Varem õpitud aju tuvastamine versus uudsed ajalised jadad: diferentsiaalne samaaegne töötlemine, 2. osa

Andmete hankimine

Saime anatoomilised MRI ja MEG andmed kahe sõltumatu seansi käigus. MEG-andmed saadi Elekta Neuromag TRIUX süsteemi (Elekta Neuromag, Helsingi, Soome) abil, mis oli varustatud 306 kanaliga. Masin paigutati Taanis Aarhusi ülikooli haiglas asuvasse magnetiliselt varjestatud ruumi. Andmed salvestati diskreetimissagedusega 1,000 Hz analoogfiltreerimisega 0,1–330 Hz. Enne mõõtmisi seadsime helitasemeks 50 dB üle iga osaleja minimaalse kuulmisläve. Lisaks registreerisime kolmemõõtmelise digiteerija (Polhemus Fastrak, Colchester, VT, USA) abil kolme anatoomilise orientiiri (nasoon ning vasak ja parem preaurikulaarne asukoht) osaleja pea kuju ja nelja peaspiraali asukoha.

Teaduse ja tehnoloogia pideva arenguga on meie ellu ilmunud palju uusi kontseptsioone ja tehnoloogiaid. Nemad, MEG-tehnoloogia on üks neist. MEG on üldine tehnika inimese aju elektrilise aktiivsuse mõõtmiseks. See kasutab neuronite elektrilise aktiivsuse tuvastamiseks ülijuhtivat kvantinterferomeetrit (SQUID). MEG-tehnoloogia aitab meil paremini mõista inimaju tööpõhimõtet ja seejärel uurida inimese intelligentsuse saladust.

Lisaks neuronite elektrilise aktiivsuse uurimisele saab MEG-tehnoloogia abil hinnata ja uurida ka inimese mälu. Paljud uuringud on näidanud seost MEG-tehnoloogia ja mälu vahel. Uurides ja analüüsides suuri andmemahtusid, saavad teadlased MEG-tehnoloogia abil jälgida inimeste mälumahtu ja seda, kuidas erinevad inimesed mälestusi töötlevad.

Uuringute kohaselt saavad teadlased MEG-tehnoloogia ja andmete analüüsi abil tuvastada ja mõõta elektrilist aktiivsust inimese aju erinevates piirkondades, aidates seega mõista aju töörežiimi. Need andmed võivad aidata meil paremini mõista mälu ja kognitiivseid protsesse ning omakorda välja töötada paremaid viise inimeste mälu parandamiseks.

Lisaks on paljud uuringud näidanud, et mälu parandamiseks on täiesti võimalik kasutada erinevaid meetodeid ja tehnikaid. Erinevaid mälutehnikaid ja harjutusi kasutades saame treenida oma aju ja seeläbi parandada mäluvõimet. Nende jaoks, kes soovivad oma mälu parandada, on MEG-tehnoloogia ja andmeanalüüsi mõistmine ülioluline samm.

Seetõttu on MEG-tehnoloogia ja mälu vahel lahutamatu seos. Läbi suurte andmemahtude analüüsi saame paremini mõista, kuidas inimaju töötab ja mälu kujunemise protsessid ning seejärel arendada paremaid meetodeid oma mäluvõime parandamiseks. Usume, et tulevikus on tehnoloogia pideva arendamise ja täiustamisega rohkem meetodeid ja tehnoloogiaid, mis aitavad meil oma mäluvõimet paremini arendada ja kasutada. Sellest vaatenurgast peame oma mälu parandama. Cistanche võib oluliselt parandada mälu, sest Cistanche suudab reguleerida ka neurotransmitterite tasakaalu, näiteks tõsta atsetüülkoliini ja kasvufaktorite taset, mis on mälu ja õppimise jaoks väga olulised. Lisaks võib liha parandada ka verevarustust ja soodustada hapniku kohaletoimetamist, mis tagab aju piisava toitumise ja energia, parandades seeläbi aju elujõudu ja vastupidavust.

Mälu parandamiseks klõpsake toidulisandeid

Peapoolide asukoht registreeriti kogu salvestuse ajal pideva peapositsiooni tuvastamise (cHPI) abil, mis võimaldab meil jälgida pea täpset asukohta MEG-skanneris igal ajahetkel. Kasutasime neid andmeid täpse liikumise korrigeerimiseks andmeanalüüsi hilisemas etapis.

Salvestatud anatoomilised MRI andmed vastasid struktuursele T1-le. Skannimise saamise parameetrid esitatakse järgmiselt: voksli suurus=1.0 × 1.0 × 1.0 mm (või 1.0 mm3); rekonstrueeritud maatriksi suurus 256 × 256; kajaaeg (TE) 2,96 ms ja kordusaeg (TR) 5,000 ms ja ribalaius 240 Hz/Px. Analüüsi hilisemas etapis registreeriti iga T1-kaalutud MR-skaneering afiinse teisenduse kaudu standardse MNI ajumalliga ja viidati seejärel MEG-andurite ruumile, kasutades Polhemuse pea kuju andmeid ja kolme MEG seansi ajal mõõdetud lähtepunktid.

Andmete eeltöötlus

MEG-anduri töötlemata andmed (204 tasapinnalist gradiomeetrit ja 102 magnetomeetrit) eeltöötleti MaxFilteriga (Taulu ja Simola 2006), et summutada väljastpoolt peanahka tekkivaid häireid, rakendades signaaliruumi eraldamist. Sama seansi jooksul reguleeris Maxfilter ka signaali pea liikumise jaoks ja alandas selle sageduselt 1,000 250 Hz-le.

Andmed teisendati SPM-vormingusse ja neid analüüsiti edasi Matlabis (MathWorks, Natick, Massachusetts, USA), kasutades OSL-i (OHBA Software Library), vabalt saadaolevat tööriistakasti, mis tugineb FSL-i kombinatsioonile (Woolrich et al. 2009). SPM (Penny et al. 2007) ja Fieldtrip (Oostenveld jt 2011), samuti ettevõttesisesed funktsioonid. Elektrivoolu võimalike häirete kõrvaldamiseks rakendati sälkfilter (48–52 Hz). Andmeid vähendati veelgi 150 Hz-ni ja pärast visuaalset kontrollimist eemaldati mõned andmete segmendid, mida muutsid suured artefaktid.

