شناخت مغزی از قبل آموخته شده در مقابل توالی های زمانی بدیع: پردازش همزمان متفاوت قسمت 2

اکتساب داده ها

ما داده های MRI و MEG تشریحی را در دو جلسه مستقل به دست آوردیم. داده های MEG با استفاده از یک سیستم Elekta Neuromag TRIUX (Elekta Neuromag، هلسینکی، فنلاند) مجهز به 3{3}}6 کانال به دست آمد. این دستگاه در یک اتاق محافظ مغناطیسی در بیمارستان دانشگاه آرهوس دانمارک قرار گرفت. داده ها با نرخ نمونه برداری 1،{2}} هرتز با فیلتر آنالوگ 0.1-330 هرتز ثبت شد. قبل از اندازه گیری، سطح صدا را 50 دسی بل بالاتر از حداقل آستانه شنوایی هر شرکت کننده قرار می دهیم. علاوه بر این، با استفاده از یک دیجیتایزر سه بعدی (Polhemus Fastrak، Colchester، VT، ایالات متحده)، شکل سر شرکت‌کننده و موقعیت چهار سیم پیچ سر، مربوط به سه نشانه آناتومیکی (ناسیون، و مکان‌های پیش گوش چپ و راست) را ثبت کردیم.

با پیشرفت مداوم علم و فناوری، بسیاری از مفاهیم و فناوری های جدید در زندگی ما ظاهر شده است. آنها، فناوری MEG یکی از آنهاست. MEG یک تکنیک عمومی برای اندازه گیری فعالیت الکتریکی در مغز انسان است. این دستگاه از تداخل سنج کوانتومی ابررسانا (SQUID) برای تشخیص فعالیت الکتریکی نورون ها استفاده می کند. فناوری MEG می تواند به ما کمک کند تا اصول کار مغز انسان را بهتر درک کنیم و سپس رمز و راز هوش انسان را کشف کنیم.

فناوری MEG علاوه بر مطالعه فعالیت الکتریکی نورون ها می تواند حافظه انسان را نیز ارزیابی و مطالعه کند. بسیاری از مطالعات ارتباط بین فناوری MEG و حافظه را نشان داده اند. با مطالعه و تجزیه و تحلیل حجم زیادی از داده ها، دانشمندان می توانند از فناوری MEG برای ردیابی ظرفیت حافظه افراد و نحوه پردازش خاطرات توسط افراد مختلف استفاده کنند.

بر اساس این تحقیقات، از طریق تجزیه و تحلیل فناوری و داده های MEG، دانشمندان می توانند فعالیت الکتریکی در مناطق مختلف مغز انسان را شناسایی و اندازه گیری کنند، بنابراین به ما در درک حالت کار مغز کمک می کنند. این داده ها می توانند به ما در درک بهتر حافظه و فرآیندهای شناختی کمک کنند و به نوبه خود راه های بهتری برای بهبود حافظه افراد ایجاد کنند.

علاوه بر این، بسیاری از مطالعات نیز نشان داده اند که استفاده از روش ها و تکنیک های مختلف برای بهبود حافظه کاملاً امکان پذیر است. با استفاده از تکنیک‌ها و تمرین‌های مختلف حافظه، می‌توانیم مغز خود را تمرین دهیم و در نتیجه توانایی خود را برای به خاطر سپردن بهبود دهیم. برای کسانی که می خواهند حافظه خود را بهبود بخشند، درک فناوری MEG و تجزیه و تحلیل داده ها یک گام بسیار مهم است.

بنابراین بین فناوری MEG و حافظه رابطه جدایی ناپذیری وجود دارد. از طریق تجزیه و تحلیل حجم زیادی از داده ها، ما می توانیم نحوه عملکرد مغز انسان و فرآیند شکل گیری حافظه را بهتر درک کنیم و سپس روش های بهتری برای بهبود توانایی حافظه خود ایجاد کنیم. ما بر این باوریم که در آینده با توسعه و بهبود مستمر فناوری، روش‌ها و فناوری‌های بیشتری برای کمک به توسعه و استفاده بهتر از توانایی حافظه خود خواهیم داشت. از این منظر ما باید حافظه خود را تقویت کنیم. سیستانچ می تواند حافظه را به میزان قابل توجهی بهبود بخشد، زیرا سیستانچ می تواند تعادل انتقال دهنده های عصبی مانند افزایش سطح استیل کولین و عوامل رشد را که برای حافظه و یادگیری بسیار مهم هستند، تنظیم کند. علاوه بر این، گوشت همچنین می تواند جریان خون را بهبود بخشد و اکسیژن رسانی را تقویت کند، که می تواند اطمینان حاصل کند که مغز تغذیه و انرژی کافی دریافت می کند و در نتیجه نشاط و استقامت مغز را بهبود می بخشد.

برای بهبود حافظه روی مکمل ها کلیک کنید

محل هد کویل ها در طول کل ضبط با استفاده از شناسایی موقعیت سر پیوسته (cHPI) ثبت شد، که به ما امکان می دهد مکان دقیق سر را در اسکنر MEG در هر نقطه زمانی ردیابی کنیم. ما از این داده ها برای انجام تصحیح حرکت دقیق در مرحله بعدی تجزیه و تحلیل داده ها استفاده کردیم.

داده های MRI تشریحی ثبت شده با T1 ساختاری مطابقت دارد. پارامترهای جذب برای اسکن به شرح زیر گزارش شده است: اندازه وکسل=1.0 × 1.0 × 1.0 میلی متر (یا 1.0 mm3)؛ اندازه ماتریس بازسازی شده 256 × 256; زمان اکو (TE) 2.96 میلی‌ثانیه و زمان تکرار (TR) 5،{15}} میلی‌ثانیه و پهنای باند 240 هرتز/پیکسل. در مرحله بعدی تجزیه و تحلیل، هر اسکن MR وزنی T{17}از طریق یک تبدیل وابسته به الگوی مغزی استاندارد MNI ثبت شد و سپس با استفاده از داده‌های شکل سر Polhemus و سه مورد به فضای حسگرهای MEG ارجاع شد. نقاط اعتباری اندازه گیری شده در جلسه MEG

پیش پردازش داده ها

داده‌های خام حسگر MEG (204 گرادیومتر مسطح و 102 مغناطیس‌سنج) توسط MaxFilter (Taulu and Simola 2006) برای کاهش تداخل منشأ خارج از پوست سر با اعمال جداسازی فضای سیگنال، پیش پردازش شدند. در همان جلسه، Maxfilter همچنین سیگنال را برای حرکت سر تنظیم کرد و آن را از 1،000 به 250 هرتز کاهش داد.

داده ها به فرمت SPM تبدیل شدند و در Matlab (MathWorks، Natick، ماساچوست، ایالات متحده آمریکا) با استفاده از OSL (OHBA Software Library)، یک جعبه ابزار آزادانه در دسترس که بر ترکیبی از FSL متکی است، تجزیه و تحلیل شدند (Woolrich et al. 2009). SPM (Penny et al. 2007) و Fieldtrip (Oostenveld et al. 2011) و همچنین توابع داخلی. یک فیلتر ناچ (48-52 هرتز) برای تصحیح تداخل احتمالی با جریان الکتریکی اعمال شد. داده‌ها تا 150 هرتز نمونه‌برداری شدند و چند بخش از داده‌ها که توسط مصنوعات بزرگ تغییر یافته بودند، پس از بازرسی بصری حذف شدند.

