Розпізнавання мозком раніше вивчених у порівнянні з новими часовими послідовностями: диференціальна одночасна обробка, частина 2

Збір даних

Ми отримали дані анатомічної МРТ та МЕГ під час двох незалежних сеансів. Дані MEG були отримані за допомогою системи Elekta Neuromag TRIUX (Elekta Neuromag, Гельсінкі, Фінляндія), оснащеної 306 каналами. Апарат був розміщений у кімнаті з магнітним екрануванням в університетській лікарні Орхуса, Данія. Дані записувалися з частотою дискретизації 1,000 Гц з аналоговою фільтрацією 0,1–330 Гц. Перед вимірюванням ми встановили рівень звуку на 50 дБ вище мінімального порогу чутності кожного учасника. Крім того, за допомогою тривимірного дигітайзера (Polhemus Fastrak, Colchester, VT, США) ми зареєстрували форму голови учасника та положення чотирьох головних спіралей щодо трьох анатомічних орієнтирів (назій, а також ліве та праве преаурикулярне розташування).

З постійним розвитком науки і техніки в нашому житті з'явилося багато нових концепцій і технологій. Вони, технологія MEG є однією з них. МЕГ — це загальний метод вимірювання електричної активності в мозку людини. Він використовує надпровідний квантовий інтерферометр (SQUID) для виявлення електричної активності нейронів. Технологія MEG може допомогти нам краще зрозуміти принцип роботи людського мозку, а потім дослідити таємницю людського інтелекту.

Окрім вивчення електричної активності нейронів, технологія MEG також може оцінювати та вивчати пам’ять людини. Багато досліджень показали зв'язок між технологією MEG і пам'яттю. Вивчаючи та аналізуючи великі обсяги даних, вчені можуть використовувати технологію MEG для відстеження об’єму пам’яті людей і того, як різні люди обробляють спогади.

Відповідно до дослідження, завдяки аналізу технології та даних MEG вчені можуть ідентифікувати та вимірювати електричну активність у різних областях людського мозку, таким чином допомагаючи нам зрозуміти режим роботи мозку. Ці дані можуть допомогти нам краще зрозуміти пам’ять і когнітивні процеси та, у свою чергу, розробити кращі способи покращення пам’яті людей.

Крім того, багато досліджень також показали, що цілком реально використовувати різні методи та техніки для покращення пам’яті. Використовуючи різні техніки пам’яті та вправи, ми можемо тренувати свій мозок і таким чином покращувати свою здатність запам’ятовувати. Для тих, хто хоче покращити свою пам’ять, розуміння технології MEG та аналізу даних є вирішальним кроком.

Тому між технологією MEG і пам'яттю існує нерозривний зв'язок. Завдяки аналізу великої кількості даних ми можемо краще зрозуміти, як працює людський мозок і процес формування пам’яті, а потім розробити кращі методи покращення пам’яті. Ми віримо, що в майбутньому, з постійним розвитком і вдосконаленням технологій, ми матимемо більше методів і технологій, які допоможуть нам краще розвивати та використовувати нашу пам’ять. З цієї точки зору нам необхідно вдосконалювати пам'ять. Цистанхе може значно покращити пам'ять, оскільки цистанхе також може регулювати баланс нейромедіаторів, наприклад підвищувати рівень ацетилхоліну та факторів росту, які дуже важливі для пам'яті та навчання. Крім того, м’ясо також може покращити кровообіг і сприяти доставці кисню, що може гарантувати, що мозок отримує достатню кількість живлення та енергії, тим самим покращуючи життєздатність і витривалість мозку.

Натисніть добавки для покращення пам'яті

Розташування котушок головки реєструвалося протягом усього запису за допомогою безперервної ідентифікації положення голови (cHPI), що дозволяло нам відстежувати точне розташування головки в сканері MEG у кожній точці часу. Ми використали ці дані, щоб виконати точну корекцію руху на наступному етапі аналізу даних.

Записані анатомічні дані МРТ відповідали структурному Т1. Параметри отримання для сканування повідомляються таким чином: розмір вокселя=1.{0 × 1.0 × 1.0 мм (або 1.0 мм3); розмір реконструйованої матриці 256×256; час відлуння (TE) 2,96 мс і час повторення (TR) 5,000 мс і смуга пропускання 240 Гц/Px. На пізнішому етапі аналізу кожне T1-зважене МРТ-сканування було спільно зареєстровано в стандартному шаблоні мозку MNI за допомогою афінного перетворення, а потім посилалося на простір датчиків MEG за допомогою даних форми голови Polhemus і трьох контрольні точки, виміряні під час сеансу MEG.

Попередня обробка даних

Необроблені дані датчика MEG (204 планарних градіометрів і 102 магнітометри) були попередньо оброблені MaxFilter (Taulu and Simola 2006) для послаблення перешкод, що виникають за межами шкіри голови, шляхом застосування просторового поділу сигналу. Під час того самого сеансу Maxfilter також налаштував сигнал руху голови та знизив його частоту від 1,000 до 250 Гц.

Дані були перетворені у формат SPM і далі проаналізовані в Matlab (MathWorks, Natick, Массачусетс, США) за допомогою OSL (Бібліотека програмного забезпечення OHBA), вільно доступного набору інструментів, який покладається на комбінацію FSL (Woolrich et al. 2009), SPM (Penny et al. 2007) і Fieldtrip (Oostenveld et al. 2011), а також вбудовані функції. Режекторний фільтр (48–52 Гц) був застосований для корекції можливих перешкод з електричним струмом. Дані було додатково зменшено до 150 Гц, а кілька сегментів даних, змінених великими артефактами, були видалені після візуального огляду.

