পূর্বে শেখা বনাম নভেল টেম্পোরাল সিকোয়েন্সের ব্রেন রিকগনিশন: একটি ডিফারেনশিয়াল যুগপত প্রক্রিয়াকরণ পার্ট 2

তথ্য অর্জন

আমরা দুটি স্বাধীন সেশনে শারীরবৃত্তীয় এমআরআই এবং এমইজি ডেটা অর্জন করেছি। এমইজি ডেটা 306টি চ্যানেলে সজ্জিত একটি Elekta Neuromag TRIUX সিস্টেম (Elekta Neuromag, Helsinki, Finland) ব্যবহার করে অর্জিত হয়েছিল৷ মেশিনটি ডেনমার্কের আরহাস ইউনিভার্সিটি হাসপাতালের একটি চৌম্বকীয়ভাবে ঢালযুক্ত কক্ষে স্থাপন করা হয়েছিল। 0.1-330 Hz এর অ্যানালগ ফিল্টারিং সহ 1,000 Hz এর নমুনা হারে ডেটা রেকর্ড করা হয়েছিল। পরিমাপের আগে, আমরা প্রতিটি অংশগ্রহণকারীর ন্যূনতম শ্রবণ থ্রেশহোল্ডের উপরে শব্দের মাত্রা 50 ডিবি সেট করি। অধিকন্তু, একটি ত্রিমাত্রিক ডিজিটাইজার (পোলহেমাস ফাস্ট্রাক, কোলচেস্টার, ভিটি, ইউএসএ) ব্যবহার করে, আমরা অংশগ্রহণকারীর মাথার আকৃতি এবং চারটি মাথার কয়েলের অবস্থান নিবন্ধিত করেছি, তিনটি শারীরবৃত্তীয় ল্যান্ডমার্ক (ন্যাশন, এবং বাম এবং ডান প্রিউরিকুলার অবস্থান) সম্পর্কিত।

বিজ্ঞান ও প্রযুক্তির ক্রমাগত বিকাশের সাথে সাথে আমাদের জীবনে অনেক নতুন ধারণা ও প্রযুক্তির আবির্ভাব ঘটেছে। তাদের মধ্যে এমইজি প্রযুক্তি অন্যতম। MEG মানব মস্তিষ্কে বৈদ্যুতিক কার্যকলাপ পরিমাপের জন্য একটি সাধারণ কৌশল। এটি নিউরনের বৈদ্যুতিক কার্যকলাপ সনাক্ত করতে একটি সুপারকন্ডাক্টিং কোয়ান্টাম ইন্টারফেরোমিটার (SQUID) ব্যবহার করে। MEG প্রযুক্তি আমাদেরকে মানব মস্তিষ্কের কাজের নীতিকে আরও ভালভাবে বুঝতে সাহায্য করতে পারে এবং তারপরে মানুষের বুদ্ধিমত্তার রহস্য অন্বেষণ করতে পারে।

নিউরনের বৈদ্যুতিক কার্যকলাপ অধ্যয়ন করার পাশাপাশি, এমইজি প্রযুক্তি মানুষের মেমরির মূল্যায়ন ও অধ্যয়ন করতে পারে। অনেক গবেষণায় MEG প্রযুক্তি এবং স্মৃতির মধ্যে সম্পর্ক দেখানো হয়েছে। প্রচুর পরিমাণে ডেটা অধ্যয়ন এবং বিশ্লেষণ করে, বিজ্ঞানীরা মানুষের মেমরির ক্ষমতা এবং বিভিন্ন লোকেরা কীভাবে স্মৃতি প্রক্রিয়া করে তা ট্র্যাক করতে MEG প্রযুক্তি ব্যবহার করতে পারেন।

গবেষণা অনুসারে, এমইজি প্রযুক্তি এবং তথ্য বিশ্লেষণের মাধ্যমে, বিজ্ঞানীরা মানব মস্তিষ্কের বিভিন্ন অঞ্চলে বৈদ্যুতিক কার্যকলাপ সনাক্ত করতে এবং পরিমাপ করতে পারেন, এইভাবে আমাদের মস্তিষ্কের কাজ করার পদ্ধতি বুঝতে সহায়তা করে। এই ডেটাগুলি আমাদের মেমরি এবং জ্ঞানীয় প্রক্রিয়াগুলিকে আরও ভালভাবে বুঝতে সাহায্য করতে পারে এবং এর পরিবর্তে, মানুষের স্মৃতিশক্তি উন্নত করার আরও ভাল উপায় বিকাশ করতে পারে।

এছাড়াও, অনেক গবেষণায় দেখা গেছে যে স্মৃতিশক্তি উন্নত করার জন্য বিভিন্ন পদ্ধতি এবং কৌশল ব্যবহার করা সম্পূর্ণরূপে সম্ভব। বিভিন্ন মেমরি কৌশল এবং ব্যায়াম ব্যবহার করে, আমরা আমাদের মস্তিষ্কের ব্যায়াম করতে পারি এবং এইভাবে আমাদের মনে রাখার ক্ষমতা উন্নত করতে পারি। যারা তাদের স্মৃতিশক্তি উন্নত করতে চান, তাদের জন্য MEG প্রযুক্তি এবং ডেটা বিশ্লেষণ বোঝা একটি গুরুত্বপূর্ণ পদক্ষেপ।

অতএব, এমইজি প্রযুক্তি এবং স্মৃতির মধ্যে একটি অবিচ্ছেদ্য সম্পর্ক রয়েছে। প্রচুর পরিমাণে ডেটা বিশ্লেষণের মাধ্যমে, আমরা মানব মস্তিষ্ক কীভাবে কাজ করে এবং মেমরি গঠনের প্রক্রিয়াটি আরও ভালভাবে বুঝতে পারি এবং তারপরে আমাদের স্মৃতিশক্তি উন্নত করার জন্য আরও ভাল পদ্ধতিগুলি বিকাশ করতে পারি। আমরা বিশ্বাস করি যে ভবিষ্যতে, প্রযুক্তির ক্রমাগত বিকাশ এবং উন্নতির সাথে, আমাদের মেমরির ক্ষমতাকে আরও ভালভাবে বিকাশ এবং ব্যবহার করতে সাহায্য করার জন্য আমাদের আরও পদ্ধতি এবং প্রযুক্তি থাকবে। এই দৃষ্টিকোণ থেকে, আমাদের স্মৃতিশক্তি উন্নত করতে হবে। Cistanche উল্লেখযোগ্যভাবে স্মৃতিশক্তি উন্নত করতে পারে, কারণ Cistanche এছাড়াও নিউরোট্রান্সমিটারের ভারসাম্য নিয়ন্ত্রণ করতে পারে, যেমন অ্যাসিটাইলকোলিনের মাত্রা বৃদ্ধি এবং বৃদ্ধির কারণ, যা স্মৃতি এবং শেখার জন্য খুবই গুরুত্বপূর্ণ। এছাড়াও, মাংস রক্ত ​​​​প্রবাহকে উন্নত করতে পারে এবং অক্সিজেন সরবরাহকে উন্নীত করতে পারে, যা নিশ্চিত করতে পারে যে মস্তিষ্ক পর্যাপ্ত পুষ্টি এবং শক্তি পায়, যার ফলে মস্তিষ্কের জীবনীশক্তি এবং সহনশীলতা উন্নত হয়।

মেমরি উন্নত করতে পরিপূরক ক্লিক করুন

একটি অবিচ্ছিন্ন হেড পজিশন আইডেন্টিফিকেশন (cHPI) ব্যবহার করে পুরো রেকর্ডিংয়ের সময় হেড কয়েলগুলির অবস্থান নিবন্ধিত হয়েছিল, যা আমাদের প্রতিটি সময় পয়েন্টে MEG স্ক্যানারের মধ্যে সঠিক মাথার অবস্থান ট্র্যাক করতে দেয়। আমরা ডেটা বিশ্লেষণের পরবর্তী পর্যায়ে একটি সঠিক আন্দোলন সংশোধন করতে এই ডেটা ব্যবহার করেছি।

রেকর্ড করা শারীরবৃত্তীয় এমআরআই ডেটা স্ট্রাকচারাল T1 এর সাথে মিলে যায়। স্ক্যানের জন্য অধিগ্রহণের পরামিতিগুলি নিম্নরূপ রিপোর্ট করা হয়েছে: ভক্সেল আকার=1৷{2}} × 1৷{4}} × 1৷{6}} মিমি (বা 1৷{8}} mm3); পুনর্গঠিত ম্যাট্রিক্স আকার 256 × 256; ইকো টাইম (TE) 2.96 ms এবং পুনরাবৃত্তির সময় (TR) 5,000 ms এবং 240 Hz/Px ব্যান্ডউইথ। বিশ্লেষণের পরবর্তী পর্যায়ে, প্রতিটি টি1-ভারযুক্ত এমআর স্ক্যান একটি অ্যাফাইন ট্রান্সফর্মেশনের মাধ্যমে স্ট্যান্ডার্ড এমএনআই ব্রেন টেমপ্লেটে সহ-রেজিস্টার করা হয়েছিল এবং তারপরে পোলহেমাস হেড শেপ ডেটা এবং তিনটি ব্যবহার করে এমইজি সেন্সর স্পেসে উল্লেখ করা হয়েছিল MEG অধিবেশন চলাকালীন মাপা বিশ্বস্ত পয়েন্ট.

ডেটা প্রাক-প্রক্রিয়াকরণ

কাঁচা MEG সেন্সর ডেটা (204 প্ল্যানার গ্র্যাডিওমিটার এবং 102 ম্যাগনেটোমিটার) ম্যাক্সফিল্টার (টাউলু এবং সিমোলা 2006) দ্বারা সিগন্যাল স্পেস সেপারেশন প্রয়োগ করে মাথার ত্বকের বাইরে উদ্ভূত হস্তক্ষেপ কমানোর জন্য পূর্ব-প্রক্রিয়া করা হয়েছিল। একই সেশনের মধ্যে, ম্যাক্সফিল্টারও মাথা নড়াচড়ার জন্য সংকেত সামঞ্জস্য করে এবং এটিকে 1,000 থেকে 250 Hz-এ নামিয়ে দেয়।

তথ্যগুলিকে SPM ফর্ম্যাটে রূপান্তরিত করা হয়েছিল এবং OSL (OHBA সফ্টওয়্যার লাইব্রেরি) ব্যবহার করে Matlab (MathWorks, Natick, Massachusetts, USA) এ আরও বিশ্লেষণ করা হয়েছিল, একটি অবাধে উপলব্ধ টুলবক্স যা FSL (Woolrich et al. 2009) এর সংমিশ্রণের উপর নির্ভর করে। SPM (Penny et al. 2007) এবং Fieldtrip (Oostenveld et al. 2011), সেইসাথে ইনহাউস-বিল্ট ফাংশন। বৈদ্যুতিক প্রবাহের সাথে সম্ভাব্য হস্তক্ষেপের জন্য সংশোধন করার জন্য একটি খাঁজ ফিল্টার (48-52 Hz) প্রয়োগ করা হয়েছিল। ডেটা আরও 150 Hz-এ নমুনা করা হয়েছিল এবং বৃহৎ শিল্পকর্ম দ্বারা পরিবর্তিত ডেটার কয়েকটি অংশ ভিজ্যুয়াল পরিদর্শনের পরে সরানো হয়েছিল।