سپس، برای حذف تداخل پلک‌ها و مصنوعات ضربان قلب از داده‌های مغز، از تحلیل مؤلفه‌های مستقل (ICA) برای تجزیه سیگنال اصلی به اجزای مستقل استفاده شد. سپس، اجزایی که فعالیت های پلک زدن و ضربان قلب را انتخاب می کردند، ابتدا جداسازی و سپس دور انداخته شدند. سیگنال با استفاده از اجزای باقی‌مانده بازسازی شد (مانتینی و همکاران 2011) و سپس در 80 آزمایش (یک آزمایش برای هر قطعه موسیقی) به مدت 3500 میلی‌ثانیه هر کدام (با 100 میلی‌ثانیه زمان پیش از محرک که برای تصحیح خط پایه استفاده شد) دوره شد. شکل 1B).

تست های تک متغیره و شبیه سازی مونت کارلو روی حسگرهای MEG

اگرچه تمرکز اصلی ما بر روی داده‌های مغز بازسازی‌شده منبع MEG بود، اولین تجزیه و تحلیل داده‌های حسگر MEG، به طور منسجم با توصیه‌های پیشرفته برای بهترین شیوه‌ها در تجزیه و تحلیل MEG محاسبه شد (گروس و همکاران 2013).

بنابراین، مشابه تعداد زیادی از مطالعات مرتبط با کار MEG و الکتروانسفالوگرافی (EEG) (Gross et al. 2{3}}13)، ما کارآزمایی‌ها را در شرایط به طور میانگین محاسبه کردیم و دو کارآزمایی میانگین نهایی را برای M و N به دست آوردیم. به ترتیب. سپس، هر جفت گرادیومتر مسطح را با مجموع مجموع ریشه ترکیب کردیم. پس از آن، ما یک آزمون t را برای هر نقطه زمانی در محدوده زمانی 0-2.500 ثانیه و هر گرادیومتر مسطح ترکیبی، متضاد M در مقابل N انجام دادیم.

برای تصحیح مقایسه‌های چندگانه، شبیه‌سازی‌های مونت کارلو (MCS) (Kroese et al. 2011) را با 1،{3}} جایگشت بر روی خوشه‌های نتایج قابل‌توجهی که از آزمون‌های t پدید آمدند، محاسبه کردیم. ما خوشه‌های اصلی را که اندازه بزرگ‌تر از حداکثر 99.9 درصد اندازه‌های خوشه داده‌های جابجا شده داشتند، مهم در نظر گرفتیم. جزئیات بیشتر در مورد این روش پرکاربرد را می توان در Bonetti و همکارانش یافت. (2020)، بونتی، براتیکو، کارلوماگنو، و همکاران. (2021a)، Bonetti، Bruzzone، Sedghi، و همکاران. (2021b)، Bonetti، Brattico، Vuust، و همکاران. (2021c) و فرناندز-روبیو، براتیکو، و همکاران. (2022a)، فرناندز روبیو، کارلوماگنو، و همکاران. (2022b)، فرناندز-روبیو، اولسن، و همکاران. (2022c).

این تجزیه و تحلیل تفاوت بزرگ و قوی بین شرایط تجربی را نشان داد. علاوه بر این، فعالیت مغز ثبت شده در کانال های MEG که خوشه قابل توجهی را تشکیل می دهد که توسط تجزیه و تحلیل MCS تولید می شود، یک سری زمانی را مشخص می کند که دو جزء فرکانس اصلی را ارائه می دهد. همانطور که در شکل.

این شواهد بیشتر توسط محاسبه تبدیل موجک مورلت پیچیده (Daubechies 1992) بر روی تمام داده های حسگر MEG، که سهم اصلی 1 و 4 هرتز را در سیگنال MEG ثبت شده در طول کار برجسته می کند، پشتیبانی می شود (شکل S2B). علاوه بر این، این تجزیه و تحلیل قدرت قابل توجه و در عین حال ضعیف تر در حدود 10 هرتز را نشان داد.

لازم به ذکر است، توان 1{4}} هرتز به زمان شروع آفست دنباله موسیقی قفل نشده بود. بنابراین، تجزیه و تحلیل‌های بعدی ما عمدتاً بر دو باند فرکانسی که در حدود 1 و 4 هرتز تعریف شده‌اند، متمرکز بودند، زیرا فرکانس‌هایی با قوی‌ترین قدرت بودند. این دو باند 0.1-1 و 2-8 هرتز بودند. علاوه بر این، ما یک تجزیه و تحلیل اضافی در محدوده فرکانس تعریف شده در حدود 10 هرتز انجام دادیم، زیرا قدرت کاهش یافته و در عین حال قابل تشخیص را ارائه می دهد. چنین باندی 8-12 هرتز بود.

مهمتر از همه، ما فرض کردیم که باندهای فرکانسی 2-8 و 0.1-1 هرتز دو فرآیند اصلی درگیر در کار تجربی ما را نمایه می کنند: پردازش موارد منفرد که دنباله زمانی را تشکیل می دهند (i-پردازش محلی) و تشخیص دنباله زمانی به عنوان یک شی فرادست جامع (ii- پردازش جهانی).

بازسازی منبع

ما از روش‌های مدرن بازسازی منبع برای تخمین منابع استفاده کردیم، که سیگنالی را که روی حسگرهای MEG ضبط کردیم (شکل 1C و شکل 2A) تولید کرد (هوانگ و همکاران 1999؛ هیلبراند و بارنز 2{{{ 7}}05). نکته مهم، الگوریتم بازسازی منبع به طور مستقل برای سه باند فرکانسی درگیر در مطالعه (0.1-1، 2-8، و 8-12 هرتز) محاسبه شده است تا پاسخ های برانگیخته به M و N در این سه باند فرکانسی مختلف را مشخص کند. . به طور مشخص مراحل زیر اجرا شد.

ابتدا داده‌های پیوسته (قبل از دوره‌سازی) باند گذر در سه باند فرکانسی فیلتر شد. دوم، داده های فیلتر شده (به طور مستقل برای سه باند) دوره شد. سوم، داده‌های دوره‌ای به الگوریتم بازسازی منبع که در زیر توضیح داده شده است، ارسال شد.

چنین الگوریتمی شامل دو مرحله بعدی است: (1) طراحی یک مدل جلو و (ب) محاسبه راه حل معکوس. مدل رو به جلو یک مدل نظری است که هر منبع مغزی را به عنوان یک دوقطبی فعال در نظر می‌گیرد و توضیح می‌دهد که چگونه قدرت واحد چنین دوقطبی بر روی تمام حسگرهای MEG منعکس می‌شود (در مورد ما، از مغناطیس‌سنج‌ها و گرادیومترهای مسطح استفاده کردیم) (هوانگ و همکاران. 1999).

در اینجا، ما از یک شبکه 8- میلی متری استفاده کردیم که 3559 مکان دوقطبی (وکسل) را در کل مغز برمی گرداند. پس از ثبت داده‌های T1 ساختاری منفرد با فاکتورها (اطلاعات در مورد نشانه‌های سر)، مدل رو به جلو با اتخاذ یک روش پرکاربرد به نام "Single Shell" که به طور مفصل توسط نولته (2003) ارائه شده است، محاسبه شد. خروجی چنین محاسباتی که به آن مدل میدان سرب نیز گفته می شود در ماتریس L (منابع × کانال های MEG) ذخیره می شود. در موارد معدودی که T1 ساختاری در دسترس نبود، ما محاسبات میدان سرب را با استفاده از یک الگو (MNI152-T1 با وضوح فضایی 8- میلی‌متر) انجام دادیم.

