Pengecaman Otak Terhadap Urutan Temporal yang Dipelajari Sebelum Ini Berbanding Novel: Pemprosesan Serentak Berbeza Bahagian 2

Perolehan data

Kami memperoleh data MRI dan MEG anatomi dalam dua sesi bebas. Data MEG diperoleh dengan menggunakan sistem TRIUX Elekta Neuromag (Elekta Neuromag, Helsinki, Finland) yang dilengkapi dengan 306 saluran. Mesin itu diletakkan di dalam bilik berperisai magnet di Hospital Universiti Aarhus, Denmark. Data telah direkodkan pada kadar pensampelan 1,000 Hz dengan penapisan analog 0.1–330 Hz. Sebelum pengukuran, kami menetapkan tahap bunyi kepada 50 dB melebihi ambang pendengaran minimum setiap peserta. Selain itu, dengan menggunakan pendigitalan tiga dimensi (Polhemus Fastrak, Colchester, VT, Amerika Syarikat), kami mendaftarkan bentuk kepala peserta dan kedudukan empat gegelung kepala, berkenaan dengan tiga tanda tanda anatomi (nasion, dan lokasi preaurikular kiri dan kanan).

Dengan perkembangan sains dan teknologi yang berterusan, banyak konsep dan teknologi baru telah muncul dalam kehidupan kita. Mereka, teknologi MEG adalah salah satunya. MEG adalah teknik umum untuk mengukur aktiviti elektrik dalam otak manusia. Ia menggunakan interferometer kuantum superkonduktor (SQUID) untuk mengesan aktiviti elektrik neuron. Teknologi MEG boleh membantu kita lebih memahami prinsip kerja otak manusia, dan kemudian meneroka misteri kecerdasan manusia.

Selain mengkaji aktiviti elektrik neuron, teknologi MEG juga boleh menilai dan mengkaji ingatan manusia. Banyak kajian telah menunjukkan hubungan antara teknologi MEG dan ingatan. Dengan mengkaji dan menganalisis sejumlah besar data, saintis boleh menggunakan teknologi MEG untuk menjejaki kapasiti memori orang dan cara orang yang berbeza memproses ingatan.

Menurut penyelidikan itu, melalui analisis teknologi dan data MEG, saintis boleh mengenal pasti dan mengukur aktiviti elektrik di kawasan otak manusia yang berbeza, sekali gus membantu kita memahami mod kerja otak. Data ini boleh membantu kita lebih memahami memori dan proses kognitif, dan seterusnya, membangunkan cara yang lebih baik untuk meningkatkan ingatan orang.

Di samping itu, banyak kajian juga menunjukkan bahawa ia boleh dilaksanakan sepenuhnya untuk menggunakan pelbagai kaedah dan teknik untuk meningkatkan daya ingatan. Menggunakan teknik dan latihan ingatan yang berbeza, kita boleh melatih otak kita dan dengan itu meningkatkan keupayaan kita untuk mengingat. Bagi mereka yang ingin meningkatkan ingatan mereka, memahami teknologi MEG dan analisis data adalah langkah penting.

Oleh itu, terdapat hubungan yang tidak dapat dipisahkan antara teknologi MEG dan memori. Melalui analisis sejumlah besar data, kita dapat lebih memahami bagaimana otak manusia berfungsi dan proses pembentukan ingatan, dan kemudian membangunkan kaedah yang lebih baik untuk meningkatkan keupayaan ingatan kita. Kami percaya bahawa pada masa hadapan, dengan pembangunan berterusan dan peningkatan teknologi, kami akan mempunyai lebih banyak kaedah dan teknologi untuk membantu kami mengembangkan dan menggunakan keupayaan ingatan kami dengan lebih baik. Dari sudut ini, kita perlu meningkatkan daya ingatan kita. Cistanche boleh meningkatkan ingatan dengan ketara, kerana Cistanche juga boleh mengawal keseimbangan neurotransmitter, seperti meningkatkan tahap asetilkolin dan faktor pertumbuhan, yang sangat penting untuk ingatan dan pembelajaran. Selain itu, daging juga boleh meningkatkan aliran darah dan menggalakkan penghantaran oksigen, yang dapat memastikan otak menerima nutrisi dan tenaga yang mencukupi, seterusnya meningkatkan daya hidup dan daya tahan otak.

Klik suplemen untuk meningkatkan ingatan

Lokasi gegelung kepala telah didaftarkan semasa keseluruhan rakaman dengan menggunakan pengenalan kedudukan kepala berterusan (cHPI), membolehkan kami menjejak lokasi kepala yang tepat dalam pengimbas MEG pada setiap titik masa. Kami menggunakan data ini untuk melakukan pembetulan pergerakan yang tepat pada peringkat seterusnya analisis data.

Data MRI anatomi yang direkodkan sepadan dengan T1 struktur. Parameter pemerolehan untuk imbasan dilaporkan seperti berikut: saiz voxel=1.0 × 1.0 × 1.0 mm (atau 1.0 mm3); saiz matriks yang dibina semula 256 × 256; masa gema (TE) sebanyak 2.96 ms dan masa pengulangan (TR) sebanyak 5,000 ms dan lebar jalur 240 Hz/Px. Pada peringkat analisis kemudian, setiap imbasan MR berwajaran T{17}}didaftarkan bersama pada templat otak MNI standard melalui transformasi afin dan kemudian dirujuk kepada ruang penderia MEG dengan menggunakan data bentuk kepala Polhemus dan ketiga-tiga mata fiducial yang diukur semasa sesi MEG.

Pra-pemprosesan data

Data sensor MEG mentah (204 gradiometer planar dan 102 magnetometer) telah dipraproses oleh MaxFilter (Taulu dan Simola 2006) untuk melemahkan gangguan yang berasal dari luar kulit kepala dengan menggunakan pemisahan ruang isyarat. Dalam sesi yang sama, Maxfilter turut melaraskan isyarat untuk pergerakan kepala dan menurunkan sampel daripada 1,000 kepada 250 Hz.

Data telah ditukarkan ke dalam format SPM dan dianalisis selanjutnya dalam Matlab (MathWorks, Natick, Massachusetts, USA) dengan menggunakan OSL (OHBA Software Library), sebuah kotak alat yang tersedia secara percuma yang bergantung pada gabungan FSL (Woolrich et al. 2009), SPM (Penny et al. 2007) dan Fieldtrip (Oostenveld et al. 2011), serta fungsi binaan dalaman. Penapis takuk (48–52 Hz) telah digunakan untuk membetulkan kemungkinan gangguan terhadap arus elektrik. Data telah diturunkan lagi sampel kepada 150 Hz dan beberapa segmen data, diubah oleh artifak besar, telah dialih keluar selepas pemeriksaan visual.

