Önceden Öğrenilen Yeni Zamansal Dizilere Karşı Beyin Tanıma: Diferansiyel Eşzamanlı İşleme Bölüm 2

Veri toplama

Anatomik MR ve MEG verilerini iki bağımsız oturumda elde ettik. MEG verileri, 306 kanalla donatılmış bir Elekta Neuromag TRIUX sistemi (Elekta Neuromag, Helsinki, Finlandiya) kullanılarak elde edildi. Makine, Danimarka'daki Aarhus Üniversite Hastanesi'nde manyetik olarak korunan bir odaya yerleştirildi. Veriler, 0,1–330 Hz analog filtrelemeyle 1,000 Hz örnekleme hızında kaydedildi. Ölçümlerden önce ses seviyesini her katılımcının minimum işitme eşiğinin 50 dB üzerine ayarlıyoruz. Ayrıca, üç boyutlu bir sayısallaştırıcı (Polhemus Fastrak, Colchester, VT, ABD) kullanarak, katılımcının kafa şeklini ve üç anatomik yer işaretine (nasion ve sol ve sağ preauriküler konumlar) ilişkin dört kafa bobininin konumunu kaydettik.

Bilim ve teknolojinin sürekli gelişmesiyle birlikte birçok yeni kavram ve teknoloji hayatımıza girmiştir. MEG teknolojisi de onlardan biri. MEG, insan beynindeki elektriksel aktiviteyi ölçmek için kullanılan genel bir tekniktir. Nöronların elektriksel aktivitesini tespit etmek için süper iletken bir kuantum interferometre (SQUID) kullanıyor. MEG teknolojisi, insan beyninin çalışma prensibini daha iyi anlamamıza ve ardından insan zekasının gizemini keşfetmemize yardımcı olabilir.

MEG teknolojisi, nöronların elektriksel aktivitesini incelemenin yanı sıra insan hafızasını da değerlendirip inceleyebiliyor. Birçok çalışma MEG teknolojisi ile hafıza arasında bir ilişki olduğunu göstermiştir. Bilim insanları, büyük miktarda veriyi inceleyerek ve analiz ederek, insanların hafıza kapasitesini ve farklı insanların anıları işleme biçimini takip etmek için MEG teknolojisini kullanabilirler.

Araştırmaya göre bilim insanları, MEG teknolojisi ve verilerinin analizi yoluyla insan beyninin farklı bölgelerindeki elektriksel aktiviteyi tespit edip ölçebiliyor, böylece beynin çalışma modunu anlamamıza yardımcı oluyor. Bu veriler hafızayı ve bilişsel süreçleri daha iyi anlamamıza ve dolayısıyla insanların hafızasını iyileştirmenin daha iyi yollarını geliştirmemize yardımcı olabilir.

Ayrıca birçok çalışma, hafızayı geliştirmek için çeşitli yöntem ve teknikleri kullanmanın tamamen mümkün olduğunu da göstermiştir. Farklı hafıza teknikleri ve egzersizleri kullanarak beynimizi çalıştırabilir ve böylece hatırlama yeteneğimizi geliştirebiliriz. Hafızasını geliştirmek isteyenler için MEG teknolojisini ve veri analizini anlamak çok önemli bir adımdır.

Dolayısıyla MEG teknolojisi ile bellek arasında ayrılmaz bir ilişki vardır. Büyük miktarda verinin analizi sayesinde insan beyninin nasıl çalıştığını ve hafıza oluşum sürecini daha iyi anlayabilir ve hafıza yeteneğimizi geliştirmek için daha iyi yöntemler geliştirebiliriz. Gelecekte, teknolojinin sürekli gelişmesi ve gelişmesiyle birlikte, hafıza yeteneğimizi daha iyi geliştirmemize ve kullanmamıza yardımcı olacak daha fazla yöntem ve teknolojiye sahip olacağımıza inanıyoruz. Bu açıdan hafızamızı geliştirmemiz gerekiyor. Cistanche hafızayı önemli ölçüde geliştirebilir çünkü Cistanche aynı zamanda hafıza ve öğrenme için çok önemli olan asetilkolin ve büyüme faktörlerinin seviyesini arttırmak gibi nörotransmiterlerin dengesini de düzenleyebilir. Ayrıca et kan akışını iyileştirebilir ve oksijen dağıtımını destekleyebilir, bu da beynin yeterli beslenme ve enerji almasını sağlayarak beynin canlılığını ve dayanıklılığını artırır.

Belleği geliştirmek için takviyeleri tıklayın

Baş sarmallarının konumu, tüm kayıt boyunca sürekli bir kafa konumu tanımlama (cHPI) kullanılarak kaydedildi ve bu, her zaman noktasında MEG tarayıcı içindeki tam kafa konumunu izlememize olanak sağladı. Veri analizinin daha sonraki bir aşamasında doğru bir hareket düzeltmesi gerçekleştirmek için bu verileri kullandık.

Kaydedilen anatomik MRI verileri yapısal T1'e karşılık geldi. Tarama için edinim parametreleri şu şekilde rapor edilir: voksel boyutu=1.0 × 1.0 × 1.0 mm (veya 1.0 mm3); yeniden yapılandırılmış matris boyutu 256 × 256; 2,96 ms yankı süresi (TE) ve 5,000 ms tekrarlama süresi (TR) ve 240 Hz/Px bant genişliği. Analizin daha sonraki bir aşamasında, her T1-ağırlıklı MR taraması, bir afin dönüşüm yoluyla standart MNI beyin şablonuna birlikte kaydedildi ve ardından Polhemus kafa şekli verileri ve üç veri kullanılarak MEG sensörleri alanına referans verildi. MEG oturumu sırasında ölçülen referans noktaları.

Veri ön işleme

Ham MEG sensörü verileri (204 düzlemsel gradiometre ve 102 manyetometre), sinyal alanı ayrımı uygulanarak kafa derisi dışından kaynaklanan girişimi azaltmak için MaxFilter (Taulu ve Simola 2006) tarafından önceden işlendi. Aynı oturumda Maxfilter ayrıca sinyali kafa hareketi için ayarladı ve onu 1,000'den 250 Hz'ye alt örnekledi.

Veriler SPM formatına dönüştürüldü ve FSL'nin bir kombinasyonuna dayanan ücretsiz olarak temin edilebilen bir araç kutusu olan OSL (OHBA Yazılım Kütüphanesi) kullanılarak Matlab'da (MathWorks, Natick, Massachusetts, ABD) daha fazla analiz edildi (Woolrich ve ark. 2009), SPM (Penny ve ark. 2007) ve Fieldtrip (Oostenveld ve ark. 2011) ve ayrıca şirket içi yerleşik işlevler. Elektrik akımına olası müdahaleyi düzeltmek için bir çentik filtresi (48–52 Hz) uygulandı. Veriler ayrıca 150 Hz'e altörneklendi ve büyük artefaktlar nedeniyle değiştirilen birkaç veri bölümü görsel incelemeden sonra kaldırıldı.