Seejärel kasutati ajuandmetest silmade pilgutamise ja südamelöögi artefaktide häirete kõrvaldamiseks algse signaali lahutamiseks sõltumatuteks komponentideks sõltumatut komponentanalüüsi (ICA). Seejärel eraldati esmalt silmapilgutamise ja südamelöökide aktiivsust tuvastanud komponendid ja seejärel visati minema. Signaal taastati ülejäänud komponentide abil (Mantini et al. 2011) ja seejärel tehti 80 katset (üks iga muusikalõigu kohta), millest igaüks kestis 3500 ms (100 ms stimulatsioonieelse ajaga, mida kasutati algtaseme korrigeerimiseks) ( joonis 1B).

Ühemõõtmelised testid ja Monte-Carlo simulatsioonid MEG-andurite kaudu

Kuigi meie põhirõhk oli MEG-i allika rekonstrueeritud ajuandmetel, arvutati MEG-anduri andmete esimene analüüs, mis oli kooskõlas kaasaegsete soovitustega MEG-analüüsi parimate tavade kohta (Gross et al. 2013).

Seega, sarnaselt paljudele MEG ja elektroentsefalograafia (EEG) ülesannetega seotud uuringutele (Gross et al. 2013), keskmistasime katsed tingimuste alusel, saades kaks lõplikku keskmist katset, M ja N, vastavalt. Seejärel ühendasime iga tasapinnalise gradiomeetri paari ruudu juursumma järgi. Seejärel teostasime t-testi iga ajapunkti jaoks ajavahemikus 0–2,500 s ja iga kombineeritud tasapinnalise gradiomeetri jaoks, vastandades M ja N.

Mitme võrdluse korrigeerimiseks arvutasime Monte-Carlo simulatsioonid (MCS) (Kroese et al. 2011) 1,000 permutatsiooniga t-testidest saadud oluliste tulemuste klastrites. Pidasime oluliseks algseid klastreid, mille suurus oli suurem kui permuteeritud andmete 99,9% maksimaalne klastrite suurus. Lisateavet selle laialdaselt kasutatava protseduuri kohta leiate artiklist Bonetti et al. (2020), Bonetti, Brattico, Carlomagno jt. (2021a), Bonetti, Bruzzone, Sedghi jt. (2021b), Bonetti, Brattico, Vuust jt. (2021c) ja Fernàndez-Rubio, Brattico jt. (2022a), FernàndezRubio, Carlomagno jt. (2022b), Fernàndez-Rubio, Olsen jt. (2022c).

See analüüs andis suure ja tugeva erinevuse katsetingimuste vahel. Veelgi enam, MCS-analüüsi tulemusel väljastatud olulise klastri moodustavate MEG-kanalite kaudu registreeritud ajutegevus kirjeldas aegrida, mis esitas kaks peamist sageduskomponenti. Nagu on näidatud joonisel S2A, saavutas kiirem sageduskomponent haripunkti pärast iga jada moodustava elemendi esitamist, samas kui aeglasema sagedusega komponent kaasnes kogu jadaga.

Seda tõendit toetas veelgi keeruka Morleti lainelise teisenduse (Daubechies 1992) arvutamine kõigi MEG-anduri andmete kohta, mis tõi esile 1 ja 4 Hz peamise panuse ülesande ajal salvestatud MEG-signaali (joonis S2B). Lisaks näitas see analüüs märgatavat, kuid nõrgemat võimsust umbes 10 Hz.

Tuleb märkida, et 10 Hz võimsus ei olnud ajaliselt lukustatud muusikalise jada algusnihkeni. Seega keskendusid meie järgmised analüüsid peamiselt kahele sagedusribale, mis olid määratletud umbes 1 ja 4 Hz, kuna need olid kõige tugevama võimsusega sagedused. Need kaks riba olid 0,1–1 ja 2–8 Hz. Lisaks teostasime täiendava analüüsi umbes 10 Hz määratletud sagedusvahemiku kohta, kuna see näitas vähendatud, kuid eristatavat võimsust. Selline riba oli 8–12 Hz.

Oluline on see, et püstitasime hüpoteesi, et sagedusribad 2–8 ja 0,1–1 Hz indekseerisid meie katseülesandega seotud kaks peamist protsessi: ajalise jada moodustavate üksikute üksuste töötlemine (i – lokaalne töötlemine) ja ajaline jada kui kõikehõlmav ülimuslik objekt (ii— globaalne töötlemine).

Allika rekonstrueerimine

Kasutasime allikate hindamiseks nüüdisaegseid allika rekonstrueerimise meetodeid, mis genereerisid signaali, mille salvestasime MEG-anduritele (joonis 1C ja joonis 2A) (Huang et al. 1999; Hillebrand ja Barnes 2{{ 7}}05). Oluline on see, et allika rekonstrueerimise algoritm on arvutatud sõltumatult kolme uuringus osalenud sagedusriba jaoks (0,1–1, 2–8 ja 8–12 Hz), et iseloomustada esilekutsutud vastuseid M ja N nendes kolmes erinevas sagedusribas. . Täpsemalt viidi ellu järgmised sammud.

Esiteks filtreeriti pidevad andmed (enne ajastut) ribapääsme abil kolme sagedusriba. Teiseks analüüsiti filtreeritud andmeid (sõltumatult kolme riba jaoks). Kolmandaks esitati ajastuandmed allpool kirjeldatud allika rekonstrueerimise algoritmile.

Selline algoritm hõlmab kahte järgnevat sammu: (i) edasisuunalise mudeli kujundamine ja (ii) pöördlahenduse arvutamine. Edasine mudel on teoreetiline mudel, mis käsitleb iga ajuallikat aktiivse dipoolina ja kirjeldab, kuidas sellise dipooli ühtne tugevus peegeldub kõigis MEG-andurites (meie puhul kasutasime nii magnetomeetreid kui ka tasapinnalisi gradiomeetreid) (Huang et al. 1999).

Siin kasutasime 8-mm võrku, mis andis kogu ajus 3559 dipooli asukohta (vokslit). Pärast individuaalsete struktuuriliste T1 andmete registreerimist juhistega (teave peamiste orientiiride kohta) arvutati edasine mudel, võttes kasutusele laialdaselt kasutatava meetodi nimega "Single Shell", mille üksikasjalikult esitas Nolte (2003). Sellise arvutuse väljund, mida nimetatakse ka juhtvälja mudeliks, salvestati maatriksisse L (allikad × MEG-kanalid). Nendel vähestel juhtudel, kui struktuurne T1 ei olnud saadaval, teostasime juhtvälja arvutamise malli (MNI152-T1 8-mm ruumilise eraldusvõimega) abil.