Kemudian, untuk membuang gangguan kerdipan mata dan artifak degupan jantung daripada data otak, analisis komponen bebas (ICA) digunakan untuk menguraikan isyarat asal kepada komponen bebas. Kemudian, komponen yang mengambil aktiviti berkelip mata dan degupan jantung diasingkan dahulu dan kemudian dibuang. Isyarat telah dibina semula dengan menggunakan komponen yang selebihnya (Mantini et al. 2011) dan kemudiannya digunakan dalam 80 percubaan (satu untuk setiap petikan muzik) berdurasi 3,500 ms setiap satu (dengan 100 ms masa pra-rangsangan yang digunakan untuk pembetulan garis dasar) ( Rajah 1B).

Ujian univariate dan simulasi Monte-Carlo ke atas penderia MEG

Walaupun tumpuan utama kami adalah pada data otak yang dibina semula sumber MEG, analisis pertama data sensor MEG telah dikira, secara koheren dengan cadangan terkini untuk amalan terbaik dalam analisis MEG (Gross et al. 2013).

Oleh itu, sama dengan sebilangan besar kajian berkaitan tugas MEG dan electroencephalography (EEG) (Gross et al. 2013), kami membuat purata ujian ke atas keadaan, memperoleh dua ujian min akhir, untuk M dan N, masing-masing. Kemudian, kami menggabungkan setiap pasangan gradiometer satah mengikut kuasa dua jumlah akar. Selepas itu, kami melakukan ujian-t untuk setiap titik masa dalam julat masa 0-2.500 s dan setiap gabungan gradiometer planar, berbeza dengan M berbanding N.

Untuk membetulkan berbilang perbandingan, kami mengira simulasi Monte-Carlo (MCS) (Kroese et al. 2011) dengan pilih atur 1,000 pada kelompok keputusan penting yang muncul daripada ujian-t. Kami menganggap penting gugusan asal yang mempunyai saiz lebih besar daripada saiz gugusan maksimum 99.9% bagi data yang diubah suai. Butiran tambahan mengenai prosedur yang digunakan secara meluas ini boleh didapati di Bonetti et al. (2020), Bonetti, Brattico, Carlomagno, et al. (2021a), Bonetti, Bruzzone, Sedghi, et al. (2021b), Bonetti, Brattico, Vuust, et al. (2021c) dan Fernàndez-Rubio, Brattico, et al. (2022a), FernàndezRubio, Carlomagno, et al. (2022b), Fernàndez-Rubio, Olsen, et al. (2022c).

Analisis ini mengembalikan perbezaan yang besar dan kukuh antara keadaan eksperimen. Selain itu, aktiviti otak yang direkodkan melalui saluran MEG membentuk kluster penting yang dikeluarkan oleh analisis MCS menggariskan siri masa, yang membentangkan dua komponen frekuensi utama. Seperti yang ditunjukkan dalam Rajah S2A, komponen frekuensi yang lebih pantas memuncak selepas pembentangan setiap item yang membentuk jujukan, manakala komponen frekuensi yang lebih perlahan mengiringi keseluruhan jujukan.

Bukti ini disokong lagi dengan pengiraan transformasi wavelet Morlet kompleks (Daubechies 1992) pada semua data sensor MEG, yang menyerlahkan sumbangan utama 1 dan 4 Hz kepada isyarat MEG yang direkodkan semasa tugasan (Rajah S2B). Di samping itu, analisis ini menunjukkan kuasa yang ketara tetapi lebih lemah sekitar 10 Hz.

Perlu diingatkan, kuasa 10 Hz tidak dikunci masa kepada offset permulaan jujukan muzik. Oleh itu, analisis berikut kami tertumpu terutamanya pada dua jalur frekuensi yang ditakrifkan sekitar 1 dan 4 Hz, kerana ia adalah frekuensi dengan kuasa terkuat. Kedua-dua jalur ini ialah 0.1–1 dan 2–8 Hz. Tambahan pula, kami menjalankan analisis tambahan pada julat frekuensi yang ditakrifkan sekitar 10 Hz, kerana ia memberikan kuasa yang dikurangkan lagi boleh dibezakan. Jalur sedemikian ialah 8–12 Hz.

Yang penting, kami membuat hipotesis bahawa jalur frekuensi 2–8 dan 0.1–1 Hz mengindeks dua proses utama yang terlibat dalam tugas percubaan kami: pemprosesan item tunggal membentuk jujukan temporal (i—pemprosesan tempatan) dan mengiktiraf jujukan temporal sebagai objek superordinat yang komprehensif (ii— pemprosesan global).

Pembinaan semula sumber

Kami menggunakan kaedah pembinaan semula sumber terkini untuk menganggarkan sumber, yang menghasilkan isyarat yang kami rakamkan pada penderia MEG (Rajah 1C dan Rajah 2A) (Huang et al. 1999; Hillebrand dan Barnes 2{{ 7}}05). Yang penting, algoritma pembinaan semula sumber telah dikira secara bebas untuk tiga jalur frekuensi yang terlibat dalam kajian (0.1-1, 2-8, dan 8-12 Hz), untuk mencirikan tindak balas yang ditimbulkan kepada M dan N dalam tiga jalur frekuensi yang berbeza ini. . Secara khusus, langkah-langkah berikut telah dilaksanakan.

Pertama, data berterusan (sebelum epoching) telah ditapis laluan jalur ke dalam tiga jalur frekuensi. Kedua, data yang ditapis (secara bebas untuk tiga jalur) telah diepoch. Ketiga, data epoch telah diserahkan kepada algoritma pembinaan semula sumber yang diterangkan di bawah.

Algoritma sedemikian melibatkan dua langkah seterusnya: (i) mereka bentuk model hadapan dan (ii) mengira penyelesaian songsang. Model hadapan ialah model teori yang menganggap setiap sumber otak sebagai dipol aktif dan menerangkan bagaimana kekuatan kesatuan dipol tersebut akan dicerminkan ke atas semua sensor MEG (dalam kes kami, kami menggunakan kedua-dua magnetometer dan gradiometer planar) (Huang et al. 1999).

Di sini, kami menggunakan grid 8-mm yang mengembalikan 3,559 lokasi dipol (voxel) dalam keseluruhan otak. Selepas mendaftarkan data T1 struktur individu dengan fidusial (maklumat mengenai tanda tempat utama), model hadapan dikira dengan menggunakan kaedah yang digunakan secara meluas dipanggil "Single Shell," yang dibentangkan secara terperinci oleh Nolte (2003). Output pengiraan sedemikian juga dirujuk sebagai model medan plumbum disimpan dalam matriks L (sumber × saluran MEG). Dalam beberapa kes di mana T1 struktur tidak tersedia, kami melakukan pengiraan medan petunjuk menggunakan templat (MNI152-T1 dengan 8-mm resolusi spatial).

