Pengenalan Otak Urutan Temporal Baru yang Dipelajari Sebelumnya Versus: Pemrosesan Simultan Diferensial Bagian 2

Akuisisi data

Kami memperoleh data anatomi MRI dan MEG dalam dua sesi independen. Data MEG diperoleh dengan menggunakan sistem Elekta Neuromag TRIUX (Elekta Neuromag, Helsinki, Finlandia) yang dilengkapi dengan 306 saluran. Mesin tersebut ditempatkan di ruangan berpelindung magnetis di Rumah Sakit Universitas Aarhus, Denmark. Data direkam pada laju pengambilan sampel 1,000 Hz dengan pemfilteran analog 0,1–330 Hz. Sebelum pengukuran, kami menetapkan tingkat suara 50 dB di atas ambang batas pendengaran minimum masing-masing peserta. Selain itu, dengan memanfaatkan digitizer tiga dimensi (Polhemus Fastrak, Colchester, VT, USA), kami mendaftarkan bentuk kepala peserta dan posisi empat kumparan kepala, berdasarkan tiga penanda anatomi (nasion, dan lokasi preauricular kiri dan kanan).

Dengan terus berkembangnya ilmu pengetahuan dan teknologi, banyak konsep dan teknologi baru yang bermunculan dalam kehidupan kita. Teknologi MEG adalah salah satunya. MEG adalah teknik umum untuk mengukur aktivitas listrik di otak manusia. Ia menggunakan interferometer kuantum superkonduktor (SQUID) untuk mendeteksi aktivitas listrik neuron. Teknologi MEG dapat membantu kita lebih memahami prinsip kerja otak manusia, dan kemudian mengeksplorasi misteri kecerdasan manusia.

Selain mempelajari aktivitas listrik neuron, teknologi MEG juga dapat mengevaluasi dan mempelajari memori manusia. Banyak penelitian menunjukkan hubungan antara teknologi MEG dan memori. Dengan mempelajari dan menganalisis data dalam jumlah besar, para ilmuwan dapat menggunakan teknologi MEG untuk melacak kapasitas memori manusia dan cara orang memproses ingatan.

Menurut penelitian, melalui analisis teknologi dan data MEG, para ilmuwan dapat mengidentifikasi dan mengukur aktivitas listrik di berbagai wilayah otak manusia, sehingga membantu kita memahami cara kerja otak. Data ini dapat membantu kita lebih memahami memori dan proses kognitif, dan pada gilirannya, mengembangkan cara yang lebih baik untuk meningkatkan memori masyarakat.

Selain itu, banyak penelitian juga menunjukkan bahwa penggunaan berbagai metode dan teknik untuk meningkatkan daya ingat sangatlah mungkin dilakukan. Dengan menggunakan teknik dan latihan memori yang berbeda, kita dapat melatih otak kita dan dengan demikian meningkatkan kemampuan kita untuk mengingat. Bagi mereka yang ingin meningkatkan daya ingat, memahami teknologi MEG dan analisis data merupakan langkah penting.

Oleh karena itu, terdapat hubungan yang tidak dapat dipisahkan antara teknologi MEG dan memori. Melalui analisis data dalam jumlah besar, kita dapat lebih memahami cara kerja otak manusia dan proses pembentukan memori, dan kemudian mengembangkan metode yang lebih baik untuk meningkatkan kemampuan memori kita. Kami percaya bahwa di masa depan, dengan pengembangan dan peningkatan teknologi yang berkelanjutan, kita akan memiliki lebih banyak metode dan teknologi untuk membantu kita mengembangkan dan memanfaatkan kemampuan memori kita dengan lebih baik. Dari sudut pandang ini, kita perlu meningkatkan daya ingat kita. Cistanche dapat meningkatkan daya ingat secara signifikan, karena Cistanche juga dapat mengatur keseimbangan neurotransmiter, seperti meningkatkan kadar asetilkolin dan faktor pertumbuhan, yang sangat penting untuk daya ingat dan pembelajaran. Selain itu, daging juga dapat melancarkan aliran darah dan meningkatkan pengiriman oksigen, sehingga dapat memastikan otak mendapat nutrisi dan energi yang cukup, sehingga meningkatkan vitalitas dan daya tahan otak.

Klik suplemen untuk meningkatkan daya ingat

Lokasi kumparan kepala didaftarkan selama seluruh perekaman dengan menggunakan identifikasi posisi kepala berkelanjutan (cHPI), memungkinkan kami melacak lokasi kepala secara tepat dalam pemindai MEG pada setiap titik waktu. Kami menggunakan data ini untuk melakukan koreksi pergerakan yang akurat pada tahap analisis data selanjutnya.

Data MRI anatomi yang direkam sesuai dengan T1 struktural. Parameter akuisisi untuk pemindaian dilaporkan sebagai berikut: ukuran voxel=1.0 × 1.0 × 1.0 mm (atau 1.0 mm3); ukuran matriks yang direkonstruksi 256 × 256; waktu gema (TE) sebesar 2,96 ms dan waktu pengulangan (TR) sebesar 5,000 ms serta bandwidth sebesar 240 Hz/Px. Pada tahap analisis selanjutnya, setiap pemindaian MR berbobot T1-didaftarkan bersama ke templat otak MNI standar melalui transformasi affine dan kemudian direferensikan ke ruang sensor MEG dengan menggunakan data bentuk kepala Polhemus dan ketiganya. poin fidusia diukur selama sesi MEG.

Pra-pemrosesan data

Data sensor MEG mentah (204 gradiometer planar dan 102 magnetometer) telah diproses sebelumnya oleh MaxFilter (Taulu dan Simola 2006) untuk melemahkan interferensi yang berasal dari luar kulit kepala dengan menerapkan pemisahan ruang sinyal. Dalam sesi yang sama, Maxfilter juga menyesuaikan sinyal pergerakan kepala dan menurunkan sampelnya dari 1,000 menjadi 250 Hz.

Data diubah ke dalam format SPM dan dianalisis lebih lanjut di Matlab (MathWorks, Natick, Massachusetts, USA) dengan menggunakan OSL (OHBA Software Library), kotak peralatan yang tersedia secara gratis yang mengandalkan kombinasi FSL (Woolrich et al. 2009), SPM (Penny dkk. 2007) dan Fieldtrip (Oostenveld dkk. 2011), serta fungsi internal. Filter takik (48–52 Hz) diterapkan untuk mengoreksi kemungkinan gangguan pada arus listrik. Data tersebut selanjutnya diturunkan sampelnya menjadi 150 Hz dan beberapa segmen data, yang diubah oleh artefak besar, dihapus setelah inspeksi visual.