Потім, щоб усунути вплив моргань очей і артефактів серцебиття з даних мозку, був використаний аналіз незалежних компонентів (ICA) для розкладання вихідного сигналу на незалежні компоненти. Потім компоненти, які сприймали кліпання очей і серцебиття, спочатку були виділені, а потім викинуті. Сигнал було відновлено за допомогою решти компонентів (Mantini та ін. 2011), а потім епоховано у 80 пробах (по одному для кожного музичного уривку) тривалістю 3500 мс кожне (зі 100 мс часу до стимулу, який використовувався для корекції базової лінії) ( рис. 1B).

Однофакторні тести та моделювання методом Монте-Карло на датчиках MEG

Хоча наша основна увага була зосереджена на реконструйованих даних головного мозку з джерела МЕГ, перший аналіз даних датчика МЕГ був обчислений відповідно до найсучасніших рекомендацій щодо найкращих практик аналізу МЕГ (Gross et al. 2013).

Таким чином, подібно до великої кількості досліджень, пов’язаних із виконанням завдань МЕГ та електроенцефалографії (ЕЕГ) (Gross et al. 2013), ми усереднили випробування за умовами, отримавши два кінцевих середніх випробування для M і N, відповідно. Потім ми об’єднали кожну пару планарних градіометрів за квадратом кореня. Після цього ми виконали t-тест для кожної точки часу в часовому діапазоні 0–2,500 с і кожного комбінованого планарного градіометра, порівнюючи M проти N.

Щоб виправити численні порівняння, ми обчислили моделювання Монте-Карло (MCS) (Kroese та ін. 2011) з 1,000 перестановками на кластерах значущих результатів, які вийшли з t-тестів. Ми вважали значущими вихідні кластери, розмір яких перевищував 99,9% максимальних розмірів кластерів переставлених даних. Додаткові відомості про цю широко використовувану процедуру можна знайти в Bonetti et al. (2020), Бонетті, Браттіко, Карломаньо та ін. (2021a), Bonetti, Bruzzone, Sedghi та ін. (2021b), Бонетті, Браттіко, Вууст та ін. (2021c) і Фернандес-Рубіо, Браттіко та ін. (2022a), ФернандесРубіо, Карломаньо та ін. (2022b), Фернандес-Рубіо, Олсен та ін. (2022c).

Цей аналіз показав велику та надійну різницю між експериментальними умовами. Крім того, активність мозку, зареєстрована по каналах MEG, що утворюють значущий кластер, виведений аналізом MCS, окреслив часовий ряд, який представляв дві основні частотні компоненти. Як показано на рис. S2A, вищий частотний компонент досяг піку після представлення кожного з елементів, що утворюють послідовність, тоді як повільніший частотний компонент супроводжував всю послідовність.

Ці докази були додатково підтверджені обчисленням комплексного вейвлет-перетворення Морле (Daubechies 1992) на всіх даних датчика MEG, яке підкреслило основний внесок 1 і 4 Гц у сигнал MEG, записаний під час виконання завдання (рис. S2B). Крім того, цей аналіз показав помітну, але меншу потужність близько 10 Гц.

Слід зазначити, що потужність 10 Гц не була прив’язана за часом до початку зсуву музичної послідовності. Таким чином, наші наступні аналізи в першу чергу зосереджені на двох діапазонах частот, визначених навколо 1 і 4 Гц, оскільки це були частоти з найсильнішою потужністю. Ці дві смуги були 0,1–1 і ​​2–8 Гц. Крім того, ми провели додатковий аналіз частотного діапазону, визначеного близько 10 Гц, оскільки він демонстрував зменшену, але помітну потужність. Така смуга становила 8–12 Гц.

Важливо, що ми припустили, що частотні діапазони 2–8 і 0.1–1 Гц індексують два основні процеси, залучені до нашого експериментального завдання: обробку окремих елементів, що утворюють часову послідовність (i — локальна обробка) і розпізнавання часова послідовність як комплексний надпорядковий об’єкт (ii— глобальна обробка).

Реконструкція джерела

Ми використали найсучасніші методи реконструкції джерела для оцінки джерел, які генерували сигнал, який ми записали на датчиках MEG (рис. 1C і рис. 2A) (Huang et al. 1999; Hillebrand and Barnes 2{{ 7}}05). Важливо, що алгоритм реконструкції джерела був розрахований незалежно для трьох діапазонів частот, залучених у дослідження (0,1–1, 2–8 і 8–12 Гц), щоб охарактеризувати викликані відповіді на M і N у цих трьох різних діапазонах частот . Зокрема, було реалізовано наступні кроки.

По-перше, безперервні дані (до епохи) були смугово відфільтровані на три діапазони частот. По-друге, відфільтровані дані (незалежно для трьох діапазонів) були епохованими. По-третє, епохальні дані були представлені алгоритму реконструкції джерела, описаному нижче.

Такий алгоритм включає два послідовні кроки: (i) розробку прямої моделі та (ii) обчислення зворотного рішення. Пряма модель — це теоретична модель, яка розглядає кожне джерело мозку як активний диполь і описує, як унітарна сила такого диполя буде відображена на всіх датчиках MEG (у нашому випадку ми використовували як магнітометри, так і планарні градіометри) (Huang et al. 1999).

Тут ми використали сітку 8- мм, яка повернула 3559 дипольних розташувань (вокселів) у всьому мозку. Після реєстрації індивідуальних структурних даних T1 з довіреними (інформацією про головні орієнтири) пряма модель була обчислена за допомогою широко використовуваного методу під назвою «Одна оболонка», детально представленого Nolte (2003). Вихідні дані такого обчислення, які також називають моделлю провідного поля, зберігалися в матриці L (джерела × канали MEG). У кількох випадках, коли структурний T1 був недоступний, ми виконали обчислення поля свинцю за допомогою шаблону (MNI152-T1 з просторовою роздільною здатністю 8- мм).

