Možgansko prepoznavanje predhodno naučenih v primerjavi z novimi časovnimi zaporedji: diferencialna sočasna obdelava 2. del

Zbiranje podatkov

Anatomske MRI in MEG podatke smo pridobili v dveh neodvisnih sejah. Podatki MEG so bili pridobljeni z uporabo sistema Elekta Neuromag TRIUX (Elekta Neuromag, Helsinki, Finska), opremljenega s 306 kanali. Stroj je bil nameščen v magnetno zaščiteni sobi v univerzitetni bolnišnici Aarhus na Danskem. Podatki so bili posneti pri frekvenci vzorčenja 1,000 Hz z analognim filtriranjem 0,1–330 Hz. Pred meritvami smo vsakemu udeležencu nastavili raven zvoka na 50 dB nad minimalnim pragom sluha. Poleg tega smo z uporabo tridimenzionalnega digitalizatorja (Polhemus Fastrak, Colchester, VT, ZDA) registrirali udeleženčevo obliko glave in položaj štirih tuljav glave glede na tri anatomske mejnike (nasion ter leva in desna preaurikularna lokacija).

Z nenehnim razvojem znanosti in tehnologije se je v našem življenju pojavilo veliko novih konceptov in tehnologij. Oni, tehnologija MEG je ena izmed njih. MEG je splošna tehnika za merjenje električne aktivnosti v človeških možganih. Za zaznavanje električne aktivnosti nevronov uporablja superprevodni kvantni interferometer (SQUID). Tehnologija MEG nam lahko pomaga bolje razumeti princip delovanja človeških možganov in nato raziskati skrivnost človeške inteligence.

Poleg preučevanja električne aktivnosti nevronov lahko tehnologija MEG oceni in preučuje tudi človeški spomin. Številne študije so pokazale povezavo med tehnologijo MEG in spominom. S preučevanjem in analiziranjem velikih količin podatkov lahko znanstveniki s tehnologijo MEG sledijo spominski zmogljivosti ljudi in načinu, kako različni ljudje obdelujejo spomine.

Glede na raziskavo lahko znanstveniki z analizo tehnologije in podatkov MEG prepoznajo in izmerijo električno aktivnost v različnih predelih človeških možganov ter nam tako pomagajo razumeti način delovanja možganov. Ti podatki nam lahko pomagajo bolje razumeti spomin in kognitivne procese ter posledično razviti boljše načine za izboljšanje spomina ljudi.

Poleg tega so številne študije tudi pokazale, da je uporaba različnih metod in tehnik za izboljšanje spomina povsem izvedljiva. Z različnimi spominskimi tehnikami in vajami lahko razgibamo svoje možgane in tako izboljšamo sposobnost pomnjenja. Za tiste, ki želijo izboljšati svoj spomin, je razumevanje tehnologije MEG in analize podatkov ključni korak.

Zato obstaja neločljiva povezava med tehnologijo MEG in spominom. Z analizo velikih količin podatkov lahko bolje razumemo delovanje človeških možganov in proces oblikovanja spomina ter nato razvijemo boljše metode za izboljšanje spominske sposobnosti. Verjamemo, da bomo v prihodnosti z nenehnim razvojem in izboljševanjem tehnologije imeli več metod in tehnologij, ki nam bodo pomagale bolje razvijati in izkoriščati naš spomin. S tega vidika moramo izboljšati svoj spomin. Cistanche lahko bistveno izboljša spomin, saj lahko Cistanche uravnava tudi ravnovesje nevrotransmiterjev, kot je povečanje ravni acetilholina in rastnih faktorjev, ki so zelo pomembni za spomin in učenje. Poleg tega lahko meso izboljša pretok krvi in ​​spodbuja dostavo kisika, kar lahko zagotovi, da možgani prejmejo dovolj hranil in energije, s čimer se izboljša vitalnost in vzdržljivost možganov.

Kliknite dodatke za izboljšanje spomina

Lokacija tuljav glave je bila registrirana med celotnim snemanjem z uporabo neprekinjene identifikacije položaja glave (cHPI), kar nam je omogočilo sledenje točne lokacije glave v skenerju MEG na vsaki časovni točki. Te podatke smo uporabili za izvedbo natančnega popravka gibanja v kasnejši fazi analize podatkov.

Zapisani anatomski podatki MRI so ustrezali strukturnemu T1. Parametri zajema za skeniranje so sporočeni na naslednji način: velikost voksla=1.0 × 1.0 × 1.0 mm (ali 1.0 mm3); velikost rekonstruirane matrice 256 × 256; čas odmeva (TE) 2,96 ms in čas ponavljanja (TR) 5,000 ms ter pasovna širina 240 Hz/Px. Na poznejši stopnji analize je bil vsak T1-uteženi MR-sken soregistriran na standardno možgansko predlogo MNI prek afine transformacije in nato referenciran na prostor senzorjev MEG z uporabo podatkov o obliki glave Polhemus in treh referenčne točke, izmerjene med sejo MEG.

Predhodna obdelava podatkov

Neobdelane podatke senzorja MEG (204 planarnih gradiometrov in 102 magnetometra) je predhodno obdelal MaxFilter (Taulu in Simola 2006) za ublažitev motenj, ki izvirajo izven lasišča, z uporabo ločevanja signalnega prostora. V isti seji je Maxfilter prilagodil tudi signal za gibanje glave in ga znižal z 1,000 na 250 Hz.

Podatki so bili pretvorjeni v format SPM in nadalje analizirani v Matlabu (MathWorks, Natick, Massachusetts, ZDA) z uporabo OSL (OHBA Software Library), prosto dostopnega orodja, ki temelji na kombinaciji FSL (Woolrich et al. 2009), SPM (Penny et al. 2007) in Fieldtrip (Oostenveld et al. 2011), kot tudi interno zgrajene funkcije. Uporabljen je bil zarezni filter (48–52 Hz), ki je popravil morebitne motnje električnega toka. Podatki so bili dodatno znižani na 150 Hz in nekaj segmentov podatkov, spremenjenih z velikimi artefakti, je bilo odstranjenih po vizualnem pregledu.