Daha sonra, beyin verilerinden göz kırpmaları ve kalp atışı artefaktlarının karışmasını ortadan kaldırmak için, orijinal sinyali bağımsız bileşenlere ayrıştırmak amacıyla bağımsız bileşen analizi (ICA) kullanıldı. Daha sonra göz kırpma ve kalp atışı aktivitelerini algılayan bileşenler önce izole edildi, ardından atıldı. Sinyal, geri kalan bileşenler kullanılarak yeniden oluşturuldu (Mantini ve ark. 2011) ve ardından her biri 3.500 ms süren (temel düzeltme için kullanılan 100 ms'lik uyarı öncesi süre ile) 80 denemede (her müzik alıntısı için bir tane) tekrarlandı ( Şekil 1B).

MEG sensörleri üzerinden tek değişkenli testler ve Monte-Carlo simülasyonları

Her ne kadar öncelikli odak noktamız MEG kaynağıyla yeniden yapılandırılmış beyin verileri olsa da, MEG sensörü verilerinin ilk analizi, MEG analizindeki en iyi uygulamalara yönelik en son teknoloji önerileriyle tutarlı bir şekilde hesaplandı (Gross ve ark. 2013).

Böylece, çok sayıda MEG ve elektroensefalografi (EEG) göreviyle ilgili çalışmalara benzer şekilde (Gross ve ark. 2013), M ve N için iki nihai ortalama deneme elde ederek, koşullar üzerinden denemelerin ortalamasını aldık, sırasıyla. Daha sonra, her bir düzlemsel gradiometre çiftini toplamın kareköküne göre birleştirdik. Daha sonra, 0–2.500 s zaman aralığındaki her zaman noktası ve her birleştirilmiş düzlemsel gradiometre için M ve N'yi karşılaştıran bir t-testi gerçekleştirdik.

Çoklu karşılaştırmaları düzeltmek için, t-testlerinden ortaya çıkan önemli sonuçların kümeleri üzerinde 1,000 permütasyonla Monte-Carlo simülasyonlarını (MCS) (Kroese ve diğerleri 2011) hesapladık. İzin verilen verilerin %99,9'luk maksimum küme boyutlarından daha büyük bir boyuta sahip olan orijinal kümelerin önemli olduğunu düşündük. Yaygın olarak kullanılan bu prosedüre ilişkin ek ayrıntılar Bonetti ve ark.'da bulunabilir. (2020), Bonetti, Brattico, Carlomagno ve diğerleri. (2021a), Bonetti, Bruzzone, Sedghi ve diğerleri. (2021b), Bonetti, Brattico, Vuust ve diğerleri. (2021c) ve Fernàndez-Rubio, Brattico ve diğerleri. (2022a), FernàndezRubio, Carlomagno ve diğerleri. (2022b), Fernàndez-Rubio, Olsen, ve diğerleri. (2022c).

Bu analiz, deney koşulları arasında büyük ve sağlam bir fark ortaya çıkardı. Ayrıca, MCS analizinin ortaya çıkardığı önemli kümeyi oluşturan MEG kanalları üzerinden kaydedilen beyin aktivitesi, iki ana frekans bileşenini sunan bir zaman serisinin ana hatlarını çizdi. Şekil S2A'da gösterildiği gibi, daha hızlı frekans bileşeni diziyi oluşturan öğelerin her birinin sunumundan sonra zirveye ulaşırken, daha yavaş frekans bileşeni tüm diziye eşlik etti.

Bu kanıt, tüm MEG sensör verileri üzerinde karmaşık Morlet dalgacık dönüşümünün (Daubechies 1992) hesaplanmasıyla daha da desteklendi; bu, görev sırasında kaydedilen MEG sinyaline 1 ve 4 Hz'nin ana katkısını vurguladı (Şekil S2B). Ayrıca bu analiz, 10 Hz civarında gözle görülür ancak daha zayıf bir güç olduğunu gösterdi.

10 Hz'lik gücün, müzik dizisinin başlangıç ​​ofsetine zamanla kilitlenmediğine dikkat edilmelidir. Bu nedenle, bundan sonraki analizlerimiz öncelikle 1 ve 4 Hz civarında tanımlanan iki frekans bandına odaklandı çünkü bunlar en güçlü güce sahip frekanslardı. Bu iki bant 0,1–1 ve 2–8 Hz idi. Ayrıca, azaltılmış ancak ayırt edilebilir bir güç sunduğu için 10 Hz civarında tanımlanan frekans aralığı üzerinde ek bir analiz yaptık. Bu bant 8-12 Hz idi.

Önemli olarak, 2–8 ve 0.1–1 Hz frekans bantlarının deneysel görevimizde yer alan iki ana süreci indekslediğini varsaydık: zamansal diziyi oluşturan tek öğelerin işlenmesi (i—yerel işleme) ve Kapsamlı bir üst düzey nesne olarak zamansal sıra (ii - küresel işlem).

Kaynak rekonstrüksiyonu

MEG sensörlerine kaydettiğimiz sinyali üreten kaynakları tahmin etmek için en son teknolojiye sahip kaynak yeniden yapılandırma yöntemlerini kullandık (Şekil 1C ve Şekil 2A) (Huang ve diğerleri 1999; Hillebrand ve Barnes 2{{ 7}}05). Daha da önemlisi, kaynak yeniden yapılandırma algoritması, bu üç farklı frekans bandında M ve N'ye verilen uyarılmış yanıtları karakterize etmek amacıyla, çalışmaya dahil olan üç frekans bandı (0,1–1, 2–8 ve 8–12 Hz) için bağımsız olarak hesaplanmıştır. . Özellikle aşağıdaki adımlar uygulandı.

İlk olarak, sürekli veriler (dönem oluşturmadan önce) üç frekans bandına bant geçiren filtreden geçirildi. İkinci olarak, filtrelenen veriler (üç bant için bağımsız olarak) dönemlendirildi. Üçüncüsü, dönemsel veriler aşağıda açıklanan kaynak yeniden yapılandırma algoritmasına gönderildi.

Böyle bir algoritma birbirini takip eden iki adımı içerir: (i) ileri bir model tasarlamak ve (ii) ters çözümü hesaplamak. İleri model, her beyin kaynağını aktif bir dipol olarak kabul eden ve bu dipolün üniter gücünün tüm MEG sensörlerine nasıl yansıyacağını açıklayan teorik bir modeldir (bizim durumumuzda hem manyetometreleri hem de düzlemsel gradiometreleri kullandık) (Huang et al. 1999).

Burada, tüm beyin içindeki 3.559 dipol konumunu (voksel) döndüren 8-mm'lik bir ızgara kullandık. Bireysel yapısal T1 verileri referans noktalarıyla (baş yer işaretleri hakkındaki bilgiler) kaydedildikten sonra ileri model, Nolte (2003) tarafından ayrıntılı olarak sunulan "Tek Kabuk" adı verilen yaygın olarak kullanılan bir yöntem benimsenerek hesaplandı. Aynı zamanda öncü alan modeli olarak da adlandırılan bu tür bir hesaplamanın çıktısı, L matrisinde (kaynaklar × MEG kanalları) saklandı. Yapısal T1'in mevcut olmadığı birkaç durumda, öncü alan hesaplamasını bir şablon (8-mm uzamsal çözünürlüğe sahip MNI152-T1) kullanarak gerçekleştirdik.

