معلومة

هل يستطيع الدماغ معالجة الإشارات السمعية في الأسبوع 18 من التطور البشري؟


وفقًا لـ عندما يسمع الجنين ، عندما يستطيع الطفل أن يسمع في الرحم وعدة مقالات أخرى مماثلة ، يبدأ الطفل في سماع الأصوات في الأسبوع الثامن عشر. ووفقًا لكيفية عمل السمع. السمع ينطوي

تتصل الأعصاب بالدماغ. ثم يرسل العصب السمعي المعلومات إلى الدماغ بنبضات كهربائية ، حيث يتم تفسيرها على أنها صوت.

هل هذا يعني في الواقع أن الدماغ يعالج بالفعل الإشارات السمعية في الأسبوع الثامن عشر من التطور البشري ، أم أن الدماغ في الأسبوع الثامن عشر يعالج الأصوات فقط من خلال عملية لا تشمل الدماغ؟ ربما يبدو الاستنتاج واضحًا بالنسبة للبعض ، ولكن ليس بالنسبة لي بالنظر إلى عدم قدرة الدماغ المفترضة على معالجة العديد من الإشارات الأخرى (أو أي نوع آخر؟) في تلك المرحلة ، مثل الألم. تفسير الإشارات العصبية على أنها "ألم"؟ وأن تكون تجربة السمع مرتبطة بشكل مباشر بالألم أحيانًا.


وفقًا لمراجعة موجزة بواسطة Graven & Brown (2008) ، فإن تطور الجهاز السمعي (الشكل 1) في الإنسان هو كما يلي:

  • 15 أسبوعا عمر الحمل *: الأجزاء الهيكلية من القوقعة والأذن الوسطى متكونة بشكل جيد ؛
  • 20 أسبوعًا: الأذن الوسطى والقوقعة وظيفية من الناحية التشريحية ؛
  • حول 25 - 29 أسبوعًا: يصبح الجهاز السمعي ككل وظيفيًا ، حيث تقوم الخلايا العقدية الحلزونية في القوقعة بتوصيل خلايا الشعر الداخلية بجذع الدماغ والفص الصدغي للقشرة. بعبارة أخرى ، في هذه المرحلة فقط ، يصبح العضو المحيطي متصلاً بالجهاز العصبي المركزي. في الأسبوع 25 إلى 26 من الحمل ، ضوضاء عالية في الرحم ستنتج تغييرات يمكن اكتشافها في الوظيفة اللاإرادية.
  • 28 - 30 أسبوعًا: الاتصالات العصبية إلى الفص الصدغي للقشرة وظيفية. يبدأ تطوير الأعمدة اللونية في القشرة السمعية. هناك حاجة لتلقي اللغة والموسيقى والأصوات البيئية ذات المغزى والتعرف عليها والتفاعل معها.

* عمر الحمل هو مقياس لعمر الحمل مأخوذ من بداية آخر دورة شهرية للمرأة (LMP) ، أو العمر المقابل للحمل كما تم تقديره بطريقة أكثر دقة إذا كانت متوفرة. يمكن الحصول على عمر الحمل بإضافة 14 يومًا إلى نقطة الإخصاب.


التين. 1. الجهاز السمعي للبالغين. المصدر: Graven & Brown، 2007

المرجعي
- جرافن آند براون ، حضانة حديثي الولادة Rev (2007); 8(4): 187-93


النضج التنموي لإشارات التحكم الديناميكي السببي في الإدراك العالي الرتبة: نموذج شبكة معرفية عصبية

الانتماءات قسم الطب النفسي والعلوم السلوكية ، كلية الطب بجامعة ستانفورد ، ستانفورد ، كاليفورنيا ، الولايات المتحدة الأمريكية ، قسم علم الأعصاب والعلوم العصبية ، كلية الطب بجامعة ستانفورد ، ستانفورد ، كاليفورنيا ، الولايات المتحدة الأمريكية ، برنامج علم الأعصاب ، ستانفورد كلية الطب بالجامعة ، ستانفورد ، كاليفورنيا ، الولايات المتحدة الأمريكية


