ভিসুস্পেশিয়াল ওয়ার্কিং মেমরির সময় পোস্টেরোমেডিয়াল কর্টেক্স থেকে তথ্যের প্রবাহ অনুসন্ধান করা: একটি ম্যাগনেটোএনসেফালোগ্রাফি স্টাডি পার্ট 2

ডিসপ্লে যন্ত্রপাতি এবং সেটআপ। ভিজ্যুয়াল উদ্দীপনা MATLAB (সংস্করণ R2014b) এবং সাইকটুলবক্স (Brainard, 1997; Pelli, 1997; Kleiner et al., 2007) থেকে রুটিন ব্যবহার করে উপস্থাপন করা হয়েছিল।

ভিজ্যুয়াল স্টিমুলেশন হল বাহ্যিক তথ্য যা আমরা আমাদের চোখের মাধ্যমে পাই, যা আমাদের স্মৃতিতে গুরুত্বপূর্ণ প্রভাব ফেলে। গবেষণা দেখায় যে চাক্ষুষ উদ্দীপনা স্মৃতিতে একটি দুর্দান্ত প্রভাব ফেলে।

প্রথমত, চাক্ষুষ উদ্দীপনা স্মৃতি ধারণ এবং পুনরুদ্ধার বাড়াতে পারে। যখন আমরা একটি দৃশ্যত আকর্ষণীয় ছবি বা চিত্র দেখি, তখন আমাদের মস্তিষ্ক এটিকে আরও নির্দিষ্ট মেমরি হিসাবে সংরক্ষণ করে এবং যখন আমাদের স্মৃতি পুনরুদ্ধার করার প্রয়োজন হয় তখন এটি খুঁজে পাওয়া সহজ হয়। এর মধ্যে রয়েছে উজ্জ্বল রঙের এবং অনন্য আকৃতির ছবি।

দ্বিতীয়ত, চাক্ষুষ উদ্দীপনা মেমরির অধ্যবসায়কেও উন্নত করতে পারে। কিছু সমীক্ষা দেখায় যে আমরা সহজ শব্দ বা সংখ্যার চেয়ে ছবি বা ছবি মনে রাখি। অতএব, শেখার বা গবেষণার উপকরণ ডিজাইন করার সময়, পাঠ্যের সাথে চিত্রগুলিকে একত্রিত করা স্মৃতিশক্তিকে দীর্ঘস্থায়ী করতে সহায়তা করবে।

অবশেষে, চাক্ষুষ উদ্দীপনা আমাদের সৃজনশীলতা এবং কল্পনাকেও উদ্দীপিত করতে পারে, যা স্মৃতিশক্তির জন্য খুবই গুরুত্বপূর্ণ। যখন আমরা আমাদের মস্তিস্ককে ভিজ্যুয়াল ইনপুটের সাথে একত্রিত করি, তখন আমরা নতুন এবং অনন্য স্মৃতি তৈরি করতে পারি যা আমাদের মস্তিষ্কে আরও সহজে আটকে থাকে এবং আমাদের কল্পনাকে স্ফুলিঙ্গ করে।

সাধারণভাবে, চাক্ষুষ উদ্দীপনা স্মৃতিতে একটি দুর্দান্ত প্রভাব ফেলে। চাক্ষুষরূপে আকর্ষণীয় শেখার উপকরণ তৈরি করে বা ভিজ্যুয়াল উদ্দীপনার অন্যান্য রূপ ব্যবহার করে, আমরা আমাদের মস্তিষ্ককে আরও ভালভাবে শিখতে এবং জ্ঞান ধরে রাখতে সাহায্য করতে পারি এবং আমাদের সৃজনশীলতা এবং কল্পনাকে উদ্দীপিত করতে পারি। এটা দেখা যায় যে আমাদের স্মৃতিশক্তি উন্নত করতে হবে, এবং Cistanche deserticola উল্লেখযোগ্যভাবে স্মৃতিশক্তি উন্নত করতে পারে কারণ Cistanche deserticola একটি ঐতিহ্যবাহী চীনা ঔষধি উপাদান যার অনেকগুলি অনন্য প্রভাব রয়েছে, যার মধ্যে একটি হল স্মৃতিশক্তি উন্নত করা। কিমা করা মাংসের কার্যকারিতা অ্যাসিড, পলিস্যাকারাইড, ফ্ল্যাভোনয়েড ইত্যাদি সহ বিভিন্ন সক্রিয় উপাদান থেকে আসে৷ এই উপাদানগুলি বিভিন্ন উপায়ে মস্তিষ্কের স্বাস্থ্যকে উন্নীত করতে পারে৷

মেমরি বাড়ানোর জন্য সম্পূরকগুলি জানুন ক্লিক করুন

এমইজি সেশনের সময়, ফ্যারাডে ঢালের বাইরে অবস্থিত একটি ইনফোকাস IN5108 এলসিডি ব্যাক-প্রজেকশন সিস্টেম (ইনফোকাস) দ্বারা একটি কাস্টমাইজড উইন্ডোর মাধ্যমে উদ্দীপনা প্রক্ষেপিত হয়েছিল, অংশগ্রহণকারীর উপরে অবস্থিত একটি স্ক্রিনে, 12 ডিগ্রী ভিজ্যুয়াল অ্যাঙ্গেলের প্রদর্শনের প্রস্থে। অংশগ্রহণকারীরা, শুয়ে থাকা, 113 সেন্টিমিটার থেকে স্ক্রীনটি দেখেছে।