Kaynak yeniden yapılandırmasının ikinci adımı, ters çözümü hesaplamaktır (yani MEG ile kaydedilen beyin aktivitesine dayalı olarak sinir sinyalinin oluşturucularını tahmin etmek). Çalışmamızda alanda mevcut en popüler ve etkili algoritmalardan biri olan hüzme şekillendirmeyi seçtik (Huang ve ark. 1999; Hillebrand ve Barnes 2005). Bu prosedür, her bir kaynağın, her bir zaman noktası için MEG kanalları tarafından kaydedilen aktiviteye katkısını izole etmek için kaynak konumlarına sırayla uygulanan farklı bir ağırlık seti kullanır (Hillebrand ve Barnes 2005; Brookes ve diğerleri 2007). Daha teknik düzeyde hüzme şekillendirmeye dayalı ters çözüm aşağıdaki ana adımlarla açıklanabilir.

İlk olarak, MEG sensörleri (B) tarafından t zamanında kaydedilen veriler aşağıdaki denklem (3) ile açıklanabilir:

burada L yukarıda açıklanan öncü alan modelidir, Q her bir aktif dipolün (q) zaman içindeki aktivitesini taşıyan dipol matrisidir ve ε gürültüdür (daha fazla ayrıntı için bkz. Huang ve diğerleri (2004)). Bu nedenle, ters problemi çözmek için Q'yu hesaplamamız gerekir. Huzme oluşturmayı kullanarak bu prosedür, denklemdeki tek dipol q için gösterildiği gibi her zaman noktasında MEG sensörlerine uygulanan ağırlıkların hesaplanması etrafında döner (4). ):

Aslında, q'yu elde etmek için W ağırlıklarının hesaplanması gerekir (T alt simgesi, devrik matrisi ifade eder). Bunu yapmak için hüzme oluşturma, L arasındaki matris çarpımına ve birleştirilmiş deneysel denemelerde hesaplanan MEG sensörleri (C) arasındaki kovaryans matrisine dayanır. Spesifik olarak, her beyin kaynağı n için Wn ağırlıkları aşağıdaki şekilde hesaplanır:

Nolte'ye göre (Nolte 2003) kurşun alan modelinin hesaplanması her beyin kaynağının (dipol) üç ana yönelimi için yapılmıştır. Ancak ağırlıklar hesaplanmadan önce denklem (6)'da bildirilen matris çarpımı üzerinde tekil değer ayrıştırma algoritması kullanılarak yönelimler bire indirgenmiştir. Bu prosedür hüzme oluşturma çıktısını basitleştirmek için yaygın olarak benimsenmiştir (Huang ve diğerleri 2004; Woolrich ve diğerleri 2011).

Burada l, üç yönelimli öncü alan modelini temsil ederken L, (5)'te kullanılan çözümlenmiş tek yönelimli modeldir.

Son olarak, yukarıda da belirtildiği gibi, bu tür algoritmaların kodlama uygulamasıyla ilgili olarak OSL, FieldTrip, SPM (MEEG ön işleme ve SPM ışın oluşturma araç kutusu işlevleri) ve FSL gibi Matlab araç kutularını kullandık. Üstelik bu kodlar şirket içi komut dosyaları ve işlevlerle tamamlandı.

Zamansal dizinin her bir öğesi için beyin aktivitesi

İlk olarak, zamansal dizilerimizin her bir öğesinin altında yatan beyin aktivitesini tespit etmek istedik (Şekil 1D, Şekil S3, S4, Tablo 1 ve Tablo S1). Burada sinyalin mutlak gücüyle ilgilendiğimiz için yeniden oluşturulan zaman serisinin mutlak değerini hesapladık.

Her katılımcı için birinci düzey analiz gerçekleştirmek amacıyla genel doğrusal modeller (GLM'ler) kullandık. Bu tür modeller, her zaman noktası ve beyin kaynağı için kaynak yeniden yapılandırılmış veriler üzerinde hesaplandı (Hunt ve ark. 2012). GLM'ler, M ve N'nin ana etkisini (parametre tahminlerinin kontrastları (COPE'ler)) ve bunların kontrastını döndürdü. Katılımcılar arasındaki varyansa göre önemli ölçüde ayarlanan ana etkileri elde etmelerine izin verildiği için kullanıldılar. Bu sonuçlar, bir Gauss çekirdeği (yarı maksimumda tam genişlik: 50 mm) ile elde edilen uzamsal olarak düzeltilmiş varyansa sahip tek örnekli t-testleri kullanılarak ikinci düzey bir analize sunuldu (Huang ve diğerleri 2004).

Burada, diziyi oluşturan her frekans bandı ve öğe (müzik tonu) için bağımsız olarak M ve N zamansal dizisinin tanınmasının altında yatan farklı beyin aktivitesini gözlemlemekle ilgileniyorduk. Böylece, müzik tonlarının süresine karşılık gelen beş zaman pencereleri üzerinden ortalaması alınan ikinci seviye (grup seviyesi) analiz sonuçlarında 15 (5 ton × 3 frekans bandı) küme tabanlı Monte-Carlo simülasyonu (MCS) hesapladık. . MCS analizi 1,000 permütasyondan ve P < 0.05'lik (ikinci düzey testlerden) küme oluşturma eşiğinden oluşur. Spesifik olarak, MCS testi, orijinal verilerdeki anlamlı değerlerin uzamsal kümelerinin tespit edilmesinden oluşuyordu. Daha sonra bu tür verilere permütasyon uygulandı ve permütasyona tabi tutulan anlamlı değerlerin mekansal kümeleri tespit edildi. Bu prosedür birkaç kez hesaplandı (örneğin 1,000) ve her permütasyon için tespit edilen küme boyutlarının bir referans dağılımına yol açtı. Son olarak orijinal küme boyutları referans dağılımla karşılaştırıldı. İzin verilen verilerin küme boyutları, orijinal küme boyutlarından MCS seviyesinden daha az kat daha büyükse, orijinal kümelerin önemli olduğu kabul edildi. Bu durumda, analizi 15 kez hesapladığımızdan, standart MCS seviyesini (=0.05) 15'e bölerek çoklu karşılaştırmaları düzelttik ve sonuçta güncellenmiş bir MCS=0.003 (yani orijinal) elde ettik. kümelerin boyutları, izin verilen küme boyutlarının %99,7'sinden daha büyükse anlamlıydı).

Bu çalışmada kullanılan frekans aralıklarından biri oldukça düşük olduğundan ({{0}}.1–1 Hz), kaynak yeniden yapılandırmasını ve M ile N arasındaki kontrastları üç farklı kullanarak 0,1–1 Hz için yeniden hesapladık. taban çizgileri (500, 1,000 ve 2,000 ms). Bu, orijinal sonuçlarımızın taban çizgisinin uzunluğundan kaynaklanmadığını göstermek için yapıldı. Bu prosedürün sonuçları Şekil S5'te gösterilmiş ve Tablo S2'de ayrıntılı olarak rapor edilmiştir.