الملخص

هناك أدلة متزايدة على أن الدماغ يعتمد على مجموعة من الحسابات العصبية المتعارف عليها ، وتكرارها عبر مناطق وطرائق الدماغ لتطبيق عمليات مماثلة على مشاكل مختلفة. يُعد التطبيع مرشحًا واعدًا لمثل هذا الحساب ، حيث يتم تقسيم استجابات الخلايا العصبية بواسطة عامل مشترك يتضمن عادةً النشاط الموجز لمجموعة من الخلايا العصبية. تم تطوير التطبيع لشرح الاستجابات في القشرة البصرية الأولية ويعتقد الآن أنها تعمل في جميع أنحاء النظام البصري ، وفي العديد من الطرائق الحسية ومناطق الدماغ الأخرى. قد يكمن التطبيع في عمليات مثل تمثيل الروائح والتأثيرات المعدلة للانتباه البصري وترميز القيمة وتكامل المعلومات متعددة الحواس. يشير وجودها في مثل هذا التنوع من الأنظمة العصبية في أنواع متعددة ، من اللافقاريات إلى الثدييات ، إلى أنها تعمل بمثابة حساب عصبي أساسي.


1 المقدمة

يعد الاضطراب الاكتئابي أحد الأسباب الرئيسية للإعاقة والمراضة والوفيات في جميع أنحاء العالم. لقد أصاب الاضطراب بالفعل أكثر من 350.000.000 شخص ، ومن المحتمل أن يعاني كل شخص من كل خمسة أشخاص منه في مرحلة واحدة من عمره [1،2،3]. أكثر من 85٪ من المرضى الذين يعانون من النوبة الأولى سوف ينتكسون في السنوات العشر القادمة ، ومعظم المرضى لديهم أفكار انتحارية ، 15 & # x0201320٪ منهم سيموتون بسبب الانتحار [4،5]. كما هو مبين في تقرير Nature في عام 2014 ، فإن السنوات التي عاشها الإنسان مع الإعاقة (YDLs) الناتجة عن الاكتئاب تمثل 10.3٪ ، وهو ما يزيد عن أي مرض آخر [6،7]. أظهر أحدث تقرير في لانسيت في عام 2017 أيضًا أن سنوات العمر المعدلة حسب الإعاقة (DALYs) الناتجة عن الاكتئاب قد زادت بين عامي 1990 و 2016 [8].

وفقًا لمفاهيم علم النفس والبيولوجيا الحديثة ، فإن الاكتئاب الشديد ليس مجرد اضطراب عقلي ولكنه أيضًا مرض فيزيولوجي. له أسس بيولوجية واضحة ، مثل تغيرات الدماغ بما في ذلك النواقل العصبية غير المتوازنة ، وتكوين الخلايا العصبية الضعيفة ، وتدهور المرونة العصبية ، والدوائر العصبية غير الطبيعية [9 ، 10]. قدرت دراسات الارتباط الكبيرة على مستوى الجينوم فرص التوريث بـ 37٪ إلى 48٪ للاكتئاب الشديد [11 ، 12]. ومع ذلك ، فإن معدل حدوث الاكتئاب المتزايد باستمرار ينحرف عن توازن هاردي & # x02013Weinberg ، مما يشير إلى أن العوامل البيئية تلعب دورًا مهمًا في هذا الاضطراب.

من المتفق عليه عمومًا أن الاكتئاب ناتج عن التأثير التراكمي للمعلومات الوراثية والضغوط البيئية [11]. قد تهيئ بعض الجينات والسمات النفسية بعض الناس للاكتئاب وأحداث الحياة المجهدة بما في ذلك ضغوط الحياة المبكرة هي محرضات مهمة للاكتئاب [1،13] ، ولكن الأبحاث الأخيرة أشارت إلى أن ميكروبيوتا الأمعاء ربما تلعب دورًا مهمًا في الفيزيولوجيا المرضية للاكتئاب [14 ، 15 ، 16 ، 17 ، 18].