Kemudian, untuk membuang gangguan kedipan mata dan artefak detak jantung dari data otak, analisis komponen independen (ICA) digunakan untuk menguraikan sinyal asli menjadi komponen independen. Kemudian, komponen yang mendeteksi aktivitas kedipan mata dan detak jantung diisolasi terlebih dahulu lalu dibuang. Sinyal dibangun kembali dengan menggunakan komponen yang tersisa (Mantini dkk. 2011) dan kemudian dilakukan epoching dalam 80 percobaan (satu untuk setiap kutipan musik) masing-masing berdurasi 3.500 mdtk (dengan waktu pra-stimulus 100 mdtk yang digunakan untuk koreksi garis dasar) ( Gambar 1B).

Tes univariat dan simulasi Monte-Carlo melalui sensor MEG

Meskipun fokus utama kami adalah pada data otak yang direkonstruksi sumber MEG, analisis pertama data sensor MEG dihitung, sejalan dengan rekomendasi mutakhir untuk praktik terbaik dalam analisis MEG (Gross et al. 2013).

Jadi, serupa dengan sejumlah besar studi terkait tugas MEG dan electroencephalography (EEG) (Gross dkk. 2013), kami menghitung rata-rata uji coba berdasarkan kondisi, memperoleh dua uji coba rata-rata akhir, untuk M dan N, masing-masing. Kemudian, kami menggabungkan setiap pasangan gradiometer planar berdasarkan jumlah akar kuadrat. Setelah itu, kami melakukan uji-t untuk setiap titik waktu dalam rentang waktu 0–2,500 detik dan setiap gabungan gradiometer planar, membandingkan M versus N.

Untuk mengoreksi beberapa perbandingan, kami menghitung simulasi Monte-Carlo (MCS) (Kroese et al. 2011) dengan permutasi 1,000 pada kelompok hasil signifikan yang muncul dari uji-t. Kami menganggap klaster asli yang memiliki ukuran lebih besar dari 99,9% ukuran klaster maksimum dari data permutasi dianggap signifikan. Rincian tambahan mengenai prosedur yang banyak digunakan ini dapat ditemukan di Bonetti dkk. (2020), Bonetti, Brattico, Carlomagno, dkk. (2021a), Bonetti, Bruzzone, Sedghi, dkk. (2021b), Bonetti, Brattico, Vuust, dkk. (2021c) dan Fernàndez-Rubio, Brattico, dkk. (2022a), FernàndezRubio, Carlomagno, dkk. (2022b), Fernàndez-Rubio, Olsen, dkk. (2022c).

Analisis ini menghasilkan perbedaan yang besar dan kuat antara kondisi eksperimental. Selain itu, aktivitas otak yang direkam melalui saluran MEG membentuk cluster signifikan yang dihasilkan oleh analisis MCS menguraikan rangkaian waktu, yang menampilkan dua komponen frekuensi utama. Seperti ditunjukkan pada Gambar S2A, komponen frekuensi yang lebih cepat mencapai puncaknya setelah penyajian setiap item yang membentuk barisan, sedangkan komponen frekuensi yang lebih lambat menyertai keseluruhan barisan.

Bukti ini selanjutnya didukung oleh perhitungan transformasi wavelet Morlet yang kompleks (Daubechies 1992) pada semua data sensor MEG, yang menyoroti kontribusi utama 1 dan 4 Hz terhadap sinyal MEG yang direkam selama tugas (Gbr. S2B). Selain itu, analisis ini menunjukkan daya yang nyata namun lebih lemah sekitar 10 Hz.

Perlu dicatat, kekuatan 10 Hz tidak dikunci waktu untuk permulaan rangkaian musik. Oleh karena itu, analisis kami berikut ini terutama berfokus pada dua pita frekuensi yang ditentukan sekitar 1 dan 4 Hz, karena keduanya merupakan frekuensi dengan daya terkuat. Kedua pita ini adalah 0,1–1 dan 2–8 Hz. Selain itu, kami melakukan analisis tambahan pada rentang frekuensi yang ditetapkan sekitar 10 Hz, karena rentang tersebut menunjukkan daya yang berkurang namun dapat dibedakan. Pita tersebut adalah 8–12 Hz.

Yang penting, kami berhipotesis bahwa pita frekuensi 2–8 dan 0.1–1 Hz mengindeks dua proses utama yang terlibat dalam tugas eksperimental kami: pemrosesan item tunggal yang membentuk urutan temporal (i—pemrosesan lokal) dan mengenali urutan temporal sebagai objek superordinat yang komprehensif (ii— pemrosesan global).

Rekonstruksi sumber

Kami menggunakan metode rekonstruksi sumber yang canggih untuk memperkirakan sumber, yang menghasilkan sinyal yang kami rekam pada sensor MEG (Gambar 1C dan Gambar 2A) (Huang et al. 1999; Hillebrand dan Barnes 2{{ 7}}05). Yang penting, algoritma rekonstruksi sumber telah dihitung secara independen untuk tiga pita frekuensi yang terlibat dalam penelitian ini (0,1–1, 2–8, dan 8–12 Hz), untuk mengkarakterisasi respons yang ditimbulkan terhadap M dan N dalam tiga pita frekuensi berbeda ini. . Secara khusus, langkah-langkah berikut telah dilaksanakan.

Pertama, data kontinu (sebelum epoching) disaring melalui band-pass ke dalam tiga pita frekuensi. Kedua, data yang disaring (secara independen untuk ketiga band) dibuat epos. Ketiga, data periode waktu diserahkan ke algoritma rekonstruksi sumber yang dijelaskan di bawah ini.

Algoritma tersebut melibatkan dua langkah berikutnya: (i) merancang model maju dan (ii) menghitung solusi invers. Model maju adalah model teoritis yang menganggap setiap sumber otak sebagai dipol aktif dan menjelaskan bagaimana kekuatan kesatuan dipol tersebut akan tercermin pada semua sensor MEG (dalam kasus kami, kami menggunakan magnetometer dan gradiometer planar) (Huang et al. 1999).

Di sini, kami menggunakan kisi 8-mm yang mengembalikan 3.559 lokasi dipol (voxel) di seluruh otak. Setelah mendaftarkan data T1 struktural individu dengan fidusia (informasi tentang landmark kepala), model maju dihitung dengan mengadopsi metode yang banyak digunakan yang disebut "Single Shell", yang disajikan secara rinci oleh Nolte (2003). Keluaran dari komputasi tersebut juga disebut sebagai model medan utama disimpan dalam matriks L (sumber × saluran MEG). Dalam beberapa kasus di mana T1 struktural tidak tersedia, kami melakukan penghitungan bidang utama menggunakan templat (MNI152-T1 dengan resolusi spasial 8-mm).