তারপর, মস্তিষ্কের ডেটা থেকে চোখের পলক এবং হার্ট-বিট আর্টিফ্যাক্টগুলির হস্তক্ষেপ বাদ দিতে, স্বাধীন উপাদান বিশ্লেষণ (ICA) মূল সংকেতকে স্বাধীন উপাদানগুলিতে পচানোর জন্য ব্যবহার করা হয়েছিল। তারপরে, চোখের পলক এবং হৃদস্পন্দন ক্রিয়াকলাপের উপাদানগুলিকে প্রথমে বিচ্ছিন্ন করা হয়েছিল এবং তারপরে বাতিল করা হয়েছিল। অবশিষ্ট উপাদান (Mantini et al. 2011) ব্যবহার করে সংকেতটি পুনর্নির্মাণ করা হয়েছিল এবং তারপর 80টি ট্রায়ালে (প্রতিটি বাদ্যযন্ত্রের অংশের জন্য একটি) 3,500 ms স্থায়ী হয়েছিল (100 ms প্রাক-উদ্দীপক সময়ের সাথে যা বেসলাইন সংশোধনের জন্য ব্যবহৃত হয়েছিল) ( চিত্র 1B)।

এমইজি সেন্সরগুলির উপর ইউনিভেরিয়েট পরীক্ষা এবং মন্টে-কার্লো সিমুলেশন

যদিও আমাদের প্রাথমিক ফোকাস MEG উত্স পুনর্গঠিত মস্তিষ্কের ডেটাতে ছিল, MEG সেন্সর ডেটার প্রথম বিশ্লেষণটি গণনা করা হয়েছিল, MEG বিশ্লেষণে সর্বোত্তম অনুশীলনের জন্য অত্যাধুনিক সুপারিশগুলির সাথে সুসংগতভাবে (Gross et al. 2013)।

এইভাবে, বিপুল সংখ্যক এমইজি এবং ইলেক্ট্রোএনসেফালোগ্রাফি (ইইজি) টাস্ক-সম্পর্কিত অধ্যয়নের অনুরূপ (গ্রস এট আল। 2013), আমরা এম এবং এন-এর জন্য দুটি চূড়ান্ত গড় ট্রায়াল অর্জন করে শর্তের উপর ট্রায়ালগুলি গড় করেছি, যথাক্রমে তারপর, আমরা মূল সমষ্টি বর্গ দ্বারা প্ল্যানার গ্র্যাডিওমিটারের প্রতিটি জোড়া একত্রিত করেছি। পরবর্তীতে, আমরা 0-2.500 সেকেন্ড সময়সীমার প্রতিটি টাইম পয়েন্টের জন্য একটি টি-পরীক্ষা করেছি এবং প্রতিটি সম্মিলিত প্ল্যানার গ্র্যাডিওমিটার, M বনাম N এর বিপরীতে।

একাধিক তুলনার জন্য সংশোধন করার জন্য, আমরা টি-পরীক্ষা থেকে উদ্ভূত উল্লেখযোগ্য ফলাফলের ক্লাস্টারে 1,000 স্থানান্তর সহ মন্টে-কার্লো সিমুলেশন (MCS) (Kroese et al. 2011) গণনা করেছি। আমরা আসল ক্লাস্টারগুলিকে উল্লেখযোগ্য বলে বিবেচনা করেছি যেগুলির আকার 99.9% সর্বোচ্চ ক্লাস্টারের আকারের চেয়ে বড় ছিল। এই ব্যাপকভাবে ব্যবহৃত পদ্ধতির অতিরিক্ত বিবরণ Bonetti et al-এ পাওয়া যাবে। (2020), Bonetti, Brattico, Carlomagno, et al. (2021a), Bonetti, Bruzzone, Sedghi, et al. (2021b), Bonetti, Brattico, Vuust, et al. (2021c) এবং Fernàndez-Rubio, Brattico, et al. (2022a), FernàndezRubio, Carlomagno, et al. (2022b), Fernàndez-Rubio, Olsen, et al. (2022c)।

এই বিশ্লেষণটি পরীক্ষামূলক অবস্থার মধ্যে একটি বড় এবং শক্তিশালী পার্থক্য ফিরিয়ে দিয়েছে। অধিকন্তু, এমইজি চ্যানেলগুলিতে রেকর্ড করা মস্তিষ্কের কার্যকলাপ এমসিএস বিশ্লেষণের দ্বারা আউটপুট করা উল্লেখযোগ্য ক্লাস্টার গঠন করে একটি সময় সিরিজের রূপরেখা দেয়, যা দুটি প্রধান ফ্রিকোয়েন্সি উপাদান উপস্থাপন করে। চিত্রে দেখানো হিসাবে S2A, ক্রম গঠনকারী প্রতিটি আইটেমের উপস্থাপনার পরে দ্রুততর ফ্রিকোয়েন্সি উপাদানটি শীর্ষে উঠেছিল, যখন ধীর ফ্রিকোয়েন্সি উপাদানটি পুরো অনুক্রমের সাথে ছিল।

এই প্রমাণটি সমস্ত MEG সেন্সর ডেটাতে জটিল মর্লেট ওয়েভলেট ট্রান্সফর্ম (Daubechies 1992) এর গণনা দ্বারা আরও সমর্থিত হয়েছিল, যা টাস্কের সময় রেকর্ড করা MEG সংকেতে 1 এবং 4 Hz এর প্রধান অবদানকে হাইলাইট করেছিল (চিত্র S2B)। এছাড়াও, এই বিশ্লেষণটি 10 ​​Hz এর কাছাকাছি একটি লক্ষণীয় তবে দুর্বল শক্তি দেখিয়েছে।

উল্লেখ্য, 10 হার্টজ শক্তি মিউজিক্যাল সিকোয়েন্সের সূচনা অফসেটের জন্য সময়-লক ছিল না। এইভাবে, আমাদের নিম্নলিখিত বিশ্লেষণগুলি প্রাথমিকভাবে 1 এবং 4 Hz এর কাছাকাছি সংজ্ঞায়িত দুটি ফ্রিকোয়েন্সি ব্যান্ডের উপর দৃষ্টি নিবদ্ধ করে, যেহেতু তারা শক্তিশালী শক্তি সহ ফ্রিকোয়েন্সি ছিল। এই দুটি ব্যান্ড ছিল 0.1-1 এবং 2-8 Hz। অধিকন্তু, আমরা 10 Hz এর কাছাকাছি সংজ্ঞায়িত ফ্রিকোয়েন্সি পরিসরের উপর একটি অতিরিক্ত বিশ্লেষণ পরিচালনা করেছি, যেহেতু এটি একটি হ্রাস করা কিন্তু স্বতন্ত্র শক্তি উপস্থাপন করেছে। এই ধরনের ব্যান্ড ছিল 8-12 Hz।

গুরুত্বপূর্ণভাবে, আমরা অনুমান করেছিলাম যে ফ্রিকোয়েন্সি ব্যান্ড 2–8 এবং 0.1–1 Hz আমাদের পরীক্ষামূলক কাজের সাথে জড়িত দুটি প্রধান প্রক্রিয়াকে সূচিত করেছে: একক আইটেমগুলির প্রক্রিয়াকরণ যা সাময়িক ক্রম গঠন করে (i—স্থানীয় প্রক্রিয়াকরণ) এবং স্বীকৃতি সাময়িক ক্রম একটি ব্যাপক সুপারঅর্ডিনেট অবজেক্ট হিসাবে (ii— গ্লোবাল প্রসেসিং)।

উত্স পুনর্গঠন

আমরা উত্সগুলি অনুমান করার জন্য অত্যাধুনিক উত্স পুনর্গঠন পদ্ধতি ব্যবহার করেছি, যা এমইজি সেন্সরগুলিতে (চিত্র 1C এবং চিত্র 2A) রেকর্ড করা সংকেত তৈরি করেছিল (হুয়াং এট আল। 1999; হিলেব্র্যান্ড এবং বার্নস 2{{ 7}}05)। গুরুত্বপূর্ণভাবে, এই তিনটি ভিন্ন ফ্রিকোয়েন্সি ব্যান্ডে এম এবং এন-এর উদ্ভূত প্রতিক্রিয়াগুলিকে চিহ্নিত করার জন্য, গবেষণায় জড়িত তিনটি ফ্রিকোয়েন্সি ব্যান্ডের (0.1-1, 2-8, এবং 8-12 Hz) জন্য উৎস পুনর্গঠন অ্যালগরিদমটি স্বাধীনভাবে গণনা করা হয়েছে। . বিশেষত, নিম্নলিখিত পদক্ষেপগুলি বাস্তবায়িত হয়েছিল।

প্রথমত, অবিচ্ছিন্ন ডেটা (যুগের আগে) তিনটি ফ্রিকোয়েন্সি ব্যান্ডে ব্যান্ড-পাস ফিল্টার করা হয়েছিল। দ্বিতীয়ত, ফিল্টার করা ডেটা (তিনটি ব্যান্ডের জন্য স্বাধীনভাবে) যুগান্তর করা হয়েছিল। তৃতীয়ত, যুগান্তকারী ডেটা নীচে বর্ণিত উত্স পুনর্গঠন অ্যালগরিদমে জমা দেওয়া হয়েছিল।

এই ধরনের একটি অ্যালগরিদম দুটি পরবর্তী পদক্ষেপ জড়িত: (i) একটি অগ্রগামী মডেল ডিজাইন করা এবং (ii) বিপরীত সমাধান গণনা করা। ফরোয়ার্ড মডেলটি একটি তাত্ত্বিক মডেল যা প্রতিটি মস্তিষ্কের উত্সকে একটি সক্রিয় ডাইপোল হিসাবে বিবেচনা করে এবং বর্ণনা করে যে কীভাবে এই জাতীয় ডাইপোলের একক শক্তি সমস্ত MEG সেন্সরগুলিতে প্রতিফলিত হবে (আমাদের ক্ষেত্রে, আমরা ম্যাগনেটোমিটার এবং প্ল্যানার গ্র্যাডিওমিটার উভয়ই ব্যবহার করেছি) (হুয়াং এট আল। 1999)।

এখানে, আমরা একটি 8-মিমি গ্রিড নিযুক্ত করেছি যা পুরো মস্তিষ্কের মধ্যে 3,559 ডাইপোল অবস্থান (ভক্সেল) প্রদান করে। স্বতন্ত্র কাঠামোগত T1 ডেটা ফিডুশিয়াল (হেড ল্যান্ডমার্ক সম্পর্কে তথ্য) নিবন্ধন করার পরে, নলতে (2003) দ্বারা বিশদভাবে উপস্থাপিত "সিঙ্গেল শেল" নামে একটি বহুল ব্যবহৃত পদ্ধতি অবলম্বন করে ফরওয়ার্ড মডেলটি গণনা করা হয়েছিল। লিড ফিল্ড মডেল হিসাবেও উল্লেখ করা এই ধরনের গণনার আউটপুট ম্যাট্রিক্স এল (উৎস × MEG চ্যানেল) এ সংরক্ষিত ছিল। কয়েকটি ক্ষেত্রে যেখানে স্ট্রাকচারাল T1 উপলব্ধ ছিল না, আমরা একটি টেমপ্লেট (MNI152-T1 সহ 8-mm স্থানিক রেজোলিউশন) ব্যবহার করে লিড ফিল্ড গণনা করেছি।

