Gecikme İndiriminin Beyin Yapısı, Çalışma Belleği ve Epizodik Bellek ile İlişkilerinin Araştırılması Bölüm 2

Yapısal belirleyiciler ile DD arasındaki ilişki

İlgilenilen değişkenler (kortikal altı hacimler, gri madde ve beyaz madde bileşenleri, EM, WM) ve DD arasındaki ilişkileri, FSL'nin PALM yazılımı sürüm 1.11'de (Winkler ve diğerleri 2014; Winkler, Webster, ve diğerleri) uygulanan doğrusal modeller ve parametrik olmayan permütasyon testleri ile test ettik. al. 2016b) MATLABR2017b üzerinde çalışıyor.

Son yıllarda insanların yaşam standartlarının iyileşmesi ve yaşın artmasıyla birlikte hafıza sorunları giderek daha fazla dikkat çekiyor. Bununla birlikte, bazı insanlar beyinlerini aktif olarak çalıştırmış olsalar da hâlâ hafıza problemleri yaşıyorlar. Şu anda hafızayı geliştirmek için parametrik olmayan düzenlemeleri kullanmayı düşünebiliriz.

Peki parametrik olmayan permütasyon nedir? Parametrik olmayan düzenleme, bir veri kümesini sayısal karşılaştırma olmaksızın belirli kurallara göre düzenleyen istatistiksel bir yöntemdir. Parametrik permütasyonla karşılaştırıldığında parametrik olmayan permütasyon daha geniş bir uygulama alanına sahiptir ve verilerin dağılımı ve ayrıklığı hakkında çok fazla varsayımda bulunmaz.

Belleği geliştirmek için parametrik olmayan düzenleme nasıl kullanılır? Öncelikle insan beyninin görüntü, ses, metin vb. çeşitli bilgileri analiz edebildiğini, ezberleyebildiğini ve geri çağırabildiğini biliyoruz, dolayısıyla beynimizin farklı bilgileri işleme ve hafıza yeteneklerini geliştirmek için parametrik olmayan düzenlemeler kullanabiliriz.

Renklerin, sayıların, kelimelerin ve diğer bilgilerin hafızaya alınması ve hatırlanması ve ardından farklı bilgilerin parametrik olmayan düzenlenmesi gibi bazı egzersizler sayesinde beyinde daha düzenli bir yapı oluşturulur ve böylece beynin hafıza yeteneği artar.

Ek olarak, diğer konuların yanı sıra zihinsel esnekliği artırmak ve kaygı ve stresi azaltmak için parametrik olmayan permütasyonlar kullanılabilir. Beyni çalıştırarak beyin daha esnek ve sağlıklı çalışabilir, böylece gereksiz depresyon, kaygı ve diğer olumsuz duygular azaltılabilir, hayata ve işe daha olumlu bakılabilir.

Kısacası parametrik olmayan düzenleme, beyin hafızasını ve düşünme esnekliğini geliştirmek için uygulanabilir ve etkili bir yöntemdir. Sürekli egzersiz ve pratik yoluyla beynin hafıza ve işleme yetenekleri etkili bir şekilde geliştirilebilir, bu da hayatla yüzleşmemize ve daha sağlıklı ve olumlu bir şekilde çalışmamıza yardımcı olur. Hafızamızı geliştirmemiz gerektiği görülebilir. Cistanche Deserticola hafızayı önemli ölçüde geliştirebilir çünkü Cistanche Deserticola aynı zamanda asetilkolin ve büyüme faktörleri düzeylerini artırmak gibi nörotransmitterlerin dengesini de düzenleyebilir. Bu maddeler hafıza ve öğrenme için çok önemlidir. Ayrıca et kan akışını iyileştirebilir ve oksijen dağıtımını destekleyebilir, bu da beynin yeterli besin ve enerji almasını sağlayarak beyin canlılığını ve dayanıklılığını artırır.

Beyin fonksiyonunu iyileştirmenin yollarını bilin'e tıklayın

10,000 permütasyon kullandık, P değerlerinin permütasyon dağılımının kuyruğunu bir Pareto dağılımıyla modelledik (Winkler, Ridgway, et al. 2016a) ve dağılımını kullanarak çoklu testler için aile bazında hata oranı (FWER) kontrolü kullandık. maksimum istatistik (Westfalland Young 1993). HCP veri seti, kardeşleriyle (çoğunlukla ikizleri) birlikte örneklenen denekleri içerir; bu, ölçümlerin bağımsız olarak kabul edilemeyeceği anlamına gelir.