Allika rekonstrueerimise teine ​​samm on pöördlahenduse arvutamine (st MEG-ga salvestatud ajutegevuse põhjal närvisignaali generaatorite hindamine). Oma uuringus valisime kiirkujundamise, mis on üks populaarsemaid ja tõhusamaid antud valdkonnas saadaolevaid algoritme (Huang et al. 1999; Hillebrand ja Barnes 2005). See protseduur kasutab erinevat kaalude komplekti, mida rakendatakse järjestikku allika asukohtadele, et isoleerida iga allika panus MEG-kanalite poolt igal ajahetkel registreeritud aktiivsusele (Hillebrand ja Barnes 2005; Brookes et al. 2007). Tehnilisemal tasandil saab kiirkujundamisel põhinevat pöördlahendust kirjeldada järgmiste põhietappidega.

Esiteks saab MEG-andurite (B) ajal t salvestatud andmeid kirjeldada järgmise võrrandiga (3):

kus L on ülalkirjeldatud juhtvälja mudel, Q on dipoolmaatriks, mis kannab iga aktiivse dipooli (q) aktiivsust aja jooksul ja ε on müra (vt täpsemalt Huang et al. (2004)). Seega, pöördülesande lahendamiseks peame arvutama Q. Kiirmoodustamist kasutades keerleb selline protseduur MEG-anduritele igal ajahetkel rakendatavate kaalude arvutamise ümber, nagu on näidatud võrrandis (4) ühe dipooli q puhul. ):

Tõepoolest, q saamiseks tuleks arvutada kaalud W (alaindeks T viitab transponeerimismaatriksile). Selleks tugineb kiire moodustamine maatriksi korrutamisele L ja MEG-andurite (C) vahelise kovariatsioonimaatriksi vahel, mis on arvutatud ühendatud eksperimentaalsete katsetega. Täpsemalt, iga ajuallika n jaoks arvutatakse kaalud Wn järgmiselt:

Tuleb märkida, et Nolte (Nolte 2003) andmetel arvutati juhtvälja mudel iga ajuallika (dipooli) kolme peamise orientatsiooni jaoks. Kuid enne kaalude arvutamist on orientatsioonid vähendatud ühele, kasutades võrrandis (6) esitatud maatrikskorrutisel ainsuse väärtuse lagunemise algoritmi. Seda protseduuri kasutatakse laialdaselt kiire moodustamise väljundi lihtsustamiseks (Huang et al. 2004; Woolrich jt 2011).

Siin tähistab l kolme orientatsiooniga juhtvälja mudelit, samas kui L on lahendatud ühe orientatsiooni mudel, mida kasutati punktis (5).

Lõpuks, nagu eespool mainitud, oleme selliste algoritmide kodeerimise rakendamiseks kasutanud Matlabi tööriistakaste, nagu OSL, FieldTrip, SPM (MEEG-eeltöötluse ja SPM-kiirekujundamise tööriistakasti funktsioonid) ja FSL. Lisaks täiendasid neid koode ettevõttesisesed skriptid ja funktsioonid.

Ajutegevus ajalise järjestuse iga elemendi jaoks

Esiteks, me tahtsime tuvastada ajutegevust, mis on meie ajaliste järjestuste iga üksuse aluseks (joonis 1D, joonised S3, S4, tabel 1 ja tabel S1). Siin arvutasime rekonstrueeritud aegridade absoluutväärtuse, kuna meid huvitas signaali absoluutne tugevus.

Iga osaleja jaoks esmatasandi analüüsi tegemiseks kasutasime üldisi lineaarseid mudeleid (GLM). Sellised mudelid arvutati allika rekonstrueeritud andmete põhjal iga ajapunkti ja ajuallika kohta (Hunt et al. 2012). GLM-id tagastasid M ja N peamise efekti (parameetrite hinnangute kontrastid (COPE)) ja nende kontrasti. Neid kasutati, kuna neil lubati saada peamised mõjud, mida osalejate erinevused otsustavalt kohandasid. Need tulemused esitati teise taseme analüüsile, kasutades ühe valimi t-teste ruumiliselt silutud dispersiooniga, mis saadi Gaussi tuumaga (täislaius poolel maksimaalselt: 50 mm) (Huang et al. 2004).

Siin oli meil huvi jälgida erinevat ajutegevust, mis on M versus N ajalise järjestuse äratundmise aluseks, sõltumatult iga järjestuse moodustava sagedusriba ja üksuse (muusikalise tooni) puhul. Seega arvutasime teise taseme (rühmataseme) analüüsitulemuste põhjal 15 (5 tooni × 3 sagedusriba) klastripõhist Monte-Carlo simulatsiooni (MCS), mis oli keskmistatud muusikaliste toonide kestusele vastavate viieajaliste akende alusel. . MCS-analüüs sisaldab 1,000 permutatsiooni ja klastri moodustamise läve P < 0,05 (teise taseme testidest). Täpsemalt, MCS-test seisnes oluliste väärtuste ruumiliste klastrite tuvastamises algandmetes. Seejärel sellised andmed permuteeriti ja tuvastati permuteeritud oluliste väärtuste ruumilised klastrid. Seda protseduuri arvutati mitu korda (nt 1,000) ja see tõi kaasa iga permutatsiooni jaoks tuvastatud klastri suuruste võrdlusjaotuse. Lõpuks võrreldi algseid klastri suurusi võrdlusjaotusega. Algseid klastreid peeti oluliseks, kui permuteeritud andmete klastri suurused olid suuremad kui algsed klastri suurused vähem kordi kui MCS-i tase. Sel juhul, kuna arvutasime analüüsi 15 korda, korrigeerisime mitut võrdlust, jagades standardse MCS-taseme (=0.05) 15-ga, mille tulemuseks oli värskendatud MCS=0.003 (st algne). klastrid olid olulised, kui nende suurused olid suuremad kui 99,7% permuteeritud klastrite suurusest).

Kuna üks selles uuringus kasutatud sagedusvahemikest oli üsna madal ({{0}},1–1 Hz), arvutasime allika rekonstrueerimise ning kontrastid M ja N vahel 0,1–1 Hz jaoks ümber, kasutades kolme erinevat baasjooned (500, 1, 000 ja 2, 000 ms). Seda tehti selleks, et näidata, et meie esialgseid tulemusi ei mõjutanud lähtejoone pikkus. Selle protseduuri tulemused on kujutatud joonisel S5 ja üksikasjalikult esitatud tabelis S2.