উৎস পুনর্গঠনের দ্বিতীয় ধাপ হল বিপরীত সমাধান গণনা করা (অর্থাৎ MEG এর সাথে রেকর্ড করা মস্তিষ্কের কার্যকলাপের উপর ভিত্তি করে নিউরাল সিগন্যালের জেনারেটর অনুমান করা)। আমাদের গবেষণায়, আমরা বিমফর্মিং বেছে নিয়েছি, যেটি ক্ষেত্রে উপলব্ধ সবচেয়ে জনপ্রিয় এবং কার্যকর অ্যালগরিদমগুলির মধ্যে একটি (Huang et al. 1999; Hillebrand and Barnes 2005)। এই পদ্ধতিটি প্রতিটি টাইম পয়েন্টের জন্য এমইজি চ্যানেল দ্বারা রেকর্ড করা কার্যকলাপে প্রতিটি উত্সের অবদানকে আলাদা করার জন্য উৎসের অবস্থানগুলিতে ক্রমানুসারে প্রয়োগ করা ওজনের একটি ভিন্ন সেট ব্যবহার করে (Hillebrand and Barnes 2005; Brookes et al. 2007)। আরও প্রযুক্তিগত স্তরে, বিমফর্মিংয়ের উপর ভিত্তি করে বিপরীত সমাধান নিম্নলিখিত প্রধান পদক্ষেপগুলি দ্বারা বর্ণনা করা যেতে পারে।

প্রথমত, T সময়ে MEG সেন্সর (B) দ্বারা রেকর্ড করা ডেটা নিম্নলিখিত সমীকরণ (3) দ্বারা বর্ণনা করা যেতে পারে:

যেখানে L হল উপরে বর্ণিত লিড ফিল্ড মডেল, Q হল ডাইপোল ম্যাট্রিক্স যা সময়ের সাথে সাথে প্রতিটি সক্রিয় ডাইপোল (q) এর কার্যকলাপ বহন করে এবং ε হল শব্দ (আরো বিস্তারিত জানার জন্য Huang et al. (2004) দেখুন)। এইভাবে, বিপরীত সমস্যা সমাধানের জন্য, আমাদের Q গণনা করতে হবে। বিমফর্মিং ব্যবহার করে, এই পদ্ধতিটি ওজনের গণনার চারপাশে ঘোরে যা প্রতিটি সময়-বিন্দুতে MEG সেন্সরগুলিতে প্রয়োগ করা হয়, যেমনটি সমীকরণে একক ডাইপোল q-এর জন্য দেখানো হয়েছে (4 ):

প্রকৃতপক্ষে, q অর্জনের জন্য, ওজনগুলি W গণনা করা উচিত (সাবস্ক্রিপ্ট টি ট্রান্সপোজ ম্যাট্রিক্সকে বোঝায়)। এটি করার জন্য, বিমফর্মিং L এর মধ্যে ম্যাট্রিক্স গুণনের উপর নির্ভর করে এবং MEG সেন্সর (C) এর মধ্যে কোভেরিয়েন্স ম্যাট্রিক্সের উপর নির্ভর করে, যা সংহত পরীক্ষামূলক ট্রায়ালগুলিতে গণনা করা হয়। বিশেষত, প্রতিটি মস্তিষ্কের উৎস n-এর জন্য, ওজন Wn নিম্নরূপ গণনা করা হয়:

উল্লেখ্য, নোল্টে (Nolte 2003) অনুসারে প্রতিটি মস্তিষ্কের উৎসের (ডাইপোল) তিনটি প্রধান অভিযোজনের জন্য লিড ফিল্ড মডেলের গণনা করা হয়েছিল। যাইহোক, ওজন গণনা করার আগে, সমীকরণ (6) এ রিপোর্ট করা ম্যাট্রিক্স গুণে একক মান পচন অ্যালগরিদম ব্যবহার করে ওরিয়েন্টেশনগুলিকে এক করা হয়েছে। বিমফর্মিং আউটপুটকে সহজ করার জন্য এই পদ্ধতিটি ব্যাপকভাবে গৃহীত হয় (Huang et al. 2004; Woolrich et al. 2011)।

এখানে, l তিনটি অভিযোজন সহ সীসা ক্ষেত্র মডেলকে উপস্থাপন করে, যখন L হল সমাধানকৃত এক-অভিযোজন মডেল যা (5) এ ব্যবহৃত হয়েছিল।

পরিশেষে, উপরে উল্লিখিত হিসাবে, এই ধরনের অ্যালগরিদমগুলির কোডিং বাস্তবায়নের বিষয়ে, আমরা ম্যাটল্যাব টুলবক্স যেমন OSL, FieldTrip, SPM (MEEG প্রিপ্রসেসিং এবং SPM বিমফর্মিং টুলবক্সের জন্য ফাংশন), এবং FSL ব্যবহার করেছি। অধিকন্তু, সেই কোডগুলি ইন-হাউস-বিল্ট স্ক্রিপ্ট এবং ফাংশন দ্বারা পরিপূরক ছিল।

টেম্পোরাল সিকোয়েন্সের প্রতিটি উপাদানের জন্য মস্তিষ্কের কার্যকলাপ

প্রথমত, আমরা আমাদের টেম্পোরাল সিকোয়েন্সের প্রতিটি আইটেমের অন্তর্নিহিত মস্তিষ্কের কার্যকলাপ সনাক্ত করতে চেয়েছিলাম (চিত্র 1D, ডুমুর। S3, S4, টেবিল 1 এবং টেবিল S1)। এখানে, আমরা পুনর্গঠিত সময় সিরিজের পরম মান গণনা করেছি যেহেতু আমরা সংকেতের পরম শক্তিতে আগ্রহী ছিলাম।

প্রতিটি অংশগ্রহণকারীর জন্য প্রথম-স্তরের বিশ্লেষণ সঞ্চালনের জন্য, আমরা সাধারণ লিনিয়ার মডেল (GLMs) নিযুক্ত করেছি। এই জাতীয় মডেলগুলি প্রতিটি সময়-বিন্দু এবং মস্তিষ্কের উত্সের জন্য উত্স পুনর্গঠিত ডেটাতে গণনা করা হয়েছিল (Hunt et al. 2012)। GLMগুলি M এবং N এর মূল প্রভাব (প্যারামিটার অনুমানের বৈপরীত্য (COPEs)) সেইসাথে তাদের বৈসাদৃশ্য ফিরিয়ে দিয়েছে। তাদের নিযুক্ত করা হয়েছিল যেহেতু তাদের প্রধান প্রভাবগুলি পাওয়ার অনুমতি দেওয়া হয়েছিল যা অংশগ্রহণকারীদের মধ্যে বৈচিত্র্য দ্বারা অত্যন্ত গুরুত্বপূর্ণভাবে সামঞ্জস্য করা হয়েছিল। এই ফলাফলগুলি একটি দ্বিতীয়-স্তরের বিশ্লেষণে জমা দেওয়া হয়েছিল, একটি গাউসিয়ান কার্নেল (সম্পূর্ণ-প্রস্থ-সর্বোচ্চ: 50 মিমি) (Huang et al. 2004) দিয়ে প্রাপ্ত স্থানিকভাবে মসৃণ বৈচিত্র্যের সাথে এক-নমুনা টি-পরীক্ষা নিযুক্ত করা হয়েছিল।

এখানে, আমরা প্রতিটি ফ্রিকোয়েন্সি ব্যান্ড এবং আইটেম (মিউজিক্যাল টোন) সিকোয়েন্স গঠনের জন্য স্বাধীনভাবে এম বনাম এন টেম্পোরাল সিকোয়েন্সের অন্তর্নিহিত স্বীকৃতির অন্তর্নিহিত বিভিন্ন মস্তিষ্কের কার্যকলাপ পর্যবেক্ষণ করতে আগ্রহী ছিলাম। এইভাবে, আমরা 15 (5 টোন × 3 ফ্রিকোয়েন্সি ব্যান্ড) ক্লাস্টার-ভিত্তিক মন্টে-কার্লো সিমুলেশন (MCS) গণনা করেছি দ্বিতীয়-স্তরের (গ্রুপ-লেভেল) বিশ্লেষণের ফলাফলে বাদ্যযন্ত্রের সুরের সময়কালের সাথে সম্পর্কিত পাঁচ-বারের উইন্ডোতে গড়। . এমসিএস বিশ্লেষণে 1,000 পারমুটেশন এবং P < 0.05 (দ্বিতীয়-স্তরের পরীক্ষা থেকে) একটি ক্লাস্টার-ফর্মিং থ্রেশহোল্ড রয়েছে। বিশেষত, এমসিএস পরীক্ষায় মূল ডেটাতে উল্লেখযোগ্য মানের স্থানিক ক্লাস্টারগুলি সনাক্ত করা থাকে। তারপরে, এই জাতীয় ডেটাগুলিকে অনুমতি দেওয়া হয়েছিল, এবং অনুমতিপ্রাপ্ত উল্লেখযোগ্য মানগুলির স্থানিক ক্লাস্টারগুলি সনাক্ত করা হয়েছিল। এই পদ্ধতিটি বেশ কয়েকবার গণনা করা হয়েছিল (যেমন 1,000) এবং প্রতিটি স্থানচ্যুতির জন্য সনাক্ত করা ক্লাস্টার আকারের একটি রেফারেন্স বিতরণের জন্ম দিয়েছে। অবশেষে, মূল ক্লাস্টার আকারগুলি রেফারেন্স বিতরণের সাথে তুলনা করা হয়েছিল। আসল ক্লাস্টারগুলিকে তাৎপর্যপূর্ণ হিসাবে বিবেচনা করা হত যদি অনুমতি দেওয়া ডেটার ক্লাস্টারের আকারগুলি মূল ক্লাস্টারের আকারের থেকে MCS স্তরের চেয়ে কম গুণ বড় হয়। এই ক্ষেত্রে, যেহেতু আমরা বিশ্লেষণটি 15 বার গণনা করেছি, আমরা মানক MCS স্তর (=0.05) কে 15 দ্বারা ভাগ করে একাধিক তুলনার জন্য সংশোধন করেছি, যার ফলে একটি আপডেট করা MCS=0.003 (অর্থাৎ আসল ক্লাস্টারগুলি তাৎপর্যপূর্ণ ছিল যদি তাদের আকারগুলি অনুমতিপ্রাপ্ত ক্লাস্টার আকারের 99.7% থেকে বড় হয়)।

যেহেতু এই গবেষণায় ব্যবহৃত ফ্রিকোয়েন্সি রেঞ্জগুলির মধ্যে একটি ছিল কম ({{0}}.1–1 Hz), তাই আমরা তিনটি ভিন্ন ব্যবহার করে 0.1-1 Hz-এর জন্য উৎস পুনর্গঠন এবং M এবং N-এর মধ্যে বৈপরীত্যগুলি পুনঃগণনা করেছি। বেসলাইন (500, 1,000, এবং 2,{10}} ms)। এটি দেখানোর জন্য করা হয়েছিল যে আমাদের আসল ফলাফলগুলি বেসলাইনের দৈর্ঘ্য দ্বারা চালিত হয়নি। এই পদ্ধতির ফলাফল চিত্র S5 এ চিত্রিত করা হয়েছে এবং টেবিল S2 এ বিস্তারিতভাবে রিপোর্ট করা হয়েছে।