Langkah kedua pembinaan semula sumber adalah untuk mengira penyelesaian songsang (iaitu untuk menganggarkan penjana isyarat saraf berdasarkan aktiviti otak yang direkodkan dengan MEG). Dalam kajian kami, kami memilih beamforming, yang merupakan salah satu algoritma yang paling popular dan berkesan yang terdapat di lapangan (Huang et al. 1999; Hillebrand dan Barnes 2005). Prosedur ini menggunakan set pemberat berbeza yang digunakan secara berurutan pada lokasi sumber untuk mengasingkan sumbangan setiap sumber kepada aktiviti yang direkodkan oleh saluran MEG untuk setiap titik masa (Hillebrand dan Barnes 2005; Brookes et al. 2007). Pada tahap yang lebih teknikal, penyelesaian songsang berdasarkan pembentukan pancaran boleh diterangkan dengan langkah-langkah utama berikut.

Pertama, data yang direkodkan oleh penderia MEG (B) pada masa t boleh diterangkan oleh persamaan berikut (3):

di mana L ialah model medan plumbum yang diterangkan di atas, Q ialah matriks dipol yang membawa aktiviti setiap dipol aktif (q) dari semasa ke semasa dan ε ialah hingar (lihat Huang et al. (2004) untuk butiran lanjut). Oleh itu, untuk menyelesaikan masalah songsang, kita perlu mengira Q. Menggunakan pembentukan rasuk, prosedur sedemikian berputar di sekitar pengiraan pemberat yang digunakan pada penderia MEG pada setiap titik masa, seperti yang ditunjukkan untuk dipol tunggal q dalam persamaan (4). ):

Sesungguhnya, untuk mendapatkan q, pemberat W perlu dikira (subskrip T merujuk kepada matriks transpos). Untuk berbuat demikian, pembentukan pancaran bergantung pada pendaraban matriks antara L dan matriks kovarians antara sensor MEG (C), yang dikira pada ujian eksperimen yang digabungkan. Khususnya, untuk setiap sumber otak n, berat Wn dikira seperti berikut:

Untuk diperhatikan, pengiraan model medan utama telah dilakukan untuk tiga orientasi utama setiap sumber otak (dipol), menurut Nolte (Nolte 2003). Walau bagaimanapun, sebelum mengira pemberat, orientasi telah dikurangkan kepada satu dengan menggunakan algoritma penguraian nilai tunggal pada pendaraban matriks yang dilaporkan dalam persamaan (6). Prosedur ini digunakan secara meluas untuk memudahkan keluaran membentuk pancaran (Huang et al. 2004; Woolrich et al. 2011).

Di sini, l mewakili model medan utama dengan tiga orientasi, manakala L ialah model orientasi satu diselesaikan yang digunakan dalam (5).

Akhir sekali, seperti yang dinyatakan di atas, mengenai pelaksanaan pengekodan algoritma sedemikian, kami telah menggunakan kotak alat Matlab seperti OSL, FieldTrip, SPM (fungsi untuk prapemprosesan MEEG dan kotak alat pembentuk pancaran SPM), dan FSL. Selain itu, kod tersebut dilengkapkan dengan skrip dan fungsi binaan dalaman.

Aktiviti otak untuk setiap elemen urutan temporal

Pertama, kami ingin mengesan aktiviti otak yang mendasari setiap item urutan temporal kami (Rajah 1D, Rajah S3, S4, Jadual 1, dan Jadual S1). Di sini, kami mengira nilai mutlak siri masa yang dibina semula kerana kami berminat dengan kekuatan mutlak isyarat.

Untuk melaksanakan analisis peringkat pertama bagi setiap peserta, kami menggunakan model linear am (GLM). Model sedemikian telah dikira pada sumber data yang dibina semula untuk setiap titik masa dan sumber otak (Hunt et al. 2012). GLM mengembalikan kesan utama (kontras anggaran parameter (COPE)) M dan N serta kontrasnya. Mereka telah bekerja kerana mereka dibenarkan untuk mendapatkan kesan utama yang diselaraskan dengan ketara oleh varians merentas peserta. Keputusan ini diserahkan kepada analisis peringkat kedua, menggunakan ujian-t satu sampel dengan varians terlicin spatial yang diperolehi dengan kernel Gaussian (lebar penuh pada separuh maksimum: 50 mm) (Huang et al. 2004).

Di sini, kami berminat untuk memerhatikan aktiviti otak yang berbeza yang mendasari pengiktirafan M versus N urutan temporal, secara bebas untuk setiap jalur frekuensi dan item (nada muzik) yang membentuk urutan itu. Oleh itu, kami mengira 15 (5 nada × 3 jalur frekuensi) simulasi Monte-Carlo (MCS) berasaskan kluster pada keputusan analisis peringkat kedua (peringkat kumpulan) yang dipuratakan pada tetingkap lima kali sepadan dengan tempoh nada muzik. . Analisis MCS terdiri daripada pilih atur 1,000 dan ambang pembentuk kelompok P < 0.05 (daripada ujian peringkat kedua). Secara khususnya, ujian MCS terdiri daripada pengesanan kelompok ruang bagi nilai signifikan dalam data asal. Kemudian, data tersebut telah diubah suai, dan kelompok spatial bagi nilai signifikan yang diubah suai telah dikesan. Prosedur ini telah dikira beberapa kali (cth 1,000) dan menimbulkan taburan rujukan saiz kelompok yang dikesan untuk setiap pilih atur. Akhirnya, saiz kluster asal dibandingkan dengan pengedaran rujukan. Kluster asal dianggap penting jika saiz kluster data yang diubah suai adalah lebih besar daripada saiz kluster asal lebih sedikit kali daripada tahap MCS. Dalam kes ini, memandangkan kami mengira analisis sebanyak 15 kali, kami membetulkan untuk berbilang perbandingan dengan membahagikan tahap MCS standard (=0.05) dengan 15, menghasilkan MCS=0.003 yang dikemas kini (iaitu asal kelompok adalah signifikan jika saiznya lebih besar daripada 99.7% daripada saiz kelompok yang diubah suai).

Memandangkan salah satu julat frekuensi yang digunakan dalam kajian ini agak rendah ({{0}}.1–1 Hz), kami mengira semula pembinaan semula sumber dan kontras antara M dan N untuk 0.1–1 Hz menggunakan tiga berbeza. garis dasar (500, 1,000 dan 2,000 ms). Ini dilakukan untuk menunjukkan bahawa keputusan asal kami tidak didorong oleh panjang garis dasar. Keputusan prosedur ini digambarkan dalam Rajah S5 dan dilaporkan secara terperinci dalam Jadual S2.