সাইকোফিজিকাল এক্সপেরিমেন্টের জন্য, উদ্দীপনাগুলি একটি DellOptiPlex 9010 ডেস্কটপ কম্পিউটারে একটি AMD Radeon HD 7570গ্রাফিক্স কার্ড চালনা করে একটি 60 33 সেমি Samsung SyncMasterSA950 Full HD 3D LED মনিটরে উদ্দীপনা আঁকতে প্রদর্শন করা হয়েছিল, 120 Hz এ রিফ্রেশ করা হয়েছে৷ পরীক্ষাগুলি একটি অন্ধকার ঘরে সংঘটিত হয়েছিল, এবং অংশগ্রহণকারীদের 64 সেন্টিমিটার দূরত্ব থেকে স্ক্রীনটি বসেছিল এবং দেখা হয়েছিল।

চাক্ষুষ উদ্দীপনা এবং টাস্ক. সাইকোফিজিক্যাল এবং এমইজি সেশনের সময়, অংশগ্রহণকারীরা একটি দৃশ্যমান কাজের মেমরি টাস্ক সম্পন্ন করেছে। পূর্বে ব্যবহৃত একটি ওয়ার্কিং মেমরি চ্যালেঞ্জ টাস্কের উপর টাস্ক এবং উদ্দীপনাকে ভিত্তি করে (কোচান এট আল।, 2010, 2011)।

আমাদের কাজের জন্য, আমরা পূর্ববর্তী কাজে ব্যবহৃত 8টি বিমূর্ত প্যাটার্ন চিত্র ব্যবহার করেছি (চিত্র 1A)। প্রতিটি এনকোডিং এবং পুনরুদ্ধার উদ্দীপনা এই 8টি চিত্রের মধ্যে একটি নিয়ে গঠিত, 9টি অবস্থানের একটিতে (চিত্র 1বি)।

প্রতিটি চিত্র একটি বর্গাকার ছিল, ব্যাস 2.5 ডিগ্রী ভিজ্যুয়াল কোণ এবং 9টি অবস্থানের প্রতিটি স্ক্রীনের কেন্দ্র থেকে 4 ডিগ্রী ভিজ্যুয়াল কোণের অবস্থানে কেন্দ্রীভূত ছিল। একটি গাঢ়-ধূসর ক্রস (চিত্র 1, প্রস্থ 1 ডিগ্রি দেখুন) সর্বদা পর্দার কেন্দ্রে উপস্থিত ছিল। সমস্ত ছবি গড় ধূসর পটভূমিতে উপস্থাপিত হয়েছিল।

প্রতিটি ট্রায়াল চিত্র 1C এ চিত্রিত ক্রম অনুসরণ করে। এনকোডিংয়ের সময়, চারটি উদ্দীপনা উপস্থাপিত হয়েছিল, ক্রমানুসারে, একই সময়কালের সাথে। এনকোডিং উদ্দীপকগুলি সর্বদা চারটি ভিন্ন চিত্র ছিল, চারটি ভিন্ন স্থানে, এবং অংশগ্রহণকারীকে চিত্র পরিচয় এবং অবস্থানের এই চারটি সংমিশ্রণ মনে রাখতে হবে।

এনকোডিং উদ্দীপনা অনুসরণ করে, গতিশীল সাদা গোলমাল 800 ms (রক্ষণাবেক্ষণের সময়কাল) জন্য উপস্থাপন করা হয়েছিল: নয়েজ প্যাটার্নটি ছিল 20% বৈসাদৃশ্য, মধ্যমকে কেন্দ্র করে, 120 Hz এ আপডেট করা হয়েছে।

এনকোডিং উদ্দীপনা দ্বারা সৃষ্ট যেকোনো ভিজ্যুয়াল আফটার ইমেজ কমাতে আমরা রক্ষণাবেক্ষণের সময় গতিশীল শব্দ অন্তর্ভুক্ত করেছি। রক্ষণাবেক্ষণের সময়কালের পরে, একটি পুনরুদ্ধার উদ্দীপনা উপস্থাপন করা হয়েছিল, এবং অংশগ্রহণকারীরা নির্দেশ করেছিল যে পুনরুদ্ধার উদ্দীপনা সেই ট্রায়ালের জন্য সেট করা এনকোডিং উদ্দীপনায় অন্তর্ভুক্ত ছিল কিনা।

তাদের প্রতিক্রিয়া অনুসরণ করে (বাটনপ্রেসের মাধ্যমে), অংশগ্রহণকারীরা প্রতিক্রিয়া পেয়েছিল: ফিক্সেশন ক্রসটি সঠিক হলে সবুজ এবং ভুল হলে লাল হয়ে যায়।

200 ms ফিডব্যাকের পরে, ফিক্সেশন ক্রসটি গাঢ় ধূসর রঙে ফিরে আসে এবং, 300-800 ms (ট্রায়াল জুড়ে এলোমেলোভাবে পরিবর্তিত) একটি পরিবর্তনশীল আন্তঃত্রিক ব্যবধানের পরে, পরবর্তী ট্রায়াল শুরু হয়। উপস্থিত/অনুপস্থিত লক্ষ্যে সাড়া দেওয়ার জন্য ব্যবহৃত বোতামগুলি প্রতিটি ব্লকে অদলবদল করা হয়েছিল।

অংশগ্রহণকারীরা 72 টি ট্রায়ালের ব্লকে কাজটি সম্পন্ন করেছে। MEG সংকেত (নীচের) উপর ভিত্তি করে শ্রেণিবিন্যাস বিশ্লেষণে সহায়তা করার জন্য, প্রতিটি ব্লকের মধ্যে ফোরচ এনকোডিং উদ্দীপনা ব্যবহার করা উদ্দীপনা সম্পূর্ণরূপে ভারসাম্যহীন ছিল।