Nato je bila za zavrnitev motenj mežikanj in artefaktov srčnega utripa iz možganskih podatkov uporabljena analiza neodvisnih komponent (ICA) za razgradnjo prvotnega signala na neodvisne komponente. Nato so bile komponente, ki so zaznale aktivnosti mežikanja in srčnega utripa, najprej izolirane in nato zavržene. Signal je bil ponovno zgrajen z uporabo preostalih komponent (Mantini et al. 2011) in nato epohiran v 80 poskusih (enega za vsak glasbeni izsek), ki so trajali 3500 ms vsak (s 100 ms časa pred dražljajem, ki je bil uporabljen za popravek osnovne linije) ( Slika 1B).

Univariatni testi in Monte-Carlo simulacije nad senzorji MEG

Čeprav je bil naš glavni poudarek na rekonstruiranih podatkih o možganih iz izvora MEG, je bila prva analiza podatkov senzorja MEG izračunana v skladu z najsodobnejšimi priporočili za najboljše prakse pri analizi MEG (Gross et al. 2013).

Tako smo, podobno kot pri velikem številu MEG in elektroencefalografskih (EEG) študij, povezanih z nalogami (Gross et al. 2013), izračunali povprečje poskusov glede na pogoje, pri čemer smo dobili dve končni povprečni preskusi, za M in N, oz. Nato smo vsak par ravninskih gradiometrov združili s kvadratom vsote korenov. Nato smo izvedli t-test za vsako časovno točko v časovnem razponu 0–2.500 s in vsak kombinirani ravninski gradiometer, kontrast M proti N.

Da bi popravili večkratne primerjave, smo izračunali simulacije Monte-Carlo (MCS) (Kroese et al. 2011) z 1,000 permutacijami na skupinah pomembnih rezultatov, ki so izšli iz t-testov. Pomembni so se nam zdeli izvirni grozdi, katerih velikost je bila večja od 99,9 % največjih velikosti gruče permutiranih podatkov. Dodatne podrobnosti o tem široko uporabljenem postopku lahko najdete v Bonetti et al. (2020), Bonetti, Brattico, Carlomagno, et al. (2021a), Bonetti, Bruzzone, Sedghi, et al. (2021b), Bonetti, Brattico, Vuust, et al. (2021c) in Fernàndez-Rubio, Brattico, et al. (2022a), FernàndezRubio, Carlomagno, et al. (2022b), Fernàndez-Rubio, Olsen, et al. (2022c).

Ta analiza je pokazala veliko in močno razliko med eksperimentalnimi pogoji. Poleg tega je možganska aktivnost, zabeležena prek kanalov MEG, ki tvorijo pomemben grozd, ki ga je izvedla analiza MCS, orisala časovno vrsto, ki je predstavila dve glavni frekvenčni komponenti. Kot je prikazano na sliki S2A, je hitrejša frekvenčna komponenta dosegla vrh po predstavitvi vsakega od elementov, ki tvorijo zaporedje, medtem ko je počasnejša frekvenčna komponenta spremljala celotno zaporedje.

Ta dokaz je bil nadalje podprt z izračunom kompleksne Morletove valovne transformacije (Daubechies 1992) na vseh podatkih senzorja MEG, ki je poudaril glavni prispevek 1 in 4 Hz k signalu MEG, posnetem med nalogo (slika S2B). Poleg tega je ta analiza pokazala opazno, a šibkejšo moč okoli 10 Hz.

Opozoriti je treba, da moč 10 Hz ni bila časovno zaklenjena na začetni odmik glasbenega zaporedja. Tako so se naše naslednje analize osredotočile predvsem na dva frekvenčna pasova, definirana okoli 1 in 4 Hz, saj sta bili to frekvenci z največjo močjo. Ta dva pasova sta bila 0,1–1 in 2–8 Hz. Poleg tega smo izvedli dodatno analizo frekvenčnega območja, definiranega okoli 10 Hz, saj je predstavljalo zmanjšano, a razločljivo moč. Tak pas je bil 8–12 Hz.

Pomembno je, da smo domnevali, da frekvenčna pasova 2–8 in 0.1–1 Hz indeksirata dva glavna procesa, vključena v našo eksperimentalno nalogo: obdelavo posameznih postavk, ki tvorijo časovno zaporedje (i—lokalna obdelava) in prepoznavanje časovno zaporedje kot celovit nadrejeni objekt (ii— globalna obdelava).

Rekonstrukcija vira

Za oceno virov smo uporabili najsodobnejše metode rekonstrukcije virov, ki so ustvarili signal, ki smo ga posneli na senzorjih MEG (sl. 1C in sl. 2A) (Huang et al. 1999; Hillebrand in Barnes 2{{ 7}}05). Pomembno je, da je bil algoritem za rekonstrukcijo vira izračunan neodvisno za tri frekvenčne pasove, ki so vključeni v študijo (0,1–1, 2–8 in 8–12 Hz), da bi opredelili evocirane odzive na M in N v teh treh različnih frekvenčnih pasovih. . Natančneje, izvedeni so bili naslednji koraki.

Najprej so bili zvezni podatki (pred epohiranjem) pasovno filtrirani v tri frekvenčne pasove. Drugič, filtrirani podatki (neodvisno za tri pasove) so bili epohirani. Tretjič, epohirani podatki so bili predloženi algoritmu za rekonstrukcijo vira, ki je opisan spodaj.

Takšen algoritem vključuje dva zaporedna koraka: (i) oblikovanje naprednega modela in (ii) izračun inverzne rešitve. Model naprej je teoretični model, ki obravnava vsak vir možganov kot aktivni dipol in opisuje, kako bi se enotna moč takega dipola odražala na vseh senzorjih MEG (v našem primeru smo uporabili tako magnetometre kot planarne gradiometre) (Huang et al. 1999).

Tu smo uporabili mrežo 8- mm, ki je vrnila 3559 dipolnih lokacij (vokslov) v celih možganih. Po registraciji posameznih strukturnih podatkov T1 s fiduciali (informacijami o mejnikih glave) je bil model naprej izračunan s sprejetjem široko uporabljene metode, imenovane "Single Shell", ki jo je podrobno predstavil Nolte (2003). Izhod takšnega izračuna, imenovan tudi model vodilnega polja, je bil shranjen v matriki L (viri × kanali MEG). V nekaj primerih, kjer strukturni T1 ni bil na voljo, smo izvedli izračun vodilnega polja z uporabo predloge (MNI152-T1 s prostorsko ločljivostjo 8- mm).