K-bermaksud pengelompokan berfungsi

Untuk melengkapkan keputusan kami sebelum ini dan memberikan penerangan yang lebih terperinci tentang tahap spatial sumber otak yang aktif serta aktivitinya dari semasa ke semasa, kami mentakrifkan penggolongan berdasarkan fungsi otak. Kami mengguna pakai apa yang dipanggil k-means functional clustering, yang terdiri daripada satu siri algoritma k-means clustering. Sinaga dan Yang (2020) melakukan pada maklumat fungsian dan ruang bagi setiap siri masa sumber otak (voxel) yang dibina semula. Pendekatan ini telah diikuti untuk dua jalur frekuensi yang mengembalikan hasil terkuat dalam analisis kami sebelum ini dan yang dikaitkan sama ada dengan item tunggal jujukan atau dengan keseluruhan jujukan, iaitu 0.1-1 dan 2-8 Hz.

Khususnya, sebagai langkah pertama, algoritma pengelompokan fungsi k-means mengira pengelompokan pada parameter fungsi asas seperti nilai puncak dan indeks yang sepadan bagi siri masa voxel. Kami merujuk kepada langkah ini sebagai pengelompokan berfungsi. Prosedur ini mengembalikan satu set bungkusan bebas yang dikumpulkan mengikut profil fungsi voxel otak. Sesungguhnya, bungkusan sedemikian boleh sama ada mengandungi voxel yang memuncak pada masa yang sama (Rajah 2B, kiri) atau dengan kekuatan mutlak yang serupa (Rajah 2B, kanan). Seperti yang boleh dibayangkan, pengelompokan pada indeks siri masa maksimum dicadangkan apabila aktiviti otak disetempatkan di kawasan yang berbeza pada masa yang berbeza.

Sebaliknya, apabila aktiviti sangat berkorelasi dengan kebanyakan voxel otak, pengelompokan harus dilakukan pada nilai siri masa maksimum dan akan membantu mengenal pasti penjana teras isyarat saraf. Dalam kajian ini, 0.1– 1 Hz (pemprosesan global bagi jujukan) mempersembahkan puncak aktiviti yang berbeza berubah mengikut masa dan dengan itu dikelompokkan dengan mengambil kira indeks masa bagi puncak tersebut. Secara berbeza, 2-8 Hz (pemprosesan tempatan jujukan) menunjukkan aktiviti yang sangat berkorelasi dan oleh itu dikelompokkan menggunakan nilai mutlak aktiviti puncak tersebut. Seperti yang dilakukan secara meluas dalam analisis pengelompokan (Garcia-Dias et al. 2019), juga dalam kes kami, adalah berfaedah untuk mengira algoritma pengelompokan pada set berjujukan gugusan k (dari k=2 hingga 20). Kemudian, penyelesaian pengelompokan terbaik diputuskan berdasarkan strategi penilaian (heuristik) yang terkenal seperti kaedah/peraturan siku (Liu dan Deng 2021) dan pekali siluet (Al-Zoubi dan Al Rawi 2008).

Kaedah siku terdiri daripada memplot jumlah ralat kuasa dua (SSE) unsur-unsur kepunyaan gugusan berkenaan dengan pusat gugusan, sebagai fungsi penyelesaian gugusan yang semakin banyak. Kemudian, kaedah mencadangkan mengenal pasti secara visual "siku" lengkung sebagai bilangan kelompok untuk digunakan. Pekali siluet ialah nilai (julat daripada -1 hingga +1) yang menunjukkan persamaan unsur dengan gugusannya (kepaduan) jika dibandingkan dengan gugusan lain (pemisahan). Nilai pekali siluet yang tinggi menunjukkan bahawa unsur itu dipadankan dengan baik dengan gugusannya dan kurang dengan gugusan jiran.

Setelah penyelesaian pengelompokan berfungsi terbaik diputuskan, pengelompokan kedua tentang maklumat spatial harus dikira (pengelompokan ruang, Rajah 2C). Sesungguhnya, aktiviti otak terutamanya digambarkan oleh dua parameter, lokasi spatial, dan variasi dari semasa ke semasa. Mengelompokkan voxel otak asal ke dalam petak berfungsi yang berbeza boleh mengembalikan petak besar yang melibatkan rangkaian kawasan otak yang dipisahkan secara spatial yang cthnya aktif pada masa yang sama. Oleh itu, untuk menentukan petak yang lebih baik, adalah berfaedah untuk menjalankan analisis pengelompokan juga pada koordinat spatial bagi setiap petak berfungsi. Dalam kajian kami, kami menganggap koordinat spatial tiga dimensi (dalam ruang MNI) voxel yang membentuk setiap petak berfungsi. Pengiraan pengelompokan ini dilakukan untuk set berjujukan penyelesaian gugusan k (dari k=2 hingga 10), untuk satu petak pada satu masa. Bagi pengelompokan berfungsi, kami menilai penyelesaian terbaik untuk pengelompokan spatial dengan menggunakan peraturan siku dan pekali siluet. Pengelompokan fungsi k-means telah selesai sebaik sahaja prosedur ini dilakukan pada semua petak berfungsi, mencadangkan petak yang berkesan untuk tugas eksperimen berdasarkan kedua-dua maklumat fungsian dan ruang (contoh dilaporkan dalam Rajah S7, Jadual S3, dan S4 untuk 0.1– 1 Hz dan Rajah S8, Jadual S5, S6 dan S7 untuk 2–8 Hz). Sebagai langkah terakhir, siri masa voxel otak kepunyaan setiap petak dipuratakan bersama-sama untuk menyediakan siri masa terakhir bagi petak itu. Maklumat tambahan mengenai pengelompokan fungsi k-means dilaporkan dalam Bahan Tambahan.

Berbeza mengikut masa untuk setiap bungkusan

Di sini, k-means kluster berfungsi dilakukan pada kesan utama peringkat kumpulan M dan N yang dipuratakan bersama. Kemudian, untuk mendapatkan kesan utama M dan N bagi setiap petak dan peserta, kami membuat purata kesan utama peringkat pertama M dan N (daripada GLM) ke atas voxel otak yang dimiliki oleh setiap petak berfungsi. Ini menghasilkan siri masa baharu untuk setiap peserta, petak berfungsi dan keadaan percubaan (M dan N). Siri masa sedemikian telah diserahkan kepada kontras univariate (M lawan N; Rajah 2D, kaedah dan Rajah S9 dan S10, keputusan). Khususnya, untuk setiap petak dan titik masa, kami mengira satu ujian-t dua sampel (ambang P < 0.05) yang membezakan kesan utama M berbanding N. Kemudian, kami membetulkan untuk berbilang perbandingan dengan menggunakan pendekatan MCS dua dimensi dengan pilih atur 1,000 (MCS P < 0.001). Butiran lanjut mengenai prosedur statistik yang diterima pakai secara meluas ini boleh didapati di Bonetti et al. (2020), Bonetti, Brattico, Carlomagno, et al. (2021a), Bonetti, Bruzzone, Sedghi, et al. (2021b), Bonetti, Brattico, Vuust, et al. (2021c). Seperti yang dilakukan untuk analisis lain, operasi sedemikian diperhatikan untuk dua jalur frekuensi utama yang disiasat dalam kajian (Rajah 3 dan Jadual S8).