K- মানে কার্যকরী ক্লাস্টারিং

আমাদের পূর্ববর্তী ফলাফলগুলি পরিপূরক করতে এবং সক্রিয় মস্তিষ্কের উত্সগুলির স্থানিক ব্যাপ্তির পাশাপাশি সময়ের সাথে সাথে তাদের কার্যকলাপের আরও বিশদ বিবরণ প্রদান করতে, আমরা মস্তিষ্কের একটি কার্যকরী ভিত্তিক পার্সেলেশন সংজ্ঞায়িত করেছি। আমরা একটি তথাকথিত k-মানে ফাংশনাল ক্লাস্টারিং গ্রহণ করেছি, যার মধ্যে k-মানে ক্লাস্টারিং অ্যালগরিদম রয়েছে। সিনাগা এবং ইয়াং (2020) প্রতিটি পুনর্গঠিত মস্তিষ্কের উত্স (ভক্সেল) সময় সিরিজের কার্যকরী এবং স্থানিক তথ্যের উপর সঞ্চালিত হয়েছে। এই পদ্ধতিটি দুটি ফ্রিকোয়েন্সি ব্যান্ডের জন্য অনুসরণ করা হয়েছে যেগুলি আমাদের পূর্ববর্তী বিশ্লেষণগুলিতে সবচেয়ে শক্তিশালী ফলাফল প্রদান করেছে এবং যেগুলি হয় অনুক্রমের একক আইটেমের সাথে বা পুরো অনুক্রমের সাথে যুক্ত ছিল, যথা 0.1–1 এবং 2–8 Hz৷

বিশেষভাবে, প্রথম ধাপ হিসেবে, k-মানে কার্যকরী ক্লাস্টারিং অ্যালগরিদম বেসিক কার্যকরী পরামিতি যেমন পিক মান এবং ভক্সেল টাইম সিরিজের সংশ্লিষ্ট সূচকগুলির উপর একটি ক্লাস্টারিং গণনা করে। আমরা এই ধাপটিকে কার্যকরী ক্লাস্টারিং হিসাবে উল্লেখ করি। এই পদ্ধতিটি মস্তিষ্কের ভক্সেলগুলির কার্যকরী প্রোফাইল অনুসারে গোষ্ঠীবদ্ধ স্বাধীন পার্সেলগুলির একটি সেট ফিরিয়ে দিয়েছে। প্রকৃতপক্ষে, এই ধরনের পার্সেলগুলিতে হয় ভক্সেল থাকতে পারে যা প্রায় একই সময়ে (চিত্র 2বি, বাম) বা অনুরূপ পরম শক্তি (চিত্র 2বি, ডান) সহ শীর্ষে ছিল। অনুমেয় হিসাবে, মস্তিষ্কের কার্যকলাপ বিভিন্ন সময়ে বিভিন্ন অঞ্চলে স্থানীয়করণ করা হলে সর্বাধিক সময়-সিরিজের সূচকগুলিতে ক্লাস্টার করার পরামর্শ দেওয়া হয়।

বিপরীতভাবে, যখন ক্রিয়াকলাপটি মস্তিষ্কের বেশিরভাগ ভক্সেলের সাথে খুব বেশি সম্পর্কযুক্ত হয়, তখন ক্লাস্টারিং সর্বাধিক সময় সিরিজের মানগুলিতে করা উচিত এবং নিউরাল সিগন্যালের মূল জেনারেটরগুলি সনাক্ত করতে সহায়তা করবে। এই সমীক্ষায়, 0.1– 1 Hz (ক্রমের বিশ্বব্যাপী প্রক্রিয়াকরণ) সময়ের সাথে স্থানান্তরিত কার্যকলাপের বিভিন্ন শিখর উপস্থাপন করেছে এবং এইভাবে এই ধরনের শিখরগুলির সময় সূচক বিবেচনা করে ক্লাস্টার করা হয়েছিল। ভিন্নভাবে, 2-8 Hz (ক্রমের স্থানীয় প্রক্রিয়াকরণ) খুব পারস্পরিক সম্পর্কযুক্ত কার্যকলাপ দেখায় এবং তাই এই ধরনের সর্বোচ্চ কার্যকলাপের পরম মান ব্যবহার করে ক্লাস্টার করা হয়েছিল। ক্লাস্টারিং বিশ্লেষণে যেমন ব্যাপকভাবে করা হয়েছে (গার্সিয়া-ডিয়াস এট আল। 2019), এছাড়াও আমাদের ক্ষেত্রে k ক্লাস্টারের একটি অনুক্রমিক সেটে (k=2 থেকে 20) ক্লাস্টারিং অ্যালগরিদম গণনা করা উপকারী ছিল। তারপরে, সর্বোত্তম ক্লাস্টারিং সমাধানটি সুপরিচিত মূল্যায়ন কৌশল (হিউরিস্টিকস) যেমন কনুই পদ্ধতি/নিয়ম (Liu and Deng 2021) এবং সিলুয়েট সহগ (Al-Zoubi and Al Rawi 2008) এর উপর ভিত্তি করে সিদ্ধান্ত নেওয়া হয়েছিল।

কনুই পদ্ধতিতে ক্লাস্টারের সেন্ট্রোয়েড সম্পর্কিত ক্লাস্টারগুলির অন্তর্গত উপাদানগুলির স্কোয়ারড ত্রুটির সমষ্টি (SSE) প্লট করা হয়, ক্রমান্বয়ে আরও অসংখ্য ক্লাস্টার সমাধানগুলির একটি ফাংশন হিসাবে। তারপরে, পদ্ধতিটি ব্যবহার করার জন্য ক্লাস্টারের সংখ্যা হিসাবে বক্ররেখার "কনুই"টিকে দৃশ্যত সনাক্ত করার পরামর্শ দেয়। সিলুয়েট সহগ হল একটি মান (−1 থেকে +1 পর্যন্ত) যা অন্যান্য ক্লাস্টারের (বিচ্ছেদ) সাথে তুলনা করার সময় তার ক্লাস্টারের সাথে একটি উপাদানের মিল দেখায়। একটি উচ্চ সিলুয়েট সহগ মান নির্দেশ করে যে উপাদানটি তার ক্লাস্টারের সাথে ভালভাবে মিলেছে এবং প্রতিবেশী ক্লাস্টারগুলির সাথে খারাপভাবে মিলছে৷

একবার সর্বোত্তম কার্যকরী ক্লাস্টারিং সমাধানের সিদ্ধান্ত নেওয়া হলে, স্থানিক তথ্য সম্পর্কে একটি দ্বিতীয় ক্লাস্টারিং গণনা করা উচিত (স্থানীয় ক্লাস্টারিং, চিত্র 2C)। প্রকৃতপক্ষে, মস্তিষ্কের কার্যকলাপ প্রধানত দুটি পরামিতি, স্থানিক অবস্থান এবং সময়ের পরিবর্তন দ্বারা বর্ণনা করা হয়। মূল মস্তিষ্কের ভক্সেলগুলিকে স্বতন্ত্র কার্যকরী পার্সেলে ক্লাস্টার করার ফলে স্থানিকভাবে পৃথক করা মস্তিষ্কের অঞ্চলগুলির একটি নেটওয়ার্ক জড়িত বড় পার্সেলগুলি ফিরে আসতে পারে যেমন একই সময়ে সক্রিয়। এইভাবে, একটি ভাল পার্সেলেশন সংজ্ঞায়িত করার জন্য, প্রতিটি কার্যকরী পার্সেলের স্থানিক স্থানাঙ্কের উপরও একটি ক্লাস্টারিং বিশ্লেষণ পরিচালনা করা উপকারী। আমাদের গবেষণায়, আমরা প্রতিটি কার্যকরী পার্সেল গঠনকারী ভক্সেলগুলির ত্রি-মাত্রিক স্থানিক স্থানাঙ্ক (MNI স্পেসে) বিবেচনা করেছি। এই ক্লাস্টারিং গণনাটি এক সময়ে একটি পার্সেলের জন্য k ক্লাস্টার সমাধানগুলির (k=2 থেকে 10) ​​অনুক্রমিক সেটের জন্য সঞ্চালিত হয়েছিল। কার্যকরী ক্লাস্টারিংয়ের জন্য, আমরা কনুই নিয়ম এবং সিলুয়েট সহগ ব্যবহার করে স্থানিক ক্লাস্টারিংয়ের জন্য সেরা সমাধানটি মূল্যায়ন করেছি। কে-অর্থাৎ কার্যকরী ক্লাস্টারিং সম্পূর্ণ হয়ে গিয়েছিল একবার এই পদ্ধতিটি সমস্ত কার্যকরী পার্সেলগুলিতে সঞ্চালিত হলে, কার্যকরী এবং স্থানিক উভয় তথ্যের উপর ভিত্তি করে পরীক্ষামূলক কাজের জন্য একটি কার্যকর পার্সেলেশনের পরামর্শ দেয় (উদাহরণগুলি চিত্র S7, টেবিল S3, এবং S4 0.1-এর জন্য রিপোর্ট করা হয়েছে। 1 Hz এবং Fig. S8, টেবিল S5, S6, এবং S7 2–8 Hz এর জন্য)। শেষ ধাপ হিসেবে, প্রতিটি পার্সেলের ব্রেইন ভক্সেলের টাইম সিরিজকে একত্রে গড় করে পার্সেলের জন্য একটি চূড়ান্ত সময় সিরিজ প্রদান করা হয়। কে-মানে কার্যকরী ক্লাস্টারিংয়ের অতিরিক্ত তথ্য সম্পূরক উপকরণগুলিতে রিপোর্ট করা হয়েছে।

প্রতিটি পার্সেলের জন্য সময়ের সাথে বৈপরীত্য

এখানে, কে-মানে কার্যকরী ক্লাস্টারিং এম এবং এন গড়ের গ্রুপ-স্তরের প্রধান প্রভাবগুলিতে সম্পাদিত হয়েছিল। তারপরে, প্রতিটি পার্সেল এবং অংশগ্রহণকারীর জন্য M এবং N-এর প্রধান প্রভাব পেতে, আমরা প্রতিটি কার্যকরী পার্সেলের অন্তর্গত মস্তিষ্কের ভক্সেলগুলির উপর M এবং N (GLMs থেকে) এর প্রথম-স্তরের প্রধান প্রভাব গড় করেছি। এর ফলে প্রতিটি অংশগ্রহণকারীর জন্য একটি নতুন টাইম সিরিজ, কার্যকরী পার্সেল এবং পরীক্ষামূলক অবস্থা (M এবং N) হয়েছে। এই ধরনের টাইম সিরিজগুলি একক বৈপরীত্যে জমা দেওয়া হয়েছিল (M বনাম N; চিত্র 2D, পদ্ধতি, এবং ডুমুর। S9 এবং S10, ফলাফল)। বিশেষত, প্রতিটি পার্সেল এবং সময়-বিন্দুর জন্য, আমরা একটি দ্বি-নমুনা টি-পরীক্ষা (থ্রেশহোল্ড P < 0.05) গণনা করেছি যা M বনাম N এর প্রধান প্রভাবের বিপরীতে। তারপর, আমরা একটি ব্যবহার করে একাধিক তুলনার জন্য সংশোধন করেছি 1,000 পারমুটেশন সহ দ্বি-মাত্রিক MCS পদ্ধতি (MCS P <0.001)। এই ব্যাপকভাবে গৃহীত পরিসংখ্যান পদ্ধতির আরও বিশদ বিবরণ বোনেটি এট আল-এ পাওয়া যাবে। (2020), Bonetti, Brattico, Carlomagno, et al. (2021a), Bonetti, Bruzzone, Sedghi, et al. (2021b), Bonetti, Brattico, Vuust, et al. (2021c)। অন্যান্য বিশ্লেষণের মতো, গবেষণায় তদন্ত করা দুটি প্রধান ফ্রিকোয়েন্সি ব্যান্ডের জন্য এই ধরনের অপারেশন পরিলক্ষিত হয়েছিল (চিত্র 3 এবং টেবিল S8)।