مرحله دوم بازسازی منبع، محاسبه راه حل معکوس است (یعنی تخمین مولدهای سیگنال عصبی بر اساس فعالیت مغز ثبت شده با MEG). در مطالعه خود، شکل دهی پرتو را انتخاب کردیم که یکی از محبوب ترین و موثرترین الگوریتم های موجود در این زمینه است (هوانگ و همکاران 1999؛ هیلباند و بارنز 2005). این روش از مجموعه وزن‌های متفاوتی استفاده می‌کند که به‌طور متوالی به مکان‌های منبع اعمال می‌شود تا سهم هر منبع در فعالیت ثبت شده توسط کانال‌های MEG برای هر نقطه زمانی را جدا کند (هیلبراند و بارنز 2005؛ بروکس و همکاران 2007). در سطح فنی تر، راه حل معکوس مبتنی بر شکل دهی پرتو را می توان با مراحل اصلی زیر توصیف کرد.

ابتدا، داده های ثبت شده توسط حسگرهای MEG (B) در زمان t را می توان با معادله زیر (3) توصیف کرد:

در جایی که L مدل میدان سرب توصیف شده در بالا است، Q ماتریس دوقطبی است که فعالیت هر دوقطبی فعال (q) را در طول زمان حمل می کند و ε نویز است (برای جزئیات بیشتر به Huang et al. (2004) مراجعه کنید). بنابراین، برای حل مشکل معکوس، باید Q را محاسبه کنیم. با استفاده از شکل دهی پرتو، چنین رویه ای حول محاسبه وزن هایی می چرخد ​​که در هر نقطه زمانی به سنسورهای MEG اعمال می شود، همانطور که برای دوقطبی منفرد q در معادله نشان داده شده است (4). ):

در واقع، برای به دست آوردن q، وزن‌های W باید محاسبه شوند (مشخص T به ماتریس انتقال اشاره دارد). برای انجام این کار، شکل دهی پرتو بر ضرب ماتریس بین L و ماتریس کوواریانس بین سنسورهای MEG (C) که بر روی آزمایش‌های تجربی الحاقی محاسبه شده است، متکی است. به طور خاص، برای هر منبع مغز n، وزن Wn به صورت زیر محاسبه می شود:

لازم به ذکر است، محاسبه مدل میدان سرب برای سه جهت اصلی هر منبع مغز (دوقطبی)، طبق نولت (Nolte 2003) انجام شد. با این حال، قبل از محاسبه وزن ها، جهت گیری ها با استفاده از الگوریتم تجزیه ارزش منفرد در ضرب ماتریس گزارش شده در رابطه (6) به یک کاهش یافته است. این روش به طور گسترده ای برای ساده سازی خروجی شکل دهی پرتو مورد استفاده قرار می گیرد (هوانگ و همکاران 2004؛ وولریچ و همکاران 2011).

در اینجا، l مدل میدان سرب را با سه جهت نشان می دهد، در حالی که L مدل یک جهتی حل شده است که در (5) استفاده شده است.

در نهایت، همانطور که در بالا ذکر شد، در مورد اجرای کدگذاری چنین الگوریتم‌هایی، از جعبه ابزار Matlab مانند OSL، FieldTrip، SPM (توابع پیش پردازش MEEG و جعبه ابزار شکل دهی پرتو SPM) و FSL استفاده کرده‌ایم. علاوه بر این، این کدها با اسکریپت ها و توابع ساخته شده در داخل تکمیل شدند.

فعالیت مغز برای هر عنصر از توالی زمانی

ابتدا، ما می‌خواستیم فعالیت مغزی را که در هر آیتم از توالی‌های زمانی خود وجود دارد، تشخیص دهیم (شکل 1D، شکل‌های S3، S4، جدول 1، و جدول S1). در اینجا، از آنجایی که به قدرت مطلق سیگنال علاقه مند بودیم، قدر مطلق سری زمانی بازسازی شده را محاسبه کردیم.

برای انجام تحلیل سطح اول برای هر شرکت‌کننده، از مدل‌های خطی عمومی (GLM) استفاده کردیم. چنین مدل‌هایی بر روی داده‌های بازسازی‌شده منبع برای هر نقطه زمانی و منبع مغز محاسبه شدند (Hunt et al. 2012). GLMها اثر اصلی (تضادهای برآورد پارامترها (COPEs)) M و N و همچنین کنتراست آنها را برگرداندند. آنها از آنجایی که به آنها اجازه داده شد اثرات اصلی را بدست آورند که به طور اساسی با واریانس بین شرکت کنندگان تنظیم شده بود، به کار گرفته شدند. این نتایج با استفاده از آزمون‌های t تک نمونه‌ای با واریانس هموار فضایی به‌دست‌آمده با هسته گاوسی (عرض کامل در نیمه حداکثر: 50 میلی‌متر) به تجزیه و تحلیل سطح دوم ارسال شد (هوانگ و همکاران 2004).

در اینجا، ما علاقه مند به مشاهده فعالیت های مختلف مغز در زمینه تشخیص M در مقابل N دنباله زمانی بودیم، به طور مستقل برای هر باند فرکانس و آیتم (تن موسیقی) که دنباله را تشکیل می دهد. بنابراین، ما 15 (5 تن × 3 باند فرکانس) شبیه‌سازی مونت کارلو مبتنی بر خوشه (MCS) را بر روی نتایج تحلیل سطح دوم (سطح گروه) محاسبه کردیم که میانگین آن در پنجره‌های پنج‌زمانی مربوط به مدت زمان آهنگ‌های موسیقی است. . تجزیه و تحلیل MCS شامل 1،000 جایگشت و آستانه تشکیل خوشه P < 0.05 (از آزمون های سطح دوم) است. به طور خاص، آزمون MCS شامل تشخیص خوشه‌های فضایی مقادیر قابل توجه در داده‌های اصلی بود. سپس، چنین داده‌هایی جابه‌جا شدند و خوشه‌های فضایی مقادیر معنی‌دار جایگشت یافته شناسایی شدند. این رویه چندین بار محاسبه شد (مثلاً 1،{15}}) و منجر به توزیع مرجعی از اندازه‌های خوشه‌ای شد که برای هر جایگشت شناسایی شد. در نهایت، اندازه های خوشه اصلی با توزیع مرجع مقایسه شد. اگر اندازه خوشه‌های داده‌های جابه‌جایی بزرگ‌تر از اندازه‌های خوشه اصلی کمتر از سطح MCS باشد، خوشه‌های اصلی مهم در نظر گرفته می‌شوند. در این مورد، از آنجایی که ما تجزیه و تحلیل را 15 بار محاسبه کردیم، مقایسه های چندگانه را با تقسیم سطح استاندارد MCS ({17}}.05) بر 15 تصحیح کردیم، که منجر به به روز رسانی MCS=0.003 (یعنی اصلی) شد. خوشه ها در صورتی که اندازه آنها بزرگتر از 99.7 درصد از اندازه های خوشه تغییر یافته باشد، معنی دار بودند.

از آنجایی که یکی از محدوده‌های فرکانس مورد استفاده در این مطالعه نسبتاً کم بود ({{0}}}.1-1 هرتز)، ما بازسازی منبع و تضاد بین M و N را برای 0.1-1 هرتز با استفاده از سه متفاوت محاسبه کردیم. خطوط پایه (500، 1،000، و 2،{10}} میلی ثانیه). این کار برای نشان دادن اینکه نتایج اولیه ما بر اساس طول خط مبنا نبودند انجام شد. نتایج این روش در شکل S5 نشان داده شده و در جدول S2 به تفصیل گزارش شده است.