Keputusan

Reka bentuk eksperimen dan analisis sensor MEG

Di tempat pertama, selepas pramemproses data MEG (lihat Rajah 1A dan B dan Bahan dan Kaedah untuk butiran), kami membezakan aktiviti otak yang mendasari pengiktirafan M berbanding N, yang direkodkan oleh sensor MEG. Prosedur ini mengembalikan gugusan ketara yang besar (P < 0.001, saiz gugusan k=2,117, nilai min=3.29, masa=0.547–1.180 s), menunjukkan aktiviti otak yang lebih kuat untuk M berbanding N. Selain itu, aktiviti otak yang direkodkan melalui saluran MEG yang membentuk gugusan yang begitu ketara menggariskan siri masa, yang membentangkan dua komponen frekuensi utama. Seperti yang ditunjukkan dalam Rajah S2A, komponen frekuensi yang lebih pantas memuncak selepas pembentangan setiap item yang membentuk jujukan, manakala komponen frekuensi yang lebih perlahan mengiringi keseluruhan jujukan. Bukti ini disokong lagi oleh pengiraan transformasi wavelet Morlet kompleks pada tindak balas yang dibangkitkan yang direkodkan oleh semua data sensor MEG, yang menyerlahkan sumbangan utama 1 dan 4 Hz kepada isyarat MEG yang direkodkan semasa tugasan (Rajah S2B). Oleh itu, analisis berikut kami tertumpu terutamanya pada dua jalur frekuensi yang ditakrifkan sekitar 1 dan 4 Hz, iaitu 0.1–1 dan 2– 8 Hz. Yang penting, kami membuat hipotesis bahawa jalur frekuensi 2–8 dan 0.1–1 Hz mengindeks dua proses utama yang terlibat dalam tugas eksperimen kami: pemprosesan item tunggal membentuk urutan temporal (pemprosesan i-tempatan) dan mengiktiraf urutan temporal sebagai superordinat komprehensif objek (ii—pemprosesan global).

Sumber membina semula aktiviti otak dan analisis item tunggal

Kami membezakan aktiviti otak yang dibina semula yang mendasari urutan M berbanding N (lihat Bahan dan Kaedah untuk butiran). Hasil yang berbeza muncul untuk dua jalur frekuensi utama ({{0}}.1–1 dan 2–8 Hz). Aktiviti otak untuk 0.1–1 Hz adalah lebih kuat untuk M berbanding N, terutamanya semasa pemprosesan tiga item terakhir jujukan. Seperti yang digambarkan dalam Rajah 1D, Rajah S3-S5, aktiviti sedemikian menggambarkan rangkaian otak yang meluas yang mendasari pemprosesan global urutan itu, yang melibatkan kawasan otak yang berkaitan dengan ingatan dan proses penilaian seperti gyrus cingulate, hippocampus, insula, operkulum hadapan dan inferior. korteks temporal (MCS P < 0.001). Sebaliknya, aktiviti otak untuk jalur 2-8 Hz secara keseluruhan lebih kuat untuk N berbanding M dan terutamanya melibatkan korteks pendengaran (MCS P <0.001). Statistik voxel otak penting puncak untuk frekuensi 0.1–1 dan 2–8 Hz dilaporkan dalam Jadual 1, manakala keputusan yang luas untuk tiga jalur frekuensi diterangkan dalam Jadual S1 dan S2.

Berbeza pada ROI yang diperoleh secara fungsi

Untuk mencirikan sepenuhnya penyingkapan spatiotemporal aktiviti otak dari semasa ke semasa, kami menentukan petak otak berasaskan fungsi menggunakan k-means kluster berfungsi (lihat Bahan dan Kaedah dan Rajah 2 dan Rajah S6 untuk butiran), secara bebas untuk {{3} }.1–1 dan 2–8 jalur frekuensi Hz. Ini menghasilkan siri masa baharu untuk setiap peserta, petak berfungsi dan keadaan percubaan (M dan N), yang diserahkan kepada kontras univariate (M lawan N) (Rajah 3) dan diperbetulkan untuk berbilang perbandingan menggunakan MCS berasaskan kluster.

Sama seperti analisis kami sebelum ini, aktiviti otak terkuat dalam jalur yang lebih perlahan telah dikesan untuk M. Hebatnya, mengembangkan analisis pertama kami, keputusan baharu ini menyerlahkan satu siri bungkusan otak yang aktif secara berurutan yang mengiringi pemprosesan urutan temporal. Seperti yang ditunjukkan dalam Rajah 3A, otak membentangkan aktiviti awal dalam korteks pendengaran kanan yang dicirikan oleh kuasa yang lebih kuat sedikit untuk M berbanding N (Rajah 3A, petak 1: P < 0.0{ {10}}1, saiz kluster k=39; min nilai-t=2.72; masa dari permulaan objek pertama: 0–0. 25 s). Seterusnya, kami memerhatikan aktiviti saraf dalam korteks pendengaran kiri tetapi tiada perbezaan yang ketara antara keadaan eksperimen (Rajah 3A, petak 2). Bermula antara item kedua dan ketiga dan memuncak semasa item kelima jujukan temporal, kami memerhatikan letusan aktiviti dalam girus cingulate, yang lebih kuat untuk M berbanding N (Rajah 3A, petak 3: P < {{34} }.001, k=92; nilai-t=2.73; masa: 0.45–1.05 s). Dengan sedikit kelewatan, profil serupa muncul untuk bungkusan otak yang lebih besar yang terdiri daripada insula, bahagian anterior korteks temporal inferior, hippocampus dan operculum frontal. Sekali lagi, M adalah sebahagian besarnya lebih kuat daripada N (Rajah 3A, petak 4: P < 0.001, k=77; nilai-t=2.79; masa: 0.69– 1.19 s). Akhirnya, memuncak sejurus sebelum masa tindak balas min untuk pengkategorian corak peserta, aktiviti yang lebih kuat dalam gyrus pasca pusat dan korteks sensorimotor diperhatikan untuk M berbanding N (Rajah 3A, petak 5, kelompok utama: P <0.001, k=142; nilai-t=2.68; masa: 0.94–1.88 s).