Veri kümesindeki aile yapısını hesaba katarken ilgilenilen değişkenler arasındaki ilişkileri test etmek için çok düzeyli blok permütasyon testini kullandık (Winkler ve ark. 2015). Bu ilişkilendirmeler doğrusal ve karesel terimler, cinsiyet, eğitim, gelir ve genel zekanın bir ölçüsü olan NIH Araç Kutusu'nun ("CogTotalComp_Unadj") bilişsel işlev bileşik puanına göre düzeltildi. Test edilen ilişkiler için 2-kuyruklu P değerlerini bildirdik.

Vertex ve voksel bazında analizler

Karşılaştırma amacıyla, DD ile ilişkileri test etmek için ayrı ayrı tek değişkenli verteks (kortikal kalınlık, yüzey alanı) ve voksel (GMV, FA, MD) analizleri de gerçekleştirdik. Bu analizler, FSL'nin PALM yazılımında uygulanan, 2,000 permütasyon ve eşiksiz küme geliştirmeyle parametrik olmayan permütasyon testleri kullanılarak gerçekleştirildi (Smith ve Nichols 2009). Önceki analizlerde olduğu gibi, P değerlerinin permütasyon dağılımının kuyruğunu Pareto dağılımıyla modelledik, maksimum istatistiğin dağılımını kullanarak çoklu testler için FWER kontrolünü uyguladık ve çok düzeyli blok permütasyon testiyle aile yapısını açıkladık. Yukarıdaki gibi bu analizler doğrusal ve karesel terimler, cinsiyet, eğitim, gelir ve genel zeka açısından kontrol edildi.

Sonuçlar

DD görevlerinde eksik yanıtları olan (3), her zaman anında veya gecikmeli yanıtları seçen (9) veya sözde R2 istatistiğinin (Camerer ve Ho 1999) sıfırın üstünde olma sonsal olasılığı {{5}'in altında olan denekleri hariç tuttuk. }.95, yani modelin uyduğu denekler şans modelinden daha iyi yanıtlar verdi (166). Bu kriterler 178 deneğin HCP örneğinden çıkarılmasına yol açtı. Tablo 1'de örneklere ilişkin demografik bilgiler ve DD hakkında analiz edilen farklı bilişsel görevler ve görüntüleme yöntemleri için geçerli gözlemlerin sayısı gösterilmektedir. Ödüllerin öznel değeri, bir ay sonra nominal değerlerinin ortalama %79'u ve bir yıl sonra %23'üydü. DD'deki cinsiyet farklılıkları anlamlı değildi (erkek (n=473) > kadın (n=545):t=0.27, P=0.80).

DD ve gri madde arasındaki ilişki

Doğrusal ve ikinci dereceden yaş terimleri, cinsiyet ve toplam kafa içi hacim için düzeltme yapıldıktan sonra indirim oranı, toplam kortikal hacim veya incelenen alt kortikal yapılardan herhangi birinin hacmi ile ilişkilendirilmedi. Tablo 2'de bu derneklere ilişkin istatistikler gösterilmektedir.

Kortikal kalınlık, yüzey alanı ve GMV haritaları, bağlantılı-ICA ile 50 bileşen halinde ortaklaşa ayrıştırıldı; bunların her biri, gri madde yapısının katılımcılar arasında güçlü bir şekilde birlikte değiştiği bölgeleri ve bileşenin katkısının büyüklüğünü gösteren bireysel puanları yansıtan bir uzaysal haritayı tanımlıyor . Gri madde bileşenlerinden birinin puanları DD ile önemli ölçüde negatif ilişkiliydi (Şekil 2A, r =−0,172, Pcorr < 1e−4, test edilen 50 bileşen için düzeltildi, n=946).

3 gri madde yöntemi arasında bu bileşen en fazla (%62) GMV'ye ağırlık vermiştir (Şekil 2B) ve en büyük yüklemeleri temporal kutup ve pruneusta olmuştur (Şekil 2C ve D). ICA işaret belirsizliğinden muzdarip olduğu için, bir bileşenin puanları onun yüklerine göre yorumlanmalıdır (anatomik dağılımı ilgili uzaysal harita ile temsil edilir), yani bir bileşenin puanları ile negatif bir ilişki, gri madde yapısı ölçümleri ile (kısmi) negatif bir korelasyonu yansıtır. yük değerlerinin pozitif olduğu bölgelerde. Bu ilişkiler doğrusal ve ikinci dereceden yaş terimleri, cinsiyet, eğitim ve gelire göre düzeltildi.