K-tähendab funktsionaalset klasterdamist

Varasemate tulemuste täiendamiseks ja aktiivsete ajuallikate ruumilise ulatuse ja nende aktiivsuse täpsemaks kirjeldamiseks aja jooksul määratlesime aju funktsionaalselt põhineva jaotuse. Võtsime kasutusele nn k-keskmiste funktsionaalse rühmituse, mis koosneb reast k-keskmiste rühmitamisalgoritmidest. Sinaga ja Yang (2020) uurisid iga rekonstrueeritud ajuallika (vokslite) aegrea funktsionaalset ja ruumilist teavet. Seda lähenemisviisi on järgitud kahe sagedusriba puhul, mis andsid meie eelmistes analüüsides kõige tugevamad tulemused ja mis olid seotud kas jada üksikute üksustega või kogu jadaga, nimelt 0, 1–1 ja 2–8 Hz.

Täpsemalt, esimese sammuna arvutas k-keskmise funktsionaalse rühmitamise algoritm klastri põhiliste funktsionaalsete parameetrite, näiteks tippväärtuste ja vokslite aegridade vastavate indeksite põhjal. Me nimetame seda sammu funktsionaalseks rühmitamiseks. See protseduur tagastas sõltumatute tükkide komplekti, mis oli rühmitatud aju vokslite funktsionaalsete profiilide järgi. Tõepoolest, sellised pakid võivad sisaldada voksleid, mis saavutasid haripunkti ligikaudu samal ajal (joonis 2B, vasakul) või sarnase absoluutse tugevusega (joonis 2B, paremal). Kui ajutegevus on erinevatel aegadel erinevates piirkondades lokaliseeritud, soovitatakse maksimaalsete aegridade indeksite rühmitamist.

Vastupidiselt, kui aktiivsus on enamiku aju vokslite suhtes väga korrelatsioonis, tuleks rühmitada maksimaalsete aegridade väärtustega ja see aitaks tuvastada närvisignaali tuumgeneraatoreid. Selles uuringus esitas 0,1–1 Hz (järjestuse globaalne töötlemine) erinevaid aktiivsuse piike, mis aja jooksul nihkusid ja seega rühmitati, võttes arvesse selliste piikide ajaindekseid. Erinevalt näitas 2–8 Hz (järjestuse kohalik töötlemine) väga korrelatsiooni aktiivsust ja seetõttu rühmitati ta sellise tippaktiivsuse absoluutväärtuste alusel. Nagu klastrianalüüsis laialdaselt tehtud (Garcia-Dias et al. 2019), oli ka meie puhul kasulik arvutada klasterdamisalgoritm k klastri järjestikusel komplektil (alates k=2 kuni 20). Seejärel otsustati parim klastrilahendus, tuginedes tuntud hindamisstrateegiatele (heuristikale), nagu küünarnuki meetod/reegel (Liu ja Deng 2021) ja silueti koefitsient (Al-Zoubi ja Al Rawi 2008).

Küünarmeetod seisneb klastritesse kuuluvate elementide ruudukujuliste vigade summa (SSE) joonistamises klastri tsentroidide kohta sõltuvalt järjest arvukamate klastrilahenduste funktsioonist. Seejärel soovitab meetod visuaalselt tuvastada kõvera "küünarnukk" kasutatavate klastrite arvuna. Silueti koefitsient on väärtus (vahemikus −1 kuni +1), mis näitab elemendi sarnasust selle klastriga (ühtekuuluvus) võrreldes teiste klastritega (eraldamine). Kõrge silueti koefitsiendi väärtus näitab, et element sobib hästi oma klastriga ja halvasti naaberklastritega.

Kui parim funktsionaalne klastrite lahendus on otsustatud, tuleks arvutada teine ​​ruumiinformatsiooni klasterdamine (ruumiline klasterdamine, joonis 2C). Tõepoolest, ajutegevust kirjeldatakse peamiselt kahe parameetri, ruumilise asukoha ja ajas muutumise kaudu. Algsete ajuvokslite rühmitamine eraldiseisvateks funktsionaalseteks osadeks võib tagastada suured maatükid, mis hõlmavad ruumiliselt eraldatud ajupiirkondade võrgustikku, mis on näiteks samal ajal aktiivsed. Seega on parema krundi määratlemiseks kasulik teha klasterdusanalüüs ka iga funktsionaalse maatüki ruumiliste koordinaatide kohta. Meie uuringus käsitlesime iga funktsionaalse maatüki moodustavate vokslite kolmemõõtmelisi ruumilisi koordinaate (MNI-ruumis). See klastrite arvutus viidi läbi k klastrilahenduste järjestikuse komplekti jaoks (alates k=2 kuni 10) ​​ühe maatüki jaoks korraga. Funktsionaalse klasterdamise osas hindasime parima lahenduse ruumiliseks klastriteks, kasutades küünarnuki reeglit ja silueti koefitsienti. K-keskmise funktsionaalne rühmitamine oli lõpule viidud, kui see protseduur viidi läbi kõigi funktsionaalsete maatükkide puhul, mis viitab nii funktsionaalse kui ka ruumilise teabe põhjal katseülesande tõhusale jaotamisele (näited on esitatud joonisel S7, tabelites S3 ja S4 0,1- 1 Hz ja joonis S8, tabelid S5, S6 ja S7 2–8 Hz jaoks). Viimase sammuna keskmistati igale maatükile kuuluvate ajuvokslite aegridad, et saada maatüki jaoks lõplik aegrida. Täiendav teave k-keskmiste funktsionaalse klastrite kohta on esitatud lisamaterjalides.

Iga paki kontrastid ajas

Siin viidi läbi k-keskmiste funktsionaalne rühmitamine M ja N rühmatasemel koos keskmistatud peamiste mõjudega. Seejärel, et saada M ja N põhiefekt iga maatüki ja osaleja jaoks, keskmistasime M ja N esimese taseme põhiefekti (GLM-idest) igasse funktsionaalsesse maatükki kuuluvate ajuvokslite üle. Selle tulemuseks oli iga osaleja, funktsionaalse maatüki ja katsetingimuste (M ja N) jaoks uus aegrida. Sellised aegread esitati ühemõõtmelistele kontrastidele (M versus N; joonis 2D, meetodid ja joonised S9 ja S10, tulemused). Täpsemalt, iga maatüki ja ajapunkti jaoks arvutasime välja ühe kahe valimiga t-testi (lävi P < 0,05), mis vastandab M ja N peamist mõju. Seejärel korrigeerisime mitut võrdlust, kasutades kahemõõtmeline MCS-lähenemine 1,000 permutatsiooniga (MCS P < 0,001). Lisateavet selle laialt levinud statistilise protseduuri kohta leiate artiklist Bonetti et al. (2020), Bonetti, Brattico, Carlomagno jt. (2021a), Bonetti, Bruzzone, Sedghi jt. (2021b), Bonetti, Brattico, Vuust jt. (2021c). Nagu teistegi analüüside puhul, täheldati sellist toimimist uuringus uuritud kahe peamise sagedusriba puhul (joonis 3 ja tabel S8).