K-fonksiyonel kümeleme anlamına gelir

Önceki sonuçlarımızı tamamlamak ve aktif beyin kaynaklarının uzaysal kapsamının yanı sıra zaman içindeki aktivitelerinin daha ayrıntılı bir tanımını sağlamak için, beynin işlevsel temelli bir parselasyonunu tanımladık. Bir dizi k-ortalama kümeleme algoritmasından oluşan, k-ortalamalar fonksiyonel kümelemesini benimsedik. Sinaga ve Yang (2020), yeniden oluşturulan beyin kaynaklarının (vokseller) zaman serilerinin her birinin işlevsel ve mekansal bilgileri üzerinde performans sergiledi. Bu yaklaşım, önceki analizlerimizde en güçlü sonuçları veren ve dizinin tek öğeleriyle veya dizinin tamamıyla ilişkilendirilen iki frekans bandı, yani 0,1–1 ve 2–8 Hz için izlendi.

Spesifik olarak, ilk adım olarak, k-means fonksiyonel kümeleme algoritması, tepe değerleri ve voksel zaman serisinin karşılık gelen endeksleri gibi temel fonksiyonel parametreler üzerinde bir kümeleme hesapladı. Bu adımı fonksiyonel kümeleme olarak adlandırıyoruz. Bu prosedür, beyin voksellerinin işlevsel profillerine göre gruplandırılmış bir dizi bağımsız parsel döndürdü. Aslında, bu tür parseller ya yaklaşık olarak aynı anda zirveye ulaşan (Şekil 2B, sol) ya da benzer mutlak güce sahip (Şekil 2B, sağ) vokselleri içerebilir. Akla gelebileceği gibi, beyin aktivitesi farklı zamanlarda farklı bölgelerde lokalize olduğunda maksimum zaman serisi endeksleri üzerinde kümeleme yapılması önerilmektedir.

Tersine, aktivite beyin voksellerinin çoğunda yüksek korelasyona sahip olduğunda, maksimum zaman serisi değerlerinde kümeleme yapılmalıdır ve nöral sinyalin çekirdek oluşturucularının tanımlanmasına yardımcı olacaktır. Bu çalışmada, 0.1– 1 Hz (dizinin küresel işlenmesi), zaman içinde değişen farklı aktivite zirveleri sunmuş ve dolayısıyla bu tür zirvelerin zaman endeksleri dikkate alınarak kümelenmiştir. Farklı olarak, 2-8 Hz (dizinin yerel işlenmesi) çok ilişkili aktivite gösterdi ve bu nedenle bu tür zirve aktivitenin mutlak değerleri kullanılarak kümelendi. Kümeleme analizinde yaygın olarak yapıldığı gibi (Garcia-Dias ve ark. 2019), bizim durumumuzda da kümeleme algoritmasını sıralı bir k küme kümesi üzerinde (k=2'dan 20'ye) hesaplamak yararlı oldu. Daha sonra, dirsek yöntemi/kural (Liu ve Deng 2021) ve siluet katsayısı (Al-Zoubi ve Al Rawi 2008) gibi iyi bilinen değerlendirme stratejilerine (sezgisel yöntemler) dayanarak en iyi kümeleme çözümüne karar verildi.

Dirsek yöntemi, giderek artan sayıdaki küme çözümlerinin bir fonksiyonu olarak, kümelerin ağırlık merkezlerine ilişkin kümelere ait elemanların karesel hatalarının (SSE) toplamının çizilmesinden oluşur. Daha sonra yöntem, kullanılacak küme sayısı olarak eğrinin "dirseğini" görsel olarak tanımlamayı önerir. Siluet katsayısı, bir öğenin diğer kümelerle (ayrılma) karşılaştırıldığında kümesiyle benzerliğini (uyum) gösteren (−1 ile +1 arasında değişen) bir değerdir. Yüksek siluet katsayısı değeri, elemanın kendi kümesiyle iyi, komşu kümelerle ise zayıf eşleştiğini gösterir.

En iyi fonksiyonel kümeleme çözümüne karar verildikten sonra, mekansal bilgilere ilişkin ikinci bir kümeleme hesaplanmalıdır (uzaysal kümeleme, Şekil 2C). Gerçekten de beyin aktivitesi temel olarak iki parametreyle tanımlanır; mekansal konumlar ve zaman içindeki değişim. Orijinal beyin voksellerinin farklı fonksiyonel parseller halinde kümelenmesi, örneğin aynı anda aktif olan, mekansal olarak ayrılmış beyin alanlarından oluşan bir ağı içeren büyük parselleri geri getirebilir. Bu nedenle daha iyi bir parselasyon tanımlamak için fonksiyonel parsellerin her birinin mekansal koordinatları üzerinde de kümeleme analizi yapılması faydalı olacaktır. Çalışmamızda fonksiyonel parsellerin her birini oluşturan voksellerin üç boyutlu uzaysal koordinatlarını (MNI uzayında) dikkate aldık. Bu kümeleme hesaplaması, her seferinde bir parsel için sıralı bir dizi k küme çözümü (k=2'dan 10'ye) için gerçekleştirildi. Fonksiyonel kümelemede ise dirsek kuralını ve siluet katsayısını kullanarak mekansal kümeleme için en iyi çözümü değerlendirdik. Bu prosedür tüm fonksiyonel parsellerde gerçekleştirildikten sonra k-ortalama fonksiyonel kümeleme tamamlandı; bu, hem fonksiyonel hem de mekansal bilgiye dayalı olarak deneysel görev için etkili bir parselasyon önermektedir (örnekler Şekil S7, Tablo S3 ve S4'te 0.1-1 için rapor edilmiştir). 1 Hz ve Şekil S8, 2-8 Hz için Tablolar S5, S6 ve S7). Son adım olarak, her bir parsele ait beyin voksellerinin zaman serilerinin ortalaması alınarak parsel için son bir zaman serisi elde edilmiştir. K-araçlarının fonksiyonel kümelenmesine ilişkin ek bilgiler Ek Malzemelerde rapor edilmiştir.

Her parsel için zaman içindeki kontrastlar

Burada, M ve N'nin birlikte ortalaması alınan grup düzeyindeki ana etkileri üzerinde k-ortalama fonksiyonel kümeleme gerçekleştirildi. Daha sonra, her bir parsel ve katılımcı için M ve N'nin ana etkisini elde etmek amacıyla, M ve N'nin (GLM'lerden) fonksiyonel parsellerin her birine ait olan beyin vokselleri üzerindeki birinci düzey ana etkisinin ortalamasını aldık. Bu, her katılımcı, fonksiyonel parsel ve deney koşulu (M ve N) için yeni bir zaman serisiyle sonuçlandı. Bu tür zaman serileri tek değişkenli kontrastlara tabi tutuldu (M'ye karşı N; Şekil 2D, yöntemler ve Şekiller S9 ve S10, sonuçlar). Spesifik olarak, her parsel ve zaman noktası için, M'ye karşı N'nin ana etkisini karşılaştıran iki örnekli bir t testi (eşik P < 0.05) hesapladık. Daha sonra, çoklu karşılaştırmaları bir kullanarak düzelttik. 1,000 permütasyonlu iki boyutlu MCS yaklaşımı (MCS P < 0,001). Yaygın olarak benimsenen bu istatistiksel prosedür hakkında daha fazla ayrıntı Bonetti ve ark.'da bulunabilir. (2020), Bonetti, Brattico, Carlomagno ve diğerleri. (2021a), Bonetti, Bruzzone, Sedghi ve diğerleri. (2021b), Bonetti, Brattico, Vuust ve diğerleri. (2021c). Diğer analizlerde olduğu gibi çalışmada incelenen iki ana frekans bandında da bu tür bir işlem gözlemlenmiştir (Şekil 3 ve Tablo S8).