9টি অবস্থানের 8টি চিত্র 72টি অনন্য উদ্দীপনা দিয়েছে এবং প্রতিটি ব্লকের ট্রায়ালের জন্য, এই 72টি উদ্দীপনা প্রথম, দ্বিতীয়, তৃতীয় এবং চতুর্থ এনকোডিং উদ্দীপনা হিসাবে একবার ব্যবহার করা হয়েছিল।

এনকোডিং উদ্দীপকের সেটগুলি বেছে নেওয়া হয়েছিল যাতে তারা সবসময় চারটি ভিন্ন অবস্থানে চারটি ভিন্ন চিত্র ধারণ করে, কোন পুনরাবৃত্তি চিত্র বা অবস্থান ছাড়াই। আমরা এই ট্রায়ালগুলির অর্ধেক আগে থেকে বরাদ্দ করেছি, এলোমেলোভাবে নির্বাচিত, "লক্ষ্য বর্তমান" ট্রায়াল হতে, এবং বাকিগুলি "লক্ষ্য অনুপস্থিত" ট্রায়াল হতে।

প্রতিটি ট্রায়ালের জন্য, আমরা একটি পুনরুদ্ধার উদ্দীপক নির্বাচন করেছি যে এটি একটি "লক্ষ্য বর্তমান" ট্রায়াল (পুনরুদ্ধার উদ্দীপনা এনকোডিং উদ্দীপনার একটি ছিল) বা একটি "লক্ষ্য অনুপস্থিত" ট্রায়াল (এনকোডিংয়ের সময় পুনরুদ্ধার উদ্দীপনা অন্তর্ভুক্ত ছিল না) মনোনীত করা হয়েছিল।

এনকোডিং উদ্দীপকের বিপরীতে, পুনরুদ্ধার উদ্দীপনা অগত্যা প্রতিটি ব্লকে 72টি অনন্য উদ্দীপকের প্রত্যেকটি ধারণ করে না, তবে সমস্ত চিত্র এবং অবস্থানগুলি ব্লক জুড়ে সমান সংখ্যক বার ব্যবহার করা হয়েছিল।

আমরা প্রাথমিক সাইকোফিজিক্যাল সেশনটি উভয় অংশগ্রহণকারীদের টাস্কের প্রশিক্ষণ দিতে এবং তাদের কর্মক্ষমতা অনুযায়ী টাস্কের অসুবিধাকে ক্যালিব্রেট করতে ব্যবহার করেছি। সাইকোফিজিক্যাল সেশনের সময়, এনকোডিং এবং পুনরুদ্ধার উদ্দীপনার সময়কাল বিভিন্ন পরীক্ষায় পরিবর্তিত হয়।

প্রতিটি ট্রায়ালে, এনকোডিং স্টিমুলির প্রত্যেকের একই সময়কাল ছিল এবং পুনরুদ্ধার উদ্দীপনা এর চেয়ে দ্বিগুণ দীর্ঘ ছিল। প্রতিটি ব্লক জুড়ে, 9টি সময়কালের একটি পরিসীমা ব্যবহার করা হয়েছিল। প্রতিটি অংশগ্রহণকারী চারটি প্রাথমিক প্রশিক্ষণ ব্লক সম্পন্ন করেছে, যেখানে এনকোডিং সময়কাল ছিল 150-400 ms।

আমরা প্রথম চারটি প্রশিক্ষণ ব্লকে প্রতিটি অংশগ্রহণকারীর আচরণ ব্যবহার করে একটি দ্বিতীয় সেট অফফোর টাস্ক ব্লকের জন্য অপেক্ষাকৃত কম সময়সীমা বেছে নিয়েছি। সময়কাল অনুমান করতে চারটি ব্লকের এই দ্বিতীয় সেট থেকে ডেটা ব্যবহার করা হয়েছিল যেখানে প্রতিটি অংশগ্রহণকারী 75% সঠিক টাস্ক পারফরম্যান্সে পৌঁছেছে। 1 জন অংশগ্রহণকারীর নমুনা ডেটা চিত্র 2A এ দেখানো হয়েছে।

প্রতিটি অংশগ্রহণকারীর জন্য, তাদের ডেটা একটি সিগমায়েডাল ফাংশন (Eq. 1) দিয়ে ফিট করুন, যেখানে অনুপাত সঠিক (P) এনকোডিং সময়কালের সাথে পরিবর্তিত হয় (10) একটি ইন্টারসেপ্ট প্যারামিটার অনুযায়ী (a, সময়কাল সংজ্ঞায়িত করে, x, যেখানে {{2} }.75), একটি ঢাল প্যারামিটার (b ), এবং একটি ল্যাপস রেট(r), নিম্নলিখিত অনুসারে:

আমরা MATLAB ফাংশনটিলিংিট ব্যবহার করে সেরা-ফিটিং ফাংশন (চিত্র 2A-তে লাল দেখানো হয়েছে) খুঁজে পেয়েছি। এই সাইকোফিজিকাল ডেটার উপর ভিত্তি করে, আমরা তাদের MEG সেশনের জন্য অংশগ্রহণকারীদের জন্য একটি একক এনকোডিং উদ্দীপনা সময়কাল বেছে নিয়েছি, যার লক্ষ্য হল; 75% সঠিক।

এই টার্গেটটি নিশ্চিত করা হয়েছিল যে কোনও অংশগ্রহণকারী সিলিং বা মেঝে টাস্ক পারফরম্যান্সে ছিল না এবং কোচান এট আল (2011) এর ফলাফলের পর থেকে প্রতিটি অংশগ্রহণকারীর জন্য কাজটিকে যথেষ্ট চ্যালেঞ্জিং করে তুলতে দেখায় যে পিএমসি বিশেষভাবে চাক্ষুষ স্থানিক কাজের মেমরি চ্যালেঞ্জের দাবিতে জড়িত।