3. الطرق: جعل دراسة قابلة للتكرار

يجب أن يمكّن قسم الأساليب القارئ من فهم كيفية تحقيق النتائج وكيفية إعادة إنتاج النتائج. يجب أن يحتوي على معلومات عن التركيبة السكانية للمشاركين ، وتفاصيل النموذج التجريبي ، والنظام المستخدم ، وتفاصيل الحصول على البيانات ، وخطوات المعالجة المسبقة بما في ذلك الأساليب الإحصائية المستخدمة. يجب أن يتضمن القسم أيضًا شكلًا يوضح (1) & # x000a0 إعداد القياس (صورة أصلية عالية الجودة من جلسة قياس أو رسم) ، (2) & # x000a0 تكوين مجموعة / قناة fNIRS optode على الرأس ، ( 3) & # x000a0a تصور للبروتوكول التجريبي ، واختياريًا (4) & # x000a0a تحليل الحساسية لإظهار مدى قدرة إعداد fNIRS على التحقيق في مناطق الاهتمام المختارة للدراسة. 12 & # x02013 14 علاوة على ذلك ، إذا كان خط أنابيب معالجة الإشارات معقدًا ويتضمن خطوات متقدمة و / أو مبتكرة ، يوصى بشدة بتضمين مخطط كتلة يصور جميع خطوات المعالجة جنبًا إلى جنب مع إشارات الإدخال والإخراج. من الجدير بالذكر أن بعض المجلات تحتوي على قسم الطريقة في النهاية كملحق. في هذه الحالات ، يجب أن توفر أقسام المقدمة والنتائج معلومات منهجية كافية لفهم السياق دون الحاجة إلى الخوض في التفاصيل المنهجية.

3.1. مشاركون

3.1.1. المشاركون البشريون

عادةً ما يتم وصف عينة المشاركين بمجموعة من الخصائص الديموغرافية الأكثر صلة ، وإذا كان ذلك مناسبًا ، الخصائص السريرية. وهي تشمل عدد المشاركين ، ومتوسط ​​أعمارهم وتنوعهم ، أو النطاق العمري بدقة أكثر فائدة (على سبيل المثال ، ساعات للمواليد الجدد ، وشهور وأيام للرضع) ، وتوزيع الجنس. يجب تحديد معايير التضمين والاستبعاد بوضوح (على سبيل المثال ، الأمراض ، اللغة الأم ، إلخ). يمكن أيضًا توفير ميزات أخرى ذات صلة ، مثل استخدام اليد والعرق والوضع الاجتماعي والاقتصادي وما إلى ذلك. وتجدر الإشارة إلى أنه قد يكون من المناسب الإبلاغ عن التوزيع العرقي ، خاصة إذا كان مختلفًا عما يمكن توقعه من السكان في الموقع الذي أجريت فيه الدراسة. يمكن أن تعتمد جودة إشارة fNIRS ، من بين أمور أخرى ، على خصائص الشعر (اللون والسماكة والكثافة). قد يؤدي الاختيار المتحيز للمشاركين إلى عدم القدرة على تعميم نتائج التصوير العصبي fNIRS. بالنسبة لدراسات المجموعات المتعددة ، يجب وصف إجراء تعيين المجموعة.

بالنسبة للسكان السريريين ، تعتمد كمية المعلومات المتعلقة بالأمراض على تركيز الورقة. اعتمادًا على الدراسة (على سبيل المثال ، المجموعات السريرية) ، قد يكون من المستحسن تقديم الخصائص الرئيسية في المخطوطة بإيجاز والإشارة إلى جدول (إضافي) للحصول على التفاصيل الوبائية. عادةً ، يسرد الجدول الوقت منذ البداية ، وسبب آفة الدماغ / الخلل الوظيفي (على سبيل المثال ، سكتة الشريان الدماغي الأيسر القلبية المنشأ) ، والنتائج السريرية ذات الصلة (مثل فقدان القدرة على الكلام). بالنسبة إلى مجموعات سكانية محددة ، إن وجدت ومتاحة ، قد يكون من المفيد الإبلاغ عن المؤشرات الحيوية ، مثل علامات الدم (على سبيل المثال ، فقر الدم ، الذي يمكن أن يؤدي إلى نتائج متغيرة أو غير متوقعة 15 ، 16) ، المعلمات المتعلقة باللياقة الفسيولوجية الشاملة أو علم الأمراض المحدد تقييم. إذا لم يتم تضمين البيانات من بعض المشاركين في التحليل النهائي ، فيجب أيضًا تقديم التركيبة السكانية للعينة النهائية جنبًا إلى جنب مع معايير رفض البيانات. لضمان الشفافية والحماية من الرفض المتحيز ، من المهم أيضًا تحديد النقطة التي تم فيها تطبيق معايير الرفض المختلفة أثناء معالجة البيانات وما إذا تم تطبيقها دفعة واحدة أو على أساس كل حالة على حدة. يجب تقديم المعلومات المتعلقة بالقضايا الأخلاقية بما في ذلك اسم مجلس المراجعة المؤسسية (IRB) الذي قام بتقييم واعتماد بروتوكول الدراسة ، والإجراءات الأخلاقية المتبعة (على سبيل المثال ، الحصول على موافقة مستنيرة ، و / أو موافقة ثانوية ، و / أو إذن الوالدين) بالإضافة إلى الارتباط بتسجيل الدراسة السريرية ، إن وجد.

