые коры. кора, островок, области гиппокампа и поясная кора. В нынешнем состоянии это лишь качественное наблюдение, которое требует будущих исследований, направленных на конкретное и количественное исследование этого явления.

Обсуждение

Это исследование МЭГ с использованием музыкальных последовательностей выявило двойную одновременную обработку в мозге, связанную с распознаванием слуховых временных последовательностей. С одной стороны, представление локальных отдельных элементов, образующих последовательность, было связано с быстрой, колебательной, локальной обработкой информации, управляемой сенсорной корой головного мозга. Эта обработка была более сильной при распознавании звуков, образующих новые, по сравнению с заученными музыкальными последовательностями. С другой стороны, обработка глобальной, всей временной последовательности была связана с одновременной глобальной, медленной обработкой, включающей обширную сеть последовательно активных областей мозга высокого порядка. В этом случае активность мозга была значительно сильнее для запомненных последовательностей, чем для новых.

Эта двойная одновременная обработка была особенно очевидна в соответствии с предъявлением последних трех тонов последовательности, что позволяет предположить, что мозгу требуются как минимум два или три тона, чтобы начать процесс распознавания. Здесь мозг задействовал обширную сеть областей, в основном связанных с памятью, вниманием, слухом и принятием решений. Такими областями мозга были гиппокамп (Knierim 2015), поясная извилина (Rolls 2019; Pando-Naude et al. 2021; Criscuolo et al. 2022), нижняя височная кора (Conway 2018), лобная покрышка (Indefrey et al. 2001; Behroozmand et al. 2022); al. 2015), островковая доля (Uddin 2015), а также первичная и вторичная слуховая кора (Elhilali et al. 2004). Примечательно, что оба процесса (глобальный и локальный) затрагивали примерно одни и те же участки мозга, но зависели от разной частоты нервных вызванных ответов. Более того, локальная обработка информации в основном опиралась на сенсорную кору (например, слуховую кору), тогда как глобальная обработка представляла собой более широкое вовлечение областей мозга более высокого порядка, таких как поясная извилина, нижняя височная кора и гиппокамп.

Поразительно, но распознавание слуховых временных последовательностей было связано с каскадом постепенно замедляющихся событий, перестраивающих цепочку областей мозга от низкого к высокому порядку. Эти данные, наблюдаемые для диапазона 0.1–1 Гц, могут указывать на то, что мозг отслеживает и постепенно формирует значимое понимание разворачивающейся временной последовательности, рекрутируя иерархический путь последовательно активных областей. И наоборот, активность в диапазоне 2–8 Гц демонстрировала дополнительный профиль, который слегка достигал пика после каждого элемента временной последовательности. Такие данные свидетельствуют о том, что, хотя полоса 0.1–1 Гц может быть задействована в достижении полного понимания всей последовательности (глобальная обработка), полоса 2–8 Гц может обрабатываться независимо от отдельных элементов (локальная обработка). обработка). Однако наши результаты не могут однозначно сказать, представляют ли такие полосы внутренние механизмы мозга или они просто управляются стимулами. Для решения этого важного вопроса потребуются будущие исследования.

Основная новизна наших результатов связана с разницей в силе сигнала мозга, наблюдаемой для двух частотных диапазонов в наших экспериментальных условиях (M и N). Действительно, в то время как диапазон 0.1–1 Гц обеспечивал более высокую мощность для заученных последовательностей, диапазон 2–8 Гц показал большую эффективность для новых. Этот вывод можно рассматривать в свете теории прогнозирующего кодирования (Friston 2012; Vuust et al. 2012; Koelsch et al. 2019), которая утверждает, что мозг постоянно обновляет внутренние модели для прогнозирования информации об окружающей среде. Здесь, когда мозг распознает временные последовательности (например, вокруг тонов номер два и три в наших последовательностях), он может лучше прогнозировать предстоящие, ранее запомненные элементы, завершающие последовательность.

Таким образом, как мы наблюдали экспериментально, такие предметы потребуют меньшей местной обработки. Интересно, что, хотя нейронные источники активности диапазона 2–8 Гц локализованы главным образом в первичной слуховой коре, они также располагаются в областях гиппокампа, вторичной слуховой коре, островковой и поясной извилине. Как упоминалось ранее, эти данные свидетельствуют о том, что примерно одни и те же области мозга одновременно генерируют два частотных диапазона, характеризующихся совершенно разными функциональными профилями, индексирующими локальную и глобальную обработку временной последовательности. Помимо этого, что касается локальной обработки, наши результаты показывают, что обработка каждого звука привела к появлению временного ряда, напоминающего вейвлет, с тремя основными пиками (компонентами). Здесь более низкий уровень разработки звуков, индексируемых первыми компонентами (т.е. P50 и N100 (Coles and Rugg 2008)) возник в основном в первичной слуховой коре. И наоборот, более поздние компоненты, такие как P300 (Coles and Rugg 2008), были созданы, главным образом, областями более высокого порядка, такими как вторичная слуховая кора, островковая доля, области гиппокампа и поясная извилина. Примечательно, что такой феномен стал более очевидным после развертывания временной последовательности, что позволяет предположить, что постепенно более точная проработка отдельных элементов может быть необходима мозгу для понимания смысла всей временной последовательности.