K-به معنای خوشه بندی عملکردی است

برای تکمیل نتایج قبلی و ارائه توضیحات مفصل‌تری از گستره فضایی منابع فعال مغز و همچنین فعالیت آن‌ها در طول زمان، یک بسته‌بندی مبتنی بر عملکرد مغز را تعریف کردیم. ما یک خوشه بندی تابعی به اصطلاح k-means را اتخاذ کردیم که از یک سری الگوریتم های خوشه بندی k-means تشکیل شده است. سیناگا و یانگ (2{4}}20) بر روی اطلاعات عملکردی و مکانی هر یک از سری‌های زمانی منابع مغزی بازسازی‌شده (وکسل) انجام دادند. این رویکرد برای دو باند فرکانسی که قوی‌ترین نتایج را در تحلیل‌های قبلی ما به دست آوردند و یا با موارد منفرد دنباله یا با کل دنباله، یعنی 0.1-1 و 2-8 هرتز مرتبط بودند، دنبال شده است.

به طور خاص، به عنوان اولین گام، الگوریتم خوشه‌بندی عملکردی k-means یک خوشه‌بندی را بر روی پارامترهای عملکردی اساسی مانند مقادیر پیک و شاخص‌های مربوط به سری زمانی وکسل محاسبه کرد. ما از این مرحله به عنوان خوشه بندی عملکردی یاد می کنیم. این روش مجموعه‌ای از بسته‌های مستقل را برمی‌گرداند که بر اساس پروفایل‌های عملکردی وکسل‌های مغز گروه‌بندی شده‌اند. در واقع، چنین بسته‌هایی می‌توانند حاوی وکسل‌هایی باشند که تقریباً در یک زمان به اوج می‌رسند (شکل 2B، سمت چپ) یا با قدرت مطلق مشابه (شکل 2B، سمت راست). همانطور که قابل تصور است، خوشه بندی بر روی حداکثر شاخص های سری زمانی پیشنهاد می شود که فعالیت مغز در مناطق مختلف در زمان های مختلف محلی باشد.

برعکس، زمانی که فعالیت با بیشتر وکسل‌های مغز همبستگی بالایی دارد، خوشه‌بندی باید بر روی حداکثر مقادیر سری زمانی انجام شود و به شناسایی مولدهای هسته سیگنال عصبی کمک کند. در این مطالعه، 0.1–1 هرتز (پردازش جهانی توالی) پیک‌های مختلفی از فعالیت را ارائه کرد که در طول زمان جابجا شدند و بنابراین با توجه به شاخص‌های زمانی چنین پیک‌هایی خوشه‌بندی شدند. به طور متفاوت، 2-8 هرتز (پردازش محلی دنباله) فعالیت بسیار مرتبطی را نشان داد و بنابراین با استفاده از مقادیر مطلق چنین فعالیت اوج خوشه‌بندی شد. همانطور که به طور گسترده در تجزیه و تحلیل خوشه‌بندی انجام می‌شود (گارسیا-دیاس و همکاران 2019)، همچنین در مورد ما محاسبه الگوریتم خوشه‌بندی روی مجموعه‌ای متوالی از k خوشه (از k=2 تا 20) سودمند بود. سپس، بهترین راه‌حل خوشه‌بندی بر اساس استراتژی‌های ارزیابی شناخته شده (اکتشافی) مانند روش/قاعده آرنج (لیو و دنگ 2021) و ضریب شبح (الزوبی و الراوی 2008) تصمیم‌گیری شد.

روش زانویی شامل ترسیم مجموع خطاهای مربع (SSE) عناصر متعلق به خوشه‌های مربوط به مرکز خوشه، به عنوان تابعی از راه‌حل‌های خوشه‌ای به تدریج بیشتر است. سپس، این روش پیشنهاد می‌کند که به صورت بصری «آرنج» منحنی را به عنوان تعداد خوشه‌های مورد استفاده شناسایی کنید. ضریب silhouette مقداری است (از -1 تا +1) که شباهت یک عنصر را با خوشه آن (انسجام) در مقایسه با خوشه‌های دیگر (جداسازی) نشان می‌دهد. مقدار ضریب شبح بالا نشان می دهد که عنصر به خوبی با خوشه خود و ضعیف با خوشه های همسایه مطابقت دارد.

هنگامی که بهترین راه حل خوشه بندی عملکردی تصمیم گیری شد، یک خوشه بندی دوم در مورد اطلاعات مکانی باید محاسبه شود (خوشه بندی فضایی، شکل 2C). در واقع، فعالیت مغز عمدتاً با دو پارامتر، مکان‌های مکانی و تغییرات در طول زمان توصیف می‌شود. خوشه‌بندی وکسل‌های اصلی مغز در بسته‌های عملکردی متمایز ممکن است بسته‌های بزرگی را که شامل شبکه‌ای از نواحی مغزی جدا از هم هستند که به عنوان مثال در همان زمان فعال هستند، بازگرداند. بنابراین، برای تعریف بسته بندی بهتر، انجام یک تجزیه و تحلیل خوشه بندی همچنین بر روی مختصات فضایی هر یک از بسته های عملکردی مفید است. در مطالعه ما، مختصات فضایی سه‌بعدی (در فضای MNI) وکسل‌هایی را که هر یک از بسته‌های عملکردی را تشکیل می‌دهند، در نظر گرفتیم. این محاسبه خوشه‌بندی برای مجموعه‌ای متوالی از راه‌حل‌های k خوشه (از k=2 تا 10)، برای یک بسته در یک زمان انجام شد. در مورد خوشه بندی عملکردی، ما بهترین راه حل را برای خوشه بندی فضایی با استفاده از قانون آرنج و ضریب شبح ارزیابی کردیم. خوشه‌بندی عملکردی k-means هنگامی که این روش بر روی تمام بسته‌های عملکردی انجام شد، کامل شد، که نشان‌دهنده یک تقسیم‌بندی مؤثر برای کار آزمایشی بر اساس اطلاعات عملکردی و مکانی است (نمونه‌هایی در شکل S7، جداول S3 و S4 برای 0.1– گزارش شده‌اند. 1 هرتز و شکل S8، جداول S5، S6 و S7 برای 2 تا 8 هرتز). به عنوان آخرین مرحله، سری زمانی وکسل های مغزی متعلق به هر بسته با هم میانگین گیری شد تا یک سری زمانی نهایی برای بسته ارائه شود. اطلاعات اضافی در مورد خوشه بندی عملکردی k-means در مواد تکمیلی گزارش شده است.