MEG অধিবেশন চলাকালীন, প্রতিটি অংশগ্রহণকারী এই একক এনকোডিং উদ্দীপনা সময়কাল এবং এই মানের দ্বিগুণ একটি পুনরুদ্ধার উদ্দীপনা সময়কাল সহ 8টি ব্লক ট্রায়াল সম্পন্ন করেছে। প্রতিটি অংশগ্রহণকারীর জন্য ব্যবহৃত সময়কাল এবং MEG অধিবেশন জুড়ে তাদের সামগ্রিক কর্মক্ষমতা চিত্র 2B-তে দেখানো হয়েছে।

MEG এবং MRI স্ক্যানিং প্রোটোকল। 50 মিমি বেসলাইন সহ 160টি কোক্সিয়াল ফার্স্ট-অর্ডারগ্রাডিওমিটার সমন্বিত MacquarieUniversity-এ সম্পূর্ণ-হেড MEG সিস্টেম (মডেল PQ1160R-N2, KIT) দিয়ে MEG ডেটা সংগ্রহ করা হয়েছিল (Kadoet al., 1999; Uehara et al., 2003)।

MEG পরিমাপের আগে, অংশগ্রহণকারীর মাথায় পাঁচটি মার্কার কয়েল স্থাপন করা হয়েছিল। সর্বনিম্ন 2000 পয়েন্ট ব্যবহার করে পেন ডিজিটাইজার (Polhemus Fastrack) দিয়ে মার্কার পজিশন, ন্যাশন, বাম এবং ডান প্রিউরিকুলার পয়েন্ট এবং অংশগ্রহণকারীর মাথার আকৃতি রেকর্ড করা হয়েছিল।

1000 Hz এর স্যাম্পলিং ফ্রিকোয়েন্সিতে প্রতিটি অংশগ্রহণকারীর MEG ডেটা;90 মিনিটের একক সেশনে সংগ্রহ করা হয়েছিল। প্রতিটি ট্রায়ালে, অংশগ্রহণকারীরা একটি ফাইবার অপটিক রেসপন্স প্যাড (বর্তমান ডিজাইন) ব্যবহার করে প্রতিক্রিয়া জানায়।

MRI একটি 3TSiemens ভেরিও সিস্টেমে Macquarie বিশ্ববিদ্যালয় হাসপাতালে অনুষ্ঠিত হয়। আমরা MP-RAGE সিকোয়েন্স ব্যবহার করে 3D T1-ওয়েটেড ছবিগুলি অর্জন করেছি (স্লাইস বেধ 1৷{5}} মিমি, রেজোলিউশন 1৷{7}} 1৷{9}}মিমি)৷

এমইজি ডেটা বিশ্লেষণ: উত্স পুনর্গঠন। Freesurfer 6 থেকে স্বয়ংক্রিয় বিভাজন প্রক্রিয়া।{1}} (Dale et al., 1999; Fischl et al.,1999) তাদের ধূসর/সাদা পদার্থ এবং পিয়াল/ধূসর পদার্থের সীমানা নির্ধারণের জন্য প্রতিটি অংশগ্রহণকারীর কাঠামোগত এমআর-এ প্রয়োগ করা হয়েছিল।

ব্রেনস্টর্ম(neuroimage.usc.edu/brainstorm, জানুয়ারী 2019 সংস্করণ) (Tadel et al.,2011) MEG সংকেতগুলিকে প্রিপ্রসেস করতে এবং উত্স পুনর্নির্মাণ করতে ব্যবহৃত হয়েছিল। আমরা প্রতিটি অংশগ্রহণকারীর স্পিয়াল/ধূসর সীমানা (কর্টিক্যাল পৃষ্ঠ) এর উপর ভিত্তি করে শারীরবৃত্তীয় চিত্র এবং ফ্রিসার্ফারসেগমেন্টেশন এবং সংজ্ঞায়িত হেড মডেলগুলি আমদানি করেছি।

আমরা এমইজি সেশন থেকে এমআরআই-এর উপর ভিত্তি করে অ্যানাটমি সারিবদ্ধ করে হেড মডেলের সাথে এমইজি ডেটাসেটগুলিকে সারিবদ্ধ করেছি। আমরা ব্লক চলাকালীন পরিমাপ করা মাথার অবস্থানে তাদের কর্টিকাল পৃষ্ঠে একাধিক গোলক মডেল (হুয়াং এট আল।, 1999) প্রয়োগ করে ট্রায়ালের 8 ব্লকের প্রতিটির জন্য একটি ফরওয়ার্ড মডেল তৈরি করেছি।

MEG ডেটা ব্রেনস্টর্মে নচ ফিল্টারিং (50,100, এবং 150 Hz), ব্যান্ডপাস ফিল্টারিং (0.2–200 Hz) দ্বারা অনুসরণ করা হয়েছিল। সিগন্যাল স্পেস প্রজেকশন ব্যবহার করে কার্ডিয়াক্যান্ড আই ব্লিঙ্ক আর্টিফ্যাক্টগুলি সরানো হয়েছিল: ব্রেনস্টর্মে ডিফল্ট ফিল্টার ব্যবহার করে কার্ডিয়াক এবং চোখের পলকের ঘটনা চিহ্নিত করা হয়েছিল, ম্যানুয়ালি যাচাই করা হয়েছিল, এবং তারপর এই শব্দ উপাদানগুলির সাথে সম্পর্কিত একটি ছোট সংখ্যক ভিত্তি ফাংশন অনুমান করতে ব্যবহৃত হয়েছিল, যা রেকর্ডিং থেকে সরানো হয়েছিল (Uusitalo এবং ইলমোনিমি, 1997)।