Langkah kedua dari rekonstruksi sumber adalah menghitung solusi invers (yaitu memperkirakan generator sinyal saraf berdasarkan aktivitas otak yang direkam dengan MEG). Dalam penelitian kami, kami memilih beamforming, yang merupakan salah satu algoritma paling populer dan efektif yang tersedia di lapangan (Huang et al. 1999; Hillebrand dan Barnes 2005). Prosedur ini menggunakan serangkaian bobot berbeda yang diterapkan secara berurutan pada lokasi sumber untuk mengisolasi kontribusi setiap sumber terhadap aktivitas yang dicatat oleh saluran MEG untuk setiap titik waktu (Hillebrand dan Barnes 2005; Brookes dkk. 2007). Pada tingkat yang lebih teknis, solusi invers berdasarkan beamforming dapat dijelaskan dengan langkah-langkah utama berikut.

Pertama, data yang direkam oleh sensor MEG (B) pada waktu t dapat digambarkan dengan persamaan (3) berikut:

dimana L adalah model medan timbal yang dijelaskan di atas, Q adalah matriks dipol yang membawa aktivitas setiap dipol aktif (q) dari waktu ke waktu dan ε adalah kebisingan (lihat Huang et al. (2004) untuk lebih jelasnya). Jadi, untuk menyelesaikan masalah invers, kita harus menghitung Q. Dengan menggunakan beamforming, prosedur tersebut berkisar pada penghitungan bobot yang diterapkan pada sensor MEG pada setiap titik waktu, seperti yang ditunjukkan untuk dipol tunggal q dalam persamaan (4 ):

Memang benar, untuk mendapatkan q, bobot W harus dihitung (subskrip T mengacu pada matriks transpos). Untuk melakukan hal ini, beamforming bergantung pada perkalian matriks antara L dan matriks kovarians antara sensor MEG (C), yang dihitung berdasarkan uji coba eksperimental gabungan. Khususnya, untuk setiap sumber otak n, bobot Wn dihitung sebagai berikut:

Untuk diketahui, komputasi model medan timbal dilakukan untuk tiga orientasi utama masing-masing sumber otak (dipol), menurut Nolte (Nolte 2003). Namun sebelum menghitung bobot, orientasinya telah dikurangi menjadi satu dengan menggunakan algoritma dekomposisi nilai singular pada perkalian matriks yang dilaporkan pada persamaan (6). Prosedur ini diadopsi secara luas untuk menyederhanakan keluaran beamforming (Huang et al. 2004; Woolrich et al. 2011).

Di sini, l mewakili model bidang utama dengan tiga orientasi, sedangkan L adalah model satu orientasi terselesaikan yang digunakan dalam (5).

Terakhir, seperti disebutkan di atas, mengenai implementasi pengkodean algoritma tersebut, kami telah menggunakan kotak peralatan Matlab seperti OSL, FieldTrip, SPM (fungsi untuk preprocessing MEEG dan kotak peralatan beamforming SPM), dan FSL. Selain itu, kode-kode tersebut dilengkapi dengan skrip dan fungsi internal.

Aktivitas otak untuk setiap elemen urutan temporal

Pertama, kami ingin mendeteksi aktivitas otak yang mendasari setiap item dari urutan temporal kami (Gambar 1D, Gambar. S3, S4, Tabel 1, dan Tabel S1). Di sini, kami menghitung nilai absolut dari rangkaian waktu yang direkonstruksi karena kami tertarik pada kekuatan absolut sinyal.

Untuk melakukan analisis tingkat pertama bagi setiap peserta, kami menggunakan model linier umum (GLM). Model tersebut dihitung berdasarkan sumber data yang direkonstruksi untuk setiap titik waktu dan sumber otak (Hunt et al. 2012). GLM mengembalikan efek utama (kontras estimasi parameter (COPEs)) dari M dan N serta kontrasnya. Mereka dipekerjakan karena mereka diizinkan untuk memperoleh efek utama yang sangat disesuaikan dengan varians antar peserta. Hasil ini diserahkan ke analisis tingkat kedua, menggunakan uji-t satu sampel dengan varian yang dihaluskan secara spasial yang diperoleh dengan kernel Gaussian (lebar penuh pada setengah maksimum: 50 mm) (Huang dkk. 2004).

Di sini, kami tertarik untuk mengamati aktivitas otak berbeda yang mendasari pengenalan urutan temporal M versus N, secara independen untuk setiap pita frekuensi dan item (nada musik) yang membentuk urutan tersebut. Jadi, kami menghitung 15 (5 nada × 3 pita frekuensi) simulasi Monte-Carlo (MCS) berbasis cluster pada hasil analisis tingkat kedua (tingkat grup) yang dirata-ratakan selama jendela lima waktu yang sesuai dengan durasi nada musik. . Analisis MCS terdiri dari 1,000 permutasi dan ambang batas pembentuk cluster P < 0,05 (dari pengujian tingkat kedua). Secara khusus, uji MCS terdiri dari pendeteksian cluster spasial dengan nilai signifikan dalam data asli. Kemudian, data tersebut diijinkan, dan cluster spasial dari nilai signifikan yang diijinkan dideteksi. Prosedur ini dihitung beberapa kali (misalnya 1,000) dan menghasilkan distribusi referensi ukuran cluster yang terdeteksi untuk setiap permutasi. Terakhir, ukuran cluster asli dibandingkan dengan distribusi referensi. Cluster asli dianggap signifikan jika ukuran cluster dari data yang diijinkan lebih besar dari ukuran cluster asli, kali lebih sedikit dibandingkan tingkat MCS. Dalam hal ini, karena kami menghitung analisis sebanyak 15 kali, kami mengoreksi beberapa perbandingan dengan membagi level MCS standar (=0.05) dengan 15, sehingga menghasilkan MCS=0.003 yang diperbarui (yaitu yang asli cluster dianggap signifikan jika ukurannya lebih besar dari 99,7% ukuran cluster yang diijinkan).

Karena salah satu rentang frekuensi yang digunakan dalam penelitian ini agak rendah ({{0}}.1–1 Hz), kami menghitung ulang rekonstruksi sumber dan kontras antara M dan N untuk 0,1–1 Hz menggunakan tiga rentang frekuensi yang berbeda. garis dasar (500, 1,000, dan 2,000 ms). Hal ini dilakukan untuk menunjukkan bahwa hasil awal kami tidak ditentukan oleh panjangnya garis dasar. Hasil dari prosedur ini digambarkan pada Gambar. S5 dan dilaporkan secara rinci pada Tabel S2.