Sebaliknya, analisis untuk jalur 2-8 Hz menunjukkan beberapa kelompok penting aktiviti yang lebih kuat untuk N berbanding M di sekitar puncak tajam siri masa. Terutama, berbanding analisis pertama kami untuk 5 item urutan temporal, prosedur kedua ini dengan jelas menggariskan tahap temporal perbezaan tersebut, yang sepadan dengan tiga nada terakhir urutan temporal. Secara khusus, perbezaan tersebut melibatkan betul (Rajah 3B, petak 1, kelompok utama I: P < 0.001, k=11, nilai-t {{ 9}}.51; masa: 0.89–0.95 s; II: P < 0.001, k {{ 17}}; nilai-t=2.22; masa: 1.21– 1.28 s) dan korteks pendengaran primer kiri (Rajah 3B, petak 2, gugusan utama I: P < 0.{{46 }}01, k=12, nilai-t=−3.70; masa: 0.74–{{6{{7{{ 76}}}}}}.81 s;II: P < 0.001, k {{40}};nilai-t {{ 42}}.09; masa: 0.87–{{1{{105}}1}}.95 s; III: P < {{113} }.001, k {{50}}; nilai-t=2.90; masa: 0.64–0.69 s). Dengan kekuatan yang berkurangan, kelompok aktiviti yang serupa telah diperhatikan untuk sebelah kanan (Rajah 3B, petak 3, kelompok utama I: P <0.001, k=13, nilai-t=3.08; masa : 1.19– 1.27 s; II: P < 0.001, k=12; nilai-t=3.61; masa: 0.89–0.96 s) dan korteks pendengaran sekunder kiri dan kawasan hippocampal (Rajah 3B, petak 4, kelompok utama I: P < 0.001, k=12, nilai-t {{86}} −2.97; masa: 0.74–0.81 s; II: P < 0.001, k {{95 }}; nilai-t=2.86; masa: 0.87–0.93 s) dan cingulate (Rajah 3B, petak 5, kelompok utama I: P < 0.001, k=10, nilai-t { {109}}.03; masa: 0.90–0.96 s; II: P < 0.001, k=9; nilai-t=−2.29; masa: 0.79– 0.84 s). Butiran tambahan mengenai kontras ini dilaporkan dalam Jadual S8 dan digambarkan secara meluas dalam Rajah. S9 dan S10.

Kesimpulannya, Rajah 4 secara kualitatif menggambarkan fenomena yang menarik. Walaupun tindak balas "wavelet" kepada bunyi pertama menunjukkan aktiviti yang hampir serupa ke atas korteks pendengaran primer (parsel i) dan sekunder, insula, kawasan hippocampal (parcel ii), dan cingulate (parcel iii), puncak untuk bunyi berikut menunjukkan perbezaan yang berbeza. trend, terutamanya sebagai tindak balas kepada item ketiga dan keempat jujukan. Dalam kes ini, korteks pendengaran sekunder, insula, kawasan hippocampal, dan cingulate kelihatan memuncak sebelum korteks pendengaran primer. Walau bagaimanapun, bertentangan dengan apa yang mungkin muncul pada mulanya, ini mungkin tidak menunjukkan tindak balas yang lebih pantas di kawasan tersebut. Sesungguhnya, melihat, sebagai contoh, pada puncak sekitar 0.5 s (persegi empat merah pertama dalam Rajah 4), puncak pertama (terutamanya berlaku untuk korteks pendengaran sekunder, insula, kawasan hippocampal dan cingulate) sepatutnya sepadan kepada komponen P300 kepada bunyi kedua corak, manakala puncak kedua (terutamanya berlaku untuk korteks pendengaran primer) mungkin ialah P50 kepada bunyi ketiga. Fenomena serupa berlaku untuk item urutan berikut (seperti yang digariskan oleh petak merah yang lain).

Ini mungkin mencadangkan bahawa walaupun sumbangan korteks pendengaran primer adalah lebih kuat untuk komponen pertama (iaitu P50 dan N100), yang mengindeks proses peringkat rendah, komponen kemudian seperti P300 mungkin dijana terutamanya oleh kawasan peringkat tinggi seperti pendengaran sekunder. korteks, insula, kawasan hippocampal, dan korteks cingulate. Dalam keadaan semasa, ini hanyalah pemerhatian kualitatif yang memerlukan kajian masa depan yang bertujuan untuk menyiasat fenomena ini secara khusus dan kuantitif.

Perbincangan

Kajian MEG menggunakan urutan muzik ini mendedahkan pemprosesan serentak dwi dalam otak yang berkaitan dengan pengiktirafan urutan temporal pendengaran. Di satu pihak, pembentangan item tunggal tempatan yang membentuk jujukan dikaitkan dengan pemprosesan tempatan yang pantas, berayun, didorong oleh korteks deria. Pemprosesan ini lebih kuat untuk pengecaman bunyi yang membentuk novel berbanding urutan muzik yang dihafal. Sebaliknya, pemprosesan jujukan dunia dan seluruh dunia dikaitkan dengan pemprosesan perlahan global serentak yang melibatkan rangkaian meluas kawasan otak peringkat tinggi yang aktif secara berurutan. Dalam kes ini, aktiviti otak sebahagian besarnya lebih kuat untuk dihafal berbanding urutan novel.

Pemprosesan serentak dwi ini amat jelas dalam korespondensi dengan pembentangan tiga nada terakhir urutan, menunjukkan bahawa sekurang-kurangnya dua atau tiga nada diperlukan oleh otak untuk memulakan proses pengecaman. Di sini, otak merekrut rangkaian luas kawasan yang sebahagian besarnya berkaitan dengan ingatan, perhatian, uji bakat, dan membuat keputusan. Kawasan otak sedemikian adalah hippocampus (Knierim 2015), cingulate gyrus (Rolls 2019; Pando-Naude et al. 2021; Criscuolo et al. 2022), korteks temporal inferior (Conway 2018), operculum frontal (Indefrey et al.; et al. al. 2015), insula (Uddin 2015), dan korteks pendengaran primer dan sekunder (Elhilali et al. 2004). Terutama, kedua-dua proses (global dan tempatan) melibatkan kira-kira kawasan otak yang sama tetapi bergantung pada frekuensi yang berbeza dari tindak balas yang ditimbulkan oleh saraf. Tambahan pula, pemprosesan tempatan bergantung terutamanya pada korteks deria (contohnya korteks pendengaran), manakala pemprosesan global mempersembahkan pengambilan yang lebih luas bagi kawasan otak peringkat tinggi seperti cingulate, korteks temporal inferior, dan hippocampus.

