Magnetoencefalografiopptak avslører den spatiotemporale dynamikken til gjenkjenningsminne for komplekse versus enkle auditive sekvenser

Auditiv gjenkjenning er en avgjørende kognitiv prosess som er avhengig av organiseringen av enkeltelementer over tid. Imidlertid er lite kjent om den spatiotemporale dynamikken som ligger til grunn for den bevisste gjenkjennelsen av auditive sekvenser som varierer i kompleksitet. For å studere dette, svekket 71 deltakere til å lære og gjenkjenne enkle tonale musikalske sekvenser og matchede komplekse atonale sekvenser mens hjerneaktiviteten deres ble registrert ved hjelp av magnetoencefalografi (MEG).

Musikk har den unike og utrolige kraften til å snu oss tilbake i tid og gjenoppleve de fantastiske minnene fra fortiden, eller fordype oss dypt i nåtidens skjønnhet. Enda viktigere, musikk kan også forbedre hukommelsen vår og forbedre lærings- og arbeidsevnene våre.

Forskning har funnet at musikalske sekvenser er nært knyttet til hukommelsen. Noen ganger finner vi ut at vi lett kan huske teksten til en sang fordi sangen stimulerer språksenteret i hjernen vår og konsoliderer hukommelsen gjennom gjentatt spilling. På samme måte, når vi lærer ny informasjon, kan vi huske den lettere ved å kombinere informasjonen med melodi og rytme. Mange medisinske eksperter og pedagoger anbefaler å bruke musikk som en minneteknikk for å forbedre læringen.

I tillegg til dette kan musikk forbedre vår følelsesmessige tilstand og gjøre oss mer avslappede og fokuserte. Når vi føler oss slitne eller engstelige, kan avslappende musikk umiddelbart avhjelpe situasjonen. Denne typen musikk er veldig effektiv for å slappe av spente følelser og kan også forbedre vår viljestyrke og tålmodighet.

Alt i alt er musikk en integrert del av livene våre og kan være svært gunstig for hukommelsen og læringsevnene våre. Så enten du jobber eller studerer, kan du like gjerne bruke litt musikk for å hjelpe deg selv. Jeg tror dette kan hjelpe deg med å fullføre oppgavene dine bedre og også gjøre livet ditt bedre. Det kan sees at vi trenger å forbedre immuniteten vår. Cistanche deserticola kan forbedre immuniteten betydelig fordi Cistanche deserticola er et tradisjonelt kinesisk medisinsk materiale med mange unike effekter, hvorav en er å forbedre hukommelsen. Effekten av kjøttdeig kommer fra de ulike aktive ingrediensene den inneholder, inkludert syre, polysakkarider, flavonoider osv. Disse ingrediensene kan fremme hjernens helse på ulike måter.

Klikk på Kjenn korttidsminne hvordan du kan forbedre

Resultatene avslører kvalitative endringer i nevral aktivitet avhengig av stimuluskompleksitet: gjenkjenning av tonale sekvenser engasjerer hippocampus og cingulate områder, mens gjenkjenning av atonale sekvenser hovedsakelig aktiverer det auditive prosesseringsnettverket. Våre funn avslører involvering av et kortiko-subkortikalt hjernenettverk for auditiv gjenkjenning og støtte. ideen om at stimuluskompleksitet kvalitativt endrer de nevrale banene til gjenkjenningsminnet.

Koding og gjenkjennelse av strukturelt komplekse lyder er en kognitiv utfordring som er avhengig av nevrale mekanismer som ennå ikke er fullstendig belyst. For å huske komplekse lydsekvenser er vi sannsynligvis avhengige av den tidsmessige organiseringen av en stimulus komponenter og minnefunksjoner.

Minnekoding finner sted i hippocampus2–4, mens påfølgende prosesser relatert til gjenkjennelsesminne støttes av et funksjonelt nettverk av sammenkoblede regioner i den mediale tinninglappen, inkludert hippocampus, insula og inferior temporal cortex2,5,6. For hukommelseskonsolidering er kommunikasjon mellom hippocampus og neokortikale områder nødvendig7–9. Mye bevis kommer fra studier som bruker statiske visuelle stimuli, for eksempel bilder av objekter, ansikter eller naturlige scener10–12. Informasjon og mening utfolder seg imidlertid også over tid når hjernen forsøker å forutsi kommende stimuli basert på representasjoner fra tidligere minne. Derfor, for bedre å forstå minnegjenkjenning og dens underliggende raske hjernedynamikk, må nye metoder tas i bruk som fremhever de tidsmessige egenskapene til dynamiske stimuli. Dette kan gjøres ved å studere den nevrale aktiviteten som ligger til grunn for behandlingen av lydsekvenser som får mening gjennom deres utvikling over tid, for eksempel musikk13–15.