Drugi korak rekonstrukcije vira je izračun inverzne rešitve (tj. ocena generatorjev nevronskega signala na podlagi možganske aktivnosti, zabeležene z MEG). V naši študiji smo izbrali oblikovanje snopa, ki je eden najbolj priljubljenih in učinkovitih algoritmov na tem področju (Huang et al. 1999; Hillebrand in Barnes 2005). Ta postopek uporablja različne nize uteži, ki se zaporedno uporabljajo za lokacije vira za izolacijo prispevka vsakega vira k dejavnosti, ki jo zabeležijo kanali MEG za vsako časovno točko (Hillebrand in Barnes 2005; Brookes et al. 2007). Na bolj tehnični ravni je inverzno rešitev, ki temelji na oblikovanju snopa, mogoče opisati z naslednjimi glavnimi koraki.

Prvič, podatke, ki jih zabeležijo senzorji MEG (B) v času t, je mogoče opisati z naslednjo enačbo (3):

kjer je L zgoraj opisani model polja svinca, Q je dipolna matrika, ki prenaša aktivnost vsakega aktivnega dipola (q) skozi čas, ε pa je šum (za več podrobnosti glejte Huang et al. (2004). Za rešitev obratnega problema moramo torej izračunati Q. Z uporabo oblikovanja snopa se tak postopek vrti okoli izračuna uteži, ki se uporabijo za senzorje MEG v vsaki časovni točki, kot je prikazano za enojni dipol q v enačbi (4 ):

Dejansko je treba za pridobitev q izračunati uteži W (indeks T se nanaša na transponirano matriko). Da bi to naredili, se oblikovanje snopa opira na matrično množenje med L in kovariančno matriko med senzorji MEG (C), izračunano na podlagi povezanih eksperimentalnih poskusov. Natančneje, za vsak možganski vir n se uteži Wn izračunajo na naslednji način:

Treba je opozoriti, da je bil izračun modela vodilnega polja po Nolteju (Nolte 2003) narejen za tri glavne usmeritve vsakega možganskega vira (dipola). Vendar pa so bile orientacije pred izračunom uteži zmanjšane na eno z uporabo algoritma za razgradnjo singularne vrednosti na matričnem množenju, navedenem v enačbi (6). Ta postopek je splošno sprejet za poenostavitev izhoda oblikovanja snopa (Huang et al. 2004; Woolrich et al. 2011).

Tukaj l predstavlja model vodilnega polja s tremi orientacijami, medtem ko je L razrešen enoorientacijski model, ki je bil uporabljen v (5).

Nazadnje, kot je omenjeno zgoraj, smo v zvezi z implementacijo kodiranja takšnih algoritmov uporabili orodjarne Matlab, kot so OSL, FieldTrip, SPM (funkcije za predprocesiranje MEEG in orodje za oblikovanje snopa SPM) in FSL. Poleg tega so bile te kode dopolnjene s skripti in funkcijami, vgrajenimi v podjetju.

Možganska aktivnost za vsak element časovnega zaporedja

Najprej smo želeli odkriti možgansko aktivnost, ki je podlaga za vsako postavko naših časovnih zaporedij (slika 1D, slike S3, S4, tabela 1 in tabela S1). Tukaj smo izračunali absolutno vrednost rekonstruirane časovne serije, saj nas je zanimala absolutna moč signala.

Za izvedbo analize prve stopnje za vsakega udeleženca smo uporabili splošne linearne modele (GLM). Takšni modeli so bili izračunani na podlagi rekonstruiranih podatkov vira za vsako časovno točko in vir možganov (Hunt et al. 2012). GLM so vrnili glavni učinek (kontrasti ocene parametrov (COPE)) M in N ter njun kontrast. Zaposleni so bili, ker jim je bilo omogočeno pridobiti glavne učinke, ki so bili bistveno prilagojeni z varianco med udeleženci. Ti rezultati so bili predloženi v drugostopenjsko analizo z uporabo t-testov enega vzorca s prostorsko zglajeno varianco, pridobljeno z Gaussovim jedrom (polna širina na polovici maksimuma: 50 mm) (Huang et al. 2004).

Tukaj nas je zanimalo opazovanje različnih možganskih aktivnosti, ki so podlaga za prepoznavanje časovnega zaporedja M v primerjavi z N, neodvisno za vsak frekvenčni pas in postavko (glasbeni ton), ki tvori zaporedje. Tako smo izračunali 15 (5 tonov × 3 frekvenčni pasovi) Monte-Carlo simulacij (MCS) na osnovi grozdov na podlagi rezultatov analize na drugi ravni (na ravni skupine), povprečenih v petih časovnih oknih, ki ustrezajo trajanju glasbenih tonov . Analiza MCS obsega 1,000 permutacij in prag za oblikovanje grozdov P < 0.05 (iz testov druge stopnje). Natančneje, test MCS je obsegal odkrivanje prostorskih skupin pomembnih vrednosti v izvirnih podatkih. Nato so bili ti podatki permutirani in zaznani so bili prostorski grozdi permutiranih pomembnih vrednosti. Ta postopek je bil večkrat izračunan (npr. 1, 000) in povzročil je referenčno porazdelitev velikosti gruč, zaznanih za vsako permutacijo. Končno so bile prvotne velikosti grozdov primerjane z referenčno porazdelitvijo. Prvotni grozdi so veljali za pomembne, če so bile velikosti grozdov permutiranih podatkov manjkrat večje od prvotnih velikosti grozdov od ravni MCS. V tem primeru, ker smo analizo izračunali 15-krat, smo popravili za večkratne primerjave tako, da smo standardno raven MCS (=0.05) delili s 15, kar je povzročilo posodobljeno MCS=0.003 (tj. izvirnik grozdi so bili pomembni, če so bile njihove velikosti večje od 99,7 % velikosti permutiranih grozdov).

Ker je bilo eno od frekvenčnih območij, uporabljenih v tej študiji, precej nizko ({{0}}.1–1 Hz), smo ponovno izračunali rekonstrukcijo vira in kontraste med M in N za 0,1–1 Hz z uporabo treh različnih osnovne črte (500, 1,000 in 2,000 ms). To je bilo storjeno, da bi dokazali, da naših prvotnih rezultatov ni vodila dolžina osnovne črte. Rezultati tega postopka so prikazani na sliki S5 in podrobno navedeni v tabeli S2.