Другим кроком реконструкції джерела є обчислення зворотного рішення (тобто оцінка генераторів нейронного сигналу на основі активності мозку, записаної за допомогою MEG). У нашому дослідженні ми обрали формування променя, який є одним із найпопулярніших і найефективніших алгоритмів, доступних у цій галузі (Huang et al. 1999; Hillebrand and Barnes 2005). У цій процедурі використовується інший набір вагових коефіцієнтів, які послідовно застосовуються до місць розташування джерел для виділення внеску кожного джерела в діяльність, зафіксовану каналами MEG для кожного моменту часу (Hillebrand and Barnes 2005; Brookes et al. 2007). На більш технічному рівні зворотне рішення, засноване на формуванні променя, можна описати наступними основними кроками.

По-перше, дані, записані датчиками MEG (B) у момент часу t, можна описати наступним рівнянням (3):

де L — вищеописана модель поля свинцю, Q — дипольна матриця, яка переносить активність кожного активного диполя (q) протягом часу, а ε — шум (див. Huang et al. (2004) для більш детальної інформації). Таким чином, щоб вирішити обернену задачу, ми повинні обчислити Q. Використовуючи формування променя, така процедура обертається навколо обчислення вагових коефіцієнтів, які застосовуються до датчиків MEG у кожен момент часу, як показано для одного диполя q у рівнянні (4 ):

Дійсно, щоб отримати q, слід обчислити ваги W (індекс T відноситься до матриці транспонування). Для цього формування променя покладається на множення матриці між L і коваріаційної матриці між датчиками MEG (C), обчислене на основі об’єднаних експериментальних випробувань. Зокрема, для кожного джерела мозку n ваги Wn обчислюються таким чином:

Слід зазначити, що розрахунок моделі поля свинцю проводився для трьох основних орієнтацій кожного джерела мозку (диполя), згідно з Нолте (Нолті 2003). Однак перед обчисленням ваг орієнтації були зменшені до однієї за допомогою алгоритму декомпозиції сингулярного значення на множенні матриці, зазначеному в рівнянні (6). Ця процедура широко поширена для спрощення виходу формування променя (Huang et al. 2004; Woolrich et al. 2011).

Тут l представляє модель головного поля з трьома орієнтаціями, тоді як L є дозволеною одноорієнтаційною моделлю, яка використовувалася в (5).

Нарешті, як згадувалося вище, щодо реалізації кодування таких алгоритмів, ми використовували набори інструментів Matlab, такі як OSL, FieldTrip, SPM (функції для попередньої обробки MEEG і інструментарій формування променя SPM) і FSL. Крім того, ці коди були доповнені власними сценаріями та функціями.

Активність мозку для кожного елемента часової послідовності

По-перше, ми хотіли виявити мозкову активність, що лежить в основі кожного пункту наших часових послідовностей (рис. 1D, рис. S3, S4, таблиця 1 і таблиця S1). Тут ми обчислили абсолютне значення реконструйованого часового ряду, оскільки нас цікавила абсолютна сила сигналу.

Для виконання аналізу першого рівня для кожного учасника ми використовували загальні лінійні моделі (GLM). Такі моделі були обчислені на основі реконструйованих даних джерела для кожного моменту часу та джерела мозку (Hunt et al. 2012). GLM повернули основний ефект (контрасти оцінки параметрів (COPE)) M і N, а також їх контраст. Вони були використані, оскільки їм дозволили отримати основні ефекти, які були суттєво скориговані дисперсією між учасниками. Ці результати були представлені для аналізу другого рівня з використанням t-тестів для однієї вибірки з просторово згладженою дисперсією, отриманою за допомогою ядра Гауса (повна ширина на половині максимуму: 50 мм) (Huang et al. 2004).

Тут нам було цікаво спостерігати за різною мозковою активністю, що лежить в основі розпізнавання часової послідовності M проти N, незалежно для кожного частотного діапазону та елемента (музичного тону), що утворює послідовність. Таким чином, ми обчислили 15 (5 тонів × 3 смуги частот) кластерного моделювання Монте-Карло (MCS) на основі результатів аналізу другого рівня (групового рівня), усереднених за п’ятичасовими вікнами, що відповідають тривалості музичних тонів. . Аналіз MCS включає 1,000 перестановок і поріг формування кластерів P < 0.05 (з тестів другого рівня). Зокрема, тест MCS складався з виявлення просторових кластерів значущих значень у вихідних даних. Потім такі дані були переставлені, і були виявлені просторові кластери переставлених значущих значень. Ця процедура була обчислена кілька разів (наприклад, 1, 000) і дала початок еталонному розподілу розмірів кластерів, виявлених для кожної перестановки. Нарешті, початкові розміри кластерів порівнювали з еталонним розподілом. Початкові кластери вважалися значущими, якщо розміри кластерів переставлених даних були більшими за початкові розміри кластерів у меншу кількість разів, ніж рівень MCS. У цьому випадку, оскільки ми обчислювали аналіз 15 разів, ми внесли поправки на численні порівняння, поділивши стандартний рівень MCS (=0.05) на 15, в результаті чого отримав оновлений MCS=0.003 (тобто вихідний кластери були значущими, якщо їхні розміри перевищували 99,7% переставлених розмірів кластерів).

Оскільки один із частотних діапазонів, використаних у цьому дослідженні, був досить низьким ({{0}}.1–1 Гц), ми повторно обчислили реконструкцію джерела та контрасти між M і N для 0,1–1 Гц, використовуючи три різні базові лінії (500, 1,000 і 2,000 мс). Це було зроблено, щоб продемонструвати, що наші початкові результати не були обумовлені довжиною базової лінії. Результати цієї процедури зображено на рис. S5 і докладно наведено в таблиці S2.