Sonuçlar

Deneysel tasarım ve MEG sensör analizi

İlk olarak, MEG verilerinin ön işlenmesinden sonra (ayrıntılar için bkz. Şekil 1A ve B ile Malzemeler ve Yöntemler), MEG sensörleri tarafından kaydedilen M'ye karşı N'nin tanınmasının altında yatan beyin aktivitesini karşılaştırdık. Bu prosedür, büyük ve anlamlı bir küme döndürdü (P < 0.001, küme boyutu k=2,117, ortalama değer=3.29, zaman)=0.547–1.180 s), M'ye karşı N için daha güçlü beyin aktivitesi gösteriyor. Üstelik böylesine önemli bir küme oluşturan MEG kanalları üzerinden kaydedilen beyin aktivitesi, iki ana frekans bileşenini sunan bir zaman serisinin ana hatlarını çiziyordu. Şekil S2A'da gösterildiği gibi, daha hızlı frekans bileşeni diziyi oluşturan öğelerin her birinin sunumundan sonra zirveye ulaşırken, daha yavaş frekans bileşeni tüm diziye eşlik etti. Bu kanıt, görev sırasında kaydedilen MEG sinyaline 1 ve 4 Hz'nin ana katkısını vurgulayan, tüm MEG sensörü verileri tarafından kaydedilen uyarılmış yanıtlar üzerindeki karmaşık Morlet dalgacık dönüşümünün hesaplanmasıyla daha da desteklendi (Şekil S2B). Bu nedenle, aşağıdaki analizlerimiz öncelikle 1 ve 4 Hz civarında tanımlanan 0,1–1 ve 2–8 Hz olmak üzere iki frekans bandına odaklandı. Daha da önemlisi, 2–8 ve 0,1–1 Hz frekans bantlarının deneysel görevimizde yer alan iki ana süreci indekslediğini varsaydık: zamansal diziyi oluşturan tekli öğelerin işlenmesi (i—yerel işleme) ve zamansal diziyi kapsamlı bir üst düzey olarak tanımak. nesne (ii—küresel işleme).

Kaynakla yeniden yapılandırılmış beyin aktivitesi ve tek öğe analizi

M ve N dizilerinin altında yatan yeniden yapılandırılmış beyin aktivitesini karşılaştırdık (ayrıntılar için Malzemeler ve Yöntemlere bakın). Ana iki frekans bandı ({{0}}.1–1 ve 2–8 Hz) için farklı sonuçlar ortaya çıktı. 0.1–1 Hz için beyin aktivitesi, özellikle dizinin son üç öğesinin işlenmesi sırasında M'ye karşı N için daha güçlüydü. Şekil 1D'de gösterildiği gibi, Şekil S3-S5, bu tür bir aktivite, hafızayla ilgili beyin bölgelerini ve singulat girus, hipokampus, insula, frontal operkulum ve alt kısım gibi değerlendirme süreçlerini içeren, dizinin küresel işlenmesinin altında yatan yaygın bir beyin ağını tanımladı. temporal korteks (MCS P < 0.001). Tersine, 2-8 Hz bandındaki beyin aktivitesi genel olarak N'ye karşı M için daha güçlüydü ve esas olarak işitsel korteksleri içeriyordu (MCS P < 0,001). 0,1–1 ve 2–8 Hz frekansları için en önemli beyin voksellerinin istatistikleri Tablo 1'de rapor edilirken, üç frekans bandı için kapsamlı sonuçlar Tablo S1 ve S2'de açıklanmaktadır.

İşlevsel olarak türetilmiş ROI'ler arasındaki kontrastlar

Beyin aktivitesinin zaman içindeki uzay-zamansal açılımını tam olarak karakterize etmek için, k-ortalama fonksiyonel kümelemeyi kullanarak beynin işlevsel temelli bir parselasyonunu tanımladık (ayrıntılar için bkz. Malzemeler ve Yöntemler ve Şekil 2 ve Şekil S6), bağımsız olarak {{3} }.1–1 ve 2–8 Hz frekans bantları. Bu, her katılımcı, fonksiyonel parsel ve deneysel durum (M ve N) için tek değişkenli kontrastlara (M ve N) sunulan (Şekil 3) ve küme tabanlı MCS kullanılarak çoklu karşılaştırmalar için düzeltilen yeni bir zaman serisiyle sonuçlandı.

Önceki analizimize benzer şekilde, daha yavaş banttaki en güçlü beyin aktivitesi M için tespit edildi. Dikkat çekici bir şekilde, ilk analizimizi genişleterek, bu yeni sonuçlar, zamansal dizinin işlenmesine eşlik eden bir dizi sıralı olarak aktif beyin parselini vurguladı. Şekil 3A'da gösterildiği gibi beyin, sağ işitsel kortekste M'ye karşı N'ye karşı biraz daha güçlü bir güçle karakterize edilen bir başlangıç ​​aktivitesi sundu (Şekil 3A, parsel 1: P < 0.0{ {10}}1, küme boyutu k=39; ortalama t değeri=2.72; ilk nesnenin başlangıcından itibaren geçen süre: 0–0. 25 sn). Daha sonra sol işitsel kortekste nöral aktivite gözlemledik ancak deneysel koşullar arasında anlamlı bir fark yoktu (Şekil 3A, parsel 2). İkinci ve üçüncü öğeler arasında başlayıp zamansal dizinin beşinci öğesi sırasında zirveye ulaşan singulat girusta, M'ye karşı N için daha güçlü olan bir aktivite patlaması gözlemledik (Şekil 3A, parsel 3: P < {{34} }.001, k=92; t-değeri=2.73; süre: 0,45–1,05 s). Hafif bir gecikmeyle, insula, alt temporal korteksin ön kısmı, hipokampus ve ön kapakçıktan oluşan daha büyük bir beyin parseli için benzer bir profil ortaya çıktı. Bir kez daha M, N'den büyük ölçüde daha güçlüydü (Şekil 3A, parsel 4: P < 0,001, k=77; t-değeri=2,79; süre: 0,69– 1,19 s). Son olarak, katılımcıların modeli sınıflandırması için ortalama reaksiyon süresinden hemen önce zirveye çıkan, M'ye karşı N için merkezi sonrası girus ve sensörimotor kortekste daha güçlü aktivite gözlemlendi (Şekil 3A, parsel 5, ana küme: P < 0,001, k)=142; t-değeri=2,68; süre: 0,94–1,88 s).