ফলাফল

পরীক্ষামূলক নকশা এবং এমইজি সেন্সর বিশ্লেষণ

প্রথম স্থানে, এমইজি ডেটা প্রিপ্রসেস করার পরে (বিস্তারিত বিবরণের জন্য চিত্র 1এ এবং বি এবং উপাদান এবং পদ্ধতিগুলি দেখুন), আমরা এম বনাম এন এর অন্তর্নিহিত স্বীকৃতির মস্তিষ্কের কার্যকলাপের বিপরীতে করেছি, যা এমইজি সেন্সর দ্বারা রেকর্ড করা হয়েছিল। এই পদ্ধতিটি একটি বড় উল্লেখযোগ্য ক্লাস্টার ফিরিয়ে দিয়েছে (P < 0।{17}}01, ক্লাস্টার সাইজ k=2,117, গড় মান=3.29, সময়=0.547–1.180 s), এম বনাম এন এর জন্য শক্তিশালী মস্তিষ্কের কার্যকলাপ দেখায়। তাছাড়া, এমইজি চ্যানেলগুলির উপর রেকর্ড করা মস্তিষ্কের কার্যকলাপ এমন একটি উল্লেখযোগ্য ক্লাস্টার গঠন করে, যা একটি টাইম সিরিজের রূপরেখা দেয়, যা দুটি প্রধান ফ্রিকোয়েন্সি উপাদান উপস্থাপন করে। চিত্রে দেখানো হিসাবে S2A, ক্রম গঠনকারী প্রতিটি আইটেমের উপস্থাপনার পরে দ্রুততর ফ্রিকোয়েন্সি উপাদানটি শীর্ষে উঠেছিল, যখন ধীর ফ্রিকোয়েন্সি উপাদানটি পুরো অনুক্রমের সাথে ছিল। এই প্রমাণটি সমস্ত MEG সেন্সর ডেটা দ্বারা রেকর্ডকৃত প্রতিক্রিয়াগুলির উপর জটিল মর্লেট ওয়েভলেট ট্রান্সফর্মের গণনা দ্বারা আরও সমর্থিত হয়েছিল, যা টাস্কের সময় রেকর্ড করা MEG সংকেতে 1 এবং 4 Hz এর প্রধান অবদানকে হাইলাইট করেছিল (চিত্র S2B)। এইভাবে, আমাদের নিম্নলিখিত বিশ্লেষণগুলি প্রাথমিকভাবে 1 এবং 4 Hz এর কাছাকাছি সংজ্ঞায়িত দুটি ফ্রিকোয়েন্সি ব্যান্ডের উপর দৃষ্টি নিবদ্ধ করে, যা ছিল 0.1-1 এবং 2-8 Hz। গুরুত্বপূর্ণভাবে, আমরা অনুমান করেছি যে ফ্রিকোয়েন্সি ব্যান্ড 2– 8 এবং 0.1–1 Hz আমাদের পরীক্ষামূলক কাজের সাথে জড়িত দুটি প্রধান প্রক্রিয়াকে সূচিত করেছে: একক আইটেমগুলির প্রক্রিয়াকরণ যা টেম্পোরাল সিকোয়েন্স (i-স্থানীয় প্রক্রিয়াকরণ) গঠন করে এবং সাময়িক ক্রমকে একটি ব্যাপক সুপারঅর্ডিনেট হিসাবে স্বীকৃতি দেয়। বস্তু (ii—গ্লোবাল প্রসেসিং)।

উত্স পুনর্গঠিত মস্তিষ্কের কার্যকলাপ এবং একক আইটেম বিশ্লেষণ

আমরা এম বনাম এন সিকোয়েন্সের অন্তর্নিহিত পুনর্গঠিত মস্তিষ্কের কার্যকলাপের বিপরীতে (বিশদ বিবরণের জন্য উপাদান এবং পদ্ধতি দেখুন)। প্রধান দুটি ফ্রিকোয়েন্সি ব্যান্ডের ({{0}}.1–1 এবং 2–8 Hz) জন্য বিভিন্ন ফলাফল আবির্ভূত হয়েছে। 0.1-1 Hz এর জন্য মস্তিষ্কের কার্যকলাপ M বনাম N এর জন্য শক্তিশালী ছিল, বিশেষ করে ক্রমটির শেষ তিনটি আইটেম প্রক্রিয়াকরণের সময়। যেমন চিত্র 1D, Figs S3–S5-এ চিত্রিত করা হয়েছে, এই ধরনের কার্যকলাপ একটি বিস্তৃত মস্তিষ্কের নেটওয়ার্ককে চিত্রিত করেছে যা ক্রমটির বৈশ্বিক প্রক্রিয়াকরণের অন্তর্নিহিত রয়েছে, যা মেমরির সাথে সম্পর্কিত মস্তিষ্কের অঞ্চল এবং সিঙ্গুলেট গাইরাস, হিপ্পোক্যাম্পাস, ইনসুলা, ফ্রন্টাল অপারকুলাম এবং নিকৃষ্ট প্রক্রিয়াগুলির সাথে জড়িত। টেম্পোরাল কর্টেক্স (MCS P < 0৷{17}}01)। বিপরীতভাবে, 2-8 Hz ব্যান্ডের জন্য মস্তিষ্কের ক্রিয়াকলাপ N বনাম M এর জন্য সামগ্রিকভাবে শক্তিশালী ছিল এবং প্রধানত শ্রবণ কর্টিস (MCS P <0.001) জড়িত ছিল। 0.1-1 এবং 2-8 Hz ফ্রিকোয়েন্সিগুলির জন্য শীর্ষ উল্লেখযোগ্য মস্তিষ্কের ভক্সেলের পরিসংখ্যান সারণি 1 এ রিপোর্ট করা হয়েছে, যখন তিনটি ফ্রিকোয়েন্সি ব্যান্ডের ব্যাপক ফলাফল টেবিল S1 এবং S2 এ বর্ণিত হয়েছে।

কার্যকরীভাবে প্রাপ্ত ROI এর বৈপরীত্য

সময়ের সাথে সাথে মস্তিষ্কের কার্যকলাপের স্পাটিওটেম্পোরাল উন্মোচনকে সম্পূর্ণরূপে চিহ্নিত করতে, আমরা k- মানে কার্যকরী ক্লাস্টারিং ব্যবহার করে মস্তিষ্কের একটি কার্যকরী ভিত্তিক পার্সেলেশন সংজ্ঞায়িত করেছি (বিস্তারিত তথ্যের জন্য উপাদান এবং পদ্ধতি এবং চিত্র 2 এবং চিত্র S6 দেখুন), স্বাধীনভাবে {{3} }.1–1 এবং 2–8 Hz ফ্রিকোয়েন্সি ব্যান্ড। এর ফলে প্রতিটি অংশগ্রহণকারী, কার্যকরী পার্সেল, এবং পরীক্ষামূলক অবস্থার (M এবং N) জন্য একটি নতুন টাইম সিরিজ তৈরি হয়েছে, যেগুলি একক বৈপরীত্য (M বনাম N) (চিত্র 3) জমা দেওয়া হয়েছিল এবং ক্লাস্টার-ভিত্তিক MCS ব্যবহার করে একাধিক তুলনার জন্য সংশোধন করা হয়েছিল।

আমাদের আগের বিশ্লেষণের মতোই, মন্থর ব্যান্ডে সবচেয়ে শক্তিশালী মস্তিষ্কের কার্যকলাপ M-এর জন্য সনাক্ত করা হয়েছিল। লক্ষণীয়ভাবে, আমাদের প্রথম বিশ্লেষণে বিস্তৃত, এই নতুন ফলাফলগুলি টেম্পোরাল সিকোয়েন্সের প্রক্রিয়াকরণের সাথে ধারাবাহিকভাবে সক্রিয় মস্তিষ্কের পার্সেলগুলির একটি সিরিজ হাইলাইট করেছে। চিত্র 3A তে দেখানো হয়েছে, মস্তিষ্ক ডান শ্রবণ কর্টেক্সে একটি প্রাথমিক কার্যকলাপ উপস্থাপন করেছে যা M বনাম N এর জন্য কিছুটা শক্তিশালী শক্তি দ্বারা চিহ্নিত করা হয়েছে (চিত্র 3A, পার্সেল 1: P < 0৷{9}}{ {10}}1, ক্লাস্টার সাইজ k=39; মানে টি-মান=2.72; প্রথম অবজেক্ট শুরু থেকে সময়: 0–0। 25 সে)। এর পরে, আমরা বাম শ্রবণ কর্টেক্সে স্নায়বিক কার্যকলাপ পর্যবেক্ষণ করেছি কিন্তু পরীক্ষামূলক অবস্থার মধ্যে কোন উল্লেখযোগ্য পার্থক্য নেই (চিত্র 3A, পার্সেল 2)। দ্বিতীয় এবং তৃতীয় আইটেমগুলির মধ্যে থেকে শুরু করে এবং অস্থায়ী অনুক্রমের পঞ্চম আইটেমের সময়, আমরা সিঙ্গুলেট গাইরাসে কার্যকলাপের একটি বিস্ফোরণ লক্ষ্য করেছি, যা M বনাম N এর জন্য শক্তিশালী ছিল (চিত্র 3A, পার্সেল 3: P < {{34} }। সামান্য বিলম্বে, ইনসুলা, নিকৃষ্ট টেম্পোরাল কর্টেক্সের পূর্ববর্তী অংশ, হিপ্পোক্যাম্পাস এবং ফ্রন্টাল অপারকুলাম সমন্বিত একটি বৃহত্তর মস্তিষ্কের পার্সেলের জন্য অনুরূপ প্রোফাইল আবির্ভূত হয়। আবারও, M N এর চেয়ে অনেক বেশি শক্তিশালী ছিল (চিত্র 3A, পার্সেল 4: P < 0.001, k=77; t-মান=2.79; সময়: 0.69– 1.19 s)। অবশেষে, প্যাটার্নের শ্রেণীবিভাগের জন্য অংশগ্রহণকারীদের গড় প্রতিক্রিয়া সময়ের ঠিক আগে শীর্ষে গিয়ে, পোস্ট-সেন্ট্রাল গাইরাস এবং সেন্সরিমোটর কর্টেক্সে শক্তিশালী কার্যকলাপ M বনাম N (চিত্র 3A, পার্সেল 5, প্রধান ক্লাস্টার: P <0.001, k) এর জন্য পরিলক্ষিত হয়েছিল=142; টি-মান=2.68; সময়: 0.94–1.88 সেকেন্ড)।