Få nevrovitenskapelige studier har utforsket det nevrale grunnlaget for musikalsk hukommelse, som gjennomgått av Campo og Brattico16. For eksempel, ved bruk av funksjonell resonansavbildning (fMRI) og et naturalistisk musikklyttingsparadigme, undersøkte Alluri et al.17 de nevrale korrelatene til musikkprosessering og rapporterte aktivering av kognitive, motoriske og limbiske hjernenettverk for kontinuerlig prosessering av klanglige, tonale og andrytmiske trekk. . Deretter, ved å bruke de samme stimuli, rapporterte Burunatet al.18 rekruttering av hukommelsesrelaterte og motorhjerneregioner under gjenkjennelsen av musikalske motiver. Til tross for deres bidrag, klarer disse studiene ikke å identifisere de finkornede tidsmessige mekanismene til lydkoding og minneprosesser.

Nylig kombinerte vi den høye tidsoppløsningen til magnetoencefalografi (MEG) med den høye romlige oppløsningen til magnetisk resonansavbildning (MRI) for å studere musikkgjenkjenning. Disse studiene fremhevet den tidsmessige involveringen av et utbredt kortiko-subkortikalt hjernenettverk som omfatter den primære auditive cortex, overlegen temporal. gyrus, frontal operculum, cingulate gyrus, orbitofrontal cortex og hippocampus under gjenkjenning av auditive (musikalske) sekvenser19–21. Totalt sett har disse undersøkelsene gitt unik innsikt i de nevrale mekanismene som ligger til grunn for gjenkjennelsen av tidssekvenser. Det som gjenstår å adressere er hvordan disse mekanismene moduleres av stimuluskompleksitet.

Her brukte vi melodiske sekvenser, der mening kom fra den sekvensielle kombinasjonen av individuelle toner over tid21, og varierte tonefordelingen for å få nye, komplekse musikalsekvenser. I dette scenariet avhenger koding og gjenkjennelse av de musikalske sekvensene i stor grad av rekkefølgen av tone som utgjør den. Vi valgte først ut musikalske sekvenser basert på tonalitetsreglene, som er det dominerende musikksystemet i vestlig populærmusikk22. For det andre, ved å modifisere toneintervallene (dvs. avstandene mellom tonehøyder) mens vi holdt alle andre variabler (f.eks. rytme, tempo, klang) konstante, genererte vi matchede atonale musikalske sekvenser. Stimuleringsmanipulasjonen var basert på tidligere litteratur, som rapporterte at tonale snarere enn atonale musikalske sekvenser er generelt lettere å behandle23–27 og mer verdsatt av ikke-ekspertlyttere27–29. I motsetning til tonal musikk er atonal musikk preget av fraværet av et klart tonalt senter og hierarkisk stabilitet, noe som reduserer dens prediktive verdi betydelig og gir opphav til økte prediksjonsfeil23–26,30. Derfor forventet vi at endring av toneintervaller ville redusere forutsigbarheten til de atonale sekvensene, noe som fører til økte vanskeligheter med å gjenkjenne dem.

For å oppsummere, i den nåværende studien brukte vi MEG og musikalsk gjenkjenningsoppgave 19–21 mens deltakerne lyttet til og gjenkjente auditive (musikalske) sekvenser av varierende kompleksitet og hadde som mål å beskrive den finkornede spatiotemporaldynamikken til auditiv gjenkjenningshukommelse. Etter de tidligere studiene17–21 forventet vi at gjenkjennelsen av auditive sekvenser ville aktivere et utbredt hjernenettverk som inkluderer både auditive (f.eks. primær auditiv cortex, superiortemporal gyrus, Heschls gyrus, planum temporale, insula) og minnebehandlingsområder (f.eks. hippocampus, cingulate). gyrus).