Veriler 100 bileşene ayrıştırılırken, benzer şekilde yalnızca bir bileşen DD ile önemli ölçüde ilişkilendirildi ve 50-bileşen ayrıştırmasıyla elde edilene çok benzer bir model gösterdi (Şekil 2E–G, r {{3) }} −0,158,Pcorr=5e−4, test edilen 100 bileşen için düzeltildi,n=946). Tek değişkenli voksel analizi ayrıca doğrusal ve ikinci dereceden yaş terimleri, cinsiyet, eğitim ve gelir kontrol edildikten sonra iki taraflı temporal gri madde bölgelerinde GMV ve DD arasında negatif anlamlı bir ilişki olduğunu ortaya çıkardı (Ek Şekil 2).

Bu bölgeler tanımlanan gri madde bileşeninin uzaysal modeliyle yakından eşleşiyordu (Şekil 2C ve G). Bu ölçümler için yüzey bazlı köşe analizinde çoklu testler için FWER düzeltmesinden sonra DD ile kortikal kalınlık veya alan arasındaki ilişkinin anlamlı olduğu kortikal bölge yoktu.

Gri madde puanları ile ilişkinin DD'ye özel olduğundan ve yalnızca genel bilişsel işlevi yansıtmadığından emin olmak için, ilgilenilmeyen ortak değişkenler kümesine genel zekanın bir ölçüsünü ekleyerek bu analizleri tekrarladık. Aynı bileşen hâlâ DD ile önemli ölçüde ilişkili olan tek bileşendi ({{0}}bileşen ayrıştırma: r=−0.145, Pcorr=0.001; { {6}}bileşen ayrışımı: r=−0,138, Pcorr=0.123) ve tek değişkenli voksel analizinin sonucu büyük ölçüde değişmeden kaldı (Ek Şekil 2).

DD ve beyaz madde arasındaki ilişki

FA ve MD verilerini ortaklaşa 50 bileşene ayrıştırdık. Çoklu testler kontrol edildikten ve doğrusal ve ikinci dereceden yaş terimleri, cinsiyet, eğitim ve gelire göre değişiklik yapıldıktan sonra bileşenlerin hiçbiri indirim oranıyla ilişkilendirilmedi. Genel zeka için 100 bileşenin kullanılması veya ek olarak kontrol edilmesi de benzer sonuçlar verdi. Buna bağlı olarak voksel analizinde birden fazla test için FWER düzeltmesi sonrasında DD ile FA veya MD arasındaki ilişkinin anlamlı olduğu bir bölge yoktu.

Tartışma

Sağlıklı yetişkinlerden oluşan geniş bir örneklemden elde edilen davranışsal ve nörogörüntüleme verilerini inceledikten sonra bulgularımız, daha büyük DD'nin daha küçük anterior temporal GMV tarafından öngörüldüğünü göstermektedir. HCP veri seti örneğinin boyutu, DD ile beyin yapısını birbirine bağlayan önceki çalışmaların çoğundan daha büyük olduğundan, bize küçük büyüklükteki etkileri güvenilir bir şekilde yakalama gücü verdi. Ancak önceki raporlarla çelişen şekilde, DD ile kortikal hacim, subkortikal hacimler, beyaz cevher mikroyapısal organizasyonu ve WM veya EM görevlerindeki puanlar arasında güvenilir bir ilişkiye dair hiçbir kanıt bulamadık.

Daha büyük indirim, anterior temporal bölgelerdeki daha küçük GMV ile ilişkilendirildi. Bu sonuç, bağlantılı ICA bileşenlerinin sayısının değiştirilmesi ve genel zekanın bir ölçüsünün kontrol edilmesi açısından güçlüydü. Owenset al. (2017) HCP veri kümesindeki T1-ağırlıklı taramalardan alınan kortikal hacmi analiz etmiş ve analizimiz tarafından tanımlanan gri madde bileşenindeki alanlara karşılık gelen temporal bölgelerdeki kortikal hacim ile DD arasındaki ilişkileri rapor etmiştir.