تضاد در طول زمان برای هر بسته

در اینجا، خوشه‌بندی عملکردی k-means بر روی اثرات اصلی M و N در سطح گروه انجام شد. سپس، برای به دست آوردن تأثیر اصلی M و N برای هر بسته و شرکت‌کننده، تأثیر اصلی سطح اول M و N (از GLMs) را بر روی وکسل‌های مغز متعلق به هر یک از بسته‌های عملکردی میانگین گرفتیم. این منجر به یک سری زمانی جدید برای هر شرکت کننده، بسته کاربردی و شرایط آزمایشی (M و N) شد. چنین سری‌های زمانی به تضادهای تک متغیره ارسال شدند (M در مقابل N؛ شکل 2D، روش‌ها، و شکل‌های S9 و S10، نتایج). به طور خاص، برای هر بسته و نقطه زمانی، ما یک آزمون t دو نمونه‌ای (آستانه P < 0.05) را محاسبه کردیم که تأثیر اصلی M در مقابل N را در تضاد قرار داد. سپس، مقایسه‌های چندگانه را با استفاده از یک تصحیح کردیم. رویکرد MCS دو بعدی با 1،{13}} جایگشت (MCS P <0.001). جزئیات بیشتر در مورد این روش آماری به طور گسترده پذیرفته شده را می توان در Bonetti و همکاران یافت. (2020)، بونتی، براتیکو، کارلوماگنو، و همکاران. (2021a)، Bonetti، Bruzzone، Sedghi، و همکاران. (2021b)، Bonetti، Brattico، Vuust، و همکاران. (2021c). همانطور که برای تجزیه و تحلیل های دیگر انجام شد، چنین عملیاتی برای دو باند فرکانسی اصلی بررسی شده در مطالعه مشاهده شد (شکل 3 و جدول S8).

نتایج

طراحی تجربی و آنالیز حسگرهای MEG

در وهله اول، پس از پیش پردازش داده‌های MEG (شکل 1A و B و مواد و روش‌ها را برای جزئیات ببینید)، ما فعالیت مغز را در تشخیص M در مقابل N، که توسط حسگرهای MEG ثبت شده بود، مقایسه کردیم. این روش یک خوشه مهم بزرگ را برگرداند (P < 0.001، اندازه خوشه k=2،117، مقدار متوسط ​​= 3.29، زمان=0.547-1.180 ثانیه)، فعالیت مغزی قوی‌تری را برای M در مقابل N نشان می‌دهد. علاوه بر این، فعالیت مغزی ثبت‌شده در کانال‌های MEG که چنین خوشه‌ای مهم را تشکیل می‌دهند، یک سری زمانی را مشخص می‌کند که دو جزء فرکانس اصلی را ارائه می‌دهد. همانطور که در شکل. این شواهد با محاسبه تبدیل موجک پیچیده مورلت بر روی پاسخ های برانگیخته ثبت شده توسط تمام داده های حسگر MEG، که سهم اصلی 1 و 4 هرتز را در سیگنال MEG ثبت شده در طول کار برجسته می کند، پشتیبانی می شود (شکل S2B). بنابراین، تجزیه و تحلیل های بعدی ما در درجه اول بر دو باند فرکانسی تعریف شده در حدود 1 و 4 هرتز متمرکز شدند که 0.1-1 و 2-8 هرتز بودند. مهمتر از همه، ما فرض کردیم که باندهای فرکانسی 2-8 و 0.1-1 هرتز دو فرآیند اصلی درگیر در کار تجربی ما را نمایه می کنند: پردازش موارد منفرد که دنباله زمانی را تشکیل می دهند (i-پردازش محلی) و تشخیص دنباله زمانی به عنوان یک مافوق جامع. شی (ii-پردازش جهانی).

منبع فعالیت مغز بازسازی شده و تجزیه و تحلیل تک موردی

ما فعالیت مغزی بازسازی‌شده را که زیربنای توالی‌های M در مقابل N بود، مقایسه کردیم (برای جزئیات به مواد و روش‌ها مراجعه کنید). نتایج متفاوتی برای دو باند فرکانسی اصلی ({{0}}.1-1 و 2-8 هرتز) ظاهر شد. فعالیت مغز برای 0.1-1 هرتز برای M در مقابل N قوی‌تر بود، به خصوص در طول پردازش سه مورد آخر دنباله. همانطور که در شکل 1D، شکل‌های S3-S5 نشان داده شده است، چنین فعالیتی یک شبکه مغزی گسترده را نشان می‌دهد که زیربنای پردازش سراسری این توالی است، که شامل نواحی مغز مرتبط با حافظه و فرآیندهای ارزیابی مانند شکنج سینگوله، هیپوکامپ، اینسولا، اپرکولوم پیشانی و تحتانی است. قشر تمپورال (MCS P < 0.{17}}01). برعکس، فعالیت مغز برای باند 2-8 هرتز به طور کلی برای N در مقابل M قوی‌تر بود و عمدتاً درگیر قشر شنوایی بود (MCS P <0.001). آمار اوج وکسل های مغزی قابل توجه برای فرکانس های 0.1-1 و 2-8 هرتز در جدول 1 گزارش شده است، در حالی که نتایج گسترده برای سه باند فرکانسی در جداول S1 و S2 توضیح داده شده است.

تضاد در ROIهای مشتق از عملکرد

برای توصیف کامل آشکار شدن فضایی و زمانی فعالیت مغز در طول زمان، ما یک تقسیم بندی مبتنی بر عملکرد مغز را با استفاده از خوشه بندی عملکردی k-means تعریف کردیم (برای جزئیات به مواد و روش ها و شکل 2 و شکل S6 مراجعه کنید)، به طور مستقل برای {{3} }.1-1 و باندهای فرکانسی 2-8 هرتز. این منجر به یک سری زمانی جدید برای هر شرکت‌کننده، بسته عملکردی و شرایط آزمایشی (M و N) شد که به کنتراست‌های تک متغیره (M در مقابل N) (شکل 3) ارسال شدند و برای مقایسه‌های چندگانه با استفاده از MCS مبتنی بر خوشه تصحیح شدند.

مشابه تجزیه و تحلیل قبلی ما، قوی ترین فعالیت مغز در باند کندتر برای M شناسایی شد. به طور قابل توجهی، با گسترش اولین تحلیل ما، این نتایج جدید مجموعه ای از بسته های مغزی متوالی فعال را که پردازش توالی زمانی را همراهی می کنند برجسته می کند. همانطور که در شکل 3 A نشان داده شده است، مغز یک فعالیت اولیه را در قشر شنوایی سمت راست ارائه می کند که با قدرت کمی قوی تر برای M در مقابل N مشخص می شود (شکل 3A، بسته 1: P < 0.0{9}}{9}}{101} {10}}1، اندازه خوشه k=39؛ میانگین t-value=2.72؛ زمان از شروع اولین شی: 0–0. 25 ثانیه). در مرحله بعد، ما فعالیت عصبی را در قشر شنوایی چپ مشاهده کردیم اما تفاوت معنی داری بین شرایط تجربی مشاهده نکردیم (شکل 3A، بسته 2). با شروع بین آیتم های دوم و سوم و اوج گرفتن در مورد پنجم از دنباله زمانی، ما یک انفجار از فعالیت را در شکنج زنجیره ای مشاهده کردیم که برای M در مقابل N قوی تر بود (شکل 3A، بسته 3: P <{34} }.001، k=92؛ t-value=2.73؛ زمان: 0.45–1.05 ثانیه). با اندکی تأخیر، نمایه مشابهی برای یک بسته مغزی بزرگتر که شامل اینسولا، قسمت قدامی قشر تمپورال تحتانی، هیپوکامپ و اپرکولوم پیشانی است ظاهر شد. بار دیگر، M تا حد زیادی قوی‌تر از N بود (شکل 3A، قطعه 4: P <0.001، k=77؛ t-value=2.79؛ زمان: 0.69-1.19 ثانیه). در نهایت، درست قبل از میانگین زمان واکنش برای طبقه بندی الگوی شرکت کنندگان، فعالیت قوی تر در شکنج پس مرکزی و قشر حسی حرکتی برای M در مقابل N مشاهده شد (شکل 3A، بسته 5، خوشه اصلی: P <0.001، k=142؛ t-value=2.68؛ زمان: 0.94-1.88 ثانیه).