Tersine, 2-8 Hz bandına yönelik analiz, zaman serisinin keskin zirveleri çevresinde N'ye karşı M için birkaç önemli daha güçlü aktivite kümesi gösterdi. Özellikle, zamansal dizinin 5 öğesi için yaptığımız ilk analizle karşılaştırıldığında, bu ikinci prosedür, zamansal dizilerin son üç tonuna karşılık gelen bu tür bir farkın zamansal kapsamını açıkça özetledi. Spesifik olarak, bu tür farklılıklar sağa aittir (Şekil 3B, parsel 1, ana küme I: P < 0.001, k=11, t-değeri {{ 9}},51; zaman: 0,89–0,95 s; II: P < 0.001, k {{ 17}}; t-değeri=2,22; süre: 1,21– 1,28 s) ve sol birincil işitsel korteksler (Şekil 3B, parsel 2, ana küme I: P < 0.{{46) }}01, k=12, t-değeri=−3,70; zaman: 0,74–{{6{{7{{ 76}}}}}}.81 s; II: P < 0.001, k {{40}}; t-değeri {{ 42}}.09; zaman: 0.87–{{1{{105}}1}}.95 s; III: P < {{113} }.001, k {{50}}; t-değeri=2,90; süre: 0,64–0,69 s). Güçte azalmayla birlikte sağ tarafta da benzer aktivite kümeleri gözlenmiştir (Şekil 3B, parsel 3, ana küme I: P < 0,001, k=13, t-değeri=3,08; zaman) : 1,19– 1,27 s; II: P < 0,001, k=12; t-değeri=3,61; süre: 0,89–0,96 s) ve sol ikincil işitsel korteks ve hipokampal alanlar (Şekil 3B, parsel 4, ana küme I: P < 0,001, k=12,t-değeri {{{86}} −2,97; zaman: 0,74–0,81 s; II: P < 0,001, k {{95 }}; t-değeri=2,86; süre: 0,87–0,93 s) ve singulat (Şekil 3B, parsel 5, ana küme I: P < 0,001, k=10, t-değeri { {109}},03; süre: 0,90–0,96 s; II: P < 0,001, k=9; t-değeri=−2,29; süre: 0,79– 0,84 s). Bu kontrastlara ilişkin ek ayrıntılar Tablo S8'de rapor edilmiş ve Şekil 2'de kapsamlı bir şekilde tasvir edilmiştir. S9 ve S10.

Sonuç olarak, Şekil 4 ilginç bir olguyu niteliksel olarak göstermektedir. İlk sese verilen "dalgacık" tepkisi, birincil (parsel i) ve ikincil işitsel korteksler, insula, hipokampal alanlar (parsel ii) ve singulat (parsel iii) üzerinde çok benzer aktivite gösterirken, aşağıdaki seslerin tepe noktaları farklı bir aktivite gösterdi. eğilim, özellikle dizinin üçüncü ve dördüncü öğelerine yanıt olarak. Bu durumda ikincil işitsel korteksler, insula, hipokampal alanlar ve singulat, birincil işitsel korteksten önce zirveye ulaşıyor gibi görünüyordu. Ancak başlangıçta göründüğünün aksine bu, söz konusu alanlarda daha hızlı bir tepki verildiğini göstermeyebilir. Aslında, örneğin 0.5 saniye civarındaki zirvelere bakıldığında (Şekil 4'teki ilk kırmızı kare), ilk zirvenin (temel olarak ikincil işitsel korteksler, insula, hipokampal alanlar ve singulat için meydana gelen) karşılık gelmesi gerekir paternin ikinci sesine kadar P300 bileşenine, ikinci tepe noktası ise (esas olarak birincil işitsel korteks için meydana gelen) üçüncü sese kadar P50 olabilir. Dizinin aşağıdaki öğeleri için de benzer bir olay meydana geldi (diğer kırmızı karelerle özetlendiği gibi).

Bu, birincil işitsel korteksin katkısının, düşük seviyeli süreçleri indeksleyen ilk bileşenler (yani P50 ve N100) için daha güçlü olmasına rağmen, P300 gibi daha sonraki bileşenlerin esas olarak ikincil işitsel gibi daha yüksek dereceli alanlar tarafından üretilebileceğini düşündürebilir. korteksler, insula, hipokampal alanlar ve singulat korteksler. Mevcut durumda bu, bu olguyu spesifik ve niceliksel olarak araştırmayı amaçlayan gelecekteki çalışmaları gerektiren yalnızca niteliksel bir gözlemdir.

Tartışma

Müzik dizilerini kullanan bu MEG çalışması, beyindeki işitsel zamansal dizilerin tanınmasıyla ilişkili ikili eş zamanlı işlemeyi ortaya çıkardı. Bir yandan, diziyi oluşturan yerel, tekil öğelerin sunumu, duyusal kortekslerin yönlendirdiği hızlı, salınımlı, yerel bir işlemeyle bağlantılıydı. Bu işlem, romanı oluşturan seslerin tanınması açısından ezberlenmiş müzik dizilerine göre daha güçlüydü. Öte yandan, küresel, tüm zamansal dizinin işlenmesi, ardışık olarak aktif yüksek dereceli beyin alanlarından oluşan yaygın bir ağı içeren eşzamanlı küresel, yavaş bir işlemle ilişkilendirildi. Bu durumda, beyin aktivitesi ezberlenmiş dizilerde yeni dizilere göre büyük ölçüde daha güçlüydü.

Bu ikili eşzamanlı işlem, özellikle dizinin son üç tonunun sunumuna karşılık geldiğinde belirgindi; bu, tanıma sürecini başlatmak için beynin en az iki veya üç tona ihtiyaç duyduğunu gösteriyor. Burada beyin, büyük ölçüde hafıza, dikkat, seçme ve karar verme ile ilgili alanlardan oluşan geniş bir ağ oluşturdu. Bu beyin bölgeleri hipokampus (Knierim 2015), singulat girus (Rolls 2019; Pando-Naude ve ark. 2021; Criscuolo ve ark. 2022), alt temporal korteks (Conway 2018), frontal operkulum (Indefrey ve ark. 2001; Behroozmand ve ark.) idi. al. 2015), insula (Uddin 2015) ve birincil ve ikincil işitsel korteks (Elhilali ve ark. 2004). Özellikle, her iki süreç de (küresel ve yerel) yaklaşık olarak aynı beyin bölgelerini içeriyordu ancak sinirsel uyarılmış tepkilerin farklı frekanslarına bağlıydı. Ayrıca, yerel işleme temel olarak duyusal kortekslere (örneğin işitsel korteks) dayanıyordu; küresel işleme ise singulat, alt temporal korteks ve hipokampus gibi daha yüksek dereceli beyin alanlarının daha geniş bir şekilde toplanmasını sundu.