3.1.2. حجم العينة وتحليل القوة الإحصائية

يعد حجم العينة المناسب ، أو عدد المشاركين ، أمرًا مهمًا لأي تجارب fNIRS ، ولكن لا توجد قاعدة ثابتة لضمان صحة الإحصاء. تتمثل إحدى الطرق العملية لتحديد حجم العينة في إجراء تحليل للطاقة ، والذي يقدر الحد الأدنى لحجم العينة المطلوب للحصول على حجم تأثير معين عند مستوى طاقة محدد مسبقًا (1 & # x02212 & # x003b2) (وهو احتمال 1 & # x02212 لخطأ من النوع الثاني ، مضبوط بشكل تقليدي على 0.8) و & # x003b1 (احتمال حدوث خطأ من النوع الأول ، مضبوط بشكل تقليدي على 0.05). 17 يحتوي تقرير تحليل الطاقة عادةً على حجم العينة (حجم العينة الضروري لملف بداهة تحليل الطاقة وحجم العينة الفعلي ل لاحقة تحليل الطاقة) ، القوة (القوة المختارة لـ بداهة تحليل الطاقة والقوة المحققة لـ لاحقة تحليل الطاقة) ، ومستويات ألفا المستخدمة ، وحجم التأثير المختار جنبًا إلى جنب مع تبريره (على سبيل المثال ، البحث السابق أو الدراسة التجريبية) ، والاختبارات الإحصائية ذات الصلة لاختبار الفرضيات ، والاستشهادات ذات الصلة للمنصة المستخدمة لإجراء تحليل الطاقة.

3.2 النموذج والتعليمات التجريبية

3.2.1. التصميم التجريبي (أو & # x0201c تصميم الدراسة & # x0201d)

يجب مراعاة بعض تفاصيل إشارة fNIRS عند تصميم النموذج التجريبي. على سبيل المثال ، هيمنة الالتباسات الفسيولوجية في إشارات fNIRS 18 (انظر Sec. & # x000a03.5) ، مما يعني أنه يجب تكرار كل حالة تحفيز دائمًا عدة مرات للسماح بحل الاستجابة الوظيفية. وفي الوقت نفسه ، فإن الخصائص الزمنية للاستجابة الدورة الدموية تضع حدودًا على مدة الفاصل الزمني بين المحفزات المتتالية إذا كان سيتم حساب متوسط ​​الكتلة. يجب أيضًا مراعاة الالتباسات الفسيولوجية المرتبطة مؤقتًا بالمنبه. على سبيل المثال ، قد يتماشى نمط تنفس المشارك & # x02019 مع كتل التحفيز إذا تم تقديمها على فترات منتظمة. قد يؤدي هذا إلى زيادة الاستجابات الإيجابية الكاذبة. 19 يمكن التقليل من هذه المشكلات من خلال تصميم تجريبي مدروس يقلل من التأثيرات الاستباقية ، على سبيل المثال ، عن طريق التوزيع العشوائي الزائف لكل من ترتيب الظروف وطول الفاصل الزمني بين التحفيز. قد تكون هذه الاعتبارات مفيدة للإبلاغ عنها عند وصف التصميم التجريبي للدراسة.

يعد الوصف الدقيق للتصميم التجريبي أمرًا بالغ الأهمية لفهم القارئ و # x02019 لنتائج دراسة fNIRS ولإمكانية تكرار العمل. يجب الإبلاغ عن أي ميزة للتجربة يمكن أن تؤثر بشكل عملي على النتائج أو تفسيرها في قسم الأساليب. حيثما أمكن ، يوصى بتضمين مخطط للنموذج التجريبي.

تندرج الغالبية العظمى من نماذج fNIRS في إحدى الفئات التالية: تصميم الكتلة والتصميم المرتبط بالحدث ونماذج حالة الراحة لدراسات الاتصال الوظيفي. في حالة نماذج حالة الراحة التي لا تتضمن التحفيز الصريح للمشارك (المشاركين) ، يمكن وصف النموذج بشكل مناسب من خلال تفاصيل مدة تسجيل البيئة التي يتم وضع المشارك فيها (على سبيل المثال ، ظروف الإضاءة ، السمع) الظروف ، العيون مفتوحة / مغلقة ، الأشياء أو العروض في مجالها البصري ، وما إلى ذلك) وبواسطة أي تعليمات تُعطى للمشارك (انظر Sec. & # x000a03.2.2).