বিপরীতভাবে, 2-8 Hz ব্যান্ডের বিশ্লেষণে টাইম সিরিজের তীক্ষ্ণ শিখরগুলির চারপাশে N বনাম M এর জন্য শক্তিশালী কার্যকলাপের বেশ কয়েকটি উল্লেখযোগ্য ক্লাস্টার দেখানো হয়েছে। উল্লেখযোগ্যভাবে, টেম্পোরাল সিকোয়েন্সের 5টি আইটেমের জন্য আমাদের প্রথম বিশ্লেষণের তুলনায়, এই দ্বিতীয় পদ্ধতিটি স্পষ্টভাবে এই ধরনের পার্থক্যের সাময়িক ব্যাপ্তির রূপরেখা দিয়েছে, যা টেম্পোরাল সিকোয়েন্সের শেষ তিনটি টোনের সাথে সামঞ্জস্যপূর্ণ। বিশেষত, এই জাতীয় পার্থক্যগুলি সঠিকভাবে জড়িত (চিত্র 3B, পার্সেল 1, প্রধান ক্লাস্টার I: P < 0।{11}}01, k=11, টি-মান {{ 9}}.51; সময়: 0.89–0.95 s; II: P < 0৷{36}}01, k {{ 17}}; টি-মান=2.22; সময়: 1.21– 1.28 s) এবং বাম প্রাথমিক শ্রবণ কর্টিস (চিত্র 3B, পার্সেল 2, প্রধান ক্লাস্টার I: P < 0৷{46 }}01, k=12, t-মান=−3.70; সময়: 0.74–{{6{{7{{ 76}}}}}.81 s; II: P < 0৷{82}}01, k {{40}}; t-মান {{ 42}}। }। একটি হ্রাস শক্তির সাথে, ডানদিকে একই ধরনের কার্যকলাপের ক্লাস্টারগুলি পরিলক্ষিত হয়েছে (চিত্র 3B, পার্সেল 3, প্রধান ক্লাস্টার I: P < 0.001, k=13, টি-মান=3.08; সময় : 1.19– 1.27 s; II: P < 0.001, k=12; t-মান=3.61; সময়: 0.89–0.96 s) এবং বাম সেকেন্ডারি অডিটরি কর্টেক্স এবং হিপোক্যাম্পাল এলাকা (চিত্র 3B, পার্সেল 4, প্রধান ক্লাস্টার I: P < 0.001, k=12,t-মান {{86}} −2.97; সময়: 0.74–0.81 s; II: P < 0.001, k {{95 }}; t-মান=2.86; সময়: 0.87–0.93 s) এবং সিঙ্গুলেট (চিত্র 3B, পার্সেল 5, প্রধান ক্লাস্টার I: P <0.001, k=10, t-মান { {109}}.03; সময়: 0.90–0.96 s; II: P < 0.001, k=9; t-মান=−2.29; সময়: 0.79– 0.84 s)। এই বৈপরীত্যের অতিরিক্ত বিবরণ সারণি S8 এ রিপোর্ট করা হয়েছে এবং ডুমুরে ব্যাপকভাবে চিত্রিত হয়েছে। S9 এবং S10।

উপসংহারে, চিত্র 4 গুণগতভাবে একটি আকর্ষণীয় ঘটনা চিত্রিত করে। যদিও প্রথম শব্দের "ওয়েভলেট" প্রতিক্রিয়া প্রাথমিক (পার্সেল i) এবং সেকেন্ডারি অডিটরি কর্টিস, ইনসুলা, হিপ্পোক্যাম্পাল এলাকা (পার্সেল ii) এবং সিঙ্গুলেট (পার্সেল iii) এর উপর খুব অনুরূপ কার্যকলাপ দেখায়, নিম্নলিখিত শব্দগুলির জন্য শিখরগুলি একটি ভিন্ন দেখায় প্রবণতা, বিশেষ করে অনুক্রমের তৃতীয় এবং চতুর্থ আইটেমের প্রতিক্রিয়ায়। এই ক্ষেত্রে, সেকেন্ডারি অডিটরি কর্টিস, ইনসুলা, হিপ্পোক্যাম্পাল এলাকা এবং সিঙ্গুলেট প্রাথমিক শ্রবণ কর্টেক্সের আগে শিখর বলে মনে হয়। যাইহোক, এটি প্রাথমিকভাবে যা প্রদর্শিত হতে পারে তার বিপরীতে, এটি সেই এলাকায় দ্রুত প্রতিক্রিয়া নির্দেশ করতে পারে না। প্রকৃতপক্ষে, উদাহরণস্বরূপ, 0.5 সেকেন্ডের আশেপাশের চূড়াগুলিতে (চিত্র 4 তে প্রথম লাল বর্গক্ষেত্র), প্রথম শিখরটি (প্রধানত সেকেন্ডারি অডিটরি কর্টিস, ইনসুলা, হিপোক্যাম্পাল অঞ্চল এবং সিঙ্গুলেটের জন্য ঘটে) অনুরূপ হওয়া উচিত প্যাটার্নের দ্বিতীয় সাউন্ডের P300 কম্পোনেন্টে, যখন দ্বিতীয় পিক (প্রাথমিক শ্রবণ কর্টেক্সের জন্য ঘটে) P50 থেকে তৃতীয় শব্দ হতে পারে। অনুক্রমের নিম্নলিখিত আইটেমগুলির জন্য একটি সাদৃশ্যপূর্ণ ঘটনা ঘটেছে (অন্যান্য লাল স্কোয়ার দ্বারা রূপরেখা হিসাবে)।

এটি পরামর্শ দিতে পারে যে প্রাথমিক শ্রবণ কর্টেক্সের অবদান প্রথম উপাদানগুলির জন্য শক্তিশালী ছিল (যেমন P50 এবং N100), যা নিম্ন-স্তরের প্রক্রিয়াগুলিকে সূচিত করে, পরবর্তীতে P300-এর মতো উপাদানগুলি প্রধানত উচ্চ-ক্রম অঞ্চল যেমন সেকেন্ডারি অডিটরি দ্বারা তৈরি হতে পারে। কর্টিস, ইনসুলা, হিপ্পোক্যাম্পাল এলাকা এবং সিঙ্গুলেট কর্টিস। বর্তমান অবস্থায়, এটি শুধুমাত্র একটি গুণগত পর্যবেক্ষণ যা এই ঘটনাটিকে বিশেষভাবে এবং পরিমাণগতভাবে তদন্ত করার লক্ষ্যে ভবিষ্যতের অধ্যয়নের জন্য আহ্বান করে।

আলোচনা

মিউজিক্যাল সিকোয়েন্স ব্যবহার করে এই MEG গবেষণায় শ্রবণীয় অস্থায়ী সিকোয়েন্সের স্বীকৃতির সাথে যুক্ত মস্তিষ্কে দ্বৈত যুগপত প্রক্রিয়াকরণ প্রকাশ করা হয়েছে। একদিকে, ক্রম গঠনকারী স্থানীয়, একক আইটেমগুলির উপস্থাপনাটি সংবেদনশীল কর্টিস দ্বারা চালিত একটি দ্রুত, দোলনীয়, স্থানীয় প্রক্রিয়াকরণের সাথে যুক্ত ছিল। এই প্রক্রিয়াকরণটি উপন্যাস বনাম মুখস্থ বাদ্যযন্ত্রের ক্রম গঠনকারী শব্দগুলির স্বীকৃতির জন্য শক্তিশালী ছিল। অন্যদিকে, বিশ্বব্যাপী, সমগ্র অস্থায়ী ক্রম প্রক্রিয়াকরণ একটি যুগপত বিশ্বব্যাপী, ধীর প্রক্রিয়াকরণের সাথে যুক্ত ছিল যার মধ্যে ক্রমান্বয়ে সক্রিয় উচ্চ-ক্রম মস্তিষ্কের অঞ্চলগুলির একটি বিস্তৃত নেটওয়ার্ক জড়িত ছিল। এই ক্ষেত্রে, মস্তিষ্কের ক্রিয়াকলাপটি মুখস্থ বনাম উপন্যাসের ক্রমগুলির জন্য মূলত শক্তিশালী ছিল।

এই দ্বৈত যুগপত প্রক্রিয়াকরণটি ক্রমটির শেষ তিনটি টোনের উপস্থাপনার সাথে সঙ্গতিতে বিশেষভাবে স্পষ্ট ছিল, এটি পরামর্শ দেয় যে স্বীকৃতি প্রক্রিয়া শুরু করতে মস্তিষ্কের দ্বারা কমপক্ষে দুই বা তিনটি টোন প্রয়োজন। এখানে, মস্তিষ্ক মেমরি, মনোযোগ, অডিশন এবং সিদ্ধান্ত গ্রহণের সাথে সম্পর্কিত ক্ষেত্রগুলির একটি বিস্তৃত নেটওয়ার্ক নিয়োগ করেছে। এই ধরনের মস্তিষ্কের ক্ষেত্রগুলি ছিল হিপ্পোক্যাম্পাস (Knierim 2015), cingulate gyrus (Rolls 2019; Pando-Naude et al. 2021; Criscuolo et al. 2022), inferior temporal cortex (Conway 2018), ফ্রন্টাল অপারকুলাম (Infertal operculum; al. 2015), insula (Uddin 2015), এবং প্রাইমারি এবং সেকেন্ডারি অডিটরি কর্টেক্স (Elhilali et al. 2004)। উল্লেখযোগ্যভাবে, উভয় প্রক্রিয়া (গ্লোবাল এবং স্থানীয়) প্রায় একই মস্তিষ্কের অঞ্চলে জড়িত কিন্তু নিউরাল উদ্ভূত প্রতিক্রিয়াগুলির বিভিন্ন ফ্রিকোয়েন্সির উপর নির্ভর করে। তদ্ব্যতীত, স্থানীয় প্রক্রিয়াকরণ প্রধানত সেন্সরিয়াল কর্টিসের উপর নির্ভর করত (যেমন শ্রবণ কর্টেক্স), যখন বিশ্বব্যাপী প্রক্রিয়াকরণ উচ্চ-ক্রমের মস্তিষ্কের অঞ্চল যেমন সিঙ্গুলেট, নিকৃষ্ট টেম্পোরাল কর্টেক্স এবং হিপ্পোক্যাম্পাসের একটি বিস্তৃত নিয়োগ উপস্থাপন করে।