С другой стороны, несколько предыдущих исследований описывали глобальную и локальную обработку с точки зрения различных местоположений нервного сигнала (т.е. первичная сенсорная кора предшествовала областям мозга более высокого порядка при разработке входящих стимулов (Qiu and Von Der Heydt 2005). И наоборот, в В нашем исследовании мы показали, что одни и те же области мозга управляют этими двумя процессами (глобальным и локальным) одновременно, используя два параллельных диапазона частот, что, возможно, указывает на сложное мультиплексирование.Эти результаты согласуются с предыдущими исследованиями, которые показали параллельные мозговые процессы те же элементы в слуховом восприятии и понимании языка (Жиро и Поппель, 2012).

Кроме того, некоторые из предыдущих исследований, изучавших слуховую обработку и память на звуковую информацию, сообщали о медленных вызванных реакциях, подобных нашей медленной глобальной обработке. Например, Пиктон (1978) предоставил доказательства слухового устойчивого электрического потенциала в человеческом мозге в ответ на звуки. Совсем недавно Биде-Кауле и др. (2007), используя внутричерепную ЭЭГ, показали, что избирательное внимание к звуковой информации связано с устойчивыми вызванными реакциями во вторичных слуховых областях мозга. Аналогичным образом, Гримо и др. (2014), изучая слуховую кратковременную память, сообщили о устойчивой активности мозга в лобной, височной и теменной областях, когда в памяти удерживались несколько слуховых объектов. В соответствии с этими выводами, Олбуи и его коллеги продемонстрировали медленные вызванные реакции, когда участников просили выполнить задачи на слуховую рабочую память.

Они сообщили о медленных, устойчивых реакциях мозга, особенно на удержание и манипулирование слуховыми стимулами (Albouy et al. 2013, 2017).

Наконец, наши результаты связали и расширили концепции хорошо известной гипотезы двух потоков мозга (Goodale and Milner 1992; Whitwell et al. 2014). Такая концептуализация предложила два основных пути высокоуровневой обработки визуальной и слуховой информации. С одной стороны, вентральный поток ведет от сенсорных областей (например, зрительной и слуховой коры) к медиальной височной доле, функции обработки которой в основном связаны с распознаванием объектов (Goodale and Milner 1992; Weiller et al. 2021). С другой стороны, дорсальный поток доставляет информацию от сенсорной коры к теменной доле, уточняя пространственные особенности стимулов (Арбиб 2017).

В соответствии с этой гипотезой наши результаты выявили несколько областей мозга вентрального потока, которые участвуют в процессах распознавания, таких как области гиппокампа, лобная покрышка и нижняя височная кора. Однако примечательно то, что наши результаты еще больше расширили предыдущие знания о гипотезе двух потоков, предоставив как минимум три важных и убедительных замечания. (i) Распознавание мозгом временных последовательностей представляло уникальные пространственно-временные особенности, которые не были общими с идентификацией отдельных предметов или синхронных паттернов. (ii) В дополнение к областям мозга, участвующим в гипотезе двух потоков, наши результаты показали привилегированную роль поясной извилины в достижении слухового распознавания временных последовательностей. (iii) Наконец, распознавание последовательностей, разворачивающихся во времени, включало двойную одновременную обработку одних и тех же элементов, которые мозг интерпретировал одновременно как отдельные фрагменты информации (локальная обработка) и элементарные части более крупного целого (глобальная обработка). Примечательно, что наше исследование показало, что локальная обработка была очень важна для новой слуховой информации, в то время как ранее заученные музыкальные последовательности распознавались благодаря активному участию глобальной обработки мозга.

Будущие исследования призваны продолжить изучение этой темы путем изучения механизмов мозга, лежащих в основе распознавания немузыкальных временных последовательностей (например, последовательностей чисел, слов и визуальных элементов). Кроме того, исходя из хорошо известных различий в когнитивных способностях среди разных категорий людей (например, пожилых и молодых людей (Fernàndez-Rubio, Brattico и др., 2022a; Fernàndez-Rubio, Olsen и др., 2022c), музыканты и немузыкантам (Criscuolo et al. 2019; Bonetti, Brattico, Vuust и др. 2021c) и здоровым людям по сравнению с пациентами (Valenzuela and Sachdev 2006)), будущие исследования должны изучить влияние возраста и клинических состояний на механизмы мозга распознавание лежащих в основе временных последовательностей.