K-означає функціональну кластеризацію

Щоб доповнити наші попередні результати та надати більш детальний опис просторового обсягу активних джерел мозку, а також їхньої активності з часом, ми визначили функціональну парцеляцію мозку. Ми прийняли так звану функціональну кластеризацію k-середніх, що складається з серії алгоритмів кластеризації k-середніх. Сінага та Янг (2020) дослідили функціональну та просторову інформацію кожного з реконструйованих часових рядів джерел мозку (вокселів). Цей підхід застосовувався для двох діапазонів частот, які дали найсильніші результати в наших попередніх аналізах і які були пов’язані або з окремими елементами послідовності, або з усією послідовністю, а саме 0,1–1 і ​​2–8 Гц.

Зокрема, на першому етапі алгоритм функціональної кластеризації k-середніх обчислив кластеризацію на основі основних функціональних параметрів, таких як пікові значення та відповідні індекси часового ряду вокселів. Ми називаємо цей крок функціональним кластеризуванням. Ця процедура повернула набір незалежних посилок, згрупованих відповідно до функціональних профілів вокселів мозку. Дійсно, такі посилки можуть або містити вокселі, які досягли піку приблизно в один і той же час (рис. 2B, ліворуч), або з однаковою абсолютною силою (рис. 2B, праворуч). Як можливо, кластеризація на максимальних індексах часового ряду пропонується, коли активність мозку локалізована в різних регіонах у різний час.

І навпаки, коли активність сильно корельована в більшості вокселів мозку, кластеризація повинна бути виконана на максимальних значеннях часового ряду, що допоможе ідентифікувати основні генератори нейронного сигналу. У цьому дослідженні 0.1–1 Гц (глобальна обробка послідовності) демонструє різні піки активності, зміщені з часом, і, отже, було згруповано з урахуванням часових індексів таких піків. З іншого боку, 2–8 Гц (локальна обробка послідовності) продемонструвала дуже корельовану активність і тому була кластеризована за абсолютними значеннями такої пікової активності. Як це широко практикується в аналізі кластеризації (Garcia-Dias et al. 2019), також у нашому випадку було вигідно обчислити алгоритм кластеризації на послідовному наборі з k кластерів (від k=2 до 20). Потім було вибрано найкраще рішення для кластеризації на основі добре відомих стратегій оцінки (евристики), таких як метод/правило ліктя (Liu and Deng 2021) і коефіцієнт силуету (Al-Zoubi and Al Rawi 2008).

Метод ліктя полягає в побудові суми квадратів помилок (SSE) елементів, що належать до кластерів щодо центроїдів кластера, як функції прогресивно більшої кількості кластерних рішень. Потім метод пропонує візуально визначити «лікоть» кривої як кількість кластерів для використання. Коефіцієнт силуету — це значення (від −1 до +1), яке показує схожість елемента з його кластером (згуртованість) у порівнянні з іншими кластерами (розділення). Високе значення коефіцієнта силуету вказує на те, що елемент добре узгоджений зі своїм кластером і погано з сусідніми кластерами.

Після того, як буде прийнято рішення щодо найкращого функціонального кластеризації, слід обчислити другу кластеризацію щодо просторової інформації (просторова кластеризація, рис. 2C). Дійсно, мозкова активність в основному описується двома параметрами: просторовим розташуванням і зміною в часі. Кластеризація оригінальних вокселів мозку в окремі функціональні ділянки може повернути великі ділянки, що включають мережу просторово розділених областей мозку, які, наприклад, активні одночасно. Таким чином, щоб визначити кращу парцеляцію, корисно проводити аналіз кластеризації також на просторових координатах кожної з функціональних ділянок. У нашому дослідженні ми розглядали тривимірні просторові координати (у просторі MNI) вокселів, що утворюють кожну з функціональних посилок. Це обчислення кластеризації було виконано для послідовного набору з k кластерних рішень (від k=2 до 10), для однієї посилки за раз. Що стосується функціональної кластеризації, ми оцінили найкраще рішення для просторової кластеризації за допомогою правила ліктя та силуетного коефіцієнта. Функціональна кластеризація k-середніх була завершена, коли цю процедуру було виконано на всіх функціональних ділянках, що свідчить про ефективну парцеляцію для експериментального завдання на основі як функціональної, так і просторової інформації (приклади наведено на рис. S7, таблицях S3 та S4 для 0,1– 1 Гц і рис. S8, таблиці S5, S6 і S7 для 2–8 Гц). Як останній крок, часові ряди вокселів мозку, що належать кожній посилці, були усереднені, щоб отримати остаточний часовий ряд для посилки. Додаткова інформація щодо функціональної кластеризації k-середніх наведена в Додаткових матеріалах.

Контрасти за часом для кожної посилки

Тут функціональна кластеризація k-середніх була виконана на рівні групи основних ефектів M і N, усереднених разом. Потім, щоб отримати основний ефект M і N для кожної посилки та учасника, ми усереднили основний ефект першого рівня M і N (від GLM) за вокселями мозку, що належать до кожної з функціональних посилок. Це призвело до нового часового ряду для кожного учасника, функціональної посилки та експериментальних умов (M і N). Такі часові ряди були піддані однофакторним контрастам (M проти N; рис. 2D, методи, і рис. S9 і S10, результати). Зокрема, для кожної посилки та моменту часу ми обчислили один t-тест із двома вибірками (поріг P < 0.05), порівнюючи основний ефект M з N. Потім ми внесли поправку на численні порівняння за допомогою двовимірний підхід MCS з 1,000 перестановками (MCS P <0,001). Більш детальну інформацію про цю широко поширену статистичну процедуру можна знайти в Bonetti et al. (2020), Бонетті, Браттіко, Карломаньо та ін. (2021a), Bonetti, Bruzzone, Sedghi та ін. (2021b), Бонетті, Браттіко, Вууст та ін. (2021c). Як і для інших аналізів, така робота спостерігалася для двох основних діапазонів частот, досліджених у дослідженні (рис. 3 і таблиця S8).