تشمل الميزات التي يجب الإبلاغ عنها بشكل إضافي لكل من النماذج ذات الصلة بالكتلة والأحداث ما يلي: المحفزات ، وعدد الحالات ، وعدد الكتل أو التجارب لكل حالة ، وترتيب تقديم الكتل أو التجارب ، ومدة كل منها كتلة أو محاكمة ، ومدة فترات interblock أو intertrial. يمكن أن يكون الرسم التخطيطي الذي يوفر توقيتًا وأمثلة للمحفزات (على سبيل المثال ، الصور الثابتة التي تصور إطارات التحفيز البصري) مفيدًا للغاية. يظهر الشكل & # x000a01 مثالا.

تصور نموذج تجريبي. يتبع نموذج وسيلة الإيضاح. توضيح تخطيطي لنموذج n-back. يتكون كل مسار تجريبي من 30 كتلة مع فاصل بين القوالب 15 & # x000a0s. تحتوي كل كتلة على 15 تجربة وتبدأ بتعليمات المهمة & # x0201cn-back & # x0201d معروضة لـ 2 & # x000a0s على الشاشة. بعد التعليمات ، يتم عرض الأحرف على الشاشة ، واحدة تلو الأخرى ، لمدة 0.5 & # x000a0 ثانية. الفاصل الزمني بين المحاولات هو 1.5 & # x000a0s ، حيث يتم عرض تقاطع التثبيت على الشاشة. تم توجيه المشاركين للإشارة إلى ما إذا كان الحرف الحالي مطابقًا للحرف المقدم & # x0201cn & # x0201d المحاكمات التي سبقته.

3.2.2. تعليمات المشاركين والتدريب والتفاعلات

يجب أن تقدم أوراق fNIRS وصفًا واضحًا للإرشادات المتعلقة بالمهمة التي تم إعطاؤها للمشاركين. يمكن أن تكون التعليمات في كثير من الأحيان حاسمة لتفسير البيانات العصبية. على سبيل المثال ، قد تؤدي التعليمات الواضحة حول تعلم مجموعة المحفزات مقابل التعرض الضمني لنفس مجموعة المحفزات إلى ظهور آليات انتباه وتحفيزية وتعلمية مختلفة. لذلك ، يجب ذكر الجوانب ذات الصلة بكيفية تصور المشاركين للمهمة وإكمالها ، على سبيل المثال ، قيود الوقت على الردود ، والمهمة الصريحة أو الضمنية ، ووصف هدف المهمة ، وما إلى ذلك ، وبالمثل ، التغذية المرتدة المقدمة إلى المشاركين أو الحوافز الأخرى التي قد تغير انتباههم أو الدافع لأداء المهمة بحاجة إلى شرح. يجب أيضًا الإبلاغ عن الظروف التجريبية التي قد تكون قد أثرت على أداء المشاركين & # x02019 أثناء الحصول على البيانات ، مثل إجراءات الإعداد الطويلة جدًا ، والاستحواذ في ظل ظروف الإضاءة الخافتة / المظلمة ، والانحرافات البيئية ، وما إلى ذلك.