Anteriortemporal gri madde ile ilişki beklenmektedir (aynı veri setini kullandığımız için), ancak çalışmamız kortikal kalınlık ve yüzey alanı ile subkortikal bölgeler için GMV'nin yanı sıra beyaz madde yapısının ölçümlerini de inceleyerek önceki çalışmayı genişletmektedir. Daha kapsamlı bir yapısal ölçümler seti dahil etmiş olmamızın ötesinde, gözlemlerin bağımsızlığının yanlış bir şekilde varsayılmasından kaynaklanabilecek önyargılı tahminlerden kaçınmak için beyin yapısı ölçümleri ile DD arasındaki ilişkilerin hesaplanmasında verilerin aile yapısına saygı gösterdik (Winklere ve ark. 2015).

Ayrıca, şans eseri performans sergileyenleri hariç tutarak daha sıkı bir denek seçimi gerçekleştirdik ve verileri yapısal kovaryans ağlarında ayrıştırdık (Pehlivanova ve ark. 2018), bu yöntem, birlikte ortalama alarak DD ile ilişkileri saptamak için daha fazla hassasiyet sağlayan bir yöntemdir (ağırlıklı bir şekilde). Beyin bölgeleri boyunca yapısal görüntülerin bir şekilde değerlerinin belirlenmesi ve daha sağlam tahminler üretmek için çeşitli yöntemlerin birleştirilmesi. Gerçekte, yapısal verilerin analizi için voksel bazlı bir yaklaşım üzerinden kovaryans ağlarındaki görüntüleme verilerini ayrıştırmak için ICA kullanmanın önemli bir avantajı, voksel tabanlı değerlerden daha az gürültülü olması gereken puanlar vermesidir çünkü bunlar, sinyalin ağırlıklı ortalaması olarak elde edilir. beyindeki tüm vokselleri, belirsiz bir atomik tanımlama pahasına da olsa, tip II hata riskini azaltabilecek boyutsallık azaltma uygulayarak.

anatomik tanımlama.Owens ve ark. (2017), yaptığımız analizde kortikal hacim ile DD arasındaki ilişki anlamlı bulunmamıştır. Bu farklılık muhtemelen daha katı analiz seçimlerimizin (rastgele yanıt veren deneklerin çıkarılması, veri ailesi yapısını hesaba katan parametrik olmayan testler, kafa karıştırıcı durumlar için daha sıkı kontrol) bir ürünü olacaktır ve kortikal hacim ile DD arasında daha önce bildirilen ilişkinin muhtemelen sahte olmaktan ziyade sahte bir ilişkiye karşılık geldiğini göstermektedir. sağlam bir bulgu. DD'nin küresel kortikal hacim ölçümüyle ilişkilendirilmesine, bilişin DD'den daha genel yönlerini yansıtan değişkenlerin aracılık etmesi gerektiği makul görünüyor.

HCP veri kümesinin örneklem büyüklüğünün büyük olmasına rağmen, beyaz cevher yapısı ile DD arasında anlamlı bir ilişkiye dair hiçbir kanıt bulamadık. Daha küçük örneklerde traktografik rekonstrüksiyonları gösteren önceki çalışmalar, PFC'ye özgü beyaz madde yollarındaki DD ile yapısal bağlantı gücü ölçümleri (örn. akış çizgisi sayısı) arasında negatif ilişkiler olduğunu bildirmiştir (van den Bos ve ark. 2015; Hänggi ve ark. 2016; Hamptone ve ark. 2017) .

Bağlantı gücünü araştıran çalışmaların aksine, beyaz madde bölgelerinin geniş kapsamlı analizine olanak tanıyan ve ilişkili hesaplama ve işçilik maliyetleri nedeniyle büyük ölçekli veri kümelerinin keşifsel analizi için daha uygun olan bir teknik olan TBSS ile işlenmiş FA haritalarını analiz ettik. Çok sayıda konu üzerinde kapsamlı traktografi haritalaması yapmak. Bildiğimiz kadarıyla analizimizdeki örnek, beyaz maddeyi iskontoya bağlayan önceki çalışmalardan önemli ölçüde daha büyüktür. Bununla birlikte, demansı olmayan 302 yaşlı denek üzerinde TBSS kullanan yeni bir çalışmanın (Han ve ark. 2018)(ortalama yaş=81,38 yıl, SD=7,57 yıl, %75,5 kadın) yaygın olarak rapor edildiğini unutmayın. Bilateral frontal, frontostriatal ve temporoparietal yollarda zamansal indirim ile FA arasındaki negatif ilişkiler. Sonuçlarımızla olan anlaşmazlık, örneklerdeki demografik farklılıklara yanıt verebilir.