এই কার্যকরী ডেটা থেকে, আমরা প্রতিটি পরীক্ষার জন্য দুটি যুগ বের করেছি: (1) বেসলাইন কার্যকলাপের একটি পরিমাপ (100 থেকে 1 ms ফার্স্টএনকোডিং উদ্দীপকের সূচনার সাথে সম্পর্কিত), এবং (2) উদ্ভূত প্রতিক্রিয়া (0 -4000 এমএস)। আমরা প্রতিটি ব্লকের জন্য নয়েজ কোভেরিয়েন্স অনুমান করার জন্য বেসলাইন ব্যবস্থাগুলি ব্যবহার করেছি এবং তারপরে উদ্ভূত ডেটাতে একটি ন্যূনতম আদর্শ উত্স পুনর্গঠন প্রয়োগ করেছি।
প্রতিটি উৎস পুনর্গঠনের জন্য, আমরা একটি 15,000 ভার্টেক্স কর্টিকাল সারফেস ব্যবহার করেছি (ফ্রিসারফার সেগমেন্টেশন থেকে আমদানি করা অ্যাটলাস তথ্য সহ স্ট্যান্ডার্ড জাল)। সোর্স মডেলের ডাইপোল ওরিয়েন্টেশনগুলি কর্টিকাল পৃষ্ঠের স্বাভাবিক হওয়ার জন্য সীমাবদ্ধ ছিল, মধ্যমা ইজেনভ্যালু ব্যবহার করে নয়েজকোভেরিয়েন্স নিয়মিত করা হয়েছিল এবং অন্যান্য সমস্ত বিকল্পগুলি তাদের ডিফল্ট মানগুলিতে সেট করা হয়েছিল।

ROIs আমরা চারটি ROI সংজ্ঞায়িত করেছি: occipital cortex (OC), centrotemporalcortex (VTC), PMC, এবং PFC, ফ্রিসারফার সেগমেন্টেশন প্রক্রিয়া চলাকালীন প্রতিটি অংশগ্রহণকারীর শারীরস্থানের সাথে সংযুক্ত অ্যাটলাস ডেটার উপর ভিত্তি করে। আমরা আমাদের ROI সংজ্ঞায়িত করতে Freesurfer থেকে Destrieux atlas ব্যবহার করেছি (দেস্ট্রিউক্সেট আল।, 2010 দেখুন)।

আমাদের ROI তে ডেস্ট্রিউক্স এট আল থেকে নিম্নলিখিত পার্সেলেশনগুলি অন্তর্ভুক্ত রয়েছে। (2010, তাদের টেবিল 1): OC সমগ্র OC অন্তর্ভুক্ত করেছে (সূচক 2, 11, 19, 20, 22, 42, 44, 51, 57, 58, 59); ভিটিসি ইনফিরিওরটেম্পোরাল গাইরি এবং সুলসি অন্তর্ভুক্ত করেছে (সূচক 37, 72); পিএমসি-তে সিঙ্গুলেট গাইরাস এবং সালকাসের মধ্য-উত্তর অংশ, প্রিকিউনিয়াস, সিঙ্গুলেট সালকাসের প্রান্তিক শাখা এবং উপপ্যারিটাল সালকাস (সূচক 8, 30, 46, 71) অন্তর্ভুক্ত ছিল; এবং PFC সমগ্র পিএফসি (সূচক 1, 5,) অন্তর্ভুক্ত করেছে। 6, 24, 31, 62, 63, 64, 70)।

এই চারটি ROIগুলি চিত্র 3 এবং 4 এর উপরের ডানদিকের লেজেন্ডে একটি অস্ফীত কর্টিকাল পৃষ্ঠে প্রদর্শিত হয়েছে৷ সমস্ত ROI তে কর্টিকাল পৃষ্ঠের অবিচ্ছিন্ন অংশ রয়েছে: এই চিত্রের কিংবদন্তিতে PMC এর দুটি পৃথক অংশ সালকাসের মধ্যে যুক্ত হয়েছিল৷ প্রতিটি ROI-এর জন্য, আমরা 15,000 উত্সগুলির উপসেটের সাথে সম্পর্কিত MEG ডেটা বের করেছি যেগুলি ROI-এর মধ্যে অবস্থিত ছিল এবং নীচের বিশ্লেষণগুলিতে এই ডেটাসেটগুলি ব্যবহার করেছি৷

শ্রেণিবিন্যাস বিশ্লেষণ। প্রতিটি ROI-এর জন্য, আমরা ট্রায়াল সময়কাল জুড়ে প্রতিটি 5 ms বিনের মধ্যে মাল্টিভেরিয়েট প্যাটার্ন শ্রেণীবিভাগ বিশ্লেষণের একটি সিরিজ সম্পাদন করেছি। প্রতিটি শ্রেণিবিন্যাস জিজ্ঞাসা করেছে যে একক সময় বিনে একক ROI থেকে উৎস ডেটা দুটি শ্রেণীর ট্রায়ালের মধ্যে পার্থক্য করতে কতটা ভাল ব্যবহার করা যেতে পারে: উদাহরণস্বরূপ, অবস্থান 1 বনাম অবস্থান 2-এ প্রথম এনকোডিং স্টিমুলাস সহ ট্রায়াল।