Vi antok videre at nevral aktivitet ville være fordelt langs to hovedfrekvensbånd som reflekterte forekomsten av to forskjellige kognitive prosesser: et sakte frekvensbånd knyttet til gjenkjennelsen av den fulle musikalske sekvensen i minnebehandlingsområder, og et raskere frekvensbånd assosiert med behandlingen av hver tone. av den musikalske sekvensen inauditive regioner. Enda viktigere, vi antok at, basert på stimuluskompleksitet, ville tonal musikk bli mer effektivt behandlet enn atonal musikk, noe som ville gjenspeiles i forskjellige atferdsresponser og distinkte nevrale veier under gjenkjennelsen av tonale og atonale sekvenser.

Våre atferdsmessige og nevrale resultater viste klare forskjeller mellom gjenkjennelsen av tonale og atonale sekvenser. Kilderekonstruksjonsanalyser indikerte forskjellige aktiveringsklynger fortonale og atonale sekvenser. Totalt sett var den nevrale aktiviteten sterkere i minnebehandlingsområder for memorerte tonalesekvenser og i auditive prosesseringsområder for memorerte atonale sekvenser.

Resultater

Atferdsdata. Deltakerne utførte en gammel/ny hørselsgjenkjenningsoppgave (fig. 1). De lyttet først til et fullstendig musikalsk stykke (koding) og identifiserte deretter hvilke musikalske sekvenser som ble memorert eller nye. Under gjenkjenningen ble deltakernes responsnøyaktighet og reaksjonstid registrert ved hjelp av en joystick. Disse atferdsdataene ble statistisk analysert for å undersøke forskjellene mellom de fire eksperimentelle forholdene (memorerte tonale sekvenser, nye tonale sekvenser, memorerte atonale sekvenser og nye atonale sekvenser).

En enveis variansanalyse (ANOVA) viste at forskjellene i responsnøyaktighet var statistisk signifikante, F(3,280)=6.87, p=0.002. Post-hoc-analyser indikerte at det gjennomsnittlige antallet korrekte svar var betydelig lavere formmoriserte atonale sekvenser (M=30.98, SD=5.46) enn for nye atonale (M=34.51, SD=4.26, p < 0.001), lagret tonal(M=34.34, SD=5.95, p=0.002) og nye tonesekvenser (M { {24}}.41, SD=6.04, s=0.001). Figur 2a viser forskjellene mellom forhold ved bruk av regnskyplott31.

Når det gjelder gjennomsnittlig reaksjonstid, var det en statistisk signifikant forskjell mellom tilstandene bestemt ved enveis ANOVA, F(3, 280)=4.94, p=0.002. Post-hoc-analyser avslørte at den gjennomsnittlige reaksjonstiden var betydelig lavere formemoriserte tonesekvenser (M=1735.17, SD=259.91) sammenlignet med memorerte atonale (M=1879.44, SD { {14}}.34,p=0.005) og nye atonale sekvenser (M=1873.78, SD =250.48, s=0.007), men ikke sammenlignet med nye tonesekvenser (M=1799.52, SD=267.14, s=.450). Figur 2b viser forskjellene mellom forholdene.

Numeriske kildedata for atferdsreaksjoner er gitt i tilleggsdata 1.

MEG-sensordata. MEG-dataene (204 plane gradiometre og 102 magnetometre) ble analysert på MEG-sensornivå ved å bruke bredbåndssignalet. Selv om vektleggingen av studiene for å identifisere hjerneområdene som er involvert i gjenkjennelsen av tonale versus atonale musikalske sekvenser, ble MEG-sensordataene undersøkt for å vurdere om det nevrale signalet var signifikant forskjellig for memorerte enn for nye forsøk og dermed ville bekrefte resultatene fra tidligere studier19,20.

Etter å ha tatt et gjennomsnitt av de epokede dataene for korrekte forsøk for hver eksperimentell tilstand og kombinert de plane gradiometrene, ble det utført parvise t-tester for å identifisere hvilken tilstand (memorert eller ny) som genererte et sterkere nevralt signal for hver gang prøve og MEG-sensor. Klyngebasert MCS ble deretter beregnet for å korrigere for flere sammenligninger. Dette ble utført uavhengig for både tonale og atonale data (se Metoder for detaljer).