در مقابل، تجزیه و تحلیل برای باند 2-8 هرتز چندین خوشه قابل توجه از فعالیت قوی تر را برای N در مقابل M در اطراف قله های تیز سری های زمانی نشان داد. قابل توجه است، در مقایسه با اولین تحلیل ما برای 5 مورد از دنباله زمانی، این روش دوم به وضوح میزان زمانی چنین تفاوتی را مشخص می کند، که با سه تن آخر دنباله های زمانی مطابقت دارد. به طور خاص، چنین تفاوت هایی مستقیماً دخیل هستند (شکل 3B، بسته 1، خوشه اصلی I: P < 0.001، k=11، t-value {{ 9}}.51؛ زمان: 0.89–0.95 ثانیه؛ II: P < 0.001، k {{ 17}}؛ t-value=2.22؛ زمان: 1.21– 1.28 s) و قشر شنوایی اولیه چپ (شکل 3B، بسته 2، خوشه اصلی I: P < 0).{46 }}01، k=12، t-value=−3.70؛ زمان: 0.74–{{6{{7{{ 76}}}}}.81 s؛ II: P < 0.001، k {{40}}؛ t-value {{ 42}}.09؛ زمان: 0.87–{{1{1{111}}5}}1}}.95 ثانیه؛ III: P < {{113} }.{115}}{122}}1، k {{50}}؛ t-value=2.90؛ زمان: 0.64–0.69 ثانیه). با کاهش قدرت، خوشه های مشابهی از فعالیت برای سمت راست مشاهده شده است (شکل 3B، بسته 3، خوشه اصلی I: P <0.001، k=13، t-value=3.08؛ زمان : 1.19-1.27 s؛ II: P <0.001، k=12؛ t-value=3.61؛ زمان: 0.89-0.96 ثانیه) و قشر شنوایی ثانویه چپ و نواحی هیپوکامپ (شکل 3B، بسته 4، خوشه اصلی I: P <0.001، k=12، t-value {{86}} −2.97؛ زمان: 0.74–0.81 ثانیه؛ II: P <0.001، k {{95 }}؛ t-value=2.86؛ زمان: 0.87-0.93 s) و singulate (شکل 3B، قطعه 5، خوشه اصلی I: P <0.001، k=10، t-value { {109}}.03؛ زمان: 0.90-0.96 ثانیه؛ II: P <0.001، k=9؛ t-value=-2.29؛ زمان: 0.79-0.84 ثانیه). جزئیات بیشتر در مورد این تضادها در جداول S8 گزارش شده و به طور گسترده در شکل ها نشان داده شده است. S9 و S10.

در نتیجه، شکل 4 به طور کیفی یک پدیده جالب را نشان می دهد. در حالی که پاسخ "موجک" به صدای اول فعالیت بسیار مشابهی را در قشر اولیه (پارسل i) و ثانویه شنوایی، اینسولا، نواحی هیپوکامپ (پارسل II) و سینگولات (پارسل iii) نشان داد، پیک‌ها برای صداهای زیر متفاوت است. روند، به ویژه در پاسخ به موارد سوم و چهارم دنباله. در این مورد، قشر شنوایی ثانویه، اینسولا، نواحی هیپوکامپ و سینگولیت قبل از قشر شنوایی اولیه به اوج می رسد. با این حال، برخلاف آنچه در ابتدا به نظر می رسد، این ممکن است نشان دهنده پاسخ سریعتر در آن مناطق نباشد. در واقع، برای مثال، با نگاه کردن به قله‌های اطراف 0.5 ثانیه (اولین مربع قرمز در شکل 4)، اولین قله (که عمدتاً برای قشر شنوایی ثانویه، اینسولا، نواحی هیپوکامپ و سینگولیت رخ می‌دهد) باید مطابقت داشته باشد. به مولفه P300 به صدای دوم الگو، در حالی که پیک دوم (عمدتاً برای قشر شنوایی اولیه رخ می دهد) ممکن است صدای P50 به صدای سوم باشد. یک پدیده مشابه برای موارد زیر از دنباله (همانطور که توسط مربع های قرمز دیگر مشخص شده است) اتفاق افتاد.

این ممکن است نشان دهد که در حالی که سهم قشر شنوایی اولیه برای اجزای اول (یعنی P50 و N100)، که فرآیندهای سطح پایین‌تر را نمایه می‌کنند، قوی‌تر بود، اجزای بعدی مانند P300 ممکن است عمدتاً توسط نواحی مرتبه بالاتر مانند شنوایی ثانویه تولید شوند. قشر، اینسولا، نواحی هیپوکامپ و قشر سینگوله. در وضعیت فعلی، این تنها یک مشاهده کیفی است که نیازمند مطالعات آتی با هدف بررسی خاص و کمی این پدیده است.

بحث

این مطالعه MEG با استفاده از توالی‌های موسیقی، پردازش همزمان دوگانه در مغز مرتبط با تشخیص توالی‌های زمانی شنوایی را نشان داد. از یک طرف، ارائه آیتم‌های محلی و تکی که دنباله را تشکیل می‌دهند، به یک پردازش سریع، نوسانی و محلی که توسط قشر حسی هدایت می‌شود، مرتبط بود. این پردازش برای تشخیص صداهای تشکیل‌دهنده رمان در مقایسه با سکانس‌های موسیقی حفظ‌شده قوی‌تر بود. از سوی دیگر، پردازش توالی زمانی کلی و جهانی با پردازش همزمان جهانی و آهسته که شامل شبکه گسترده ای از نواحی مرتب بالای مغز به طور متوالی فعال است، مرتبط بود. در این مورد، فعالیت مغز تا حد زیادی برای توالی های حفظ شده در مقایسه با دنباله های جدید قوی تر بود.

این پردازش همزمان دوگانه به ویژه در متناظر با ارائه سه تن آخر دنباله مشهود بود و نشان می‌دهد که حداقل دو یا سه تن برای شروع فرآیند تشخیص توسط مغز مورد نیاز است. در اینجا، مغز شبکه گسترده ای از حوزه هایی را به کار گرفت که عمدتاً به حافظه، توجه، استماع و تصمیم گیری مرتبط است. چنین نواحی مغز عبارتند از: هیپوکامپ (Knierim 2015)، شکنج سینگوله (Rolls 2019؛ Pando-Naude et al. 2021؛ Criscuolo et al. 2022)، قشر گیجگاهی تحتانی (Conway 2018)، اپرکولوم فرونتال (Behroet al.20oz) (Indefreymand1. همکاران 2015)، insula (Uddin 2015)، و قشر اولیه و ثانویه شنوایی (Elhilali et al. 2004). قابل ذکر است، هر دو فرآیند (جهانی و محلی) تقریباً مناطق مشابه مغز را درگیر می‌کنند اما به فرکانس‌های متفاوتی از پاسخ‌های برانگیخته عصبی بستگی دارند. علاوه بر این، پردازش محلی عمدتاً بر قشرهای حسی (مانند قشر شنوایی) متکی بود، در حالی که پردازش سراسری استخدام گسترده‌تری از نواحی مرتبه بالاتر مغز مانند سینگولات، قشر گیجگاهی تحتانی و هیپوکامپ را ارائه کرد.