আমরা প্রতিটি উদ্দীপকের অবস্থান এবং চিত্রকে বৈষম্য করার জন্য ক্লাসিফায়ারদের (লিনিয়ার সাপোর্ট ভেক্টর মেশিন) প্রশিক্ষণ দিয়েছি (চারটি এনকোডিং উদ্দীপনা 1 1 পুনরুদ্ধার উদ্দীপনা): 9টি অবস্থানের জন্য, 36টি জোড়াভিত্তিক তুলনা ছিল; এবং 8টি চিত্রের জন্য, 28টি জুটিভিত্তিক তুলনা ছিল। এই শ্রেণীবিভাগের জন্য, আমরা "ছদ্ম-পরীক্ষা" তৈরি করেছি ট্রায়াল জুড়ে আগ্রহের মাত্রার উপর একই মান দিয়ে, কিন্তু অন্য মাত্রার সাথে ভিন্ন মানের সাথে।

ছদ্ম-পরীক্ষাগুলি সবসময় একই উদ্দীপনার জন্য আগ্রহের অপ্রাসঙ্গিক মাত্রা জুড়ে ভারসাম্যপূর্ণ ছিল। প্রথম এনকোডিং উদ্দীপকের জন্য উদ্দীপকের অবস্থান শ্রেণীবদ্ধ করার সময়, প্রতিটি ছদ্ম-পরীক্ষার গড় ছিল 8টি ট্রায়াল যেখানে প্রথম এনকোডিং উদ্দীপনাটি একই অবস্থানে ছিল: প্রতিটি উদ্দীপকের চিত্রের একটি ট্রায়াল। একইভাবে, উদ্দীপকের চিত্রগুলিকে শ্রেণিবদ্ধ করার জন্য সিউডো-ট্রায়ালগুলি সেই উদ্দীপকের অবস্থান জুড়ে ভারসাম্যপূর্ণ ছিল।

আমাদের ফলাফলগুলি ছদ্ম-পরীক্ষার জন্য ট্রায়ালের নির্দিষ্ট অ্যাসাইনমেন্টের উপর নির্ভর করে না তা নিশ্চিত করার জন্য, আমরা প্রতিটি জোড়া শ্রেণীবিভাগের জন্য ছদ্ম-পরীক্ষার 20 সেট তৈরি করেছি, প্রতিটি সেটের জন্য ট্রায়ালের এলোমেলো অ্যাসাইনমেন্ট আপডেট করা এবং এই জুড়ে গড় শ্রেণীবিন্যাস কর্মক্ষমতা। প্রতিটি ক্ষেত্রে, আমরা 90% ডেটার উপর ক্লাসিফায়ারকে প্রশিক্ষণ দিয়েছি এবং সার্কুলারিটি এড়াতে ধরে রাখা ডেটা (10%) এর কার্যকারিতা পরীক্ষা করেছি।

আমরা এই প্রক্রিয়াটি 10 ​​বার পুনরাবৃত্তি করেছি (10-ভাঁজ ক্রস-ভ্যালিডেশন) যাতে সিউডো-ট্রায়ালের প্রতিটি বিভাজন পরীক্ষার সেটনসে অন্তর্ভুক্ত করা হয়; তারপর আমরা এই জুড়ে ক্লাসিফায়ার পারফরম্যান্স গড়।

যেহেতু উদ্দীপকের সময়কাল অংশগ্রহণকারীদের মধ্যে পরিবর্তিত হয় (এনকোডিং উদ্দীপনার জন্য 180-320 ms), যখন সমস্ত অংশগ্রহণকারীদের শ্রেণীবিভাগের নির্ভুলতার গড় নির্ধারণ করা হয়, তখন আমরা প্রথমে প্রতিটি উদ্দীপকের শুরুতে তাদের ডেটা সারিবদ্ধ করি, যার অর্থ হল, চিত্র 3-6-এ, সময় বিন্যাস রয়েছে (ছায়াযুক্ত ধূসর) যেখানে গড় অন্তর্ভুক্ত, 11 জন অংশগ্রহণকারী। এই পরিসংখ্যানগুলিতে, x-অক্ষটিকে একটি 320 ms উদ্দীপকের জন্য লেবেল করা হয়েছে।

পরিসংখ্যানগত পরীক্ষা। ক্লাসিফায়ারের কার্যকারিতা সম্ভাবনার চেয়ে বেশি ছিল কিনা তা মূল্যায়ন করার জন্য, আমরা ননপ্যারামেট্রিক নাল ডিস্ট্রিবিউশন তৈরি করতে পারমুটেশন টেস্টিং এবং বুটস্ট্র্যাপিংয়ের সংমিশ্রণ ব্যবহার করেছি।

প্রতি অংশগ্রহণকারী, আমরা মূল MEG ট্রায়াল ডেটা নিয়েছি কিন্তু অংশগ্রহণকারীর ডেটার মধ্যে ট্রায়াল জুড়ে ট্রায়াল লেবেলগুলি এলোমেলোভাবে এলোমেলো করে দিয়েছি। এই এলোমেলো-লেবেল ডেটা ব্যবহার করে, আমরা সিউডো-ট্রায়াল এবং 10-ফোল্ড ক্রস-ভ্যালিডেশন সহ মূল ডেটার মতো একই শ্রেণিবিন্যাস বিশ্লেষণ করেছি।

আমরা এই প্রক্রিয়াটি 10 ​​বার পুনরাবৃত্তি করেছি, প্রতিবার ট্রায়াল লেবেলকে এলোমেলোভাবে এলোমেলোভাবে এলোমেলো করে দিয়েছি, যার ফলে প্রতিটি শ্রেণীবিভাগের জন্য 10টি সুযোগ-হার শ্রেণীবিভাগের কর্মক্ষমতা অনুমান করা হয়েছে। যেহেতু এই প্রক্রিয়াটি গণনামূলকভাবে নিবিড় ছিল, তাই আমরা এই পুরো প্রক্রিয়াটি 10,000 বার পুনরাবৃত্তি করিনি, বরং আমরা বিতরণের একটি মন্টে কার্লো অনুমান ব্যবহার করেছি (এফরন এবং টিবশিরানি, 1994), এলোমেলোভাবে এই 10টি অনুমানের নমুনা (প্রতিস্থাপন সহ) 10 এর একটি নমুনা তৈরি করতে,000 প্রতিটি অংশগ্রহণকারীর প্রতিটি গড় ROI-এর অনুমান।