3.3 النظام والاستحواذ

3.3.1. وصف جهاز fNIRS ومعلمات الاكتساب

يتوسع مجال أبحاث fNIRS بسرعة في كل من الابتكارات التكنولوجية وتطبيقات علم الأعصاب ، مما يؤدي إلى تطوير مجموعة متنوعة من الأجهزة المطورة داخليًا والمتاحة تجاريًا والمخصصة. 2 & # x02013 4 ، 20 ، 21 تختلف الأدوات ليس فقط في الوضع الأساسي لتشغيل الأجهزة ، ولكن أيضًا في الإجراءات المنهجية المطبقة لاستعادة الكروموفور أوكسي و ديوكسي هيموغلوبين (وبالتالي أيضًا الهيموغلوبين الكلي) ، و / أو تغيرات تركيز السيتوكروم سي أوكسيديز 22 أو الإشارات الضوئية التي تعكسها (يتم اختصارها بـ HbO 2 و Hb و tHb و CCO ، على التوالي). [من الجدير بالذكر أن الاختصارات الأخرى (على سبيل المثال ، HbO / HbR / HbT ، O 2 Hb / HHb / tHb ، أو Oxy-Hb / deoxy-Hb / total Hb) شائعة أيضًا ومقبولة.]. لذلك ، يعد الإبلاغ الدقيق عن الجوانب الأساسية لمواصفات الأداة إلزاميًا. في حين أن معظم أدوات fNIRS التجارية هي CW ، فإنها لا تستخدم بالضرورة نفس الأطوال الموجية للأشعة تحت الحمراء القريبة (NIR) أو نفس الخوارزميات لاستعادة تركيزات الهيموجلوبين. بالإضافة إلى ذلك ، يميل عدد كبير من أدوات fNIRS المصممة خصيصًا إلى تنفيذ تقنيات مثل TD-NIRS أو 23 FD-NIRS أو 24 أو تقنية عالية الكثافة (HD) ، 25 والتي لها اختلافات جوهرية عن الأدوات التجارية الحالية وهي حقيقة غير معروف في الغالب للمستخدم غير الخبير. سيسمح الإبلاغ الدقيق عن مواصفات الأداة ذات الصلة بتفسير أفضل للدراسة البحثية ومستوى أعلى من الشفافية للتكرار. يجب أن يُبلغ المنشور بوضوح عن المعلومات التالية عند وصف مواصفات جهاز fNIRS: (1) & # x000a0 الشركة المصنعة والإصدار ، (2) & # x000a0 نمط التشغيل (CW ، FD ، و TD) ، (3) & # x000a0 العدد وطيف الأطوال الموجية ، (4) & # x000a0irradiance (مصدر الطاقة على منطقة التعرض) أو متوسط ​​الطاقة أو كليهما [يجب الانتباه إلى أن التعرض لمصدر الضوء يتوافق مع معايير السلامة مثل ANSI (الولايات المتحدة) أو IEC-60825 (أوروبا)] ، (5) & # x000a0 معدل أخذ العينات ، وعدد ونوع optodes والقنوات الناتجة ، ومصدر & # x02013detector مسافة ، و (6) & # x000a0 طريقة تحويل البيانات إلى تركيز chromophore (إذا تم ذلك تلقائيًا بواسطة الأداة & # x02019s البرامج وإلا هذا سيتم الإبلاغ عنها في قسم تحليل البيانات). يمكن إعطاء المعلومات في جملة تلخيصية موجزة ، مثل & # x0201c استخدمنا جهاز NIRSdev (NIRScomp ، البلد) CW-NIRS مع 24 قناة نشطة (8 بواعث ليزر ديود ، & # x003bb 1 | 2 = 750 | 850 & # x02009 & # x02009 nm بمتوسط ​​القوة & # x0003c 1 & # x02009 & # x02009 mW ، و 8 كاشفات ثنائية ضوئية الانهيار الجليدي) تم أخذ عينات منها عند 50 & # x000a0Hz. تم تحويل البيانات إلى تغييرات تركيز باستخدام قانون Beer & # x02013Lambert المعدل (mBLL). & # x0201d يجب الإبلاغ عن جميع الافتراضات (التشتت الثابت وتركيز الماء) ومعلمات التحويل [مثل معاملات الانقراض وعوامل طول المسار التفاضلية (DPF)] ، بما في ذلك كيفية حساب التغييرات في DPF ، على سبيل المثال ، في الدراسات الطولية لنمو الرضع. يمكن أيضًا الإبلاغ عن مراجع المعلمات المختارة. إذا تم استخدام أجهزة FD أو TD ، فيجب ذكر الإجراءات المستخدمة للحصول على معاملات الامتصاص والانتثار. يتم توفير المزيد من الإرشادات حول استخدام وإعداد التقارير عن معلمات ووحدات mBLL فيما يتعلق بتحليل البيانات في Sec. & # x000a03.4.3.