به طور قابل توجهی، تشخیص توالی زمانی شنوایی با مجموعه‌ای از رویدادهای تدریجی کندتر مرتبط بود که زنجیره‌ای از نواحی مغزی با مرتبه پایین تا بالا را دوباره سیم‌کشی می‌کرد. این شواهد، مشاهده شده برای باند 0.1-1 هرتز، ممکن است نشان دهد که مغز با به کارگیری یک مسیر سلسله مراتبی از مناطق فعال متعاقبا، درک معناداری از توالی زمانی آشکار شده را دنبال می کند و به تدریج ایجاد می کند. برعکس، فعالیت در باند 2 تا 8 هرتز یک نمایه مکمل را نشان داد که پس از هر مورد از دنباله زمانی به اوج خود رسید. چنین شواهدی نشان می‌دهد که، در حالی که باند 0.1-1 هرتز ممکن است در دستیابی به درک جامع از کل دنباله (پردازش جهانی) دخیل باشد، باند 2 تا 8 هرتز ممکن است به طور مستقل روی موارد منفرد (محلی) توضیح داده شود. در حال پردازش). با این حال، نتایج ما نمی تواند به طور قطعی بگوید که آیا چنین نوارهایی نشان دهنده مکانیسم های داخلی مغز هستند یا صرفاً محرک هستند. تحقیقات آینده برای پرداختن به این سوال مهم مورد نیاز است.

تازگی اصلی نتایج ما به قدرت تفاضلی سیگنال مغزی مشاهده شده برای دو باند فرکانس در شرایط تجربی ما (M و N) مربوط می شود. در واقع، در حالی که باند 0.1–1 هرتز قدرت قوی‌تری برای دنباله‌های حفظ‌شده ارائه می‌دهد، باند 2 تا 8 هرتز پاسخ‌های بیشتری را برای توالی‌های جدید نشان می‌دهد. این یافته ممکن است در پرتو تئوری کدگذاری پیش‌بینی‌کننده (Friston 2012؛ Vuust et al. 2012; Koelsch et al. 2019) مشاهده شود، که فرض می‌کند مغز به‌طور مداوم مدل‌های داخلی را برای پیش‌بینی اطلاعات محیطی به‌روزرسانی می‌کند. در اینجا، زمانی که مغز دنباله‌های زمانی را تشخیص می‌دهد (مثلاً در اطراف آهنگ‌های شماره دو و سه دنباله‌های ما)، ممکن است پیش‌بینی‌های بهتری از آیتم‌های آتی، که قبلاً حفظ شده‌اند، تکمیل کند.

بنابراین، همانطور که به صورت تجربی مشاهده کردیم، چنین مواردی به پردازش محلی کمتری نیاز دارند. جالب توجه است، اگرچه عمدتاً در قشر شنوایی اولیه قرار دارند، منابع عصبی فعالیت باند 2 تا 8 هرتز نیز در نواحی هیپوکامپ، قشر شنوایی ثانویه، اینسولا و سینگولیت قرار می‌گیرند. همانطور که قبلا ذکر شد، این شواهد نشان می‌دهد که تقریباً همان مناطق مغز دو باند فرکانسی همزمان را ایجاد می‌کنند که با مشخصات عملکردی بسیار متفاوت مشخص می‌شوند و پردازش محلی و جهانی توالی زمانی را نمایه می‌کنند. علاوه بر این، در مورد پردازش محلی، نتایج ما نشان می دهد که بسط هر صدا باعث ایجاد یک سری زمانی موجک مانند با سه قله اصلی (مولفه) شد. در اینجا، توضیح سطح پایین تر صداهای نمایه شده توسط مؤلفه های اول (یعنی P50 و N100 (Coles and Rugg 2008)) عمدتاً از قشر شنوایی اولیه منشا می گیرد. برعکس، اجزای بعدی مانند P300 (Coles and Rugg 2008) به ویژه توسط نواحی مرتبه بالاتر مانند قشر شنوایی ثانویه، اینسولا، مناطق هیپوکامپ و سینگولیت تولید شدند. به‌طور قابل‌توجهی، چنین پدیده‌ای پس از آشکار شدن توالی زمانی آشکارتر شد، و نشان می‌دهد که توضیح تدریجی دقیق‌تر موارد منفرد ممکن است برای مغز برای درک معنای کل توالی زمانی ضروری باشد.

در یادداشت دیگری، چندین مطالعه قبلی پردازش جهانی و محلی را بر حسب مکان‌های مختلف سیگنال عصبی توصیف کردند (یعنی قشر حسی اولیه در تشریح محرک‌های ورودی مقدم بر نواحی مرتبه بالاتر مغز هستند (Qiu and Von Der Heydt 2005). برعکس، در مطالعه ما نشان داد که همان ناحیه مغز این 2 فرآیند (جهانی و موضعی) را همزمان با استفاده از دو باند فرکانسی همزمان انجام می‌دهند که احتمالاً نشان‌دهنده مالتی پلکسی پیچیده است. موارد مشابه در ادراک شنیداری و درک زبان (Giraud and Poeppel 2012).

علاوه بر این، برخی از مطالعات قبلی که پردازش شنوایی و حافظه را برای اطلاعات صوتی بررسی می‌کردند، پاسخ‌های آهسته برانگیخته‌ای مشابه پردازش آهسته و جهانی ما را گزارش کردند. به عنوان مثال، پیکتون (1978) شواهدی از پتانسیل الکتریکی پایدار شنوایی در مغز انسان در پاسخ به صداها ارائه کرد. اخیراً، Bidet-Caulet و همکاران. (2007)، با استفاده از EEG داخل جمجمه ای، نشان داد که توجه انتخابی به اطلاعات صوتی با پاسخ های برانگیخته پایدار در نواحی شنوایی ثانویه مغز مرتبط است. به طور مشابه، Grimault و همکاران. (2014)، با مطالعه حافظه کوتاه مدت شنوایی، فعالیت مداوم مغز را در نواحی پیشانی، گیجگاهی و جداری هنگامی که چندین آیتم شنوایی در حافظه نگهداری می شد، گزارش کرد. مطابق با این یافته‌ها، آلبوی و همکارانش هنگامی که از شرکت‌کنندگان خواسته شد وظایف حافظه فعال شنوایی را انجام دهند، پاسخ‌های برانگیخته آهسته نشان دادند.

آنها پاسخ های آرام و پایدار مغز به ویژه در مورد حفظ و دستکاری محرک های شنوایی را گزارش کردند (Albouy et al. 2013, 2017).

در نهایت، یافته های ما مفاهیم فرضیه دو جریانی شناخته شده مغز را مرتبط و گسترش داد (گودیل و میلنر 1992؛ ویتول و همکاران 2014). چنین مفهوم سازی 2 مسیر اصلی را برای بسط و بسط اطلاعات دیداری و شنیداری با مرتبه بالا پیشنهاد می کند. از یک طرف، جریان شکمی از نواحی حسی (مانند قشر بینایی و شنوایی) به لوب گیجگاهی میانی منتهی می‌شود و ویژگی‌هایی را پردازش می‌کند که عمدتاً با تشخیص اشیا مرتبط است (گودل و میلنر 1992؛ ویل و همکاران 2021). از سوی دیگر، جریان پشتی اطلاعات را از قشر حسی به لوب جداری می آورد و ویژگی های فضایی محرک ها را توضیح می دهد (Arbib 2017).