Pengelompokan fungsional K-means

Untuk melengkapi hasil kami sebelumnya dan memberikan gambaran lebih rinci tentang tingkat spasial sumber aktif otak serta aktivitasnya dari waktu ke waktu, kami mendefinisikan pembagian otak berdasarkan fungsi. Kami mengadopsi apa yang disebut pengelompokan fungsional k-means, yang terdiri dari serangkaian algoritma pengelompokan k-means. Sinaga dan Yang (2020) melakukan informasi fungsional dan spasial dari masing-masing rangkaian waktu sumber otak (voxel) yang direkonstruksi. Pendekatan ini telah diikuti untuk dua pita frekuensi yang memberikan hasil terkuat dalam analisis kami sebelumnya dan yang dikaitkan dengan item tunggal dari rangkaian tersebut atau dengan keseluruhan rangkaian, yaitu 0,1–1 dan 2–8 Hz.

Secara khusus, sebagai langkah pertama, algoritma pengelompokan fungsional k-means menghitung pengelompokan pada parameter fungsional dasar seperti nilai puncak dan indeks yang sesuai dari deret waktu voxel. Kami menyebut langkah ini sebagai pengelompokan fungsional. Prosedur ini mengembalikan sekumpulan paket independen yang dikelompokkan berdasarkan profil fungsional voxel otak. Memang benar, bidang tersebut dapat berisi voxel yang mencapai puncaknya kira-kira pada waktu yang sama (Gbr. 2B, kiri) atau dengan kekuatan absolut yang serupa (Gbr. 2B, kanan). Seperti yang dapat dibayangkan, pengelompokan pada indeks rangkaian waktu maksimum disarankan ketika aktivitas otak dilokalisasi di wilayah berbeda pada waktu berbeda.

Sebaliknya, ketika aktivitas sangat berkorelasi pada sebagian besar voxel otak, pengelompokan harus dilakukan pada nilai deret waktu maksimum dan akan membantu mengidentifikasi generator inti sinyal saraf. Dalam studi ini, 0.1– 1 Hz (pemrosesan urutan global) menampilkan puncak aktivitas berbeda yang bergeser seiring waktu dan dengan demikian dikelompokkan dengan mempertimbangkan indeks waktu dari puncak tersebut. Sebaliknya, 2–8 Hz (pemrosesan urutan lokal) menunjukkan aktivitas yang sangat berkorelasi dan oleh karena itu dikelompokkan menggunakan nilai absolut dari aktivitas puncak tersebut. Seperti yang dilakukan secara luas dalam analisis pengelompokan (Garcia-Dias dkk. 2019), dalam kasus kami, menghitung algoritme pengelompokan pada kumpulan k kluster yang berurutan (dari k=2 hingga 20) juga bermanfaat. Kemudian, solusi pengelompokan terbaik diputuskan berdasarkan strategi evaluasi (heuristik) yang terkenal seperti metode/aturan siku (Liu dan Deng 2021) dan koefisien siluet (Al-Zoubi dan Al Rawi 2008).

Metode siku terdiri dari memplot jumlah kesalahan kuadrat (SSE) dari elemen-elemen yang termasuk dalam cluster sehubungan dengan sentroid cluster, sebagai fungsi dari solusi cluster yang semakin banyak. Kemudian, metode ini menyarankan untuk mengidentifikasi “siku” kurva secara visual sebagai jumlah cluster yang akan digunakan. Koefisien siluet adalah nilai (mulai dari −1 hingga +1) yang menunjukkan kemiripan suatu elemen dengan klasternya (kohesi) jika dibandingkan dengan klaster lain (pemisahan). Nilai koefisien siluet yang tinggi menunjukkan bahwa elemen tersebut cocok dengan clusternya dan buruk dengan cluster tetangganya.

Setelah solusi pengelompokan fungsional terbaik diputuskan, pengelompokan kedua tentang informasi spasial harus dihitung (pengelompokan spasial, Gambar 2C). Memang benar, aktivitas otak terutama digambarkan oleh dua parameter, lokasi spasial, dan variasi seiring waktu. Mengelompokkan voksel otak asli ke dalam bidang fungsional yang berbeda dapat menghasilkan bidang besar yang melibatkan jaringan area otak yang terpisah secara spasial, misalnya aktif pada waktu yang sama. Oleh karena itu, untuk menentukan pembagian yang lebih baik, ada baiknya juga melakukan analisis pengelompokan pada koordinat spasial masing-masing bidang fungsional. Dalam penelitian kami, kami mempertimbangkan koordinat spasial tiga dimensi (dalam ruang MNI) dari voxel yang membentuk masing-masing bidang fungsional. Komputasi pengelompokan ini dilakukan untuk serangkaian k solusi kluster berurutan (dari k=2 hingga 10), untuk satu bidang pada satu waktu. Sedangkan untuk pengelompokan fungsional, kami mengevaluasi solusi terbaik untuk pengelompokan spasial dengan menggunakan aturan siku dan koefisien siluet. Pengelompokan fungsional k-means selesai setelah prosedur ini dilakukan pada semua bidang fungsional, menunjukkan pembagian yang efektif untuk tugas eksperimental berdasarkan informasi fungsional dan spasial (contoh dilaporkan pada Gambar. S7, Tabel S3, dan S4 untuk 0,1– 1 Hz dan Gambar. S8, Tabel S5, S6, dan S7 untuk 2–8 Hz). Sebagai langkah terakhir, rangkaian waktu voxel otak yang dimiliki masing-masing paket dirata-ratakan untuk menghasilkan rangkaian waktu akhir untuk paket tersebut. Informasi tambahan tentang pengelompokan fungsional k-means dilaporkan dalam Bahan Tambahan.