আশ্চর্যজনকভাবে, শ্রবণ সাময়িক ক্রম স্বীকৃতি ক্রমশ ধীরগতির ঘটনাগুলির একটি ক্যাসকেডের সাথে যুক্ত ছিল যা নিম্ন থেকে উচ্চ-ক্রমের মস্তিষ্কের অঞ্চলগুলির একটি শৃঙ্খলকে পুনরায় সংযুক্ত করে। এই প্রমাণ, 0.1–1 Hz ব্যান্ডের জন্য পর্যবেক্ষণ করা হয়েছে, ইঙ্গিত দিতে পারে যে মস্তিষ্ক ট্র্যাক করে এবং পরবর্তীকালে সক্রিয় অঞ্চলগুলির একটি শ্রেণিবদ্ধ পথ নিয়োগের মাধ্যমে উদ্ভাসিত অস্থায়ী ক্রমটির একটি অর্থপূর্ণ বোঝাপড়া তৈরি করে। বিপরীতভাবে, 2-8 Hz ব্যান্ডে ক্রিয়াকলাপ একটি পরিপূরক প্রোফাইল দেখায়, যা অস্থায়ী অনুক্রমের প্রতিটি আইটেমের পরে কিছুটা শীর্ষে উঠেছিল। এই ধরনের প্রমাণগুলি প্রস্তাব করে যে, যদিও 0.1-1 Hz ব্যান্ডটি সমগ্র ক্রম (গ্লোবাল প্রসেসিং) এর একটি বিস্তৃত উপলব্ধি অর্জনে জড়িত হতে পারে, 2-8 Hz ব্যান্ডটি একক আইটেমগুলির (স্থানীয়) উপর স্বাধীনভাবে বিস্তারিত হতে পারে প্রক্রিয়াকরণ)। যাইহোক, আমাদের ফলাফলগুলি চূড়ান্তভাবে বলতে পারে না যে এই ধরনের ব্যান্ডগুলি অভ্যন্তরীণ মস্তিষ্কের প্রক্রিয়াগুলিকে প্রতিনিধিত্ব করে নাকি কেবল উদ্দীপনা-চালিত ছিল। এই গুরুত্বপূর্ণ প্রশ্নের সমাধান করার জন্য ভবিষ্যতে গবেষণা প্রয়োজন হবে।

আমাদের ফলাফলের মূল অভিনবত্ব আমাদের পরীক্ষামূলক অবস্থার (এম এবং এন) ​​দুটি ফ্রিকোয়েন্সি ব্যান্ডের জন্য পর্যবেক্ষণ করা মস্তিষ্কের সংকেতের ডিফারেনশিয়াল শক্তির সাথে সম্পর্কিত। প্রকৃতপক্ষে, যখন 0.1-1 Hz ব্যান্ডটি মুখস্থ ক্রমগুলির জন্য একটি শক্তিশালী শক্তি উপস্থাপন করেছিল, 2-8 Hz ব্যান্ডটি উপন্যাসগুলির জন্য আরও বেশি প্রতিক্রিয়া দেখিয়েছিল৷ এই অনুসন্ধানটি ভবিষ্যদ্বাণীমূলক কোডিং তত্ত্বের আলোকে দেখা যেতে পারে (Friston 2012; Vuust et al. 2012; Koelsch et al. 2019), যা মনে করে যে পরিবেশগত তথ্য ভবিষ্যদ্বাণী করার জন্য মস্তিষ্ক ক্রমাগত অভ্যন্তরীণ মডেলগুলি আপডেট করছে। এখানে, যখন মস্তিষ্ক অস্থায়ী সিকোয়েন্সগুলি (যেমন আমাদের সিকোয়েন্সের দুই এবং তিন নম্বর টোনগুলির চারপাশে) চিনতে পারে, তখন এটি আসন্ন, পূর্বে মুখস্থ করা, ক্রমগুলি সম্পূর্ণ করে এমন আইটেমগুলির আরও ভাল ভবিষ্যদ্বাণী তৈরি করতে পারে।

সুতরাং, এই জাতীয় আইটেমগুলিকে কম স্থানীয় প্রক্রিয়াকরণের প্রয়োজন হবে, যেমনটি আমরা পরীক্ষামূলকভাবে পর্যবেক্ষণ করেছি। মজার বিষয় হল, যদিও প্রধানত প্রাথমিক শ্রবণ কর্টেক্সে স্থানীয়করণ করা হয়, 2-8 Hz ব্যান্ড কার্যকলাপের নিউরাল উত্সগুলিও হিপ্পোক্যাম্পাল অঞ্চলে, সেকেন্ডারি অডিটরি কর্টেক্স, ইনসুলা এবং সিঙ্গুলেটে স্থাপন করা হয়েছিল। পূর্বে উল্লিখিত হিসাবে, এই প্রমাণগুলি পরামর্শ দেয় যে প্রায় একই মস্তিষ্কের অঞ্চলগুলি একটি খুব ভিন্ন কার্যকরী প্রোফাইল দ্বারা চিহ্নিত দুটি যুগপত ফ্রিকোয়েন্সি ব্যান্ড তৈরি করেছে, যা অস্থায়ী অনুক্রমের স্থানীয় এবং বিশ্বব্যাপী প্রক্রিয়াকরণকে সূচী করে। এর উপরে, স্থানীয় প্রক্রিয়াকরণ সম্পর্কে, আমাদের ফলাফলগুলি দেখায় যে প্রতিটি শব্দের বিস্তৃতি তিনটি প্রধান শিখর (উপাদান) সহ একটি তরঙ্গের মতো সময় সিরিজের জন্ম দিয়েছে। এখানে, প্রথম উপাদান (যেমন P50 এবং N100 (Coles and Rugg 2008)) দ্বারা সূচীকৃত শব্দগুলির নিম্ন স্তরের বিস্তৃতি প্রধানত প্রাথমিক শ্রবণ কর্টেক্সে উদ্ভূত হয়েছে। বিপরীতভাবে, P300 (Coles and Rugg 2008) এর মতো পরবর্তী উপাদানগুলি বিশেষত উচ্চ-ক্রম অঞ্চল যেমন সেকেন্ডারি অডিটরি কর্টিস, ইনসুলা, হিপ্পোক্যাম্পাল অঞ্চল এবং সিঙ্গুলেট দ্বারা তৈরি হয়েছিল। লক্ষণীয়ভাবে, সাময়িক ক্রম উদ্ঘাটনের পরে এই জাতীয় ঘটনা আরও স্পষ্ট হয়ে ওঠে, যা পরামর্শ দেয় যে একক আইটেমগুলির একটি ক্রমবর্ধমান আরও পরিমার্জিত বিশদ বিবরণ মস্তিষ্কের জন্য সমগ্র অস্থায়ী ক্রমটির অর্থ বোঝার জন্য অপরিহার্য হতে পারে।

অন্য একটি নোটে, পূর্ববর্তী বেশ কয়েকটি গবেষণায় স্নায়ু সংকেতের বিভিন্ন অবস্থানের পরিপ্রেক্ষিতে বৈশ্বিক এবং স্থানীয় প্রক্রিয়াকরণের বর্ণনা দেওয়া হয়েছে (অর্থাৎ প্রাথমিক সংবেদনশীল কর্টিসগুলি আগত উদ্দীপকের বিশদ বিবরণে উচ্চ-ক্রমের মস্তিষ্কের অঞ্চলগুলির আগে ছিল (কিউ এবং ভন ডের হেইডট 2005)। বিপরীতভাবে, আমাদের গবেষণায় আমরা দেখিয়েছি যে একই মস্তিষ্কের অঞ্চলগুলি একই সময়ে এই 2টি প্রক্রিয়া (গ্লোবাল এবং স্থানীয়) পরিচালনা করে, দুটি সমবর্তী ফ্রিকোয়েন্সি ব্যান্ড ব্যবহার করে, সম্ভবত জটিল মাল্টিপ্লেক্সিংয়ের পরামর্শ দেয়৷ এই ফলাফলগুলি পূর্ববর্তী গবেষণার সাথে সামঞ্জস্যপূর্ণ, যা সমসাময়িক মস্তিষ্কের প্রক্রিয়াগুলি দেখিয়েছিল৷ শ্রবণ উপলব্ধি এবং ভাষা বোঝার একই আইটেম (Giraud and Poeppel 2012)।

উপরন্তু, শব্দ তথ্যের জন্য শ্রবণ প্রক্রিয়াকরণ এবং মেমরির তদন্তকারী পূর্ববর্তী কিছু গবেষণায় আমাদের ধীর, বিশ্ব প্রক্রিয়াকরণের মতো ধীর গতির প্রতিক্রিয়া জানানো হয়েছে। উদাহরণস্বরূপ, Picton (1978) শব্দের প্রতিক্রিয়ায় মানব মস্তিষ্কে শ্রবণশক্তি টেকসই বৈদ্যুতিক সম্ভাবনার প্রমাণ প্রদান করে। অতি সম্প্রতি, Bidet-Caulet et al. (2007), ইন্ট্রাক্রানিয়াল ইইজি ব্যবহার করে দেখিয়েছে যে শব্দ তথ্যের প্রতি নির্বাচনী মনোযোগ সেকেন্ডারি শ্রবণ মস্তিষ্কের অঞ্চলে টেকসই উদ্ভূত প্রতিক্রিয়াগুলির সাথে যুক্ত ছিল। একইভাবে, গ্রিমল্ট এট আল। (2014), অডিটরি স্বল্প-মেয়াদী মেমরি অধ্যয়ন করে, সামনের, টেম্পোরাল এবং প্যারিটাল অঞ্চলে টেকসই মস্তিষ্কের ক্রিয়াকলাপ রিপোর্ট করেছে যখন স্মৃতিতে বেশ কিছু শ্রবণ আইটেম রাখা হয়েছিল। এই ফলাফলগুলির সাথে সামঞ্জস্য রেখে, অ্যালবয় এবং সহকর্মীরা যখন অংশগ্রহণকারীদের শ্রুতিমধুর মেমরির কাজগুলি সম্পাদন করতে বলা হয়েছিল তখন ধীর গতির প্রতিক্রিয়া দেখিয়েছিলেন।

তারা ধীরগতির, টেকসই মস্তিষ্কের প্রতিক্রিয়া বিশেষ করে শ্রবণীয় উদ্দীপনা ধরে রাখা এবং ম্যানিপুলেশন সম্পর্কে রিপোর্ট করেছে (Albouy et al. 2013, 2017)।

অবশেষে, আমাদের ফলাফলগুলি মস্তিষ্কের সুপরিচিত দ্বি-প্রবাহের হাইপোথিসিস সম্পর্কিত এবং প্রসারিত ধারণাগুলি (Goodale and Milner 1992; Whitwell et al. 2014)। এই ধরনের ধারণাটি চাক্ষুষ এবং শ্রবণ সংক্রান্ত তথ্যের উচ্চ-ক্রম বিস্তারের জন্য 2টি প্রধান পথের প্রস্তাব করেছে। একদিকে, ভেন্ট্রাল স্ট্রিম সেন্সরিয়াল এলাকা (যেমন ভিজ্যুয়াল এবং অডিটরি কর্টিসিস) থেকে মিডিয়াল টেম্পোরাল লোবের দিকে নিয়ে যায়, প্রক্রিয়াকরণ বৈশিষ্ট্যগুলি প্রধানত বস্তুর স্বীকৃতির সাথে যুক্ত (গুডেল এবং মিলনার 1992; ওয়েইলার এট আল। 2021)। অন্যদিকে, ডোরসাল স্ট্রীম সংবেদনশীল কর্টিস থেকে প্যারিটাল লোবে তথ্য নিয়ে আসে, উদ্দীপকের স্থানিক বৈশিষ্ট্যগুলিকে বিস্তৃত করে (আরবিব 2017)।