K-pomeni funkcionalno združevanje

Da bi dopolnili naše prejšnje rezultate in zagotovili podrobnejši opis prostorskega obsega aktivnih možganskih virov kot tudi njihove aktivnosti skozi čas, smo definirali funkcionalno zasnovano parcelacijo možganov. Sprejeli smo tako imenovano k-means funkcionalno združevanje, ki je sestavljeno iz serije algoritmov za k-means združevanje v gruče. Sinaga in Yang (2020) sta izvedla funkcionalne in prostorske informacije vsakega od časovnih vrst rekonstruiranih možganskih virov (vokslov). Ta pristop je bil uporabljen za dva frekvenčna pasova, ki sta v naših prejšnjih analizah dala najmočnejše rezultate in sta bila povezana bodisi s posameznimi elementi zaporedja bodisi s celotnim zaporedjem, in sicer 0,1–1 in 2–8 Hz.

Natančneje, kot prvi korak je k-means funkcionalni algoritem za združevanje v gruče izračunal združevanje na podlagi osnovnih funkcionalnih parametrov, kot so najvišje vrednosti in ustrezni indeksi časovne vrste vokselov. Ta korak imenujemo funkcionalno združevanje v gruče. Ta postopek je vrnil nabor neodvisnih paketov, razvrščenih glede na funkcionalne profile možganskih vokselov. Takšni paketi bi dejansko lahko vsebovali voksele, ki so dosegli vrh približno ob istem času (slika 2B, levo) ali s podobno absolutno močjo (slika 2B, desno). Kot je možno, je predlagano združevanje na indeksih maksimalnih časovnih vrst, ko je možganska aktivnost lokalizirana v različnih regijah ob različnih časih.

Nasprotno, ko je aktivnost visoko korelirana v večini možganskih vokslov, je treba združevanje v skupine izvesti na največjih vrednostih časovnih vrst in bi pomagalo prepoznati glavne generatorje nevronskega signala. V tej študiji je 0.1–1 Hz (globalna obdelava zaporedja) prikazal različne vrhove aktivnosti, ki so se premikali skozi čas, zato je bil razvrščen glede na časovne indekse takih vrhov. Drugače pa je 2–8 Hz (lokalna obdelava zaporedja) pokazala zelo korelirano aktivnost in je bila zato združena v skupine z uporabo absolutnih vrednosti takšne najvišje aktivnosti. Kot se pogosto uporablja pri analizi združevanja v gruče (Garcia-Dias et al. 2019), je bilo tudi v našem primeru koristno izračunati algoritem za združevanje v gruče na zaporednem nizu k gruč (od k=2 do 20). Nato se je na podlagi dobro znanih strategij vrednotenja (hevristike), kot sta metoda/pravilo komolca (Liu in Deng 2021) in koeficient silhuete (Al-Zoubi in Al Rawi 2008), odločila najboljša rešitev združevanja v gruče.

Metoda komolca je sestavljena iz risanja vsote kvadratnih napak (SSE) elementov, ki pripadajo grozdom glede na težišča grozda, kot funkcije postopno večjega števila rešitev grozda. Nato metoda predlaga vizualno identifikacijo "komolca" krivulje kot števila skupin, ki jih je treba uporabiti. Koeficient silhuete je vrednost (v razponu od −1 do +1), ki prikazuje podobnost elementa z njegovim grozdom (kohezija) v primerjavi z drugimi grozdi (ločevanje). Visoka vrednost koeficienta silhuete kaže, da se element dobro ujema s svojim grozdom in slabo s sosednjimi grozdi.

Ko je izbrana najboljša funkcionalna rešitev združevanja v gruče, je treba izračunati drugo združevanje v gruče o prostorskih informacijah (prostorsko združevanje v gruče, slika 2C). Dejansko je možganska aktivnost v glavnem opisana z dvema parametroma, prostorsko lokacijo in variacijo skozi čas. Združevanje prvotnih možganskih vokslov v različne funkcionalne pakete lahko vrne velike pakete, ki vključujejo mrežo prostorsko ločenih možganskih področij, ki so npr. aktivna hkrati. Tako je za opredelitev boljše parcelacije koristno opraviti analizo združevanja tudi na prostorskih koordinatah vsake od funkcionalnih parcel. V naši študiji smo upoštevali tridimenzionalne prostorske koordinate (v prostoru MNI) vokselov, ki tvorijo vsako od funkcionalnih parcel. Ta izračun združevanja v gruče je bil izveden za zaporedni nabor k rešitev za gruč (od k=2 do 10), za eno parcelo naenkrat. Kar zadeva funkcionalno združevanje, smo ocenili najboljšo rešitev za prostorsko združevanje z uporabo pravila komolca in koeficienta silhuete. Funkcionalno združevanje k-means je bilo dokončano, ko je bil ta postopek izveden na vseh funkcionalnih parcelah, kar kaže na učinkovito parcelacijo za eksperimentalno nalogo, ki temelji na funkcionalnih in prostorskih informacijah (primeri so navedeni na sliki S7, tabelah S3 in S4 za 0,1– 1 Hz in sl. S8, tabele S5, S6 in S7 za 2–8 Hz). Kot zadnji korak je bila časovna vrsta možganskih vokslov, ki pripadajo vsaki parceli, povprečena skupaj, da bi zagotovili končno časovno vrsto za parcelo. Dodatne informacije o funkcionalnem združevanju k-sredstev so navedene v dopolnilnem gradivu.

Kontrasti v času za vsako parcelo

Tukaj je bilo k-povprečno funkcionalno združevanje izvedeno na skupnih glavnih učinkih M in N na ravni skupine. Nato smo, da bi dobili glavni učinek M in N za vsako parcelo in udeleženca, povprečili glavni učinek prve stopnje M in N (iz GLM) na možganske voksele, ki pripadajo vsaki od funkcionalnih parcel. To je povzročilo novo časovno vrsto za vsakega udeleženca, funkcionalno parcelo in eksperimentalno stanje (M in N). Takšne časovne serije so bile podvržene univariantnim kontrastom (M proti N; slika 2D, metode, in sliki S9 in S1 0, rezultati). Natančneje, za vsako parcelo in časovno točko smo izračunali en dvovzorčni t-test (prag P < 0.05) v nasprotju z glavnim učinkom M proti N. Nato smo popravili za več primerjav z uporabo dvodimenzionalni pristop MCS z 1,000 permutacijami (MCS P < 0,001). Več podrobnosti o tem široko sprejetem statističnem postopku je na voljo v Bonetti et al. (2020), Bonetti, Brattico, Carlomagno, et al. (2021a), Bonetti, Bruzzone, Sedghi, et al. (2021b), Bonetti, Brattico, Vuust, et al. (2021c). Tako kot pri drugih analizah je bilo takšno delovanje opaženo za dva glavna frekvenčna pasova, raziskana v študiji (slika 3 in tabela S8).