Kontras dari waktu ke waktu untuk setiap paket

Di sini, pengelompokan fungsional k-means dilakukan pada efek utama tingkat grup dari M dan N yang dirata-ratakan bersama. Kemudian, untuk mendapatkan efek utama M dan N untuk setiap bidang dan partisipan, kami rata-ratakan efek utama tingkat pertama M dan N (dari GLM) pada voxel otak yang dimiliki oleh masing-masing bidang fungsional. Hal ini menghasilkan rangkaian waktu baru untuk setiap partisipan, bidang fungsional, dan kondisi eksperimen (M dan N). Rangkaian waktu tersebut diserahkan ke kontras univariat (M versus N; Gambar. 2D, metode, dan Gambar. S9 dan S10, hasil). Secara khusus, untuk setiap bidang dan titik waktu, kami menghitung satu uji-t dua sampel (ambang batas P < 0,05) yang membedakan efek utama M versus N. Kemudian, kami mengoreksi beberapa perbandingan dengan menggunakan a pendekatan MCS dua dimensi dengan permutasi 1,000 (MCS P < 0,001). Rincian lebih lanjut mengenai prosedur statistik yang diadopsi secara luas ini dapat ditemukan di Bonetti dkk. (2020), Bonetti, Brattico, Carlomagno, dkk. (2021a), Bonetti, Bruzzone, Sedghi, dkk. (2021b), Bonetti, Brattico, Vuust, dkk. (2021c). Seperti yang dilakukan untuk analisis lainnya, operasi tersebut diamati untuk dua pita frekuensi utama yang diselidiki dalam penelitian ini (Gambar 3 dan Tabel S8).

Hasil

Desain eksperimental dan analisis sensor MEG

Pertama-tama, setelah melakukan pra-pemrosesan data MEG (lihat Gambar 1A dan B serta Bahan dan Metode untuk detailnya), kami membandingkan aktivitas otak yang mendasari pengenalan M versus N, yang direkam oleh sensor MEG. Prosedur ini mengembalikan cluster besar yang signifikan (P < 0.001, ukuran cluster k=2,117, nilai rata-rata=3.29, waktu=0.547–1.180 detik), menunjukkan aktivitas otak yang lebih kuat untuk M versus N. Selain itu, aktivitas otak yang direkam melalui saluran MEG yang membentuk kelompok signifikan menguraikan rangkaian waktu, yang menampilkan dua komponen frekuensi utama. Seperti ditunjukkan pada Gambar S2A, komponen frekuensi yang lebih cepat mencapai puncaknya setelah penyajian setiap item yang membentuk barisan, sedangkan komponen frekuensi yang lebih lambat menyertai keseluruhan barisan. Bukti ini selanjutnya didukung oleh komputasi transformasi wavelet Morlet yang kompleks pada respons yang ditimbulkan yang direkam oleh semua data sensor MEG, yang menyoroti kontribusi utama 1 dan 4 Hz terhadap sinyal MEG yang direkam selama tugas (Gbr. S2B). Dengan demikian, analisis kami berikut ini terutama berfokus pada dua pita frekuensi yang didefinisikan sekitar 1 dan 4 Hz, yaitu 0,1–1 dan 2–8 Hz. Yang penting, kami berhipotesis bahwa pita frekuensi 2–8 dan 0,1–1 Hz mengindeks dua proses utama yang terlibat dalam tugas eksperimental kami: pemrosesan item tunggal yang membentuk urutan temporal (i—pemrosesan lokal) dan mengenali urutan temporal sebagai superordinat komprehensif. objek (ii—pemrosesan global).

Sumber aktivitas otak yang direkonstruksi dan analisis item tunggal

Kami membandingkan aktivitas otak yang direkonstruksi yang mendasari urutan M versus N (lihat Bahan dan Metode untuk rinciannya). Hasil yang berbeda muncul untuk dua pita frekuensi utama ({{0}}.1–1 dan 2–8 Hz). Aktivitas otak untuk 0.1–1 Hz lebih kuat untuk M versus N, terutama selama pemrosesan tiga item terakhir dari rangkaian tersebut. 1D, Gambar S3-S5, aktivitas tersebut menggambarkan jaringan otak luas yang mendasari pemrosesan urutan global, yang melibatkan wilayah otak yang terkait dengan memori dan proses evaluatif seperti cingulate gyrus, hippocampus, insula, frontal operculum, dan inferior. korteks temporal (MCS P <0.001). Sebaliknya, aktivitas otak untuk pita 2-8 Hz secara keseluruhan lebih kuat untuk N dibandingkan M dan terutama melibatkan korteks pendengaran (MCS P <0,001). Statistik puncak voxel otak yang signifikan untuk frekuensi 0,1–1 dan 2–8 Hz dilaporkan pada Tabel 1, sedangkan hasil ekstensif untuk tiga pita frekuensi dijelaskan pada Tabel S1 dan S2.

Kontras dengan ROI yang diturunkan secara fungsional

Untuk sepenuhnya mengkarakterisasi pengungkapan aktivitas otak spatiotemporal dari waktu ke waktu, kami mendefinisikan pembagian otak berdasarkan fungsi menggunakan pengelompokan fungsional k-means (lihat Bahan dan Metode serta Gambar 2 dan Gambar S6 untuk detailnya), secara independen untuk {{3} }.1–1 dan 2–8 Hz pita frekuensi. Hal ini menghasilkan rangkaian waktu baru untuk setiap peserta, bidang fungsional, dan kondisi eksperimental (M dan N), yang diserahkan ke kontras univariat (M versus N) (Gbr. 3) dan dikoreksi untuk beberapa perbandingan menggunakan MCS berbasis cluster.

Mirip dengan analisis kami sebelumnya, aktivitas otak terkuat di pita yang lebih lambat terdeteksi pada M. Hebatnya, memperluas analisis pertama kami, hasil baru ini menyoroti serangkaian bagian otak yang aktif secara berurutan yang menyertai pemrosesan urutan temporal. Seperti yang ditunjukkan pada Gambar 3A, otak menampilkan aktivitas awal di korteks pendengaran kanan yang ditandai dengan kekuatan yang sedikit lebih kuat untuk M versus N (Gambar 3A, bidang 1: P < 0.0{ {10}}1, ukuran kluster k=39; nilai t rata-rata=2,72; waktu sejak objek pertama muncul: 0–0. 25 detik). Selanjutnya, kami mengamati aktivitas saraf di korteks pendengaran kiri tetapi tidak ada perbedaan yang signifikan antara kondisi eksperimental (Gambar 3A, paket 2). Dimulai antara item kedua dan ketiga dan memuncak pada item kelima dari urutan temporal, kami mengamati ledakan aktivitas di cingulate gyrus, yang lebih kuat untuk M versus N (Gbr. 3A, bidang 3: P < {{34} }.001, k=92; nilai-t=2,73; waktu: 0,45–1,05 detik). Dengan sedikit penundaan, profil serupa muncul untuk bagian otak yang lebih besar yang terdiri dari insula, bagian anterior korteks temporal inferior, hipokampus, dan operkulum frontal. Sekali lagi, M sebagian besar lebih kuat dari N (Gbr. 3A, bidang 4: P <0,001, k=77; nilai t=2,79; waktu: 0,69– 1,19 detik). Akhirnya, memuncak tepat sebelum waktu reaksi rata-rata untuk kategorisasi pola peserta, aktivitas yang lebih kuat di girus pasca-pusat dan korteks sensorimotor diamati untuk M versus N (Gambar 3A, parsel 5, cluster utama: P <0,001, k=142; nilai-t=2,68; waktu: 0,94–1,88 detik).