Результати

Розробка експерименту та аналіз датчиків MEG

По-перше, після попередньої обробки даних MEG (див. рис. 1A і B, а також матеріали та методи для деталей) ми порівняли мозкову активність, що лежить в основі розпізнавання M, проти N, яку реєстрували датчики MEG. Ця процедура повернула великий значущий кластер (P < 0.001, розмір кластера k=2,117, середнє значення=3.29, час=0.547–1,180 с), демонструючи сильнішу мозкову активність для M порівняно з N. Крім того, мозкова активність, зареєстрована в каналах MEG, що утворюють такий значний кластер, окреслила часовий ряд, який представляв дві основні частотні компоненти. Як показано на рис. S2A, вищий частотний компонент досяг піку після представлення кожного з елементів, що утворюють послідовність, тоді як повільніший частотний компонент супроводжував всю послідовність. Ці докази були додатково підтверджені обчисленням комплексного вейвлет-перетворення Морле на викликаних відповідях, записаних усіма даними датчика MEG, яке підкреслило основний внесок 1 і 4 Гц у сигнал MEG, записаний під час виконання завдання (рис. S2B). Таким чином, наші наступні аналізи в основному зосереджені на двох діапазонах частот, визначених навколо 1 і 4 Гц, які становили 0,1–1 і ​​2–8 Гц. Важливо відзначити, що ми припустили, що частотні діапазони 2–8 і 0,1–1 Гц індексують два основні процеси, задіяні в нашому експериментальному завданні: обробку окремих елементів, що утворюють часову послідовність (i — локальна обробка) і розпізнавання тимчасової послідовності як всеохоплюючої надпорядкової. об'єкт (ii—глобальна обробка).

Реконструйована вихідна активність мозку та аналіз по одному пункту

Ми порівняли реконструйовану мозкову активність, що лежить в основі M і N послідовностей (докладніше див. Матеріали та методи). Для двох основних частотних діапазонів ({{0}}.1–1 і ​​2–8 Гц) з’явилися різні результати. Активність мозку для 0.1–1 Гц була сильнішою для M порівняно з N, особливо під час обробки останніх трьох елементів послідовності. Як показано на рис. 1D, рис. S3–S5, така активність окреслила широку мозкову мережу, що лежить в основі глобальної обробки послідовності, залучаючи ділянки мозку, пов’язані з процесами пам’яті та оцінки, такі як поясна звивина, гіпокамп, острівець, лобова кришка та нижня скронева кора (MCS P < 0.001). Навпаки, мозкова активність для діапазону 2–8 Гц була загалом сильнішою для N порівняно з M і головним чином залучала кору слуху (MCS P <0,001). Статистика пікових значущих вокселів мозку для частот 0,1–1 і ​​2–8 Гц наведена в таблиці 1, тоді як розгорнуті результати для трьох діапазонів частот описані в таблицях S1 і S2.

Контрасти на функціонально отриманих ROI

Щоб повністю охарактеризувати просторово-часове розгортання мозкової активності з часом, ми визначили функціональну парцеляцію мозку за допомогою k-середніх функціональних кластерів (див. Матеріали та методи та рис. 2 і рис. S6 для деталей), незалежно для {{3} }.1–1 і ​​2–8 Гц діапазони частот. Це призвело до отримання нових часових рядів для кожного учасника, функціональної посилки та експериментальних умов (M і N), які були піддані однофакторним контрастам (M проти N) (рис. 3) і скориговані для кількох порівнянь за допомогою MCS на основі кластерів.

Подібно до нашого попереднього аналізу, найсильніша мозкова активність у повільнішій смузі була виявлена ​​для M. Примітно, що розширюючи наш перший аналіз, ці нові результати висвітлили серію послідовно активних мозкових посилок, що супроводжують обробку тимчасової послідовності. Як показано на рис. 3A, мозок представив початкову активність у правій слуховій корі, що характеризується дещо більшою потужністю для M порівняно з N (рис. 3A, ділянка 1: P < 0.0{ {10}}1, розмір кластера k=39; середнє t-значення=2.72; час від появи першого об’єкта: 0–0. 25 с). Далі ми спостерігали нейронну активність у лівій слуховій корі головного мозку, але суттєвих відмінностей між умовами експерименту не було (рис. 3A, ділянка 2). Починаючи між другим і третім елементами та досягаючи піку під час п’ятого елемента часової послідовності, ми спостерігали сплеск активності в поясній звивині, який був сильнішим для M порівняно з N (рис. 3A, ділянка 3: P < {{34} }.001, k=92; t-значення=2.73; час: 0,45–1,05 с). З невеликою затримкою подібний профіль виник для більшої ділянки мозку, що включає острівець, передню частину нижньої скроневої кори, гіпокамп і лобову кришку. Знову ж таки, M був значно сильнішим за N (рис. 3A, ділянка 4: P <0,001, k=77; t-значення=2.79; час: 0.69–1.19 с). Нарешті, досягаючи піку безпосередньо перед середнім часом реакції для категоризації патерну учасників, сильніша активність у постцентральній звивині та сенсомоторній корі спостерігалася для M порівняно з N (рис. 3A, ділянка 5, основний кластер: P <0,001, k=142; t-значення=2.68; час: 0,94–1,88 с).