Rezultati

Eksperimentalna zasnova in analiza MEG senzorjev

Prvič, po predhodni obdelavi podatkov MEG (za podrobnosti glejte sliki 1A in B ter materiale in metode) smo primerjali možgansko aktivnost, na kateri temelji prepoznavanje M v primerjavi z N, ki so jo zabeležili senzorji MEG. Ta postopek je vrnil veliko pomembno gručo (P < 0.001, velikost gruče k=2,117, povprečna vrednost=3.29, čas=0.547–1,180 s), kar kaže na močnejšo možgansko aktivnost za M v primerjavi z N. Poleg tega je možganska aktivnost, zabeležena prek kanalov MEG, ki tvorijo tako pomemben grozd, orisala časovno vrsto, ki je predstavila dve glavni frekvenčni komponenti. Kot je prikazano na sliki S2A, je hitrejša frekvenčna komponenta dosegla vrh po predstavitvi vsakega od elementov, ki tvorijo zaporedje, medtem ko je počasnejša frekvenčna komponenta spremljala celotno zaporedje. Ta dokaz je bil dodatno podprt z izračunom kompleksne Morletove valovne transformacije na izzvanih odzivih, ki so jih zabeležili vsi podatki senzorja MEG, ki je poudaril glavni prispevek 1 in 4 Hz k signalu MEG, zabeleženem med nalogo (slika S2B). Tako so se naše naslednje analize osredotočile predvsem na dva frekvenčna pasova, definirana okoli 1 in 4 Hz, ki sta bila 0,1–1 in 2–8 Hz. Pomembno je, da smo domnevali, da frekvenčna pasova 2–8 in 0,1–1 Hz indeksirata dva glavna procesa, vključena v našo eksperimentalno nalogo: obdelavo posameznih postavk, ki tvorijo časovno zaporedje (i-lokalna obdelava) in prepoznavanje časovnega zaporedja kot celovite nadreditve. predmet (ii—globalna obdelava).

Izvorna rekonstruirana možganska aktivnost in analiza ene postavke

Primerjali smo rekonstruirano možgansko aktivnost, ki je podlaga zaporedij M proti N (za podrobnosti glejte Materiale in metode). Za glavna dva frekvenčna pasova ({{0}}.1–1 in 2–8 Hz) so se pojavili različni rezultati. Možganska aktivnost za 0.1–1 Hz je bila močnejša za M v primerjavi z N, zlasti med obdelavo zadnjih treh elementov zaporedja. Kot je prikazano na sliki 1D, sliki S3–S5, je taka aktivnost začrtala razširjeno možgansko mrežo, na kateri temelji globalna obdelava zaporedja, ki vključuje možganske regije, povezane s spominom in ocenjevalnimi procesi, kot so cingularni girus, hipokampus, insula, frontalni operkulum in inferiorni temporalni korteks (MCS P < 0.001). Nasprotno pa je bila možganska aktivnost za pas 2–8 Hz na splošno močnejša za N v primerjavi z M in je vključevala predvsem slušno skorjo (MCS P <0,001). Statistika najvišjih pomembnih možganskih vokslov za frekvence 0,1–1 in 2–8 Hz je navedena v tabeli 1, medtem ko so obsežni rezultati za tri frekvenčne pasove opisani v tabelah S1 in S2.

Kontrasti na funkcionalno izpeljanih ROI

Za popolno karakterizacijo prostorsko-časovnega odvijanja možganske aktivnosti skozi čas smo definirali funkcionalno zasnovano parcelacijo možganov z uporabo k-means funkcionalnega grozdenja (za podrobnosti glejte Materiale in metode ter sliko 2 in sliko S6), neodvisno za {{3} }.1–1 in 2–8 Hz frekvenčni pasovi. To je povzročilo novo časovno vrsto za vsakega udeleženca, funkcionalno parcelo in eksperimentalno stanje (M in N), ki so bili podvrženi univariantnim kontrastom (M proti N) (slika 3) in popravljeni za več primerjav z uporabo MCS, ki temelji na grozdu.

Podobno kot pri naši prejšnji analizi je bila najmočnejša možganska aktivnost v počasnejšem pasu zaznana za M. Zanimivo je, da so ti novi rezultati, ki so razširili našo prvo analizo, poudarili niz zaporedno aktivnih možganskih paketov, ki spremljajo obdelavo časovnega zaporedja. Kot je prikazano na sliki 3A, so možgani predstavili začetno aktivnost v desnem slušnem korteksu, za katero je značilna nekoliko večja moč za M v primerjavi z N (slika 3A, parcela 1: P < 0.0{ {10}}1, velikost gruče k=39; srednja t-vrednost=2.72; čas od začetka prvega objekta: 0–0. 25 s). Nato smo opazili nevronsko aktivnost v levem slušnem korteksu, vendar brez pomembnih razlik med eksperimentalnimi pogoji (slika 3A, paket 2). Začetek med drugim in tretjim elementom in vrh med petim elementom časovnega zaporedja smo opazili izbruh aktivnosti v cingularnem girusu, ki je bil močnejši za M v primerjavi z N (slika 3A, parcela 3: P < {{34} }.001, k=92; t-vrednost=2.73; čas: 0,45–1,05 s). Z majhno zamudo se je pojavil podoben profil za večji del možganov, ki obsega insulo, sprednji del spodnjega temporalnega korteksa, hipokampus in čelni operkulum. Še enkrat je bil M v veliki meri močnejši od N (slika 3A, parcela 4: P <0,001, k=77; t-vrednost=2.79; čas: 0,69–1,19 s). Končno, z vrhom tik pred srednjim reakcijskim časom za kategorizacijo vzorca udeležencev, so opazili močnejšo aktivnost v postcentralnem girusu in senzomotoričnem korteksu za M v primerjavi z N (slika 3A, parcela 5, glavni grozd: P <0,001, k=142; t-vrednost=2.68; čas: 0,94–1,88 s).