আমরা প্রতিটি যুগলভিত্তিক তুলনার জন্য পৃথকভাবে এই পুনরায় নমুনা পদ্ধতিটি সম্পাদন করেছি, প্রতিটি সময়ে নমুনাতে, যাতে প্রতিটি ক্ষেত্রে মূল 10টি অনুমানের বিভিন্ন সংমিশ্রণ ছিল। এর ফলে 10,000 ডেটাসেটের একটি শূন্য বন্টন হয়েছে যার বিপরীতে পর্যবেক্ষণ করা ক্লাসিফায়ার কর্মক্ষমতা তুলনা করা যায়। ফলাফলের পরিসংখ্যানে, কেন্দ্রীয় 95% নাল মানগুলির পরিসরকে একটি ধূসর-ছায়াযুক্ত আঞ্চলিক হিসাবে প্লট করুন যার সাথে ফলাফলগুলি মিল রয়েছে৷

প্রতিটি ক্ষেত্রে, আমরা মূল ডেটার জন্য নাল ডেটাসেটগুলিতে সমস্ত বিশ্লেষণ করেছি (যেমন, অংশগ্রহণকারীদের মধ্যে গড় সহ) এবং তারপর প্রতিটি সময়ের নমুনার জন্য আলাদাভাবে মানগুলি সাজিয়েছি; এগুলি থেকে, আমরা কেন্দ্রীয় 95% এর সীমাকে 251 তম থেকে 9750 তম মান হিসাবে সংজ্ঞায়িত করেছি।

পি মান তৈরি করতে, আমরা পর্যবেক্ষণ করা মানটিকে প্রাসঙ্গিক নাল ডিস্ট্রিবিউশনের সাথে তুলনা করেছি। উদাহরণ স্বরূপ, ক্লাসিফায়ার পারফরম্যান্স একটি উপরের সুযোগ (একতরফা পরীক্ষা) কিনা তা মূল্যায়ন করার জন্য, আমরা p-মানটিকে সমতুল্য নাল মানে অনুপাত হিসাবে সংজ্ঞায়িত করেছি যা পর্যবেক্ষণের উপরে ছিল (Maris and Oostenveld, 2007)।

টাইম বিন জুড়ে একাধিক তুলনার জন্য সংশোধন করতে, আমরা এই p মানগুলিতে q, 0.05 (বেঞ্জামিনী এবং হোচবার্গ, 1995) এর একটি মিথ্যা আবিষ্কারের হার (FDR) সংশোধন প্রয়োগ করেছি। নাল ডিস্ট্রিবিউশনের উপর ভিত্তি করে ননপ্যারামেট্রিক পরীক্ষাগুলি ছাড়াও, আমরা aBayes ফ্যাক্টর (BF) বিশ্লেষণ ব্যবহার করেছি: ঐতিহ্যগত ফ্রিকোয়েন্সিস্ট্যাপ্রোচ (Kass and Raftery, 1995; Morey and Wagenmakers, 2014) এর একটি বিকল্প যা MEG ডিকোডিং স্টাডিতে ক্রমবর্ধমানভাবে প্রয়োগ করা হচ্ছে (Teichmannet) al., 2021)।

একটি BF প্রতিযোগী অনুমানের জন্য প্রমাণের তুলনা করে; এখানে আমরা প্রতিবেদন করি যেখানে বিকল্প অনুমানের পক্ষে মধ্যপন্থী (BF। 3) বা শক্তিশালী (BF। 10) প্রমাণ আছে, অথবা অন্ততপক্ষে মধ্যপন্থী (BF, 1/3) প্রমাণ রয়েছে। শূন্য অনুমানের। আমরা একটি MATLAB প্যাকেজ (Krekelberg, 2021) ব্যবহার করে সমস্ত BF বিশ্লেষণ বাস্তবায়ন করেছি।

তথ্য প্রবাহ বিশ্লেষণ (IFA)। 9টি অবস্থানের (36 জোড়া) এবং 8টি চিত্রের (28 জোড়া) জোড়াভিত্তিক শ্রেণীবিভাগ থেকে, প্রতিটি 5টি উদ্দীপকের জন্য (4টি এনকোডিং উদ্দীপনা এবং পুনরুদ্ধার উদ্দীপনা), আমাদের (36 1 28) সময়ের সাথে সাথে শ্রেণীবিন্যাস সঠিকতা ছিল। 5=320 শ্রেণীবিভাগ। 5টি স্বতন্ত্র যুগের মধ্যে, প্রতিটি উদ্দীপকের উপস্থাপনা থেকে পরবর্তী উদ্দীপকের প্রথম উপস্থাপনা পর্যন্ত সময়ের সাথে সামঞ্জস্য রেখে (অথবা, পুনরুদ্ধার উদ্দীপকের ক্ষেত্রে, ট্রায়াল ডেটা শেষ হওয়া পর্যন্ত), আমরা সাম্প্রতিক উদ্দীপনা থেকে 64 শ্রেণীবিন্যাসকারী নির্ভুলতা মান ব্যবহার করেছি। একটি ভিন্নতা ম্যাট্রিক্স (DSM) হিসাবে প্রতিটি সময় বিন.