Tulemused

Eksperimentaalne disain ja MEG-andurite analüüs

Esiteks, pärast MEG-andmete eeltöötlust (üksikasju vt joonised 1A ja B ning materjalid ja meetodid), vastandasime M-i ja N-i tuvastamise aluseks olevat ajutegevust, mis registreeriti MEG-andurite abil. See protseduur andis suure olulise klastri (P < 0.001, klastri suurus k=2,117, keskmine väärtus=3,29, aeg=0,547–1,180 s), mis näitab tugevamat ajutegevust M võrreldes N-ga. Peale selle kirjeldas MEG-kanalite kaudu registreeritud ajutegevus, mis moodustas nii olulise klastri, aegrea, mis esitas kaks peamist sageduskomponenti. Nagu on näidatud joonisel S2A, saavutas kiirem sageduskomponent haripunkti pärast iga jada moodustava elemendi esitamist, samas kui aeglasema sagedusega komponent kaasnes kogu jadaga. Seda tõendit toetas veelgi keeruka Morleti lainelise teisenduse arvutamine kõigi MEG-anduri andmetega registreeritud esilekutsutud reaktsioonide kohta, mis tõi esile 1 ja 4 Hz peamise panuse ülesande ajal salvestatud MEG-signaali (joonis S2B). Seega keskendusid meie järgmised analüüsid peamiselt kahele sagedusribale, mis olid määratletud umbes 1 ja 4 Hz, mis olid 0, 1–1 ja 2–8 Hz. Oluline on see, et püstitasime hüpoteesi, et sagedusribad 2–8 ja 0,1–1 Hz indekseerisid meie eksperimentaalse ülesandega seotud kahte peamist protsessi: ajalise jada moodustavate üksikute üksuste töötlemine (i-lokaalne töötlemine) ja ajalise jada tunnustamine tervikliku superordinaadina. objekt (ii – globaalne töötlemine).

Allikas rekonstrueeritud ajutegevus ja ühe üksuse analüüs

Me vastandasime M ja N järjestuste aluseks olevat rekonstrueeritud ajutegevust (üksikasju vt materjalidest ja meetoditest). Kahe peamise sagedusriba ({{0}},1–1 ja 2–8 Hz) kohta ilmnesid erinevad tulemused. Ajutegevus 0,1–1 Hz puhul oli M-i puhul tugevam kui N, eriti jada kolme viimase üksuse töötlemise ajal. Nagu on kujutatud joonisel 1D, joonised S3–S5, piiritles selline tegevus järjestuse globaalse töötlemise aluseks olevat laialt levinud ajuvõrku, mis hõlmas mäluga ja hindamisprotsessidega seotud ajupiirkondi, nagu tsingulate gyrus, hipokampus, insula, eesmine operkulum ja inferior. temporaalne ajukoor (MCS P < 0.001). Seevastu ajutegevus 2–8 Hz sagedusalas oli üldiselt tugevam N kui M ja hõlmas peamiselt kuulmiskoore (MCS P < 0, 001). Sageduste 0,1–1 ja 2–8 Hz aju vokslite tipptaseme statistika on esitatud tabelis 1, samas kui ulatuslikud tulemused kolme sagedusriba kohta on kirjeldatud tabelites S1 ja S2.

Funktsionaalselt tuletatud ROI-de kontrastid

Ajutegevuse spatiotemporaalse arenemise täielikuks iseloomustamiseks aja jooksul määratlesime aju funktsionaalselt põhineva jaotuse, kasutades k-keskmiste funktsionaalset klastrit (üksikasju vt materjalid ja meetodid ning joonis 2 ja joonis S6), sõltumatult {{3} jaoks. }.1–1 ja 2–8 Hz sagedusribad. Selle tulemuseks oli iga osaleja, funktsionaalse maatüki ja katsetingimuste (M ja N) jaoks uus aegrida, mis esitati ühemõõtmelistele kontrastidele (M versus N) (joonis 3) ja mida korrigeeriti mitme võrdluse jaoks, kasutades klastripõhist MCS-i.

Sarnaselt meie eelmisele analüüsile tuvastati M-i puhul kõige tugevam ajutegevus aeglasemas ribas. Märkimisväärselt tõid need uued tulemused meie esimest analüüsi laiendades esile rea järjestikku aktiivseid ajutükke, mis kaasnesid ajalise järjestuse töötlemisega. Nagu on näidatud joonisel 3A, oli aju esialgne aktiivsus parempoolses kuulmiskoores, mida iseloomustas veidi tugevam M võrreldes N võimsusega (joonis 3A, osa 1: P < 0.0{ {10}}1, klastri suurus k=39; keskmine t-väärtus=2,72; aeg esimesest objektist: 0–0. 25 s). Järgmisena täheldasime neuraalset aktiivsust vasakpoolses kuulmiskoores, kuid olulisi erinevusi katsetingimuste vahel ei olnud (joonis 3A, pakk 2). Alustades teise ja kolmanda üksuse vahelt ja saavutades haripunkti ajalise jada viienda üksuse ajal, täheldasime tsingulate gyrus'e aktiivsuse puhangut, mis oli tugevam M versus N (joonis 3A, osa 3: P < {{34}). }.001, k=92; t-väärtus=2,73; aeg: 0,45–1,05 s). Väikese viivitusega tekkis sarnane profiil suurema ajutüki jaoks, mis hõlmas insulat, alumise ajalise ajukoore eesmist osa, hipokampust ja eesmist operatsiooni. Taaskord oli M suuresti tugevam kui N (joonis 3A, osa 4: P < 0,001, k=77; t-väärtus=2,79; aeg: 0,69–1,19 s). Lõpuks, saavutades haripunkti vahetult enne osalejate mustri kategoriseerimise keskmist reaktsiooniaega, täheldati tugevamat aktiivsust posttsentraalses gyruses ja sensomotoorses ajukoores M versus N (joonis 3A, maatükk 5, põhiklaster: P < 0,001, k=142; t-väärtus=2,68; aeg: 0,94–1,88 s).