Secara mengejutkan, pengecaman jujukan temporal pendengaran dikaitkan dengan rangkaian peristiwa yang semakin perlahan yang mendawai semula rantaian kawasan otak peringkat rendah hingga tinggi. Bukti ini, yang diperhatikan untuk 0.1–1 jalur Hz, mungkin menunjukkan bahawa otak menjejaki dan secara progresif membina pemahaman yang bermakna tentang urutan temporal yang terbentang dengan merekrut laluan hierarki bagi kawasan yang aktif kemudiannya. Sebaliknya, aktiviti dalam jalur 2-8 Hz menunjukkan profil pelengkap, yang memuncak sedikit selepas setiap item urutan temporal. Bukti sedemikian menunjukkan bahawa, walaupun jalur 0.1–1 Hz mungkin terlibat dalam mencapai pemahaman menyeluruh tentang keseluruhan jujukan (pemprosesan global), jalur 2–8 Hz mungkin menghuraikan secara bebas pada item tunggal (tempatan). pemprosesan). Walau bagaimanapun, keputusan kami tidak dapat memberitahu secara konklusif sama ada jalur tersebut mewakili mekanisme otak dalaman atau hanya didorong oleh rangsangan. Kajian masa depan akan diperlukan untuk menangani persoalan penting ini.

Kebaharuan utama keputusan kami berkaitan dengan kekuatan pembezaan isyarat otak yang diperhatikan untuk dua jalur frekuensi dalam keadaan eksperimen kami (M dan N). Sesungguhnya, walaupun jalur 0.1–1 Hz menunjukkan kuasa yang lebih kuat untuk jujukan yang dihafal, jalur 2–8 Hz menunjukkan respons yang lebih besar untuk yang baru. Penemuan ini boleh dilihat berdasarkan teori pengekodan ramalan (Friston 2012; Vuust et al. 2012; Koelsch et al. 2019), yang berpendapat bahawa otak sentiasa mengemas kini model dalaman untuk meramalkan maklumat persekitaran. Di sini, apabila otak mengenali urutan temporal (contohnya sekitar nada nombor dua dan tiga urutan kita), ia mungkin merumuskan ramalan yang lebih baik tentang item yang akan datang, yang telah dihafal sebelumnya, yang melengkapkan urutan itu.

Oleh itu, item sedemikian memerlukan pemprosesan tempatan yang lebih rendah, seperti yang kami perhatikan secara eksperimen. Menariknya, walaupun sebahagian besarnya disetempat dalam korteks pendengaran primer, sumber saraf aktiviti jalur 2-8 Hz juga diletakkan di kawasan hippocampal, korteks pendengaran sekunder, insula, dan cingulate. Seperti yang dinyatakan sebelum ini, bukti ini menunjukkan bahawa kira-kira kawasan otak yang sama menghasilkan dua jalur frekuensi serentak yang dicirikan oleh profil fungsi yang sangat berbeza, mengindeks pemprosesan tempatan dan global urutan temporal. Di samping itu, mengenai pemprosesan tempatan, keputusan kami menunjukkan bahawa penghuraian setiap bunyi menimbulkan siri masa seperti wavelet dengan tiga puncak utama (komponen). Di sini, penghuraian tahap rendah bagi bunyi yang diindeks oleh komponen pertama (iaitu P50 dan N100 (Coles dan Rugg 2008)) berasal terutamanya dalam korteks pendengaran primer. Sebaliknya, komponen terkemudian seperti P300 (Coles dan Rugg 2008) dijana terutamanya oleh kawasan peringkat tinggi seperti korteks pendengaran sekunder, insula, kawasan hippocampal, dan cingulate. Hebatnya, fenomena sedemikian menjadi lebih jelas berikutan terungkapnya urutan temporal, menunjukkan bahawa penghuraian item tunggal yang semakin halus mungkin penting untuk otak memahami makna keseluruhan urutan temporal.

Pada nota lain, beberapa kajian terdahulu menerangkan pemprosesan global dan tempatan dari segi lokasi berbeza isyarat saraf (iaitu korteks deria primer mendahului kawasan otak peringkat tinggi dalam penghuraian rangsangan masuk (Qiu dan Von Der Heydt 2005). Sebaliknya, dalam kajian kami menunjukkan bahawa kawasan otak yang sama mengendalikan 2 proses ini (global dan tempatan) pada masa yang sama, menggunakan dua jalur frekuensi serentak, mungkin menunjukkan pemultipleksan kompleks. Keputusan ini adalah koheren dengan penyelidikan terdahulu, yang menunjukkan proses otak serentak bagi item yang sama dalam persepsi pendengaran dan kefahaman bahasa (Giraud dan Poeppel 2012).

Di samping itu, beberapa kajian terdahulu yang menyiasat pemprosesan auditori dan ingatan untuk maklumat bunyi melaporkan tindak balas yang perlahan menimbulkan serupa dengan pemprosesan global kami yang perlahan. Sebagai contoh, Picton (1978) memberikan bukti potensi elektrik berterusan pendengaran dalam otak manusia sebagai tindak balas kepada bunyi. Baru-baru ini, Bidet-Caulet et al. (2007), menggunakan EEG intrakranial, menunjukkan bahawa perhatian terpilih kepada maklumat bunyi dikaitkan dengan tindak balas yang dibangkitkan secara berterusan di kawasan otak pendengaran sekunder. Begitu juga, Grimault et al. (2014), mengkaji memori jangka pendek pendengaran, melaporkan aktiviti otak yang berterusan di kawasan hadapan, temporal dan parietal apabila beberapa item pendengaran disimpan dalam ingatan. Selaras dengan penemuan ini, Albouy dan rakan sekerja menunjukkan tindak balas yang perlahan apabila peserta diminta melakukan tugasan memori kerja auditori.

Mereka melaporkan tindak balas otak yang perlahan dan berterusan terutamanya mengenai pengekalan dan manipulasi rangsangan pendengaran (Albouy et al. 2013, 2017).

Akhirnya, penemuan kami berkaitan dan mengembangkan konsep hipotesis dua aliran otak yang terkenal (Goodale dan Milner 1992; Whitwell et al. 2014). Konseptualisasi tersebut mencadangkan 2 laluan utama untuk penghuraian peringkat tinggi bagi maklumat visual dan pendengaran. Di satu pihak, aliran ventral mengarah dari kawasan deria (contohnya korteks visual dan auditori) ke lobus temporal medial, ciri pemprosesan terutamanya dikaitkan dengan pengecaman objek (Goodale dan Milner 1992; Weiller et al. 2021). Sebaliknya, aliran dorsal membawa maklumat dari korteks deria ke lobus parietal, menghuraikan ciri spatial rangsangan (Arbib 2017).