Sebaliknya, analisis untuk pita 2–8 Hz menunjukkan beberapa kelompok signifikan dengan aktivitas yang lebih kuat untuk N versus M di sekitar puncak tajam rangkaian waktu. Khususnya, dibandingkan dengan analisis pertama kami untuk 5 item dari urutan temporal, prosedur kedua ini dengan jelas menguraikan sejauh mana perbedaan tersebut, yang berhubungan dengan tiga nada terakhir dari urutan temporal. Secara khusus, perbedaan tersebut terjadi di sebelah kanan (Gbr. 3B, parsel 1, cluster utama I: P < 0.001, k=11, t-value {{ 9}}.51; waktu: 0.89–0.95 dtk; II: P < 0.001, k {{ 17}}; nilai t=2.22; waktu: 1.21– 1.28 s) dan korteks pendengaran primer kiri (Gbr. 3B, parsel 2, cluster utama I: P < 0.{{46 }}01, k=12, nilai-t=−3,70; waktu: 0,74–{{6{{7{{ 76}}}}}}.81 detik; II: P < 0.001, k {{40}}; nilai-t {{ 42}}.09; waktu: 0.87–{{1{{105}}1}}.95 dtk; III: P < {{113} }.001, k {{50}}; nilai-t=2,90; waktu: 0,64–0,69 detik). Dengan berkurangnya kekuatan, kelompok aktivitas serupa telah diamati di sebelah kanan (Gbr. 3B, bidang 3, kelompok utama I: P <0,001, k=13, nilai-t=3,08; waktu : 1,19– 1,27 detik; II: P <0,001, k=12; nilai t=3,61; waktu: 0,89–0,96 detik) dan area korteks pendengaran sekunder kiri dan hipokampus (Gbr. 3B, parsel 4, cluster utama I: P <0,001, k=12, nilai-t {{86}} −2,97; waktu: 0,74–0,81 detik; II: P < 0,001, k {{95 }}; t-value=2,86; waktu: 0,87–0,93 detik) dan cingulate (Gbr. 3B, parsel 5, cluster utama I: P < 0,001, k=10, t-value { {109}}.03; waktu: 0,90–0,96 detik; II: P <0,001, k=9; nilai-t=−2,29; waktu: 0,79– 0,84 detik). Rincian tambahan tentang perbedaan ini dilaporkan pada Tabel S8 dan digambarkan secara luas pada Gambar. S9 dan S10.

Kesimpulannya, Gambar 4 secara kualitatif menggambarkan fenomena yang menarik. Meskipun respons "wavelet" terhadap bunyi pertama menunjukkan aktivitas yang sangat mirip pada korteks pendengaran primer (parsel i) dan sekunder, insula, area hipokampus (parsel ii), dan cingulate (parsel iii), puncak untuk bunyi-bunyi berikutnya menunjukkan perbedaan. tren, terutama sebagai respons terhadap item ketiga dan keempat dari urutan tersebut. Dalam hal ini, korteks pendengaran sekunder, insula, area hipokampus, dan cingulate tampaknya mencapai puncaknya sebelum korteks pendengaran primer. Namun, berbeda dengan apa yang tampak pada awalnya, hal ini mungkin tidak menunjukkan respons yang lebih cepat di wilayah tersebut. Memang benar, jika dilihat, misalnya, pada puncak sekitar 0.5 s (kotak merah pertama pada Gambar 4), puncak pertama (terutama terjadi pada korteks pendengaran sekunder, insula, area hipokampus, dan cingulate) seharusnya sesuai ke komponen P300 pada bunyi kedua dari pola tersebut, sedangkan puncak kedua (terutama terjadi pada korteks pendengaran primer) mungkin adalah P50 pada bunyi ketiga. Fenomena serupa terjadi pada item-item barisan berikut (seperti yang digambarkan dalam kotak merah lainnya).

Hal ini mungkin menunjukkan bahwa meskipun kontribusi korteks pendengaran primer lebih kuat untuk komponen pertama (yaitu P50 dan N100), yang mengindeks proses tingkat rendah, komponen selanjutnya seperti P300 mungkin sebagian besar dihasilkan oleh area tingkat tinggi seperti pendengaran sekunder. korteks, insula, area hipokampus, dan korteks cingulate. Saat ini, hal ini hanyalah pengamatan kualitatif yang memerlukan penelitian di masa depan yang bertujuan untuk menyelidiki fenomena ini secara spesifik dan kuantitatif.

Diskusi

Studi MEG yang menggunakan rangkaian musik ini mengungkapkan pemrosesan ganda simultan di otak yang terkait dengan pengenalan rangkaian temporal pendengaran. Di satu sisi, penyajian item-item lokal dan tunggal yang membentuk rangkaian dikaitkan dengan pemrosesan lokal yang cepat dan berosilasi yang didorong oleh korteks sensorik. Pemrosesan ini lebih kuat untuk pengenalan suara yang membentuk novel versus rangkaian musik yang dihafal. Di sisi lain, pemrosesan urutan global dan keseluruhan temporal dikaitkan dengan pemrosesan global dan lambat secara simultan yang melibatkan jaringan luas area otak tingkat tinggi yang aktif secara berurutan. Dalam kasus ini, aktivitas otak lebih kuat untuk rangkaian hafalan dibandingkan rangkaian novel.

Pemrosesan ganda secara bersamaan ini terutama terlihat dalam korespondensi dengan penyajian tiga nada terakhir dari rangkaian tersebut, menunjukkan bahwa setidaknya dua atau tiga nada diperlukan oleh otak untuk memulai proses pengenalan. Di sini, otak merekrut jaringan luas yang sebagian besar berkaitan dengan memori, perhatian, audisi, dan pengambilan keputusan. Area otak tersebut adalah hippocampus (Knierim 2015), cingulate gyrus (Rolls 2019; Pando-Naude et al. 2021; Criscuolo et al. 2022), inferior temporal cortex (Conway 2018), frontal operculum (Indefrey et al. 2001; Behroozmand et al.2015), insula (Uddin 2015), dan korteks pendengaran primer dan sekunder (Elhilali et al. 2004). Khususnya, kedua proses (global dan lokal) melibatkan wilayah otak yang kira-kira sama tetapi bergantung pada frekuensi respons yang ditimbulkan oleh saraf yang berbeda. Selain itu, pemrosesan lokal terutama bergantung pada korteks sensorik (misalnya korteks pendengaran), sedangkan pemrosesan global menghadirkan rekrutmen yang lebih luas pada area otak tingkat tinggi seperti cingulate, korteks temporal inferior, dan hipokampus.