Først ble t-tester med parvise prøver (=0.01) beregnet for tonale data i tidsintervallet 0–2500 ms (fra starten av Angående atonale data, t-tester med parvise prøver (= 0.01) ble beregnet i samme tidsintervall (0–2500 ms) ved bruk av kombinerte plane gradiometre. Deretter ble flere sammenligninger korrigert for bruk av MCS på de signifikante t-testenes resultater ( { {13}}.001, 1000 permutasjoner). Denne prosedyren identifiserte tre hovedbetydende aktiveringsklynger ved kontrastering av lagrede versus nye utdrag (tabell 2, tilleggsfigur 3 og tilleggsdata 2). I tilfellet med den nye kontra husket kontrast, tre hoved Det ble funnet betydelige klynger av aktivitet (tabell 2, tilleggsfigur 4 og tilleggsdata 2).

Kilde rekonstruksjon. Etter å ha undersøkt styrken til nevrale signaler på MEG-sensornivå, fokuserte vi på hovedmålet med studien, nemlig å undersøke de nevrale forskjellene som ligger til grunn for gjenkjennelsen av tonale versus atonale musikalsekvenser i MEG-rekonstruert kilderom. For å utføre denne analysen lokaliserte vi hjernekildene til de hendelsesrelaterte feltene registrert av MEG-kanalene. Dette ble utført for både tetonale og atonale sekvenser og for to frekvensbånd (langsomme[0.1–1 Hz] og raskere [2–8 Hz]) som ble brukt i Bonettiet al.19,20 og knyttet til behandlingen av enkeltkomponenter (sakte) i forhold til en hel sekvens (rask). Ytterligere analyser ble beregnet for å kontrastere hjerneaktiviteten mellom de langsomme og raske frekvensbåndene og for å undersøke aktivitetsmønsteret ved standard delta (1–4 Hz) og theta (5–8 Hz) frekvensbånd.

Langsomt frekvensbånd (0.1–1 Hz). De nevrale kildene ble beregnet ved hjelp av en beamformer-tilnærming. Først ble en forovermodell beregnet ved å betrakte hver hjernekilde som en aktiv dipol og beregne styrken på tvers av MEG-sensorene. For det andre ble en stråleformende algoritme brukt som en invers modell for å estimere hjernekildene til nevral aktivitet basert på MEG-opptakene.

Etter å ha beregnet de nevrale kildene, ble en GLM beregnet ved hvert tidspunkt og dipolplassering. En serie t-tester (= 0.05) ble utført på første- og gruppenivå for å estimere hovedeffekten av memorerte og nye tilstander og deres kontrast for både tonale og atonale data uavhengig. Klyngebasert MCS (= 0.001, 1000 permutasjoner) ble beregnet for å korrigere for flere sammenligninger og for å bestemme hjerneaktiviteten som ligger til grunn for utviklingen av de musikalske sekvensene. Disse analysene ble utført for fem spesifikke tidsintervaller som tilsvarte hver av tonene som omfattet sekvensene: førstetone (0–250 ms), andre tone (251–500 ms), tredje tone (501–750 ms), fjerde tone (751– 1000 ms), og femte tone (1001–1250 ms). Dette ble estimert for den lagrede kontra nye kontrasten for både tonale og atonale sekvenser uavhengig og for memorerte tonale versus memorerte atonale sekvenser.

Signifikante klynger av aktivitet (p < 0.001) ble lokalisert på tvers av flere hjernevoksler (k) for hver tone av tonesekvensene, som rapportert i tilleggsdata 3. For memorerte tonasekvenser var den nevrale aktiviteten totalt sett sterkere for den tredje (k=69), fjerde (k=266) og femte tone (k=229).

De største forskjellene var lokalisert i den midtre cingulate gyrus, høyresupplerende motoriske område, precuneus og venstre lingual gyrus for tredje tone; venstre amygdala venstre parahippocampal gyrus, leftlingual gyrus, venstre hippocampus og middle cingulate gyrus for fjerde tone, og fremre og midtre cingulate gyrus og venstre lingual gyrus for siste tone. For nye tonesekvenser var hjerneaktiviteten sterkere for den første (k=54) og andre tonene (k=29). Spesielt var forskjellen mellom nye og lagrede sekvenser sterkest i venstre calcarine fissur, venstre lingual gyrus, venstre hippocampus, venstre precuneus og leftsuperior temporal gyrus for første tone, og høyre fusiformgyrus, høyre lingual gyrus og høyre inferior occipital gyrus for denne andre tonen. Kontrasten mellom lagrede og nye tonesekvenser for det langsomme båndet er avbildet i fig. 3a.

For more information:1950477648nn@gmail.com