Навпаки, аналіз діапазону 2–8 Гц показав кілька значних кластерів більш сильної активності для N порівняно з M навколо різких піків часового ряду. Примітно, що порівняно з нашим першим аналізом для 5 елементів часової послідовності, ця друга процедура чітко окреслила часовий ступінь такої різниці, яка відповідала останнім трьом тонам тимчасової послідовності. Зокрема, такі відмінності стосуються права (рис. 3B, ділянка 1, основний кластер I: P < 0.001, k=11, t-значення {{ 9}}.51; час: 0.89–0.95 с; II: P < 0.001, k {{ 17}}; t-значення=2.22; час: 1,21–1,28 с) і лівої первинної слухової кори (рис. 3B, ділянка 2, основний кластер I: P < 0.{{46 }}01, k=12, t-значення=−3,70; час: 0.74–{{6{{7{{ 76}}}}}}.81 с; II: P < 0.001, k {{40}}; t-значення {{ 42}}.09; час: 0.87–{{1{{105}}1}}.95 с; III: P < {{113} }.001, k {{50}}; t-значення=2.90; час: 0.64–0.69 с). Зі зниженою силою подібні кластери активності спостерігалися для правого боку (рис. 3B, ділянка 3, основний кластер I: P < 0,001, k=13, t-значення=3.08; час : 1,19–1,27 с; II: P < 0,001, k=12; t-значення=3.61; час: 0,89–0,96 с) і лівої вторинної слухової кори та ділянок гіпокампу (рис. 3B, ділянка 4, основний кластер I: P < 0,001, k=12, t-значення {{86}} −2,97; час: 0,74–0,81 с; II: P < 0,001, k {{95 }}; t-значення=2.86; час: 0,87–0,93 с) і поясна (рис. 3B, ділянка 5, основний кластер I: P < 0,001, k=10, t-значення { {109}}.03; час: 0,90–0,96 с; II: P < 0,001, k=9; t-значення=−2,29; час: 0,79–0,84 с). Додаткові подробиці щодо цих контрастів наведено в таблицях S8 і детально зображено на рис. S9 і S10.

На закінчення рис. 4 якісно ілюструє цікаве явище. У той час як «хвильова» реакція на перший звук показала дуже схожу активність у первинній (частка i) і вторинній слуховій корі, острівці, ділянках гіпокампу (частка ii) і поясній частині (частка iii), піки для наступних звуків показали іншу тенденція, особливо у відповіді на третій і четвертий пункти послідовності. У цьому випадку вторинна слухова кора, острівець, області гіпокампу та поясна частина, здавалося, досягають піку перед первинною слуховою корою. Однак, на відміну від того, що може здатися спочатку, це може не вказувати на швидшу відповідь у цих областях. Дійсно, дивлячись, наприклад, на піки навколо 0.5 с (перший червоний квадрат на рис. 4), перший пік (здебільшого виникає для вторинної слухової кори, острівця, ділянок гіпокампу та поясної частини) повинен відповідати до компонента P300 до другого звуку шаблону, тоді як другий пік (здебільшого виникає для первинної слухової кори) може бути P50 до третього звуку. Подібне явище сталося для наступних елементів послідовності (як показано іншими червоними квадратами).

Це може свідчити про те, що в той час як внесок первинної слухової кори був сильнішим для перших компонентів (тобто P50 і N100), які індексували процеси нижчого рівня, пізніші компоненти, такі як P300, можуть бути в основному створені областями вищого порядку, такими як вторинні слухові кори, острівці, ділянки гіпокампа та поясні кори. У поточному стані це лише якісне спостереження, яке потребує майбутніх досліджень, спрямованих на конкретне та кількісне дослідження цього явища.

Обговорення

Це дослідження MEG з використанням музичних послідовностей виявило подвійну одночасну обробку в мозку, пов’язану з розпізнаванням звукових часових послідовностей. З одного боку, презентація локальних окремих елементів, що утворюють послідовність, була пов’язана зі швидкою, коливальною, локальною обробкою, керованою сенсорною корою. Ця обробка була сильнішою для розпізнавання звуків, що формують роман, порівняно з запам’ятованими музичними послідовностями. З іншого боку, обробка глобальної, цілої часової послідовності була пов’язана з одночасною глобальною, повільною обробкою, що включає широку мережу послідовно активних ділянок мозку високого порядку. У цьому випадку мозкова активність була значно сильнішою для запам’ятованих послідовностей порівняно з новими.

Ця подвійна одночасна обробка була особливо очевидною у відповідності до представлення останніх трьох тонів послідовності, що свідчить про те, що принаймні два або три тони потрібні мозку для початку процесу розпізнавання. Тут мозок залучив широку мережу областей, в основному пов'язаних з пам'яттю, увагою, прослуховуванням і прийняттям рішень. Такими областями мозку були гіпокамп (Knierim 2015), поясна звивина (Rolls 2019; Pando-Naude та ін. 2021; Criscuolo та ін. 2022), нижня скронева кора (Conway 2018), лобова кришка (Indefrey та ін. 2001; Behroozmand та ін., 2015), острівця (Uddin, 2015), а також первинної та вторинної слухової кори (Elhilali та ін., 2004). Примітно, що обидва процеси (глобальний і локальний) залучали приблизно ті самі ділянки мозку, але залежали від різних частот нервових викликаних відповідей. Крім того, локальна обробка покладалася в основному на сенсорну кору (наприклад, слухову кору), тоді як глобальна обробка представляла ширше залучення областей мозку вищого порядку, таких як поясна частина, нижня скронева кора та гіпокамп.

Вражаюче те, що слухове розпізнавання тимчасової послідовності було пов’язане з каскадом прогресивно повільніших подій, що перебудовують ланцюг ділянок мозку від низького до високого. Ці докази, спостережені для діапазону 0.1–1 Гц, можуть вказувати на те, що мозок відстежує та поступово створює значуще розуміння розгортання часової послідовності шляхом рекрутування ієрархічного шляху наступних активних областей. Навпаки, активність у діапазоні 2–8 Гц показала додатковий профіль, який трохи досягав піку після кожного пункту тимчасової послідовності. Такі дані свідчать про те, що в той час як діапазон 0.1–1 Гц може бути причетний до досягнення повного розуміння всієї послідовності (глобальна обробка), діапазон 2–8 Гц може розроблятися незалежно від окремих елементів (локальний обробка). Однак наші результати не можуть однозначно сказати, чи такі смуги представляють внутрішні механізми мозку чи просто викликані стимулом. Для вирішення цього важливого питання знадобляться майбутні дослідження.