Yang mengejutkan, pengenalan urutan temporal pendengaran dikaitkan dengan rangkaian peristiwa yang semakin lambat yang menghubungkan kembali rantai wilayah otak tingkat rendah hingga tinggi. Bukti ini, yang diamati pada pita 0.1–1 Hz, mungkin menunjukkan bahwa otak melacak dan secara progresif membangun pemahaman yang bermakna tentang rangkaian temporal yang terungkap dengan merekrut jalur hierarki dari wilayah yang kemudian aktif. Sebaliknya, aktivitas pada pita 2–8 Hz menunjukkan profil yang saling melengkapi, yang mencapai puncaknya sedikit setelah setiap item dalam urutan temporal. Bukti tersebut menunjukkan bahwa, meskipun pita 0.1–1 Hz mungkin terlibat dalam mencapai pemahaman komprehensif tentang keseluruhan rangkaian (pemrosesan global), pita 2–8 Hz dapat menguraikan secara independen pada item tunggal (lokal). pengolahan). Namun, hasil kami tidak dapat memastikan apakah pita tersebut mewakili mekanisme internal otak atau hanya didorong oleh stimulus. Penelitian di masa depan akan diperlukan untuk menjawab pertanyaan penting ini.

Kebaruan utama dari hasil kami berkaitan dengan kekuatan diferensial sinyal otak yang diamati untuk dua pita frekuensi dalam kondisi eksperimental kami (M dan N). Memang benar, meskipun pita 0.1–1 Hz memberikan kekuatan yang lebih kuat untuk rangkaian yang dihafal, pita 2–8 Hz menunjukkan respons yang lebih besar untuk rangkaian yang baru. Temuan ini dapat dilihat dari teori pengkodean prediktif (Friston 2012; Vuust et al. 2012; Koelsch et al. 2019), yang menyatakan bahwa otak terus memperbarui model internal untuk memprediksi informasi lingkungan. Di sini, ketika otak mengenali rangkaian temporal (misalnya di sekitar nada nomor dua dan tiga dari rangkaian kita), otak mungkin merumuskan prediksi yang lebih baik tentang item yang akan datang, yang telah dihafal sebelumnya, yang melengkapi rangkaian tersebut.

Oleh karena itu, barang-barang tersebut memerlukan pemrosesan lokal yang lebih rendah, seperti yang kami amati secara eksperimental. Menariknya, meskipun sebagian besar terlokalisasi di korteks pendengaran primer, sumber saraf aktivitas pita 2-8 Hz juga ditempatkan di area hipokampus, korteks pendengaran sekunder, insula, dan cingulate. Seperti disebutkan sebelumnya, bukti ini menunjukkan bahwa wilayah otak yang kira-kira sama menghasilkan dua pita frekuensi simultan yang ditandai dengan profil fungsional yang sangat berbeda, yang mengindeks pemrosesan lokal dan global dari urutan temporal. Selain itu, mengenai pemrosesan lokal, hasil kami menunjukkan bahwa elaborasi setiap suara memunculkan rangkaian waktu seperti wavelet dengan tiga puncak (komponen) utama. Di sini, elaborasi suara tingkat rendah yang diindeks oleh komponen pertama (yaitu P50 dan N100 (Coles dan Rugg 2008)) terutama berasal dari korteks pendengaran primer. Sebaliknya, komponen selanjutnya seperti P300 (Coles dan Rugg 2008) dihasilkan terutama oleh area tingkat tinggi seperti korteks pendengaran sekunder, insula, daerah hipokampus, dan cingulate. Hebatnya, fenomena seperti itu menjadi lebih jelas setelah terungkapnya rangkaian temporal, yang menunjukkan bahwa elaborasi yang semakin halus atas item-item tunggal mungkin penting bagi otak untuk memahami makna dari keseluruhan rangkaian temporal.

Pada catatan lain, beberapa penelitian sebelumnya menggambarkan pemrosesan global dan lokal dalam kaitannya dengan lokasi sinyal saraf yang berbeda (yaitu korteks sensorik primer mendahului area otak tingkat tinggi dalam elaborasi rangsangan yang masuk (Qiu dan Von Der Heydt 2005). Sebaliknya, dalam Dalam penelitian kami, kami menunjukkan bahwa wilayah otak yang sama mengoperasikan 2 proses ini (global dan lokal) pada saat yang sama, menggunakan dua pita frekuensi yang bersamaan, mungkin menunjukkan multiplexing yang kompleks. Hasil ini koheren dengan penelitian sebelumnya, yang menunjukkan proses otak yang bersamaan dari proses-proses tersebut. item yang sama dalam persepsi pendengaran dan pemahaman bahasa (Giraud dan Poeppel 2012).

Selain itu, beberapa penelitian sebelumnya yang menyelidiki pemrosesan pendengaran dan memori untuk informasi suara melaporkan respons yang lambat serupa dengan pemrosesan global yang lambat. Misalnya, Picton (1978) memberikan bukti adanya potensi listrik pendengaran yang berkelanjutan di otak manusia sebagai respons terhadap suara. Baru-baru ini, Bidet-Caulet dkk. (2007), dengan menggunakan EEG intrakranial, menunjukkan bahwa perhatian selektif terhadap informasi suara dikaitkan dengan respons yang dibangkitkan secara berkelanjutan di wilayah pendengaran sekunder otak. Demikian pula, Grimault dkk. (2014), mempelajari memori pendengaran jangka pendek, melaporkan aktivitas otak yang berkelanjutan di daerah frontal, temporal, dan parietal ketika beberapa item pendengaran disimpan dalam memori. Sejalan dengan temuan ini, Albouy dan rekannya menunjukkan respons yang lambat ketika peserta diminta untuk melakukan tugas memori kerja pendengaran.

Mereka melaporkan respons otak yang lambat dan berkelanjutan terutama mengenai retensi dan manipulasi rangsangan pendengaran (Albouy dkk. 2013, 2017).

Terakhir, temuan kami menghubungkan dan memperluas konsep hipotesis dua aliran otak yang terkenal (Goodale dan Milner 1992; Whitwell dkk. 2014). Konseptualisasi tersebut mengusulkan 2 jalur utama untuk elaborasi informasi visual dan pendengaran tingkat tinggi. Di satu sisi, aliran ventral mengarah dari area sensorik (misalnya korteks visual dan pendengaran) ke lobus temporal medial, fitur pemrosesan terutama terkait dengan pengenalan objek (Goodale dan Milner 1992; Weiller et al. 2021). Di sisi lain, aliran dorsal membawa informasi dari korteks sensorik ke lobus parietal, menguraikan fitur spasial dari rangsangan (Arbib 2017).