Çarpıcı bir şekilde, işitsel zamansal dizi tanıma, düşükten yükseğe doğru beyin bölgeleri zincirini yeniden düzenleyen, giderek yavaşlayan olaylar dizisiyle ilişkilendirildi. 0.1–1 Hz bandı için gözlemlenen bu kanıt, beynin takip eden aktif bölgelerin hiyerarşik bir yolunu işe alarak, ortaya çıkan zamansal diziyi takip ettiğini ve giderek anlamlı bir anlayış oluşturduğunu gösterebilir. Tersine, 2-8 Hz bandındaki aktivite, zamansal dizinin her bir öğesinden sonra hafifçe zirveye çıkan tamamlayıcı bir profil gösterdi. Bu tür kanıtlar, 0.1–1 Hz bandının tüm dizinin kapsamlı bir şekilde anlaşılmasında rol oynayabileceğini (küresel işleme), 2–8 Hz bandının ise tekli öğeler (yerel) üzerinde bağımsız olarak detaylanabileceğini göstermektedir. işleme). Bununla birlikte, sonuçlarımız bu tür bantların iç beyin mekanizmalarını mı temsil ettiğini yoksa sadece uyaranla mı yönlendirildiğini kesin olarak söyleyemez. Bu önemli soruyu ele almak için gelecekteki araştırmalara ihtiyaç duyulacaktır.

Sonuçlarımızın ana yeniliği, deneysel koşullarımızda (M ve N) iki frekans bandı için gözlemlenen beyin sinyalinin diferansiyel gücü ile ilgilidir. Aslında, 0.1–1 Hz bandı ezberlenen diziler için daha güçlü bir güç sunarken, 2–8 Hz bandı yeni diziler için daha büyük tepkiler gösterdi. Bu bulgu, beynin çevresel bilgileri tahmin etmek için sürekli olarak iç modelleri güncellediğini öne süren öngörücü kodlama teorisinin (Friston 2012; Vuust ve ark. 2012; Koelsch ve ark. 2019) ışığında görülebilir. Burada, beyin zamansal dizileri tanıdığında (örneğin dizilerimizin iki ve üç numaralı tonları civarında), dizileri tamamlayan daha önceden ezberlenmiş öğeler hakkında daha iyi tahminler formüle edebilir.

Bu nedenle, deneysel olarak gözlemlediğimiz gibi, bu tür öğeler daha düşük yerel işleme gerektirecektir. İlginç bir şekilde, esas olarak birincil işitsel kortekste lokalize olmasına rağmen, 2-8 Hz bant aktivitesinin nöral kaynakları aynı zamanda hipokampal alanlara, ikincil işitsel kortekse, insulaya ve singulata da yerleştirildi. Daha önce de belirtildiği gibi, bu kanıt, kabaca aynı beyin bölgelerinin, zamansal dizinin yerel ve küresel işlenmesini indeksleyen, çok farklı bir işlevsel profille karakterize edilen iki eşzamanlı frekans bandını ürettiğini ileri sürüyor. Bunun da ötesinde, yerel işlemeyle ilgili sonuçlarımız, her sesin detaylandırılmasının, üç ana zirveye (bileşene) sahip dalgacık benzeri bir zaman serisine yol açtığını gösteriyor. Burada, ilk bileşenler (yani P50 ve N100 (Coles ve Rugg 2008)) tarafından indekslenen seslerin alt düzeydeki detaylandırılması esas olarak birincil işitsel korteksten kaynaklanmıştır. Tersine, P300 gibi daha sonraki bileşenler (Coles ve Rugg 2008) özellikle ikincil işitsel korteksler, insula, hipokampal bölgeler ve singulat gibi yüksek dereceli alanlar tarafından üretildi. Dikkat çekici bir şekilde, böyle bir fenomen, zamansal sekansın ortaya çıkmasının ardından daha belirgin hale geldi; bu, beynin tüm zamansal sekansın anlamını kavraması için tekli öğelerin giderek daha rafine bir şekilde detaylandırılmasının gerekli olabileceğini düşündürdü.

Başka bir kayda göre, önceki birkaç çalışma, küresel ve yerel işlemeyi nöral sinyalin farklı konumları açısından tanımlamıştır (yani, birincil duyusal korteksler, gelen uyaranların detaylandırılmasında yüksek dereceli beyin alanlarından önce gelir (Qiu ve Von Der Heydt 2005). Çalışmamızda aynı beyin bölgelerinin bu 2 süreci (küresel ve yerel) aynı anda, iki eş zamanlı frekans bandını kullanarak çalıştırdığını gösterdik, bu belki de karmaşık çoğullamayı düşündürür.Bu sonuçlar beyindeki eşzamanlı beyin süreçlerini gösteren önceki araştırmalarla tutarlıdır. işitsel algı ve dil anlamada aynı öğeler (Giraud ve Poeppel 2012).

Ek olarak, işitsel işlemeyi ve ses bilgisi hafızasını araştıran önceki çalışmalardan bazıları, yavaş, küresel işlememize benzer yavaş uyarılmış yanıtlar bildirdi. Örneğin Picton (1978), seslere tepki olarak insan beynindeki işitsel sürekli elektrik potansiyelinin kanıtını sağladı. Daha yakın zamanlarda Bidet-Caulet ve ark. (2007), intrakranyal EEG kullanarak, ses bilgisine seçici dikkatin, ikincil işitsel beyin bölgelerinde sürekli uyarılmış tepkilerle ilişkili olduğunu gösterdi. Benzer şekilde Grimault ve ark. (2014), işitsel kısa süreli hafızayı inceleyerek, çeşitli işitsel öğeler hafızada tutulduğunda frontal, temporal ve parietal bölgelerde sürekli beyin aktivitesi olduğunu bildirmiştir. Bu bulgular doğrultusunda Albouy ve meslektaşları, katılımcılardan işitsel çalışma belleği görevlerini gerçekleştirmeleri istendiğinde yavaş uyarılmış yanıtlar gösterdiler.

Özellikle işitsel uyaranların tutulması ve manipülasyonu konusunda yavaş, sürekli beyin tepkileri bildirdiler (Albouy ve ark. 2013, 2017).

Son olarak bulgularımız, beynin iyi bilinen iki akışlı hipotezinin kavramlarını ilişkilendirdi ve genişletti (Goodale ve Milner 1992; Whitwell ve ark. 2014). Böyle bir kavramsallaştırma, görsel ve işitsel bilgilerin yüksek düzeyde detaylandırılması için 2 ana yol önerdi. Bir yandan, ventral akım duyusal alanlardan (örneğin görsel ve işitsel korteksler) medial temporal loba doğru yol alır ve işleme özellikleri esas olarak nesne tanıma ile ilişkilidir (Goodale ve Milner 1992; Weiller ve ark. 2021). Öte yandan, dorsal akış, uyaranların mekansal özelliklerini detaylandırarak duyusal kortekslerden parietal loba bilgi getirir (Arbib 2017).