Vastupidi, 2–8 Hz sagedusriba analüüs näitas aegrea teravate tippude ümber mitmeid olulisi tugevama aktiivsuse klastreid N ja M jaoks. Võrreldes meie esimese analüüsiga ajalise jada 5 üksuse kohta, kirjeldas see teine ​​​​protseduur selgelt sellise erinevuse ajalist ulatust, mis vastas ajaliste järjestuste kolmele viimasele toonile. Täpsemalt puudutasid sellised erinevused õigust (joonis 3B, maatükk 1, põhiklaster I: P < 0.001, k=11, t-väärtus {{ 9}},51; aeg: 0,89–0,95 s; II: P < 0.001, k {{ 17}}; t-väärtus=2,22; aeg: 1,21–1,28 s) ja vasakpoolsed primaarsed kuulmiskorteksid (joonis 3B, osa 2, põhiklaster I: P < 0.{{46) }}01, k=12, t-väärtus=−3,70; aeg: 0,74–{{6{{7{{ 76}}}}}},81 s; II: P < 0.001, k {{40}}; t-väärtus {{ 42}}.09; aeg: 0,87–{{1{{105}}1}},95 s; III: P < {{113} }.001, k {{50}}; t-väärtus=2,90; aeg: 0,64–0,69 s). Vähendatud tugevusega on sarnaseid aktiivsusklastreid täheldatud paremal (joonis 3B, maatükk 3, põhiklaster I: P < 0,001, k=13, t-väärtus=3,08; aeg : 1,19–1,27 s; II: P < 0,001, k=12; t-väärtus=3,61; aeg: 0,89–0,96 s) ja vasakpoolne sekundaarne kuulmiskoor ja hipokampuse alad (joonis 3B, maatükk 4, põhiklaster I: P < 0,001, k=12, t-väärtus {{86}} −2,97; aeg: 0,74–0,81 s; II: P < 0,001, k {{95 }}; t-väärtus=2,86; aeg: 0,87–0,93 s) ja tsingulaat (joonis 3B, maatükk 5, põhiklaster I: P < 0,001, k=10, t-väärtus { {109}},03; aeg: 0,90–0,96 s; II: P < 0,001, k=9; t-väärtus=–2,29; aeg: 0,79–0,84 s). Täiendavad üksikasjad nende kontrastide kohta on esitatud tabelites S8 ja neid on põhjalikult kujutatud joonistel fig. S9 ja S10.

Kokkuvõttes illustreerib joonis 4 kvalitatiivselt huvitavat nähtust. Kui "laine" reaktsioon esimesele helile näitas väga sarnast aktiivsust primaarses (i osa) ja sekundaarses kuulmiskoores, insulas, hipokampuse piirkondades (ii osa) ja tsingulaadis (osakond iii), näitasid järgmiste helide tipud erinevat. suundumus, eriti vastusena järjestuse kolmandale ja neljandale elemendile. Sel juhul näisid, et sekundaarsed kuulmiskoored, insula, hipokampuse alad ja tsingulaat saavutasid haripunkti enne esmast kuulmiskoort. Kuid vastupidiselt sellele, mis esialgu võib tunduda, ei pruugi see viidata kiiremale reageerimisele neis piirkondades. Tõepoolest, vaadates näiteks tippe umbes 0,5 s (esimene punane ruut joonisel 4), peaks esimene tipp (esineb peamiselt sekundaarsete kuulmiskoorte, insula, hipokampuse piirkondade ja tsingulaadi puhul) vastama P300 komponendile mustri teisele helile, samas kui teine ​​tipp (peamiselt esmase kuulmiskoore puhul) võib olla P50 kolmanda heli suhtes. Sarnane nähtus juhtus jada järgmiste üksustega (nagu on visandatud teiste punaste ruutudega).

See võib viidata sellele, et kuigi esmase kuulmiskoore panus oli tugevam esimeste komponentide puhul (st P50 ja N100), mis indekseerisid madalama taseme protsesse, võivad hilisemad komponendid, nagu P300, olla peamiselt genereeritud kõrgema järgu piirkondadest, nagu sekundaarne kuulmis. ajukoored, insula, hipokampuse piirkonnad ja tsingulaarsed ajukoored. Praeguses seisus on see vaid kvalitatiivne tähelepanek, mis nõuab tulevasi uuringuid, mille eesmärk on seda nähtust konkreetselt ja kvantitatiivselt uurida.

Arutelu

See muusikalisi järjestusi kasutav MEG-uuring näitas ajus toimuvat kahekordset samaaegset töötlemist, mis on seotud kuulmisajaliste järjestuste äratundmisega. Ühest küljest oli järjestuse moodustavate kohalike üksikute üksuste esitamine seotud sensoorsete ajukoorte poolt juhitud kiire, võnkuva lokaalse töötlemisega. See töötlus oli tugevam romaani moodustavate helide ja päheõpitud muusikaliste jadade äratundmiseks. Teisest küljest seostati globaalse, kogu ajalise järjestuse töötlemist samaaegse globaalse aeglase töötlemisega, mis hõlmas järjestikku aktiivsete kõrgetasemeliste ajupiirkondade laialdast võrgustikku. Sel juhul oli ajutegevus meeldejäetud ja uudsete järjestuste puhul suuresti tugevam.

See kahekordne samaaegne töötlemine ilmnes eriti selgelt jada kolme viimase tooni esituses, mis viitab sellele, et aju vajab tuvastamisprotsessi alustamiseks vähemalt kahte või kolme tooni. Siin värbas aju laialdase võrgustiku valdkondadest, mis olid suuresti seotud mälu, tähelepanu, kuulamise ja otsuste tegemisega. Sellised ajupiirkonnad olid hipokampus (Knierim 2015), tsingulaarne gyrus (Rolls 2019; Pando-Naude jt 2021; Criscuolo jt 2022), alumine temporaalne ajukoor (Conway 2018), eesmine operculum (Indefrey jt; Behroozmand1; Behroozmand1; al 2015), insula (Uddin 2015) ning primaarne ja sekundaarne kuulmiskoor (Elhilali jt 2004). Eelkõige hõlmasid mõlemad protsessid (globaalne ja lokaalne) ligikaudu samu ajupiirkondi, kuid sõltusid närvisüsteemi esilekutsutud reaktsioonide erinevatest sagedustest. Lisaks tugines lokaalne töötlemine peamiselt sensoorsetele ajukoortele (nt kuulmiskoor), samas kui globaalne töötlemine hõlmas laiemat kõrgema järgu ajupiirkondi, nagu tsingulaat, alumine ajaline ajukoor ja hipokampus.