Вклад авторов

Концептуализация: ЛБ, ЭБ, МЛК, ПВ; Методика: ЛБ, МЛК, ДП, ГДЕ; Программное обеспечение: ЛБ; Анализ: ЛБ; Расследование: ЛБ, ГДО; Ресурсы: МЛК, ПВ, ЭБ, ЛБ; Курирование данных: LB; Письмо — первоначальный черновик: LB; Написание — просмотр и редактирование: LB, SEPB, EB, DP, GDE, GDO, PV; Визуализация: ЛБ, СЕПБ; Наблюдение: МЛК, ПВ, ДП, ЭБ; Администрация проекта: ЛБ, МЛК, ПВ, ЭБ; Приобретение финансирования: ЛБ, ПВ, МЛК.

Благодарности

Мы благодарим Риккардо Пройетти, Джулио Карратуро, Мика Холта и Хольгера Фрииса за помощь в нейробиологическом эксперименте. Мы также благодарим психолога Тину Биргитте Висбех Карстенсен за ее помощь в проведении психологических тестов и анкет и Франческо Карломаньо за его помощь в демонстрации материалов статьи.

Дополнительный материал
Дополнительные материалы доступны на сайте Cerebral Cortex онлайн.

Финансирование

Центр музыки в мозге (MIB) финансируется Датским национальным исследовательским фондом (номер проекта DNRF117).

LB поддерживается Фондом Карлсберга (CF20-0239), Фондом Лундбека (Премия за таланты 2022 г.), Центром музыки в мозге, Колледжем Линакр Оксфордского университета и Обществом образования и музыкальной психологии (50-летие SEMPRE). Схема награждения).

MLK поддерживается Центром музыки в мозге и Центром эвдемонии и человеческого процветания, финансируемыми фондами Pettit и Carlsberg.

GD поддерживается испанским исследовательским проектом PSI2016- 75688-P (AEI/FEDER, ЕС), программой исследований и инноваций Horizon 2020 Европейского Союза в рамках грантового соглашения №. 720270 (HBP SGA1) и нет. 785907 (HBP SGA2) и каталонской программы AGAUR 2017 SGR 1545.

Кроме того, мы благодарим Болонский университет за экономическую поддержку, оказанную автору Джулии Донати и ассистентам студентов Риккардо Пройетти и Джулио Карратуро, а также итальянское отделение Mensa: International High IQ Society за экономическую поддержку, оказанную Франческо Карломаньо.

Рекомендации

Аль-Зуби МБ, Аль РМ. Эффективный подход для вычисления коэффициентов силуэта. Дж. Компьютерные науки. 2008:4(3):252–255.

2. Альбуи П., Матту Дж., Буэ Р., Маби Э., Санчес Г., Агера П.Е., Далиго С., Дельпуех С., Бертран О., Каклин А. и др. Нарушение слухового восприятия и памяти при врожденной амузии: дефицит начинается в слуховой коре. Мозг. 2013:136(5):1639–1661.

3. Альбуи П., Вайс А., Байе С., Заторре Р.Дж. Избирательное вовлечение тета-колебаний в дорсальный поток повышает производительность слуховой рабочей памяти. Нейрон. 2017:94(1):193–206.

4. Арбиб М.А. Дорсальный и вентральный потоки в эволюции мозга, готового к речи: связь языка с миром. J Нейролингвистика. 2017:43:228–253.

5. Бехрузманд Р., Шебек Р., Хансен Д.Р., Оя Х., Робин Д.А., Ховард М.А., Гринли Дж.Д.В. Сенсорно-моторные сети, участвующие в производстве речи и контроле моторики: исследование фМРТ. НейроИмидж. 2015: 109: 418–428.

6. Бердыева Т.К., Олсон Ч.Р. Ранговые сигналы в четырех областях лобной коры макак при выборе действий и объектов в последовательном порядке. Дж. Нейрофизиология. 2010:104(1):141–159.

7. Биде-Кауле А., Фишер С., Бесле Дж., Агера П.Е., Джард М.Х., Бертран О. Влияние избирательного внимания на электрофизиологическое представление одновременных звуков в слуховой коре человека. Дж. Нейроски. 2007:27(35):9252–9261.

8. Бонетти Л., Браттико Э., Карломаньо Ф., Кабрал Дж., Стевнер А., Деко Г., Уайброу П.С., Пирс М., Пантазис Д., Крингельбах М.Л. Пространственно-временная динамика мозга при распознавании музыки Иоганна Себастьяна Баха. биоRxiv. 2020:27.35:9252–9261.

9.Бонетти Л., Браттико Э., Карломаньо Ф., Донати Г., Кабрал Дж., Хауманн Н.Т., Деку Г., Вууст П., Крингельбах М.Л. Быстрое кодирование музыкальных тонов обнаружено в связях всего мозга. НейроИмидж. 2021а:245:118735.

10. Бонетти Л., Браттико Э., Вууст П., Ключко М., Саарикаллио С. Интеллект и музыка: более низкий коэффициент интеллекта связан с более высоким использованием музыки для переживания сильных ощущений. Эмпирское конное искусство. 2021c:39(2):194–215.

For more information:1950477648nn@gmail.com