Bu hipotezle tutarlı olarak sonuçlarımız, hipokampal alanlar, frontal operkulum ve alt temporal korteks gibi ventral akışın tanıma süreçlerinde rol oynayan birkaç beyin bölgesini vurguladı. Ancak dikkat çekici bir şekilde, sonuçlarımız en az üç önemli ve kesin açıklama sağlayarak iki akım hipotezine ilişkin önceki bilgileri daha da genişletti. (i) Zamansal dizilerin beyin tarafından tanınması, tek öğelerin veya eşzamanlı kalıpların tanımlanmasıyla paylaşılmayan benzersiz mekansal-zamansal özellikler sundu. (ii) İki-akış hipotezinde yer alan beyin bölgelerine ek olarak bulgularımız, işitsel zamansal dizi tanımayı sağlamak için singulat girusun ayrıcalıklı rolünü gösterdi. (iii) Son olarak, zaman içinde ortaya çıkan dizilerin tanınması, aynı öğelerin çift eşzamanlı işlenmesini içeriyordu; beyin bunları eşzamanlı olarak bireysel bilgi parçaları (yerel işleme) ve daha büyük bir bütünün temel parçaları (küresel işleme) olarak yorumladı. Özellikle çalışmamız, yerel işlemenin yeni işitsel bilgiyle oldukça alakalı olduğunu, daha önce ezberlenen müzik dizilerinin ise beynin küresel işlemesinin güçlü bir katılımıyla tanındığını gösterdi.

Müzikal olmayan zamansal dizilerin (örneğin sayı, kelime ve görsel öğeler dizileri) tanınmasının altında yatan beyin mekanizmalarını inceleyerek bu konuyu daha fazla araştırmak için gelecekteki araştırmalar çağrılmaktadır. Ek olarak, farklı insan kategorileri arasındaki bilişsel yetenekler açısından iyi bilinen farklılıklara dayalı olarak (örneğin yaşlılar ve genç yetişkinler (Fernàndez-Rubio, Brattico, ve ark. 2022a; Fernàndez-Rubio, Olsen, ve diğerleri 2022c), müzisyenler ve müzisyenler) müzisyen olmayanlar (Criscuolo ve ark. 2019; Bonetti, Brattico, Vuust ve ark. 2021c) ve hastalara karşı sağlıklı bireyler (Valenzuela ve Sachdev 2006)), gelecekteki çalışmalar yaşın ve klinik koşulların beyin mekanizmaları üzerindeki etkisini araştırmalıdır. temel zamansal dizilerin tanınması.

Yazar Katkıları

Kavramsallaştırma: LB, EB, MLK, PV; Metodoloji: LB, MLK, DP, GDE; Yazılım: LB; Analiz: LB; Araştırma: LB, GDO; Kaynaklar: MLK, PV, EB, LB; Veri iyileştirme: LB; Yazılışı—Orijinal taslak: LB; Yazma—İnceleme ve düzenleme: LB, SEPB, EB, DP, GDE, GDO, PV; Görselleştirme: LB, SEPB; Denetim: MLK, PV, DP, EB; Proje yönetimi: LB, MLK, PV, EB; Finansman alımı: LB, PV, MLK.

Teşekkür

Sinirbilimsel deneydeki yardımlarından dolayı Riccardo Proietti, Giulio Carraturo, Mick Holt ve Holger Friis'e teşekkür ederiz. Ayrıca psikolojik testlerin ve anketlerin uygulanmasındaki yardımlarından dolayı psikolog Tina Birgitte Wisbech Carstensen'e ve makalenin sergilenmesindeki yardımlarından dolayı Francesco Carlomagno'ya teşekkür ederiz.

Ek materyal
Ek materyal Cerebral Cortex'te çevrimiçi olarak mevcuttur.

Finansman

Beyindeki Müzik Merkezi (MIB), Danimarka Ulusal Araştırma Vakfı (proje numarası DNRF117) tarafından finanse edilmektedir.

LB, Carlsberg Vakfı (CF20-0239), Lundbeck Vakfı (Yetenek Ödülü 2022), Center for Music in the Brain, Oxford Üniversitesi Linacre College ve Society for Education and Music Psychology (SEMPRE'nin 50. Yıldönümü) tarafından desteklenmektedir. Ödül Programı).

MLK, Pettit ve Carlsberg Vakıfları tarafından finanse edilen Beyindeki Müzik Merkezi ve Eudaimonia ve İnsan Gelişimi Merkezi tarafından desteklenmektedir.

GD, İspanyol Araştırma Projesi PSI2016- 75688-P (AEI/FEDER, AB) tarafından ve Avrupa Birliği'nin Horizon 2020 Araştırma ve Yenilik Programı tarafından, 1 numaralı hibe sözleşmesi kapsamında desteklenmektedir. 720270 (HBP SGA1) ve no. 785907 (HBP SGA2) ve Katalan AGAUR Programı 2017 SGR 1545 tarafından.

Ayrıca yazar Giulia Donati ile öğrenci asistanları Riccardo Proietti ve Giulio Carraturo'ya sağlanan ekonomik destek için Bologna Üniversitesi'ne ve Francesco Carlomagno'ya sağlanan ekonomik destek için Mensa: Uluslararası Yüksek IQ Topluluğu'nun İtalyan bölümüne teşekkür ederiz.

Referanslar

Al-Zoubi MB, Al RM. Siluet katsayılarını hesaplamak için etkili bir yaklaşım. J Bilgisayar Bilimleri. 2008:4(3):252–255.

2.Albouy P, Mattout J, Bouet R, Maby E, Sanchez G, Aguera PE, Daligault S, Delpuech C, Bertrand O, Caclin A ve diğerleri. Konjenital amuzide perde algısı ve hafızanın bozulması: eksiklik işitsel kortekste başlar. Beyin. 2013:136(5):1639–1661.

3.Albouy P,Weiss A, Baillet S, Zatorre RJ. Dorsal akıştaki teta salınımlarının seçici olarak sürüklenmesi, işitsel çalışma belleği performansını nedensel olarak artırır. Nöron. 2017:94(1):193–206.

4. Arbib MA. Dile hazır beynin evriminde Dorsal ve ventr1982al akışlar: dili dünyaya bağlamak. J Nörodilbilim. 2017:43:228–253.

5. Behroozmand R, Shebek R, Hansen DR, Oya H, Robin DA, Howard MA, Greenlee JDW. Konuşma üretimi ve motor kontrolünde yer alan duyu-motor ağları: bir fMRI çalışması. NeuroImage. 2015:109: 418–428.

6. Berdyyeva TK, Olson CR. Eylemlerin ve nesnelerin seri sırayla seçilmesi sırasında makak frontal korteksinin dört alanındaki sinyalleri sıralayın. J Nörofizyol. 2010:104(1):141–159.

7. Bidet-Caulet A, Fischer C, Besle J, Aguera PE, Giard MH, Bertrand, O. Seçici dikkatin insan işitsel korteksindeki eşzamanlı seslerin elektrofizyolojik temsili üzerindeki etkileri. 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. Johann Sebastian Bach'ın müziğinin tanınması sırasında uzay-zamansal beyin dinamikleri. 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. Tüm beyin bağlantısında keşfedilen müzik tonlarının hızlı kodlanması. NeuroImage. 2021a:245:118735.

10. Bonetti L, Brattico E, Vuust P, Kliuchko M, Saarikallio S. Zeka ve müzik: düşük zeka bölümü, güçlü hisler deneyimlemek için müziğin daha yüksek kullanımıyla ilişkilidir. Empir Stud Arts. 2021c:39(2):194–215.

For more information:1950477648nn@gmail.com