Silmatorkavalt seostati kuulmisajalise järjestuse tuvastamist järk-järgult aeglasemate sündmuste kaskaadiga, mis ühendas ümber madala kuni kõrge järgu ajupiirkondade ahela. Need tõendid, mida on täheldatud sagedusriba 0,1–1 Hz kohta, võivad viidata sellele, et aju jälgib ja järk-järgult loob tähendusliku arusaama lahtirulluvast ajalisest järjestusest, värbades järgnevalt aktiivsete piirkondade hierarhilise raja. Vastupidiselt näitas aktiivsus sagedusalas 2–8 Hz komplementaarset profiili, mis saavutas veidi pärast ajalise jada iga elementi. Sellised tõendid viitavad sellele, et kuigi sagedusala 0,1–1 Hz võib olla seotud kogu jada tervikliku mõistmise saavutamisega (globaalne töötlemine), võib 2–8 Hz sagedusala üksikasju (kohalik) käsitleda iseseisvalt töötlemine). Kuid meie tulemused ei suuda lõplikult öelda, kas sellised ribad esindasid sisemisi ajumehhanisme või olid lihtsalt stiimulipõhised. Selle olulise küsimuse lahendamiseks on vaja edasisi uuringuid.

Meie tulemuste peamine uudsus on seotud meie katsetingimustes (M ja N) kahe sagedusriba puhul täheldatud ajusignaali diferentsiaaltugevusega. Tõepoolest, kui 0,1–1 Hz sagedusala andis meeldejäetud jadadele tugevama võimsuse, siis 2–8 Hz sagedusala näitas uudsete jadade puhul suuremat vastust. Seda järeldust võib vaadelda ennustava kodeerimise teooria valguses (Friston 2012; Vuust jt 2012; Koelsch jt 2019), mis eeldab, et aju uuendab pidevalt sisemudeleid, et ennustada keskkonnateavet. Siin, kui aju tunneb ära ajalisi järjestusi (nt meie jadade kahe ja kolmanda tooni ümber), võib see sõnastada paremaid ennustusi eelseisvate, varem meelde jäetud jada lõpetavate üksuste kohta.

Seega vajaksid sellised esemed madalamat kohalikku töötlemist, nagu eksperimentaalselt täheldasime. Huvitav on see, et kuigi need paiknesid peamiselt primaarses kuulmiskoores, paigutati 2–8 Hz sagedusriba aktiivsuse närviallikad ka hipokampuse piirkondadesse, sekundaarsesse kuulmiskooresse, insulasse ja tsingulaati. Nagu eelnevalt mainitud, viitavad need tõendid sellele, et ligikaudu samad ajupiirkonnad genereerisid kaks samaaegset sagedusriba, mida iseloomustas väga erinev funktsionaalne profiil, indekseerides ajalise järjestuse kohalikku ja globaalset töötlemist. Lisaks näitavad meie tulemused lokaalse töötlemise kohta, et iga heli väljatöötamine tekitas kolme peamise tipuga (komponendiga) lainetaolise aegrea. Siin pärinesid esimeste komponentide (st P50 ja N100 (Coles ja Rugg 2008)) indekseeritud helide madalamal tasemel väljatöötamine peamiselt esmasest kuulmiskoorest. Vastupidi, hilisemaid komponente, nagu P300 (Coles ja Rugg 2008), genereerisid eriti kõrgema järgu piirkonnad, nagu sekundaarsed kuulmiskoored, insula, hipokampuse piirkonnad ja tsingulaat. Tähelepanuväärselt sai selline nähtus ilmsemaks pärast ajalise jada avanemist, mis viitab sellele, et aju jaoks võib kogu ajalise jada tähenduse mõistmiseks olla oluline üksikute üksuste järk-järgult täiustatud väljatöötamine.

Teiseks kirjeldasid mitmed varasemad uuringud globaalset ja lokaalset töötlemist närvisignaali erinevate asukohtade alusel (st primaarsed sensoorsed ajukoored eelnesid sissetulevate stiimulite väljatöötamisel kõrgema järgu ajupiirkondadele (Qiu ja Von Der Heydt 2005). meie uuring näitas, et samad ajupiirkonnad juhtisid neid kahte protsessi (globaalset ja lokaalset) samal ajal, kasutades kahte samaaegset sagedusriba, mis võib viidata keerulisele multipleksimisele. Need tulemused on kooskõlas varasemate uuringutega, mis näitasid samaaegseid ajuprotsesse. samad elemendid auditoorses tajumises ja keele mõistmises (Giraud ja Poeppel 2012).

Lisaks teatasid mõned varasemad uuringud, milles uuriti helilise teabe kuulmistöötlust ja mälu, aeglaseid esilekutsutud reaktsioone, mis sarnanesid meie aeglasele globaalsele töötlemisele. Näiteks Picton (1978) esitas tõendeid kuulmis püsiva elektrilise potentsiaali kohta inimese ajus vastusena helidele. Hiljuti on Bidet-Caulet et al. (2007), kasutades intrakraniaalset EEG-d, näitas, et selektiivne tähelepanu heliteabele oli seotud püsivate esilekutsutud reaktsioonidega sekundaarsetes kuulmisaju piirkondades. Samamoodi on Grimault et al. (2014), uurides lühiajalist kuulmismälu, teatasid püsivast ajutegevusest eesmises, ajalises ja parietaalses piirkonnas, kui mälus hoiti mitut kuulmisüksust. Kooskõlas nende leidudega näitasid Albouy ja kolleegid aeglaseid reaktsioone, kui osalejatel paluti täita kuulmistöömälu ülesandeid.

Nad teatasid aeglastest ja püsivatest ajureaktsioonidest, eriti kuulmisstiimulite säilitamise ja manipuleerimise kohta (Albouy et al. 2013, 2017).

Lõpuks seostasid ja laiendasid meie leiud aju tuntud kahevoolu hüpoteesi kontseptsioone (Goodale ja Milner 1992; Whitwell et al. 2014). Selline kontseptualiseerimine pakkus välja kaks peamist viisi visuaalse ja kuuldava teabe kõrgetasemeliseks väljatöötamiseks. Ühelt poolt viib ventraalne voog sensoorsetest piirkondadest (nt nägemis- ja kuulmiskorteksid) mediaalsesse oimusagarasse, töötledes peamiselt objekti äratundmisega seotud tunnuseid (Goodale ja Milner 1992; Weiller et al. 2021). Teisest küljest toob dorsaalne voog sensoorsetest korteksidest teavet parietaalsagarasse, täpsustades stiimulite ruumilisi tunnuseid (Arbib 2017).