3.3.2. تصميم مجموعة Optode ، والغطاء ، ومناطق الدماغ المستهدفة

تعتمد قابلية استنساخ قياسات fNIRS بشدة على التوثيق الواضح للتصميم (الهندسة) وموضع المصدر & # x02013detector array. على الرغم من أن تقنيات fNIRS تتطور بسرعة ، إلا أن معظم دراسات fNIRS لا تزال تتميز بمجال رؤية و / أو كثافة قناة محدودة ، وبالتالي يختلف تخطيط المصادر وأجهزة الكشف على فروة الرأس من دراسة إلى أخرى. تم تجهيز العديد من أجهزة fNIRS بمجموعات من المصادر وأجهزة الكشف أو & # x0201coptodes & # x0201d التي يمكن ترتيبها بمرونة. يأتي البعض الآخر مع منصات محددة مسبقًا من المصادر وأجهزة الكشف ، أو توزيعات ثابتة يمكن وضعها بحرية ، ولكن لا يتم إعادة تنظيمها. ولذلك ، فإن تحديد الموقع المناسب وترتيب optodes لدراسة fNIRS معينة أمر ضروري. ومع ذلك ، فإن هذه العملية بعيدة كل البعد عن كونها تافهة لأن قياسات fNIRS تعتمد بشكل كبير على الموقع والمدى والمصدر & # x02013 فصل (فواصل) الكاشف ، وكثافة مصدر fNIRS ومجموعة الكاشف. 28 ، 29 تؤثر هذه العوامل على حساسية القياس لمنطقة قشرية معينة ، والمساهمات النسبية للدماغ والأنسجة خارج المخ لكل إشارة ، وتجانس حساسية القياس عبر مجال الرؤية. يمكن استخدام نماذج الرأس الرقمية (الأشباح الافتراضية / المحاكاة) لفهم انتشار ضوء NIR الخاص بالجهاز ، وهو أمر حيوي لتصميم الجيل التالي من أجهزة التصوير البصري للدماغ وصفيفات البصريات. توفر محاكاة مونت كارلو 30 ، 31 آلية خاضعة للرقابة لتوصيف وتقييم مساهمات تكوينات ومعلمات مستشعرات fNIRS المتنوعة مثل طول المسار البصري ، ومساحة سطح الكاشف ، وفصل المصدر & # x02013detector. 32 & # x02013 34

عند الإبلاغ عن تصميم مصفوفة في منشور ، نوصي بشدة بتضمين مخطط للمصفوفة يحدد: (1) & # x000a0 العدد الإجمالي لمواضع المصدر والكاشف (2) & # x000a0 العدد الإجمالي للقنوات و (3) & # x000a0 توزيع المصدر & # x02013detector فواصل. من المفيد أيضًا تضمين صورة فوتوغرافية ، حيثما أمكن ، للمصفوفة في موضعها على أحد المشاركين. قد يوفر هذا معلومات إضافية فيما يتعلق بالتصميم المادي وبيئة العمل للصفيف. يظهر الشكل & # x000a02 مثالاً.

مثال على مجموعة optode مع 12/14 مصدر / كاشف ينتج عنه 34 قناة فوق قشرة الفص الجبهي بفصل 30 مم. ملف تعريف الحساسية في السجل 10 (mm & # x02212 1). التصور باستخدام AtlasViewer. 14

يجب أيضًا وصف عملية وضع المصفوفة وتسجيلها لرئيس المشاركين بدقة لتسهيل التكاثر عبر المشاركين وعبر الدراسات. يجب وصف مواقع المصدر والكاشف (أو مجموعة فرعية منها) فيما يتعلق بالمعالم القحفية مثل nasion ، و inion ، والأذنين (على سبيل المثال ، النقاط السابقة للجهاز العصبي) ، و / أو تخطيط كهربية الدماغ (EEG) 10-20 ، 10-10 ، و 10-5 نقاط بارزة. يمكن ملاحظة ذلك مباشرة (على سبيل المثال ، تم وضع & # x0201cSource 1 في موضع 10-20 C3. & # x0201d) أو نسبيًا (على سبيل المثال ، تم وضع & # x0201cSource 1 على خط الوسط 3 & # x000a0cm فوق nasion. & # x0201d) .

يوصى بشدة أيضًا بالإبلاغ عن موقع صفيف fNIRS وتوزيعات حساسية القناة المرتبطة بالتشريح الكلي القشري الأساسي. يمكن بعد ذلك الإبلاغ عن هذه المواقع التشريحية من حيث ملصقات الجيرال (على سبيل المثال ، التلفيف الأمامي السفلي) ، مناطق برودمان (على سبيل المثال ، BA44) ، مساحة تنسيق معهد مونتريال للأعصاب ، مساحة إحداثيات Talairach ، 35 أو عن طريق تضمين الأشكال التي تصور خريطة الحساسية القشرية المرتبطة بالمصفوفة. 36