আমরা ROI-এর প্রতিটি জোড়ার মধ্যে গ্রেঞ্জার কার্যকারণ সম্পর্ক পরীক্ষা করার জন্য এই DSMগুলি ব্যবহার করেছি (IFA; এই এবং অনুরূপ বিশ্লেষণের জন্য, Ince et al., 2015; Goddard et al., 2016, 2022; Karimi-Rouzbahani, 2018; Kietzmann, et al. 2019)।

ROI A কে দ্বিতীয় ROI (B) তে শ্রেণীবিভাগ কর্মক্ষমতার প্যাটার্নকে "Granger cause" বলা হয় যদি প্রথম ROI-এর অতীতকে দ্বিতীয় ROI-এর অতীতের চেয়ে ভাল ভবিষ্যত কর্মক্ষমতা অনুমান করতে ব্যবহার করা যায়। আমরা প্রতিবার বিনের জন্য ROI A থেকে ROI B(IFA.B) পর্যন্ত তথ্য প্রবাহ (IF) সংজ্ঞায়িত করতে আংশিক সম্পর্ক (স্পিয়ারম্যানের r) সমীকরণ 2 ব্যবহার করে গ্রেঞ্জার কার্যকারণ-এর একটি সরলীকৃত (বিশেষ ক্ষেত্রে) একটি স্লাইডিং-উইন্ডো বিশ্লেষণ করেছেন (t)।

যেখানে DSM(loc,t) হল DSM হল ROI loc-এর উৎসগুলির উপর ভিত্তি করে উদ্দীপনা শুরু হওয়ার সময়, এবং DSM(loc,t,d,w) হল ROI loc-এর সোর্সের উপর ভিত্তি করে DSM, সর্বকালের বিন জুড়ে গড় উদ্দীপনা শুরু হওয়ার পর td ms থেকে t-(d 1 w) ms পর্যন্ত। আমরা 30টি ওভারল্যাপিং উইন্ডোর জন্য FF এবং FB গণনা করেছি: 5টি উইন্ডো প্রস্থের জন্য (w= 10, 20, 30, 40, বা 50 ms) প্রতিটি 6টি বিলম্বের জন্য (d=50, 60, 70, 80) , 90, বা 100)। পূর্ববর্তী কাজের মতো (Goddard et al.,2022), যেহেতু ফলাফলগুলি w এবং d এর মান জুড়ে ব্যাপকভাবে একই ছিল, wereport IFA.B মানগুলি w এবং d এর সমস্ত মান জুড়ে গড়।

IFA.B এবং IFB রিপোর্ট করার পাশাপাশি। ROI-এর প্রতিটি জোড়ার জন্য, ROI A এবং ROI B-এর মধ্যে তথ্য প্রবাহের এক দিক দিয়ে অন্য দিকে আধিপত্যের সময় মূল্যায়ন করার জন্য, সমীকরণ 3-এ দেখানো হিসাবে এইগুলির মধ্যে পার্থক্য উল্লেখ করা হয়েছিল।

প্রতিটি তথ্য প্রবাহ উল্লেখযোগ্যভাবে ছিল কিনা তা মূল্যায়ন করতে। 0, এবং প্রতিটি পার্থক্য শূন্য থেকে উল্লেখযোগ্যভাবে আলাদা ছিল কিনা, 10টির প্রতিটিতে তথ্য প্রবাহ বিশ্লেষণগুলিকে পিপিট করা হয়েছে,000 ট্রায়াল লেবেলগুলি পরিবর্তন করা থেকে উৎপন্ন ডেটাসেটগুলি (উপরে বর্ণিত) .

ROI-এর প্রতিটি জোড়ার জন্য, এটি তথ্য প্রবাহের নাল বন্টন (IF) এবং পার্থক্য (Diff) তৈরি করে যার সাথে পর্যবেক্ষণ করা মানগুলির তুলনা করা যায়। শ্রেণীবদ্ধ কর্মক্ষমতার জন্য উপরে বর্ণিত একটি সাদৃশ্য পদ্ধতিতে আমরা নাল ডিস্ট্রিবিউশনের কেন্দ্রীয় 95% সংজ্ঞায়িত করতে এগুলি ব্যবহার করেছি। একইভাবে, এই নাল ডিস্ট্রিবিউশনগুলি থেকে p মানগুলিও প্রাপ্ত হয়েছে: IF-এর জন্য, আমরা জিজ্ঞাসা করেছি যে পর্যবেক্ষণ করা মানটি নাল (একতরফা পরীক্ষা, পূর্ববর্তী হিসাবে) থেকে বেশি ছিল কিনা; এবং ডিফ-এর জন্য, আমরা জিজ্ঞাসা করেছি যে পরিবেষ্টিত পার্থক্যের পরম মান নাল ডিস্ট্রিবিউশনের পরম মানের চেয়ে প্রশস্ততায় বেশি ছিল কিনা, p-মানটিকে নাল মানের অনুপাত হিসাবে সংজ্ঞায়িত করে পর্যবেক্ষিত (দুই-পার্শ্বযুক্ত পরীক্ষা) থেকে বৃহত্তর পরম মানের সাথে।

আগের মতো, টাইম পয়েন্ট জুড়ে একাধিক তুলনা করার জন্য এই p মানগুলিতে q, 0.05 এর একটি FDR সংশোধন প্রয়োগ করেছি৷ এই বিশ্লেষণগুলি পরিপূরক করার জন্য, আমরা পর্যবেক্ষণ করা প্রভাবগুলির আপেক্ষিক শক্তির সূচক হিসাবে একটি BF বিশ্লেষণ করেছি।

For more information:1950477648nn@gmail.com