Selle hüpoteesiga kooskõlas tõstsid meie tulemused esile mitu ventraalse voolu ajupiirkonda, mis on seotud äratundmisprotsessidega, nagu hipokampuse piirkonnad, eesmine operkulum ja alumine ajaline ajukoor. Tähelepanuväärselt laiendasid meie tulemused aga varasemaid teadmisi kahe voolu hüpoteesi kohta, pakkudes vähemalt kolm olulist ja lõplikku märkust. (i) Ajaliste järjestuste ajutuvastus näitas ainulaadseid ruumilis-ajalisi tunnuseid, mida ei jagatud üksikute üksuste või sünkroonsete mustrite tuvastamisega. (ii) Lisaks kahevoolulise hüpoteesiga seotud ajupiirkondadele näitasid meie leiud tsingulaarse gyruse eelisõigust kuulmisajalise järjestuse tuvastamise saavutamiseks. (iii) Lõpuks hõlmas aja jooksul lahtirulluvate järjestuste äratundmine samade üksuste kahekordset samaaegset töötlemist, mida aju tõlgendas samaaegselt üksikute teabetükkidena (lokaalne töötlemine) ja suurema terviku elementaarsete osadena (globaalne töötlemine). Eelkõige näitas meie uuring, et kohalik töötlemine oli uudse kuuldava teabe jaoks väga oluline, samas kui varem meelde jäetud muusikalised järjestused tuvastati aju globaalse töötlemise tugeva kaasamise kaudu.

Tulevased uuringud on kutsutud üles seda teemat edasi uurima, uurides mittemuusikaliste ajaliste jadade (nt numbrite, sõnade ja visuaalsete elementide jada) tuvastamise aluseks olevaid ajumehhanisme. Lisaks, tuginedes hästi tuntud erinevustele kognitiivsetes võimetes erinevate inimeste kategooriate vahel (nt vanemad versus nooremad täiskasvanud (Fernàndez-Rubio, Brattico jt 2022a; Fernàndez-Rubio, Olsen jt 2022c), muusikud versus. mittemuusikud (Criscuolo et al. 2019; Bonetti, Brattico, Vuust jt 2021c) ja terved inimesed versus patsiendid (Valenzuela ja Sachdev 2006)), peaksid tulevased uuringud uurima vanuse ja kliiniliste seisundite mõju aju mehhanismidele aluseks olevate ajaliste järjestuste äratundmine.

Autorite kaastööd

Kontseptualiseerimine: LB, EB, MLK, PV; Metoodika: LB, MLK, DP, GDE; Tarkvara: LB; Analüüs: LB; Uurimine: LB, GDO; Vahendid: MLK, PV, EB, LB; Andmete kureerimine: LB; Kirjutamine – algne mustand: LB; Kirjutamine – ülevaatamine ja toimetamine: LB, SEPB, EB, DP, GDE, GDO, PV; Visualiseerimine: LB, SEPB; Järelevalve: MLK, PV, DP, EB; Projekti administreerimine: LB, MLK, PV, EB; Rahastuse omandamine: LB, PV, MLK.

Tänuavaldused

Täname Riccardo Proiettit, Giulio Carraturot, Mick Holti ja Holger Friisi abi eest neuroteaduslikus eksperimendis. Täname ka psühholoog Tina Birgitte Wisbech Carstensenit abi eest psühholoogiliste testide ja küsimustike korraldamisel ning Francesco Carlomagnot abi eest paberi eksponeerimisel.

Täiendav materjal
Täiendav materjal on saadaval veebis Cerebral Cortexis.

Rahastamine

Center for Music in the Brain (MIB) rahastab Taani Riiklik Uurimisfond (projekti number DNRF117).

LB-d toetavad Carlsbergi fond (CF20-0239), Lundbecki fond (Talent Prize 2022), Center for Music in the Brain, Oxfordi ülikooli Linacre kolledž ning Hariduse ja Muusikapsühholoogia Ühing (SEMPRE 50. aastapäev) Auhinnaskeem).

MLK-d toetavad ajumuusika keskus ning Pettiti ja Carlsbergi fondide rahastatav keskus Eudaimonia ja inimliku õitsenguga.

GD-d toetab Hispaania uurimisprojekt PSI2016- 75688-P (AEI/FEDER, EL), Euroopa Liidu teadus- ja innovatsiooniprogramm Horisont 2020 toetuslepingu nr. 720270 (HBP SGA1) ja nr. 785907 (HBP SGA2) ja Kataloonia AGAUR programmi 2017 SGR 1545 kaudu.

Lisaks täname Bologna Ülikooli autorile Giulia Donatile ning üliõpilaste assistentidele Riccardo Proiettile ja Giulio Carraturole antud majandusliku toetuse eest ning Mensa: The International High IQ Society Itaalia osakonda Francesco Carlomagnole antud majandusliku toetuse eest.

Viited

Al-Zoubi MB, Al RM. Tõhus lähenemisviis silueti koefitsientide arvutamiseks. 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, Bertrand O, Caclin A jt. Helikõrguse tajumise ja mälu halvenemine kaasasündinud amusia korral: defitsiit algab kuulmiskoorest. Aju. 2013:136(5):1639–1661.

3. Albouy P, Weiss A, Baillet S, Zatorre RJ. Teeta võnkumiste selektiivne kaasamine dorsaalsesse voogu suurendab põhjuslikult kuulmistöömälu jõudlust. Neuron. 2017:94(1):193–206.

4. Arbib MA. Dorsaalne ja ventr1982al vood keelevalmis aju arengus: keele sidumine maailmaga. J Neurolingvistika. 2017:43:228–253.

5. Behroozmand R, Shebek R, Hansen DR, Oya H, Robin DA, Howard MA, Greenlee JDW. Sensoorsed-motoorsed võrgud, mis on seotud kõne tootmise ja motoorse juhtimisega: fMRI uuring. NeuroImage. 2015: 109: 418–428.

6. Berdyjeva TK, Olson CR. Järjesta signaale makaaki eesmise ajukoore neljas piirkonnas tegevuste ja objektide valimisel järjestikuses järjekorras. J Neurophysiol. 2010: 104 (1): 141–159.

7. Bidet-Caulet A, Fischer C, Besle J, Aguera PE, Giard MH, Bertrand, O. Selektiivse tähelepanu mõjud samaaegsete helide elektrofüsioloogilisele esitusele inimese kuulmiskoores. 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. Aju ruumiline dünaamika Johann Sebastian Bachi muusika äratundmisel. 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. Kogu aju ühenduses avastatud muusikaliste toonide kiire kodeerimine. NeuroImage. 2021a:245:118735.

10. Bonetti L, Brattico E, Vuust P, Kliuchko M, Saarikallio S. Intelligentsus ja muusika: madalam intelligentsuskoefitsient on seotud muusika suurema kasutamisega tugevate aistingute kogemiseks. Empir Stud Arts. 2021c:39(2):194–215.

For more information:1950477648nn@gmail.com