Nasprotno pa je analiza za pas 2–8 Hz pokazala več pomembnih skupin močnejše aktivnosti za N v primerjavi z M okoli ostrih vrhov časovne serije. V primerjavi z našo prvo analizo za 5 elementov časovnega zaporedja je ta drugi postopek jasno orisal časovni obseg takšne razlike, ki je ustrezala zadnjim trem tonom časovnih zaporedij. Natančneje, takšne razlike so vključevale desno (sl. 3B, parcela 1, glavni grozd I: P < 0.001, k=11, t-vrednost {{ 9}}.51; čas: 0.89–0.95 s; II: P < 0.001, k {{ 17}}; t-vrednost=2.22; čas: 1,21– 1,28 s) in levi primarni slušni korteks (slika 3B, parcela 2, glavni grozd I: P < 0.{{46 }}01, k=12, t-vrednost=−3,70; čas: 0.74–{{6{{7{{ 76}}}}}.81 s; II: P < 0.001, k {{40}}; t-vrednost {{ 42}}.09; čas: 0.87–{{1{{105}}1}}.95 s; III: P < {{113} }.001, k {{50}}; t-vrednost=2.90; čas: 0,64–0,69 s). Z zmanjšano močjo so bili podobni grozdi aktivnosti opaženi na desni (slika 3B, parcela 3, glavni grozd I: P < 0,001, k=13, t-vrednost=3.08; čas : 1,19–1,27 s; II: P < 0,001, k=12; t-vrednost=3.61; čas: 0,89–0,96 s) ter leva sekundarna slušna skorja in področja hipokampusa (slika 3B, parcela 4, glavni grozd I: P < 0,001, k=12, t-vrednost {{86}} −2,97; čas: 0,74–0,81 s; II: P < 0,001, k {{95 }}; t-vrednost=2.86; čas: 0,87–0,93 s) in cingularno (slika 3B, parcela 5, glavni grozd I: P < 0,001, k=10, t-vrednost { {109}}.03; čas: 0,90–0,96 s; II: P < 0,001, k=9; t-vrednost=−2,29; čas: 0,79–0,84 s). Dodatne podrobnosti o teh kontrastih so navedene v tabelah S8 in obsežno prikazane na sl. S9 in S10.

Skratka, slika 4 kvalitativno ponazarja zanimiv pojav. Medtem ko je "wavelet" odziv na prvi zvok pokazal zelo podobno aktivnost v primarni (parcel i) in sekundarni slušni skorji, insuli, hipokampalnih področjih (parcel ii) in cingulatu (parcel iii), so vrhovi za naslednje zvoke pokazali drugačno trend, zlasti kot odziv na tretjo in četrto točko zaporedja. V tem primeru se je zdelo, da so sekundarni slušni korteks, insula, hipokampalna področja in cingulat dosegli vrh pred primarnim slušnim korteksom. Vendar v nasprotju s tem, kar se zdi na začetku, to morda ne pomeni hitrejšega odziva na teh področjih. Dejansko, če pogledamo na primer vrhove okoli 0,5 s (prvi rdeči kvadrat na sliki 4), bi moral prvi vrh (ki se pojavlja predvsem za sekundarne slušne skorje, insulo, hipokampalna področja in cingulat) ustrezati na komponento P300 na drugi zvok vzorca, medtem ko je lahko drugi vrh (ki se pojavlja predvsem v primarni slušni skorji) P50 na tretji zvok. Podoben pojav se je zgodil za naslednje elemente zaporedja (kot je prikazano z drugimi rdečimi kvadratki).

To lahko nakazuje, da medtem ko je bil prispevek primarne slušne skorje močnejši za prve komponente (tj. P50 in N100), ki sta indeksirali procese na nižji ravni, lahko poznejše komponente, kot je P300, v glavnem ustvarijo področja višjega reda, kot je sekundarna slušna skorja, insula, hipokampalna področja in cingularna skorja. V trenutnem stanju je to le kvalitativno opazovanje, ki zahteva prihodnje študije, katerih cilj je specifično in kvantitativno raziskati ta pojav.

Diskusija

Ta študija MEG z uporabo glasbenih sekvenc je razkrila dvojno sočasno obdelavo v možganih, povezano s prepoznavanjem slušnih časovnih sekvenc. Po eni strani je bila predstavitev lokalnih, posameznih predmetov, ki tvorijo zaporedje, povezana s hitro, oscilatorno, lokalno obdelavo, ki jo poganja senzorična skorja. Ta obdelava je bila močnejša za prepoznavanje zvokov, ki tvorijo nove, v primerjavi s pomnjenimi glasbenimi sekvencami. Po drugi strani pa je bila obdelava globalnega, celotnega časovnega zaporedja povezana s hkratno globalno, počasno obdelavo, ki je vključevala široko mrežo zaporedno aktivnih možganskih področij visokega reda. V tem primeru je bila možganska aktivnost v veliki meri močnejša za zapomnjena v primerjavi z novimi zaporedji.

Ta dvojna sočasna obdelava je bila še posebej očitna v korespondenci s predstavitvijo zadnjih treh tonov zaporedja, kar nakazuje, da možgani potrebujejo vsaj dva ali tri tone, da začnejo postopek prepoznavanja. Tukaj so možgani zaposlili široko mrežo področij, ki so v veliki meri povezana s spominom, pozornostjo, avdicijo in odločanjem. Takšna možganska področja so bila hipokampus (Knierim 2015), cingularni girus (Rolls 2019; Pando-Naude et al. 2021; Criscuolo et al. 2022), spodnja temporalna skorja (Conway 2018), frontalni operkulum (Indefrey et al. 2001; Behroozmand et al. sod. 2015), insula (Uddin 2015) ter primarna in sekundarna slušna skorja (Elhilali s sod. 2004). Predvsem sta oba procesa (globalni in lokalni) vključevala približno iste možganske regije, vendar sta bila odvisna od različnih frekvenc nevronskih sproženih odzivov. Poleg tega je lokalna obdelava temeljila predvsem na senzoričnih korteksih (npr. slušni korteks), medtem ko je globalna obdelava predstavljala širšo rekrutacijo možganskih področij višjega reda, kot so cingulat, inferiorna temporalna skorja in hipokampus.