Selaras dengan hipotesis ini, keputusan kami menyerlahkan beberapa kawasan otak aliran ventral yang terlibat dalam proses pengecaman, seperti kawasan hippocampal, operkulum hadapan, dan korteks temporal inferior. Walau bagaimanapun, yang mengagumkan, keputusan kami mengembangkan lagi pengetahuan terdahulu mengenai hipotesis dua aliran dengan memberikan sekurang-kurangnya tiga kenyataan penting dan konklusif. (i) Pengiktirafan otak bagi urutan temporal mempersembahkan ciri spatial-temporal yang unik, yang tidak dikongsi dengan pengenalpastian item tunggal atau corak segerak. (ii) Sebagai tambahan kepada kawasan otak yang terlibat dalam hipotesis dua aliran, penemuan kami menunjukkan peranan istimewa gyrus cingulate untuk mencapai pengiktirafan jujukan temporal pendengaran. (iii) Akhirnya, pengiktirafan jujukan yang berlaku dari semasa ke semasa melibatkan pemprosesan serentak dua item yang sama, yang ditafsirkan otak secara serentak sebagai kepingan maklumat individu (pemprosesan tempatan) dan bahagian asas keseluruhan yang lebih besar (pemprosesan global). Terutama, kajian kami menunjukkan bahawa pemprosesan tempatan sangat relevan untuk maklumat pendengaran novel, manakala urutan muzik yang dihafal sebelum ini diiktiraf melalui penglibatan kuat pemprosesan global otak.

Penyelidikan masa depan dipanggil untuk menyiasat lebih lanjut topik ini dengan mengkaji mekanisme otak yang mendasari pengecaman urutan temporal bukan muzik (cth urutan nombor, perkataan dan unsur visual). Di samping itu, berdasarkan perbezaan yang terkenal dalam kebolehan kognitif di kalangan pelbagai kategori orang (contohnya lebih tua berbanding orang dewasa yang lebih muda (Fernàndez-Rubio, Brattico, et al. 2022a; Fernàndez-Rubio, Olsen, et al. 2022c), pemuzik berbanding bukan pemuzik (Criscuolo et al. 2019; Bonetti, Brattico, Vuust, et al. 2021c), dan individu yang sihat berbanding pesakit (Valenzuela dan Sachdev 2006)), kajian masa depan harus meneroka kesan umur dan keadaan klinikal pada mekanisme otak pengiktirafan urutan temporal yang mendasari.

Sumbangan pengarang

Pengkonsepan: LB, EB, MLK, PV; Metodologi: LB, MLK, DP, GDE; Perisian: LB; Analisis: LB; Siasatan: LB, GDO; Sumber: MLK, PV, EB, LB; Kurasi data: LB; Penulisan—Draf asal: LB; Penulisan—Semakan dan penyuntingan: LB, SEPB, EB, DP, GDE, GDO, PV; Visualisasi: LB, SEPB; Penyeliaan: MLK, PV, DP, EB; Pentadbiran projek: LB, MLK, PV, EB; Pemerolehan pembiayaan: LB, PV, MLK.

Ucapan terima kasih

Kami berterima kasih kepada Riccardo Proietti, Giulio Carrato, Mick Holt, dan Holger Friis atas bantuan mereka dalam eksperimen saintifik saraf. Kami juga berterima kasih kepada ahli psikologi Tina Birgitte Wisbech Carstensen atas bantuannya dengan pentadbiran ujian psikologi dan soal selidik dan Francesco Carlomagno atas bantuannya dengan item paparan kertas itu.

Bahan tambahan
Bahan tambahan boleh didapati di Cerebral Cortex dalam talian.

Pembiayaan

Pusat Muzik dalam Otak (MIB) dibiayai oleh Yayasan Penyelidikan Kebangsaan Denmark (nombor projek DNRF117).

LB disokong oleh Yayasan Carlsberg (CF20-0239), Yayasan Lundbeck (Hadiah Bakat 2022), Pusat Muzik dalam Otak, Kolej Linacre Universiti Oxford dan Persatuan Pendidikan dan Psikologi Muzik (Ulang Tahun SEMPRE ke-50 Skim Anugerah).

MLK disokong oleh Center for Music in the Brain dan Center for Eudaimonia and Human Flourishing yang dibiayai oleh Pettit and Carlsberg Foundations.

GD disokong oleh Projek Penyelidikan Sepanyol PSI2016- 75688-P (AEI/FEDER, EU), oleh Program Penyelidikan dan Inovasi Horizon 2020 Kesatuan Eropah di bawah perjanjian geran no. 720270 (HBP SGA1) dan no. 785907 (HBP SGA2), dan oleh Program Catalan AGAUR 2017 SGR 1545.

Selain itu, kami mengucapkan terima kasih kepada Universiti Bologna atas sokongan ekonomi yang diberikan kepada pengarang Giulia Donati dan pembantu pelajar Riccardo Proietti dan Giulio Carraturo dan bahagian Itali Mensa: Persatuan IQ Tinggi Antarabangsa atas sokongan ekonomi yang diberikan kepada Francesco Carlomagno.

Rujukan

Al-Zoubi MB, Al RM. Pendekatan yang cekap untuk mengira pekali siluet. 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 et al. Persepsi nada dan ingatan terjejas dalam amusia kongenital: defisit bermula di korteks pendengaran. Otak. 2013:136(5):1639–1661.

3.Albouy P,Weiss A, Baillet S, Zatorre RJ. Pemerangkapan terpilih ayunan theta dalam aliran dorsal menyebabkan peningkatan prestasi memori kerja pendengaran. Neuron. 2017:94(1):193–206.

4. Arbib MA. Arus dorsal dan ventr1982al dalam evolusi otak sedia bahasa: menghubungkan bahasa dengan dunia. J Neurolinguistik. 2017:43:228–253.

5. Behroozmand R, Shebek R, Hansen DR, Oya H, Robin DA, Howard MA, Greenlee JDW. Rangkaian sensori-motor yang terlibat dalam pengeluaran pertuturan dan kawalan motor: kajian fMRI. NeuroImage. 2015:109: 418–428.

6. Berdyyeva TK, Olson CR. Isyarat kedudukan dalam empat kawasan korteks hadapan kera semasa pemilihan tindakan dan objek dalam susunan bersiri. J Neurofisiol. 2010:104(1):141–159.

7. Bidet-Caulet A, Fischer C, Besle J, Aguera PE, Giard MH, Bertrand, O. Kesan perhatian terpilih pada perwakilan elektrofisiologi bunyi serentak dalam korteks pendengaran manusia. 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. Dinamik otak spatiotemporal semasa pengiktirafan muzik Johann Sebastian Bach. 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. Pengekodan pantas nada muzik ditemui dalam ketersambungan seluruh otak. NeuroImage. 2021a:245:118735.

10. Bonetti L, Brattico E, Vuust P, Kliuchko M, Saarikallio S. Kecerdasan dan muzik: kecerdasan kecerdasan rendah dikaitkan dengan penggunaan muzik yang lebih tinggi untuk mengalami sensasi yang kuat. Empir Stud Arts. 2021c:39(2):194–215.

For more information:1950477648nn@gmail.com