İlişkilendirmelerinin kapsamlı doğası göz önüne alındığında, DD gibi belirli bir ölçüm için beklenen daha sınırlı modelin aksine, bulguları yaşlanmayla ilişkili dejeneratif mekanizmaları yansıtıyor olabilir. Ayrıca Han ve ark. gelir düzeyini kontrol etmedi. Aslında, analizimizde yalnızca yem ve cinsiyeti ayarlarken, indirim oranlarıyla önemli ölçüde ilişkili puanlara sahip başka gri ve beyaz madde bileşenleri belirledik (bkz. Ek Malzeme). Büyük örnekler daha küçük etkileri tespit etme kapasitesine sahip olsa da, yalnızca kafa karıştırıcı değişkenler tarafından üretilen ilişkileri tespit etme riski de daha yüksektir, bu da uygun ortak değişkenlere göre ayarlama yapmayı önemli kılar.

Son çalışmalar (Marek ve ark. 2022), beyin çapında beyin-davranış ilişkilendirme çalışmalarında büyük örneklerin kullanılmasının önemini vurgulamış ve bu çalışmalar için tipik örnek boyutlarının tekrarlanamaz etkilere ve şişirilmiş etki boyutlarına yol açması gerektiğini göstermiştir. Gerçek etkinin yaklaşık 0,15 olduğunu varsayarsak (gri madde bileşeninin etki büyüklüğüyle karşılaştırılabilir, tanımladığımız ve Marek ve ark. 2022'nin sonuçlarıyla uyumlu), %80'lik bir güce ulaşmak için 250'den fazla deneğe ihtiyaç duyulacaktır. DD alanında daha önceki çalışmaların çoğu bu nedenle yetersiz güce sahiptir, bu da Bölüm 1'de bahsedilen literatür tutarsızlıklarını açıklamaktadır. Lütfen bu sonucun yalnızca beyin-davranış ilişkileri için geçerli olduğunu ve DD üzerinde çok işlevsel beyin haritalama çalışmaları için geçerli olmadığını ve gerçek etkileri tespit etmek için daha küçük örneklem boyutları gerektirmesi gerektiğini unutmayın. dolayısıyla bizim sonuçlarımız ile bu çalışmalardan elde edilen bulgular arasında bir çelişki yoktur.

Anında ödül tercihi ile WM testlerinden herhangi biri (LSWMT ve 2-geri) arasında bir ilişki bulamadık. Benzer şekilde, HCP verilerinde DD'nin sözlü veya sözsüz EM ile hiçbir ilişkisi yoktu. Bu sonuçlar, beyin yapısal verilerinin analizi için 2-geri görevi ve daha sıkı bir istatistiksel tedaviyi dahil ederek tamamladığımız yakın tarihli bir çalışmayla (Yeh ve ark. 2021) uyumludur. Her ne kadar Shamosh ve ark. (2008), düşük WM ile anında ödül tercihi arasında bir bağlantı olduğunu bildirmiştir; bu korelasyon WM'ye özgü değildir, zira kendi verilerinde bu yetenek, genel zeka ile açıklananın ötesinde DD'deki varyansı açıklamamaktadır. Yalnızca yaş ve cinsiyete yönelik ilişkilendirmeleri düzeltirken, DD, LSWMT, 2-geri ve sözel EM puanları (bkz. Ek Materyal) ile önemli ölçüde negatif korelasyona sahipti, ancak bu korelasyon, sosyoekonomik durum değişkenleri (zaten kısmen hesaba katılmalıdır) için ayarlama yapılırken artık anlamlı değildi. genel bilişsel işlev). Bu nedenle, küçük numuneler kullanıldığında rahatsız edici değişkenler ve tekrarlanamayan bulgular nedeniyle ortaya çıkan sahte ilişkilerle ilgili yukarıdaki değerlendirmelerimiz bu analizler için de geçerlidir.