Presenetljivo je, da je bilo prepoznavanje slušnega časovnega zaporedja povezano s kaskado postopno počasnejših dogodkov, ki so preoblikovali verigo možganskih regij nizkega do visokega reda. Ti dokazi, opaženi za pas 0.1–1 Hz, lahko nakazujejo, da možgani sledijo in postopoma gradijo smiselno razumevanje razvijajočega se časovnega zaporedja z rekrutiranjem hierarhične poti naknadno aktivnih regij. Nasprotno pa je aktivnost v pasu 2–8 Hz pokazala komplementarni profil, ki je rahlo dosegel vrh po vsaki točki časovnega zaporedja. Takšni dokazi kažejo, da medtem ko je pas 0.1–1 Hz lahko vpleten v doseganje celovitega razumevanja celotnega zaporedja (globalna obdelava), lahko pas 2–8 Hz neodvisno razčlenjuje posamezne postavke (lokalno obravnavati). Vendar pa naši rezultati ne morejo dokončno povedati, ali so takšni pasovi predstavljali notranje možganske mehanizme ali so jih preprosto poganjali dražljaji. Za obravnavo tega pomembnega vprašanja bodo potrebne prihodnje raziskave.

Glavna novost naših rezultatov je povezana z diferencialno močjo možganskega signala, opaženega za dva frekvenčna pasova v naših eksperimentalnih pogojih (M in N). Medtem ko je pas 0.1–1 Hz predstavljal večjo moč za zapomnjena zaporedja, je pas 2–8 Hz pokazal večje odzive za nove. To ugotovitev je mogoče videti v luči teorije napovednega kodiranja (Friston 2012; Vuust et al. 2012; Koelsch et al. 2019), ki trdi, da možgani nenehno posodabljajo notranje modele za napovedovanje okoljskih informacij. Tukaj, ko možgani prepoznavajo časovna zaporedja (npr. okoli tonov številka dva in tri naših zaporedij), lahko oblikujejo boljše napovedi prihajajočih, predhodno zapomnih elementov, ki zaključujejo zaporedja.

Tako bi takšni predmeti zahtevali nižjo lokalno obdelavo, kot smo opazili eksperimentalno. Zanimivo je, da so bili nevronski viri aktivnosti pasu 2–8 Hz, čeprav so večinoma lokalizirani v primarni slušni skorji, nameščeni tudi v hipokampalnih območjih, sekundarni slušni skorji, insuli in cingulatu. Kot smo že omenili, ti dokazi kažejo, da so približno iste možganske regije ustvarile dva sočasna frekvenčna pasova, za katera je značilen zelo različen funkcionalni profil, ki indeksira lokalno in globalno obdelavo časovnega zaporedja. Poleg tega glede lokalne obdelave naši rezultati kažejo, da je izdelava vsakega zvoka povzročila valovno časovno vrsto s tremi glavnimi vrhovi (komponentami). Tukaj nižja stopnja obdelave zvokov, ki jih indeksirajo prve komponente (tj. P50 in N100 (Coles in Rugg 2008)), izvira predvsem iz primarne slušne skorje. Nasprotno pa so poznejše komponente, kot je P300 (Coles in Rugg 2008), nastale zlasti na področjih višjega reda, kot so sekundarne slušne skorje, insula, hipokampalne regije in cingulat. Zanimivo je, da je takšen pojav postal bolj očiten po razvitju časovnega zaporedja, kar nakazuje, da je lahko postopoma bolj izpopolnjena izdelava posameznih elementov bistvena za možgane, da razumejo pomen celotnega časovnega zaporedja.

Poleg tega je več prejšnjih študij opisalo globalno in lokalno obdelavo v smislu različnih lokacij živčnega signala (tj. primarne senzorične skorje so bile pred možganskimi območji višjega reda pri izdelavi vhodnih dražljajev (Qiu in Von Der Heydt 2005). Nasprotno pa v z našo študijo smo pokazali, da iste možganske regije upravljajo ta dva procesa (globalni in lokalni) hkrati z uporabo dveh sočasnih frekvenčnih pasov, kar morda kaže na kompleksno multipleksiranje. Ti rezultati so skladni s prejšnjimi raziskavami, ki so pokazale sočasne možganske procese iste postavke pri slušnem zaznavanju in razumevanju jezika (Giraud in Poeppel 2012).

Poleg tega so nekatere prejšnje študije, ki so raziskovale slušno obdelavo in spomin za zvočne informacije, poročale o počasnih evociranih odzivih, podobnih naši počasni, globalni obdelavi. Na primer, Picton (1978) je predložil dokaze o slušnem trajnem električnem potencialu v človeških možganih kot odziv na zvoke. Nedavno so Bidet-Caulet et al. (2007) so z intrakranialnim EEG pokazali, da je selektivna pozornost zvočnim informacijam povezana s trajnimi evociranimi odzivi v sekundarnih slušnih možganskih regijah. Podobno Grimault et al. (2014), ki je preučeval slušni kratkoročni spomin, je poročal o trajni možganski aktivnosti v čelnem, temporalnem in parietalnem predelu, ko je bilo v spominu več slušnih elementov. V skladu s temi ugotovitvami so Albouy in sodelavci pokazali počasne evocirane odzive, ko so udeležence prosili, naj izvedejo naloge slušnega delovnega spomina.

Poročali so o počasnih, trajnih odzivih možganov, zlasti glede zadrževanja in manipulacije slušnih dražljajev (Albouy et al. 2013, 2017).

Nazadnje so naše ugotovitve povezale in razširile koncepte dobro znane hipoteze o dveh tokovih možganov (Goodale in Milner 1992; Whitwell et al. 2014). Takšna konceptualizacija je predlagala 2 glavni poti za obdelavo vidnih in slušnih informacij visokega reda. Po eni strani ventralni tok vodi od senzoričnih področij (npr. vidne in slušne skorje) do medialnega temporalnega režnja, pri čemer procesira funkcije, ki so v glavnem povezane s prepoznavanjem predmetov (Goodale in Milner 1992; Weiller et al. 2021). Po drugi strani pa dorzalni tok prinaša informacije iz senzorične skorje v parietalni reženj in izdeluje prostorske značilnosti dražljajev (Arbib 2017).