এই অনুমানের সাথে সামঞ্জস্যপূর্ণ, আমাদের ফলাফলগুলি ভেন্ট্রাল স্ট্রিমের বেশ কয়েকটি মস্তিষ্কের অঞ্চলগুলিকে হাইলাইট করেছে যেগুলি স্বীকৃতি প্রক্রিয়ার সাথে জড়িত, যেমন হিপ্পোক্যাম্পাল অঞ্চল, ফ্রন্টাল অপারকুলাম এবং নিকৃষ্ট টেম্পোরাল কর্টেক্স। লক্ষণীয়ভাবে, যাইহোক, আমাদের ফলাফলগুলি কমপক্ষে তিনটি গুরুত্বপূর্ণ, চূড়ান্ত মন্তব্য প্রদান করে দ্বি-প্রবাহের হাইপোথিসিসের পূর্ববর্তী জ্ঞানকে আরও প্রসারিত করেছে। (i) অস্থায়ী ক্রমগুলির মস্তিষ্কের স্বীকৃতি অনন্য স্থানিক-অস্থায়ী বৈশিষ্ট্যগুলি উপস্থাপন করে, যা একক আইটেম বা সিঙ্ক্রোনাস নিদর্শনগুলির সনাক্তকরণের সাথে ভাগ করা হয়নি। (ii) দ্বি-প্রবাহের অনুমানের সাথে জড়িত মস্তিষ্কের অঞ্চলগুলি ছাড়াও, আমাদের অনুসন্ধানগুলি শ্রবণীয় অস্থায়ী ক্রম স্বীকৃতি অর্জনের জন্য সিঙ্গুলেট গাইরাসের বিশেষাধিকারপ্রাপ্ত ভূমিকা দেখিয়েছে। (iii) অবশেষে, সময়ের সাথে সাথে উদ্ভাসিত অনুক্রমের স্বীকৃতি একই আইটেমগুলির দ্বৈত যুগপত প্রক্রিয়াকরণের সাথে জড়িত, যা মস্তিষ্ক একই সাথে তথ্যের পৃথক টুকরো (স্থানীয় প্রক্রিয়াকরণ) এবং একটি বৃহত্তর সমগ্রের প্রাথমিক অংশ (গ্লোবাল প্রসেসিং) হিসাবে ব্যাখ্যা করে। উল্লেখযোগ্যভাবে, আমাদের গবেষণায় দেখা গেছে যে স্থানীয় প্রক্রিয়াকরণটি উপন্যাসের শ্রুতি তথ্যের জন্য অত্যন্ত প্রাসঙ্গিক ছিল, যখন পূর্বে মুখস্থ করা বাদ্যযন্ত্রের ক্রমগুলি মস্তিষ্কের বিশ্বব্যাপী প্রক্রিয়াকরণের একটি শক্তিশালী সম্পৃক্ততার মাধ্যমে স্বীকৃত হয়েছিল।

ভবিষ্যত গবেষণাকে বলা হয় এই বিষয়ের আরও তদন্ত করার জন্য মস্তিষ্কের প্রক্রিয়াগুলি অধ্যয়ন করে যা অসংগীতমূলক অস্থায়ী ক্রমগুলির (যেমন সংখ্যা, শব্দ এবং ভিজ্যুয়াল উপাদানগুলির ক্রম) স্বীকৃতি দেয়। উপরন্তু, মানুষের বিভিন্ন শ্রেণীর মধ্যে জ্ঞানীয় ক্ষমতার সুপরিচিত পার্থক্যের উপর ভিত্তি করে (যেমন বয়স্ক বনাম অল্প বয়স্কদের (Fernàndez-Rubio, Brattico, et al. 2022a; Fernàndez-Rubio, Olsen, et al. 2022c), সঙ্গীতজ্ঞ বনাম নন-মিউজিশিয়ান (Criscuolo et al. 2019; Bonetti, Brattico, Vuust, et al. 2021c), এবং সুস্থ ব্যক্তি বনাম রোগী (Valenzuela and Sachdev 2006)), ভবিষ্যতের গবেষণায় মস্তিষ্কের প্রক্রিয়ার উপর বয়স এবং ক্লিনিকাল অবস্থার প্রভাব অন্বেষণ করা উচিত অন্তর্নিহিত টেম্পোরাল সিকোয়েন্স স্বীকৃতি।

লেখক অবদান

ধারণা: এলবি, ইবি, এমএলকে, পিভি; পদ্ধতি: এলবি, এমএলকে, ডিপি, জিডিই; সফটওয়্যার: LB; বিশ্লেষণ: এলবি; তদন্ত: এলবি, জিডিও; সম্পদ: MLK, PV, EB, LB; ডেটা কিউরেশন: এলবি; লেখা—মূল খসড়া: এলবি; লেখা—পর্যালোচনা এবং সম্পাদনা: LB, SEPB, EB, DP, GDE, GDO, PV; ভিজ্যুয়ালাইজেশন: এলবি, এসইপিবি; তত্ত্বাবধান: MLK, PV, DP, EB; প্রকল্প প্রশাসন: এলবি, এমএলকে, পিভি, ইবি; তহবিল অধিগ্রহণ: এলবি, পিভি, এমএলকে।

স্বীকৃতি

আমরা রিকার্ডো প্রোয়েটি, গিউলিও ক্যারাতুরো, মিক হোল্ট এবং হোলগার ফ্রিসকে নিউরোসায়েন্টিফিক পরীক্ষায় তাদের সহায়তার জন্য ধন্যবাদ জানাই। আমরা মনস্তাত্ত্বিক পরীক্ষা এবং প্রশ্নাবলীর প্রশাসনে সহায়তার জন্য মনোবিজ্ঞানী টিনা বির্গিট উইসবেচ কারস্টেনসেনকে এবং কাগজের প্রদর্শন আইটেমগুলিতে সহায়তার জন্য ফ্রান্সেসকো কার্লোমাগনোকে ধন্যবাদ জানাই।

সম্পূরক উপাদান
সেরিব্রাল কর্টেক্স অনলাইনে সম্পূরক উপাদান পাওয়া যায়।

অর্থায়ন

সেন্টার ফর মিউজিক ইন দ্য ব্রেন (MIB) ডেনিশ ন্যাশনাল রিসার্চ ফাউন্ডেশন (প্রকল্প নম্বর DNRF117) দ্বারা অর্থায়ন করা হয়।

LB কার্লসবার্গ ফাউন্ডেশন (CF20-0239), লুন্ডবেক ফাউন্ডেশন (ট্যালেন্ট প্রাইজ 2022), সেন্টার ফর মিউজিক ইন দ্য ব্রেন, অক্সফোর্ড বিশ্ববিদ্যালয়ের লিনাক্রে কলেজ এবং সোসাইটি ফর এডুকেশন অ্যান্ড মিউজিক সাইকোলজি (SEMPRE-এর 50 তম বার্ষিকী) দ্বারা সমর্থিত। পুরস্কার প্রকল্প)।

এমএলকে সেন্টার ফর মিউজিক ইন দ্য ব্রেইন এবং সেন্টার ফর ইউডাইমোনিয়া অ্যান্ড হিউম্যান ফ্লোরিশিং দ্বারা সমর্থিত হয় পেটিট এবং কার্লসবার্গ ফাউন্ডেশন দ্বারা অর্থায়ন করা হয়।

GD স্প্যানিশ রিসার্চ প্রজেক্ট PSI2016- 75688-P (AEI/FEDER, EU) দ্বারা সমর্থিত, অনুদান চুক্তি নং-এর অধীনে ইউরোপীয় ইউনিয়নের Horizon 2020 Research and Innovation Program. 720270 (HBP SGA1) এবং না। 785907 (HBP SGA2), এবং কাতালান AGAUR প্রোগ্রাম 2017 SGR 1545 দ্বারা।

উপরন্তু, আমরা লেখক Giulia Donati এবং ছাত্র সহকারী Riccardo Proietti এবং Giulio Carraturo এবং Mensa এর ইতালীয় বিভাগকে প্রদান করা অর্থনৈতিক সহায়তার জন্য বোলোগনা বিশ্ববিদ্যালয়কে ধন্যবাদ জানাই: ফ্রান্সেস্কো কার্লোমাগনোকে প্রদত্ত অর্থনৈতিক সহায়তার জন্য আন্তর্জাতিক উচ্চ আইকিউ সোসাইটি।

তথ্যসূত্র

আল-জুবি এমবি, আল আরএম। সিলুয়েট সহগ গণনার জন্য একটি দক্ষ পদ্ধতি। J Comput Sci. 2008:4(3):252–255।

2.অ্যালবয় পি, ম্যাটাউট জে, বুয়েট আর, ম্যাবি ই, সানচেজ জি, আগুয়েরা পিই, ডালিগল্ট এস, ডেলপুইচ সি, বার্ট্রান্ড ও, ক্যাক্লিন এ এবং অন্যান্য। জন্মগত অ্যামুসিয়াতে প্রতিবন্ধী পিচ উপলব্ধি এবং স্মৃতিশক্তি: ঘাটতি শ্রবণ কর্টেক্সে শুরু হয়। মস্তিষ্ক। 2013:136(5):1639–1661।

3. অ্যালবয় পি, ওয়েইস এ, বেলেট এস, জ্যাটোরে আরজে। ডোরসাল স্ট্রীমে থিটা অসিলেশনের নির্বাচনী প্রবণতা কার্যকারণে শ্রুতিমধুর মেমরি কর্মক্ষমতা বাড়ায়। নিউরন। 2017:94(1):193–206।

4. আরবিব এম.এ. ভাষা-প্রস্তুত মস্তিষ্কের বিবর্তনে ডোরসাল এবং ventr1982al স্ট্রীম: বিশ্বের সাথে ভাষার সংযোগ। জে নিউরোলিঙ্গুইটিক্স। 2017:43:228-253।

5. Behroozmand R, Shebek R, Hansen DR, Oya H, Robin DA, Howard MA, Greenlee JDW. বক্তৃতা উত্পাদন এবং মোটর নিয়ন্ত্রণ জড়িত সংবেদনশীল-মোটর নেটওয়ার্ক: একটি fMRI গবেষণা। নিউরোইমেজ। 2015:109: 418–428।

6. Berdyyeva TK, Olson CR। ম্যাকাক ফ্রন্টাল কর্টেক্সের চারটি এলাকায় ক্রমিক ক্রমানুসারে ক্রিয়া এবং বস্তু নির্বাচন করার সময় সংকেতগুলিকে র‌্যাঙ্ক করুন। জে নিউরোফিজিওল। 2010:104(1):141–159।

7. Bidet-Caulet A, Fischer C, Besle J, Aguera PE, Giard MH, Bertrand, O. মানুষের শ্রবণ কর্টেক্সে সমসাময়িক শব্দের ইলেক্ট্রোফিজিওলজিকাল উপস্থাপনার উপর নির্বাচনী মনোযোগের প্রভাব। জে নিউরোসি। 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। জোহান সেবাস্টিয়ান বাখের সঙ্গীতের স্বীকৃতির সময় স্পাটিওটেম্পোরাল মস্তিষ্কের গতিবিদ্যা। 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। পুরো মস্তিষ্কের সংযোগে আবিষ্কৃত বাদ্যযন্ত্রের সুরের দ্রুত এনকোডিং। নিউরোইমেজ। 2021a:245:118735.

10. Bonetti L, Brattico E, Vuust P, Kliuchko M, Saarikallio S. বুদ্ধিমত্তা এবং সঙ্গীত: নিম্ন বুদ্ধিমত্তার অংশ শক্তিশালী সংবেদন অনুভব করার জন্য সঙ্গীতের উচ্চতর ব্যবহারের সাথে যুক্ত। এম্পির স্টাড আর্টস। 2021c:39(2):194–215।

For more information:1950477648nn@gmail.com