Çalışmamızın bir sınırlaması, analizlerimizin önceden kaydedilmemiş olması ve bu nedenle bildirilen ilişkilerin doğrulayıcı olarak kabul edilememesidir. Bununla birlikte, önceki çalışmaların örneklem boyutunun çok daha büyük olması nedeniyle, bu sonuçların önemli bir katkısının, bilişsel ölçümler, yapısal görüntüleme ve zamanlar arası seçimler arasındaki ilişkiler için daha kesin etki tahminleri sağlaması olduğuna inanıyoruz. Diğer bir sınırlama ise iskonto oranlarının güvenilirliğinin düşük olmasıdır. Görev parametreleri, düşük test-tekrar test güvenilirlikleri nedeniyle (Enkavi ve ark. 2019) ve ilgili risk tercihleri ​​alanında deneysel paradigmalar arasında tutarlılık eksikliği nedeniyle eleştirilmiştir (Pedroni ve ark. 2017). Bu nedenler, bulduğumuz beyin yapısıyla olan ilişkilerin azlığını ve çalışmalar arasında bulguların düşük tekrarlanabilirliğini kısmen açıklayabilir. Gelecekteki önemli bir yol, DD'yi gelişmiş güvenilirlikle ölçmek için yeni paradigmalar tasarlamak olmalıdır. Daha yüksek güvenilirlik elde etmek için çeşitli görev parametrelerini birleştiren özet puanlar elde etmek ve beyin-davranış ilişkilerini bulma şansını artırmak için çok değişkenli yöntemler kullanmak, ileriye yönelik olası bir yol olabilir (Moutoussis ve ark. 2021).

Psikopatoloji araştırmalarında DD'nin önemi göz önüne alındığında, bunun altında yatan nörobiyolojik iskeleyi sağlam bir şekilde belirlemek çok önemlidir. Bu çalışma, geniş nörogörüntüleme veri kümesinden yararlanarak, DD'nin gri ve beyaz madde korelasyonları üzerine literatürdeki eşitsizliklerin uzlaştırılmasına yardımcı olmaktadır. Bu davranışsal özellik, ön temporal bölgelerdeki GMV ile negatif ilişkiliydi ve daha da önemlisi, tanımlanan yapısal etki küçüktü; öyle ki, ilgili birçok çalışmada bulunanla karşılaştırılabilir büyüklükteki numunelerde tespit edilmesi pek olası değildi. Sonuç olarak, bilişsel yetenekler ve beyin yapısı ile olan ilişkiler önceki raporların önerdiğinden daha zayıf olabilir. Sonuçlarımız, DD'nin daha sağlam ölçümlerinin geliştirilmesini ve alanda yaygın olandan daha büyük örneklem boyutlarında nörogörüntüleme çalışmalarının uygulanmasını ve olası kafa karıştırıcı faktörler için uygun kontrolü gerektirmektedir.

Teşekkür

Verileri topladıkları için Mats Erikson ve Kajsa Burström'e teşekkür ederiz. Human Connectome Projesi, WU-Minn Konsorsiyumu (Baş Araştırmacılar: David Van Essen ve Kamil Ugurbil; 1U54MH091657) tarafından sağlanan açık erişimli veri kümesine minnettarız.

Ek materyal

Ek materyal Cerebral Cortexonline'da mevcuttur.

Finansman

Bu çalışma İsveç Araştırma Konseyi (MG-M'ye VR521-2013-2589 numarası verildi), Alexander von Humboldt Araştırma Ödülü (LB) ve AF Jochnick Vakfı'nın (LB) bağışıyla desteklendi.

Çıkar çatışması beyanı: Dr Zeb Kurth-Nelson DeepMind tarafından istihdam edilmektedir. Geri kalan yazarlar çıkar çatışması olmadığını beyan etmektedir.

Referanslar

1. Addis DR, Wong AT, Schacter DL. Geçmişi hatırlamak ve geleceği hayal etmek: olayın inşası ve detaylandırılması sırasında ortak ve farklı sinirsel alt katmanlar. Nöropsikoloji. 2007:45:1363–1377.

2. Ahn WY, Rass O, Fridberg DJ, Bishara AJ, Forsyth JK, Breier A,Busemeyer JR, Hetrick WP, Bolbecker AR, O'Donnell BF. Bipolar bozukluk ve şizofreni hastalarında ödüllerin geçici olarak indirimi. J Anormal Psikoloji. 2011:120:911–921.

3. Amlung M, Vedelago L, Acker J, Balodis I, MacKillop J. Dik gecikme indirimi ve bağımlılık davranışı: sürekli ilişkilerin bir meta-analizi. Bağımlılık. 2017:112:51–62.

4. Ashburner J, Friston KJ. Voksel Tabanlı Morfometri—Yöntemler.NeuroImage. 2000:821:805–821.

5.Barch DM, Burgess GC, Harms MP, Petersen SE, Schlaggar BL, Corbetta M, Glasser MF, Curtiss S, Dixit S, Feldt C, ve diğerleri. İnsan konektomundaki işlev: Görev-fMRI ve davranıştaki bireysel farklılıklar. NeuroImage. 2013:80:169–189.

For more information:1950477648nn@gmail.com