V skladu s to hipotezo so naši rezultati poudarili več možganskih regij ventralnega toka, ki so vpleteni v procese prepoznavanja, kot so področja hipokampusa, čelni operkulum in inferiorna temporalna skorja. Zanimivo pa je, da so naši rezultati dodatno razširili prejšnje znanje o hipotezi dveh tokov z zagotavljanjem vsaj treh ključnih, dokončnih pripomb. (i) Možgansko prepoznavanje časovnih zaporedij je predstavljalo edinstvene prostorsko-časovne značilnosti, ki niso bile skupne z identifikacijo posameznih elementov ali sinhronih vzorcev. (ii) Poleg možganskih regij, vključenih v hipotezo o dveh tokovih, so naše ugotovitve pokazale privilegirano vlogo cingularnega gyrusa za doseganje slušnega prepoznavanja časovnega zaporedja. (iii) Končno je prepoznavanje zaporedij, ki se odvijajo skozi čas, vključevalo dvojno hkratno obdelavo istih elementov, ki so jih možgani interpretirali hkrati kot posamezne dele informacij (lokalna obdelava) in elementarne dele večje celote (globalna obdelava). Predvsem je naša študija pokazala, da je bila lokalna obdelava zelo pomembna za nove slušne informacije, medtem ko so bile predhodno zapomnjene glasbene sekvence prepoznane z močno vpletenostjo globalne obdelave možganov.

Prihodnje raziskave so namenjene nadaljnjemu raziskovanju te teme s preučevanjem možganskih mehanizmov, ki so podlaga za prepoznavanje neglasbenih časovnih zaporedij (npr. zaporedij številk, besed in vizualnih elementov). Poleg tega na podlagi dobro znanih razlik v kognitivnih sposobnostih med različnimi kategorijami ljudi (npr. starejši v primerjavi z mlajšimi odraslimi (Fernàndez-Rubio, Brattico et al. 2022a; Fernàndez-Rubio, Olsen et al. 2022c)) glasbeniki v primerjavi z neglasbeniki (Criscuolo et al. 2019; Bonetti, Brattico, Vuust et al. 2021c) in zdravi posamezniki v primerjavi z bolniki (Valenzuela in Sachdev 2006)), bi morale prihodnje študije raziskati vpliv starosti in kliničnih stanj na možganske mehanizme prepoznavanje osnovnih časovnih zaporedij.

Avtorski prispevki

Konceptualizacija: LB, EB, MLK, PV; Metodologija: LB, MLK, DP, GDE; Programska oprema: LB; Analiza: LB; Preiskava: LB, GDO; Viri: MLK, PV, EB, LB; Urejanje podatkov: LB; Pisanje—Izvirni osnutek: LB; Pisanje—Pregled in urejanje: LB, SEPB, EB, DP, GDE, GDO, PV; Vizualizacija: LB, SEPB; Nadzor: MLK, PV, DP, EB; Administracija projekta: LB, MLK, PV, EB; Pridobitev sredstev: LB, PV, MLK.

Zahvala

Zahvaljujemo se Riccardu Proiettiju, Giuliju Carraturo, Micku Holtu in Holgerju Friisu za njihovo pomoč pri nevroznanstvenem eksperimentu. Zahvaljujemo se tudi psihologinji Tini Birgitte Wisbech Carstensen za pomoč pri izvajanju psiholoških testov in vprašalnikov ter Francescu Carlomagnu za pomoč pri prikaznih točkah prispevka.

Dodatno gradivo
Dodatno gradivo je na voljo na spletni strani Cerebral Cortex.

financiranje

Center za glasbo v možganih (MIB) financira Danska nacionalna raziskovalna fundacija (številka projekta DNRF117).

LB podpirajo Fundacija Carlsberg (CF20-0239), Fundacija Lundbeck (Nagrada za talente 2022), Center za glasbo v možganih, Linacre College Univerze v Oxfordu in Društvo za izobraževanje in glasbeno psihologijo (50. obletnica SEMPRE Nagradna shema).

MLK podpirata Center for Music in the Brain in Center for Eudaimonia and Human Flourishing, ki ju financirata fundaciji Pettit in Carlsberg.

GD podpira španski raziskovalni projekt PSI2016- 75688-P (AEI/FEDER, EU), program Evropske unije za raziskave in inovacije Obzorje 2020 v okviru pogodbe o dodelitvi sredstev št. 720270 (HBP SGA1) in št. 785907 (HBP SGA2) in katalonski program AGAUR 2017 SGR 1545.

Poleg tega se zahvaljujemo Univerzi v Bologni za ekonomsko podporo avtorici Giulii Donati in študentskima asistentoma Riccardu Proiettiju in Giuliu Carraturo ter italijanski sekciji Mensa: Mednarodno društvo za visok IQ za ekonomsko podporo Francescu Carlomagnu.

Reference

Al-Zoubi MB, Al RM. Učinkovit pristop za računanje koeficientov silhuet. 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. Motnje zaznavanja višine in spomina pri prirojeni amusiji: primanjkljaj se začne v slušni skorji. možgani. 2013:136(5):1639–1661.

3. Albouy P, Weiss A, Baillet S, Zatorre RJ. Selektivno uvajanje theta oscilacij v dorzalni tok vzročno izboljša zmogljivost slušnega delovnega spomina. Nevron. 2017:94(1):193–206.

4. Arbib MA. Dorzalni in ventr1982alni tokovi v evoluciji možganov, pripravljenih na jezik: povezovanje jezika s svetom. J Nevrolingvistika. 2017: 43: 228–253.

5. Behroozmand R, Shebek R, Hansen DR, Oya H, Robin DA, Howard MA, Greenlee JDW. Senzomotorična omrežja, vključena v produkcijo govora in motorični nadzor: študija fMRI. NeuroImage. 2015: 109: 418–428.

6. Berdyyeva TK, Olson CR. Razvrsti signale v štirih območjih čelne skorje makaka med izbiro dejanj in predmetov v zaporednem vrstnem redu. J Neurophysiol. 2010:104(1):141–159.

7. Bidet-Caulet A, Fischer C, Besle J, Aguera PE, Giard MH, Bertrand, O. Učinki selektivne pozornosti na elektrofiziološko predstavitev sočasnih zvokov v človeški slušni skorji. 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. Prostorsko-časovna dinamika možganov med prepoznavanjem glasbe Johanna Sebastiana Bacha. 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. Hitro kodiranje glasbenih tonov, odkrito v povezljivosti celih možganov. NeuroImage. 2021a:245:118735.

10. Bonetti L, Brattico E, Vuust P, Kliuchko M, Saarikallio S. Inteligenca in glasba: nižji inteligenčni količnik je povezan z večjo uporabo glasbe za doživljanje močnih občutkov. Empir Stud Arts. 2021c:39(2):194–215.

For more information:1950477648nn@gmail.com