Sejalan dengan hipotesis ini, hasil kami menyoroti beberapa wilayah otak pada aliran ventral yang terlibat dalam proses pengenalan, seperti area hipokampus, operkulum frontal, dan korteks temporal inferior. Namun yang luar biasa, hasil kami memperluas pengetahuan sebelumnya mengenai hipotesis dua aliran dengan memberikan setidaknya tiga pernyataan penting dan konklusif. (i) Pengenalan otak terhadap urutan temporal menghadirkan fitur spasial-temporal yang unik, yang tidak dimiliki bersama dengan identifikasi item tunggal atau pola sinkron. (ii) Selain wilayah otak yang terlibat dalam hipotesis dua aliran, temuan kami menunjukkan peran istimewa cingulate gyrus untuk mencapai pengenalan urutan temporal pendengaran. (iii) Yang terakhir, pengenalan rangkaian yang berlangsung dari waktu ke waktu melibatkan pemrosesan ganda secara simultan atas item yang sama, yang diinterpretasikan oleh otak secara bersamaan sebagai potongan informasi individual (pemrosesan lokal) dan bagian dasar dari keseluruhan yang lebih besar (pemrosesan global). Khususnya, penelitian kami menunjukkan bahwa pemrosesan lokal sangat relevan dengan informasi pendengaran baru, sementara rangkaian musik yang telah dihafal sebelumnya dikenali melalui keterlibatan yang kuat dari pemrosesan global otak.

Penelitian di masa depan diharapkan untuk menyelidiki lebih lanjut topik ini dengan mempelajari mekanisme otak yang mendasari pengenalan rangkaian temporal nonmusik (misalnya rangkaian angka, kata, dan elemen visual). Selain itu, berdasarkan perbedaan yang diketahui dalam kemampuan kognitif di antara beragam kategori orang (misalnya orang dewasa yang lebih tua dan yang lebih muda (Fernàndez-Rubio, Brattico, dkk. 2022a; Fernàndez-Rubio, Olsen, dkk. 2022c), musisi versus non-musisi (Criscuolo et al. 2019; Bonetti, Brattico, Vuust, et al. 2021c), dan individu sehat versus pasien (Valenzuela dan Sachdev 2006)), penelitian di masa depan harus mengeksplorasi dampak usia dan kondisi klinis pada mekanisme otak pengenalan urutan temporal yang mendasarinya.

Kontribusi penulis

Konseptualisasi: LB, EB, MLK, PV; Metodologi: LB, MLK, DP, GDE; Perangkat Lunak: LB; Analisis: LB; Investigasi: LB, GDO; Sumber Daya: MLK, PV, EB, LB; Kurasi data: LB; Penulisan—Draf asli: LB; Penulisan—Review dan penyuntingan: LB, SEPB, EB, DP, GDE, GDO, PV; Visualisasi: LB, SEPB; Pengawasan: MLK, PV, DP, EB; Administrasi proyek: LB, MLK, PV, EB; Perolehan pendanaan: LB, PV, MLK.

Ucapan Terima Kasih

Kami berterima kasih kepada Riccardo Proietti, Giulio Carraturo, Mick Holt, dan Holger Friis atas bantuan mereka dalam eksperimen ilmu saraf. Kami juga berterima kasih kepada psikolog Tina Birgitte Wisbech Carstensen atas bantuannya dalam penyelenggaraan tes psikologi dan kuesioner, serta Francesco Carlomagno atas bantuannya dalam memajang item di makalah ini.

Materi tambahan
Materi tambahan tersedia di Cerebral Cortex online.

Pendanaan

Center for Music in the Brain (MIB) didanai oleh Yayasan Penelitian Nasional Denmark (nomor proyek DNRF117).

LB didukung oleh Carlsberg Foundation (CF20-0239), Lundbeck Foundation (Talent Prize 2022), Center for Music in the Brain, Linacre College dari Universitas Oxford, dan Society for Education and Music Psychology (HUT ke-50 SEMPRE Skema Penghargaan).

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

GD didukung oleh Proyek Penelitian Spanyol PSI2016- 75688-P (AEI/FEDER, EU), oleh Program Penelitian dan Inovasi Horizon 2020 Uni Eropa berdasarkan perjanjian hibah no. 720270 (HBP SGA1) dan no. 785907 (HBP SGA2), dan oleh Program AGAUR Catalan 2017 SGR 1545.

Selain itu, kami berterima kasih kepada Universitas Bologna atas dukungan ekonomi yang diberikan kepada penulis Giulia Donati dan asisten mahasiswa Riccardo Proietti dan Giulio Carraturo serta Mensa: Masyarakat IQ Tinggi Internasional bagian Italia atas dukungan ekonomi yang diberikan kepada Francesco Carlomagno.

Referensi

Al-Zoubi MB, Al RM. Pendekatan yang efisien untuk menghitung koefisien siluet. J Ilmu Komputasi. 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 dkk. Gangguan persepsi nada dan memori pada amusia kongenital: defisit dimulai di korteks pendengaran. Otak. 2013:136(5):1639–1661.

3.Albouy P,Weiss A, Baillet S, Zatorre RJ. Entrainment selektif osilasi theta di aliran dorsal secara kausal meningkatkan kinerja memori kerja pendengaran. saraf. 2017:94(1):193–206.

4. Arbib MA. Aliran punggung dan perut1982al dalam evolusi otak siap 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. Jaringan sensorik-motorik yang terlibat dalam produksi ucapan dan kontrol motorik: studi fMRI. Gambar Neuro. 2015:109: 418–428.

6. Berdyyeva TK, Olson CR. Memberi peringkat sinyal di empat area korteks frontal kera selama pemilihan tindakan dan objek dalam urutan berurutan. J Neurofisiol. 2010:104(1):141–159.

7. Bidet-Caulet A, Fischer C, Besle J, Aguera PE, Giard MH, Bertrand, O. Efek perhatian selektif pada representasi elektrofisiologi suara bersamaan di korteks pendengaran manusia. J Ilmu Saraf. 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. Dinamika otak spatiotemporal selama pengenalan musik 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. Pengkodean cepat nada musik ditemukan dalam konektivitas seluruh otak. Gambar Neuro. 2021a:245:118735.

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

For more information:1950477648nn@gmail.com