Основна новизна наших результатів стосується диференціальної сили сигналу мозку, що спостерігається для двох частотних діапазонів у наших експериментальних умовах (M і N). Дійсно, у той час як діапазон 0.1–1 Гц демонстрував більшу потужність для запам’ятованих послідовностей, діапазон 2–8 Гц показав більші відгуки для нових. Цей висновок можна розглядати в світлі теорії прогностичного кодування (Friston 2012; Vuust та ін. 2012; Koelsch та ін. 2019), яка стверджує, що мозок постійно оновлює внутрішні моделі для передбачення інформації про навколишнє середовище. Тут, коли мозок розпізнає часові послідовності (наприклад, навколо тонів номер два і три наших послідовностей), він може сформулювати кращі передбачення майбутніх, раніше запам’ятованих елементів, що завершують послідовності.

Таким чином, такі предмети потребуватимуть меншої локальної обробки, як ми спостерігали експериментально. Цікаво, що хоча вони в основному локалізовані в первинній слуховій корі, нейронні джерела активності діапазону 2–8 Гц також були розміщені в областях гіпокампу, вторинній слуховій корі, острівці та поясній частині. Як згадувалося раніше, ці докази свідчать про те, що приблизно ті самі області мозку генерували дві одночасні смуги частот, що характеризуються дуже різним функціональним профілем, індексуючи локальну та глобальну обробку тимчасової послідовності. На додаток до цього, щодо локальної обробки, наші результати показують, що уточнення кожного звуку призвело до вейвлет-подібного часового ряду з трьома основними піками (компонентами). Тут нижчий рівень опрацювання звуків, індексованих першими компонентами (тобто P50 і N100 (Coles and Rugg 2008)), виник головним чином у первинній слуховій корі. І навпаки, пізніші компоненти, такі як P300 (Coles and Rugg 2008), були створені особливо областями вищого порядку, такими як вторинна слухова кора, острівець, області гіпокампа та поясна частина. Примітно, що таке явище стало більш очевидним після розгортання часової послідовності, що свідчить про те, що дедалі більш витончена розробка окремих елементів може бути важливою для мозку, щоб зрозуміти значення всієї часової послідовності.

З іншого боку, декілька попередніх досліджень описували глобальну та локальну обробку з точки зору різних місць розташування нейронного сигналу (тобто первинна сенсорна кора головного мозку передувала областям головного мозку вищого порядку при виробленні вхідних стимулів (Qiu and Von Der Heydt 2005). І навпаки, у У нашому дослідженні ми показали, що одні й ті ж області мозку управляють цими двома процесами (глобальним і локальним) одночасно, використовуючи два одночасних діапазони частот, що, можливо, свідчить про комплексне мультиплексування. Ці результати узгоджуються з попередніми дослідженнями, які показали одночасні процеси мозку в однакові показники слухового сприйняття та розуміння мови (Giraud and Poeppel 2012).

Крім того, деякі з попередніх досліджень, які досліджували слухову обробку та запам’ятовування звукової інформації, повідомляли про повільні викликані реакції, подібні до нашої повільної глобальної обробки. Наприклад, Піктон (1978) надав докази існування стійкого слухового електричного потенціалу в мозку людини у відповідь на звуки. Зовсім недавно Bidet-Caulet et al. (2007), використовуючи внутрішньочерепну ЕЕГ, показали, що вибіркова увага до звукової інформації була пов’язана зі стійкими викликаними реакціями у вторинних слухових областях мозку. Подібним чином Grimault et al. (2014), вивчаючи слухову короткочасну пам’ять, повідомили про постійну мозкову активність у лобовій, скроневій та тім’яній областях, коли кілька слухових елементів утримувалися в пам’яті. Згідно з цими висновками, Албуї та його колеги продемонстрували повільні викликані відповіді, коли учасників просили виконати завдання на слухову робочу пам’ять.

Вони повідомили про повільні, стійкі реакції мозку, особливо щодо утримання та маніпулювання звуковими подразниками (Albouy та ін. 2013, 2017).

Нарешті, наші висновки пов’язали та розширили концепції відомої двопотокової гіпотези мозку (Goodale and Milner 1992; Whitwell et al. 2014). Така концептуалізація запропонувала 2 основні шляхи високого рівня обробки візуальної та слухової інформації. З одного боку, вентральний потік веде від сенсорних областей (наприклад, зорової та слухової кори) до медіальної скроневої частки, обробляючи особливості, головним чином пов’язані з розпізнаванням об’єктів (Goodale and Milner 1992; Weiller et al. 2021). З іншого боку, дорсальний потік передає інформацію від сенсорної кори до тім’яної частки, розробляючи просторові характеристики подразників (Arbib 2017).

У відповідності з цією гіпотезою наші результати висвітлили кілька областей мозку вентрального потоку, які беруть участь у процесах розпізнавання, таких як області гіпокампу, лобова кришка та нижня скронева кора. Проте дивовижно те, що наші результати ще більше розширили попередні знання про гіпотезу двох потоків, надавши принаймні три важливі, остаточні зауваження. (i) Розпізнавання мозком часових послідовностей представляло унікальні просторово-часові особливості, які не були спільними з ідентифікацією окремих елементів або синхронних шаблонів. (ii) На додаток до областей мозку, залучених до гіпотези двох потоків, наші висновки показали привілейовану роль поясної звивини для досягнення слухового розпізнавання часової послідовності. (iii) Нарешті, розпізнавання послідовностей, що розгортаються з часом, включає подвійну одночасну обробку тих самих елементів, які мозок інтерпретує одночасно як окремі частини інформації (локальна обробка) та елементарні частини більшого цілого (глобальна обробка). Примітно, що наше дослідження показало, що локальна обробка була дуже актуальною для нової слухової інформації, тоді як раніше запам’ятовані музичні послідовності були розпізнані завдяки сильному залученню глобальної обробки мозку.