منسجم با این فرضیه، نتایج ما چندین ناحیه مغزی جریان شکمی را که در فرآیندهای تشخیص نقش دارند، مانند نواحی هیپوکامپ، اپرکولوم فرونتال و قشر گیجگاهی تحتانی، برجسته کرد. با این حال، به‌طور قابل‌توجهی، نتایج ما دانش قبلی در مورد فرضیه دو جریانی را با ارائه حداقل سه نکته مهم و قطعی بیشتر گسترش داد. (من) تشخیص مغز توالی‌های زمانی ویژگی‌های مکانی-زمانی منحصربه‌فردی را ارائه می‌دهد که با شناسایی آیتم‌های منفرد یا الگوهای همزمان مشترک نبودند. (ب) علاوه بر مناطق مغز درگیر در فرضیه دو جریانی، یافته‌های ما نقش ممتاز شکنج سینگوله را برای دستیابی به تشخیص توالی زمانی شنوایی نشان داد. (iii) در نهایت، تشخیص توالی‌هایی که در طول زمان آشکار می‌شوند شامل پردازش همزمان دوگانه از موارد مشابه است، که مغز همزمان آن‌ها را به‌عنوان تکه‌هایی از اطلاعات (پردازش محلی) و بخش‌های ابتدایی یک کل بزرگ‌تر (پردازش جهانی) تفسیر می‌کند. قابل‌توجه، مطالعه ما نشان داد که پردازش محلی برای اطلاعات شنیداری جدید بسیار مرتبط است، در حالی که توالی‌های موسیقی که قبلاً حفظ شده‌اند از طریق دخالت قوی در پردازش جهانی مغز شناسایی شده‌اند.

تحقیقات آینده برای بررسی بیشتر این موضوع با مطالعه مکانیسم‌های مغزی که در تشخیص توالی‌های زمانی غیرموسیقایی (مانند دنباله‌ای از اعداد، کلمات و عناصر بصری) هستند، خواسته می‌شود. علاوه بر این، بر اساس تفاوت‌های شناخته شده در توانایی‌های شناختی در میان دسته‌های مختلف افراد (مثلاً مسن‌تر در مقابل بزرگسالان جوان (فرناندز-روبیو، براتیکو، و همکاران 2022a؛ فرناندز-روبیو، اولسن، و همکاران 2022c)، نوازندگان در مقابل غیر موسیقیدانان (Criscuolo و همکاران 2019؛ Bonetti, Brattico, Vuust, et al. 2021c) و افراد سالم در مقابل بیماران (Valenzuela and Sachdev 2006))، مطالعات آینده باید تأثیر سن و شرایط بالینی را بر مکانیسم های مغز بررسی کنند. شناسایی توالی های زمانی زیربنایی

مشارکت های نویسنده

مفهوم سازی: LB، EB، MLK، PV. روش: LB، MLK، DP، GDE. نرم افزار: LB; تجزیه و تحلیل: LB; بررسی: LB، GDO; منابع: MLK، PV، EB، LB؛ مدیریت داده ها: LB; نوشتن — پیش نویس اصلی: LB; نوشتن — بررسی و ویرایش: LB، SEPB، EB، DP، GDE، GDO، PV. تجسم: LB، SEPB. نظارت: MLK، PV، DP، EB؛ مدیریت پروژه: LB، MLK، PV، EB. جذب سرمایه: LB، PV، MLK.

قدردانی

ما از Riccardo Proietti، Giulio Carraturo، Mick Holt و Holger Friis برای کمک آنها در این آزمایش عصب‌شناسی تشکر می‌کنیم. ما همچنین از روانشناس تینا بیرگیت ویسبچ کارستنسن برای کمک در اجرای آزمون‌ها و پرسش‌نامه‌های روان‌شناختی و فرانچسکو کارلوماگنو برای کمک در مورد موارد نمایش مقاله تشکر می‌کنیم.

مواد تکمیلی
مواد تکمیلی در Cerebral Cortex به صورت آنلاین موجود است.

منابع مالی

مرکز موسیقی در مغز (MIB) توسط بنیاد تحقیقات ملی دانمارک (پروژه شماره DNRF117) تامین مالی می شود.

LB توسط بنیاد کارلسبرگ (CF{0}})، بنیاد لوندبک (جایزه استعداد ۲۰۲۲)، مرکز موسیقی در مغز، کالج Linacre از دانشگاه آکسفورد، و انجمن آموزش و روانشناسی موسیقی (۵۰مین سالگرد SEMPRE) پشتیبانی می‌شود. طرح جوایز).

MLK توسط مرکز موسیقی در مغز و مرکز Eudaimonia و شکوفایی انسان که توسط بنیادهای پتیت و کارلزبرگ حمایت می شود.

GD توسط پروژه تحقیقاتی اسپانیا PSI2016- 75688-P (AEI/FEDER، EU)، توسط برنامه تحقیق و نوآوری افق 2020 اتحادیه اروپا تحت موافقتنامه کمک مالی شماره پشتیبانی می‌شود. 720270 (HBP SGA1) و شماره. 785907 (HBP SGA2)، و توسط برنامه کاتالان AGAUR 2017 SGR 1545.

علاوه بر این، ما از دانشگاه بولونیا به خاطر حمایت اقتصادی ارائه شده به نویسنده جولیا دوناتی و دستیاران دانشجو، ریکاردو پروئیتی و جولیو کاراتروو و بخش ایتالیایی Mensa: انجمن بین المللی هوش بالا برای حمایت اقتصادی ارائه شده به فرانچسکو کارلومانیو تشکر می کنیم.

منابع

الذوبی م.ب، الرم. یک رویکرد کارآمد برای محاسبه ضرایب شبح 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، برتراند O، Caclin A و همکاران. اختلال درک زیر و بمی و حافظه در آموزیای مادرزادی: کسری از قشر شنوایی شروع می شود. مغز. 2013: 136 (5): 1639-1661.

3.Albouy P,Weiss A, Baillet S, Zatorre RJ. حباب انتخابی نوسانات تتا در جریان پشتی باعث افزایش عملکرد حافظه فعال شنوایی می شود. نورون. 2017: 94 (1): 193–206.

4. اربیب م.ع. جریان‌های پشتی و ventr1982 در تکامل مغز آماده زبان: پیوند زبان با جهان. J Neurolinguistics. 2017:43:228-253.

5. بهروزمند آر، شبک آر، هانسن DR، اویا اچ، رابین DA، هوارد MA، گرینلی JDW. شبکه های حسی حرکتی درگیر در تولید گفتار و کنترل حرکتی: یک مطالعه fMRI NeuroImage. 2015: 109: 418-428.

6. بردیوا TK، Olson CR. رتبه بندی سیگنال ها در چهار ناحیه قشر پیشانی ماکاک در هنگام انتخاب اقدامات و اشیاء به ترتیب سریال. J Neurophysiol. 2010: 104 (1): 141-159.

7. Bidet-Caulet A, Fischer C, Besle J, Aguera PE, Giard MH, Bertrand, O. اثرات توجه انتخابی بر نمایش الکتروفیزیولوژیکی صداهای همزمان در قشر شنوایی انسان. 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. پویایی مغز فضایی-زمانی در هنگام شناخت موسیقی یوهان سباستین باخ. 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. رمزگذاری سریع آهنگ‌های موسیقی در اتصال کل مغز کشف شد. NeuroImage. 2021a:245:118735.

10. Bonetti L، Brattico E، Vuust P، Kliuchko M، Saarikallio S. هوش و موسیقی: بهره هوشی پایین با استفاده بیشتر از موسیقی برای تجربه احساسات قوی مرتبط است. Empir Stud Arts. 2021c:39(2):194–215.

For more information:1950477648nn@gmail.com