Майбутні дослідження покликані продовжити дослідження цієї теми шляхом вивчення мозкових механізмів, що лежать в основі розпізнавання немузичних часових послідовностей (наприклад, послідовностей чисел, слів і візуальних елементів). Крім того, ґрунтуючись на добре відомих відмінностях у когнітивних здібностях різних категорій людей (наприклад, старші та молоді (Fernàndez-Rubio, Brattico та ін. 2022a; Fernàndez-Rubio, Olsen та ін. 2022c), музиканти проти немузиканти (Criscuolo та ін. 2019; Бонетті, Браттіко, Вууст та ін. 2021c), а також здорові люди проти пацієнтів (Valenzuela та Sachdev 2006)), майбутні дослідження мають вивчити вплив віку та клінічних умов на механізми мозку розпізнавання основних часових послідовностей.

Авторські внески

Концептуалізація: LB, EB, MLK, PV; Методика: LB, MLK, DP, GDE; Програмне забезпечення: LB; Аналіз: LB; Розслідування: ЛБ, ГДО; Ресурси: MLK, PV, EB, LB; Курація даних: LB; Написання — Оригінальна чернетка: LB; Написання — перегляд і редагування: LB, SEPB, EB, DP, GDE, GDO, PV; Візуалізація: LB, SEPB; Нагляд: МЛК, ПВ, ДП, ЕБ; Адміністрування проекту: LB, MLK, PV, EB; Залучення фінансування: LB, PV, MLK.

Подяки

Ми дякуємо Ріккардо Проетті, Джуліо Карратуро, Міку Холту та Хольгеру Фріісу за допомогу в нейронауковому експерименті. Ми також дякуємо психологу Тіні Біргітте Вісбех Карстенсен за її допомогу в проведенні психологічних тестів і опитувальників, а також Франческо Карломаньо за його допомогу з демонстрацією матеріалів статті.

Додатковий матеріал
Додатковий матеріал доступний на сайті Cerebral Cortex онлайн.

Фінансування

Центр музики в мозку (MIB) фінансується Датським національним дослідницьким фондом (номер проекту DNRF117).

LB підтримується Carlsberg Foundation (CF20-0239), Lundbeck Foundation (Talent Prize 2022), Center for Music in the Brain, Linacre College Оксфордського університету та Society for Education and Music Psychology (50-річчя SEMPRE Схема нагородження).

MLK підтримується Center for Music in the Brain і Center for Eudaimonia and Human Flourishing, які фінансуються фондами Pettit і Carlsberg.

GD підтримується Іспанським дослідницьким проектом PSI2016- 75688-P (AEI/FEDER, ЄС), Програмою досліджень та інновацій Horizon 2020 Європейського Союзу згідно з грантовою угодою №. 720270 (HBP SGA1) та № 785907 (HBP SGA2), а каталонська програма AGAUR 2017 SGR 1545.

Крім того, ми дякуємо Болонському університету за економічну підтримку, надану автору Джулії Донаті та асистентам студентів Ріккардо Пройетті та Джуліо Карратуро, а також італійському відділу Mensa: Міжнародне товариство високого IQ за економічну підтримку, надану Франческо Карломаньо.

Список літератури

Аль-Зубі MB, Al RM. Ефективний підхід для обчислення силуетних коефіцієнтів. J Comput Sci. 2008:4(3):252–255.

2. Альбоуі П., Матту Дж., Буе Р., Мебі Е., Санчес Г., Агуера П. Е., Даліго С., Дельпуех К., Бертран О., Каклін А. та ін. Порушення сприйняття висоти та пам’яті при вродженій амузії: дефіцит починається в слуховій корі. мозок. 2013:136(5):1639–1661.

3. Альбуй П, Вайс А, Бейє С, Заторре Р.Ж. Вибіркове захоплення тета-коливань у спинному потоці причинно покращує продуктивність слухової робочої пам’яті. нейрон. 2017:94(1):193–206.

4. Арбіб М.А. Спинний і вентральний потоки в еволюції готового до мови мозку: зв’язок мови зі світом. J Нейролінгвістика. 2017: 43: 228–253.

5. Бехрузманд Р., Шебек Р., Хансен Д.Р., Оя Х., Робін Д.А., Говард М.А., Грінлі Дж.Д.В. Сенсорно-моторні мережі, що беруть участь у виробництві мови та контролі моторики: дослідження фМРТ. НейроІмідж. 2015:109: 418–428.

6. Бердиєва Т.К., Олсон К.Р. Ранжуйте сигнали в чотирьох областях лобової кори макаки під час вибору дій і об'єктів у послідовному порядку. J Нейрофізіол. 2010:104(1):141–159.

7. Bidet-Caulet A, Fischer C, Besle J, Aguera PE, Giard MH, Bertrand, O. Вплив вибіркової уваги на електрофізіологічне представлення одночасних звуків у слуховій корі головного мозку людини. J Neurosci. 2007:27(35):9252–9261.

8. Бонетті Л., Браттіко Е., Карломаньо Ф., Кабрал Дж., Стевнер А., Деко Г., Вайброу П. С., Пірс М., Пантазіс Д., Крінгельбах М. Л.. Просторова динаміка мозку під час розпізнавання музики Йоганна Себастьяна Баха. bioRxiv. 2020: 27.35: 9252–9261.

9.Бонетті Л., Браттіко Е., Карломаньо Ф., Донаті Г., Кабрал Дж., Хауман Н.Т., Деко Г., Вууст П., Крінгельбах М.Л. Швидке кодування музичних тонів, виявлене в зв’язку всього мозку. НейроІмідж. 2021a:245:118735.

10. Бонетті Л., Браттіко Е., Вууст П., Ключко М., Сарікалліо С. Інтелект і музика: нижчий коефіцієнт інтелекту пов’язаний з більш високим використанням музики для переживання сильних відчуттів. Empir Stud Arts. 2021c:39(2):194–215.

For more information:1950477648nn@gmail.com