يجب أيضًا تقديم وصف لكيفية تحديد هذه المواقع التشريحية. على سبيل المثال ، يتمثل أبسط طريقة للتسجيل في وضع المصفوفة بالنسبة لإحداثيات 10-5 معينة وتحديد التشريح الأساسي مباشرةً عبر إحداثيات 10-5 لنموذج أطلس. 12 ومع ذلك ، يفترض هذا أن وضع المصفوفة متطابق عبر المشاركين ، وأن الأطلس يوفر نموذجًا دقيقًا للمجموعة. بدلاً من ذلك ، يمكن إجراء التسجيل الخاص بالمشاركين لمصفوفة fNIRS باستخدام المعلومات المستمدة من أنظمة تحديد المواقع ثلاثية الأبعاد (3D) ، أو تقنيات الملاحة العصبية ، أو عبر أساليب القياس التصويري. 26 ، 37 ، 38 في هذه الحالة ، يمكن للباحثين أيضًا الإبلاغ عن التباين في مواقع optode على فروة الرأس و / أو التباين في التشريح الكلي الأساسي. يجب وصف أي أداة أو برنامج أو نهج معالجة يستخدم لتحقيق التسجيل المكاني والافتراضات التي تعتمد عليها تلك الأساليب. إذا تم استخدام الأطلس ، فيجب توفير مصدر الأطلس ، ويجب الاعتراف بالقيود المرتبطة باستخدام هذا الأطلس.

3.3.3. للمنشورات عن الأجهزة / تطوير الأجهزة

مع استمرار التقدم في تصميمات وابتكارات fNIRS الجديدة في جميع أنحاء العالم ، هناك حاجة إلى 39 إرشادات وتوحيدًا محددًا لتبسيط الجهود وتسريع اعتماد التقنيات الجديدة. يمكن تسهيل هذه الجهود من خلال نشر استخدام اصطلاحات التسمية القياسية أولاً في مواصفات الجهاز (انظر عينة التسمية في الجدول & # x000a02). بينما بالنسبة للأجهزة القديمة ، قد يكون مرجع الورقة التي تصف الجهاز كافيًا ، إذا كان تركيز الورقة هو تقديم تقنية جديدة ، فيجب أن يتضمن وصف الجهاز الجديد (1) & # x000a0a مخطط كتلة الأجهزة ، الذي يصور الاتصالات و آلية التحكم ، (2) & # x000a0 مخطط انسيابي للبرامج ، يصف تدفق المعلومات والتحكم في مكونات الأجهزة وبروتوكول الحصول على البيانات ، (3) & # x000a0 نوع مصدر الضوء وأجهزة الكشف ، (4) & # x000a0 التدابير المتخذة لمنع الخارجية التلوث والتبادل عبر القنوات (مثل مضاعفة الوقت أو مضاعفة التردد أو مزيج من كليهما) ، وإذا أمكن ، مخططات الدوائر (5) & # x000a0 للمكونات الرئيسية وأرقام الأجزاء الفردية. إذا تم استخدام نماذج الرأس الرقمية لتوجيه تصميم الأجهزة ، فيجب الاستشهاد بها بشكل صحيح.

الجدول 2

قناةمنطقة قياس فريدة / مستقلة يستطيع النظام تسجيلها.
ملاحظة: أي سلسلة زمنية تنشأ من نفس optode ، مثل الأطوال الموجية المختلفة أو الهيموغلوبين المؤكسج / غير المؤكسج ، لا تزال تنتمي إلى نفس قياس القناة.
DPFعامل القياس الذي يربط المصدر الهندسي & # x02013 مسافة الكاشف بمتوسط ​​طول المسار الذي ينتقل فيه الضوء بين المصدر والكاشف داخل منطقة أخذ العينات بأكملها ، يفسر المسافة المتزايدة التي يقطعها الضوء من المصدر إلى الكاشف بسبب التشتت.
إطارعينة واحدة متزامنة / مقابلة من جميع القنوات.
معدل الإطارمعدل تسجيل الإطارات بالهرتز.
مضاعفة الترددتمييز القنوات المختلفة عن طريق تعديل المصادر بترددات غير متداخلة.
يعني طول المساريسافر ضوء طول المسار داخل منطقة أخذ العينات بأكملها (المصدر & # x02013 مسافة الكاشف مضروبة في DPF).
طول المسار الجزئيينتقل ضوء المسار داخل جزء الأنسجة المهم ، على سبيل المثال ، لتنشيط الدماغ الوظيفي ، هذا هو المسار فقط في المنطقة النشطة (المصدر & # x02013 مسافة الكاشف مضروبة في عامل طول المسار الجزئي).
عامل طول المسار الجزئيعامل القياس الذي يربط المصدر & # x02013 مسافة الكاشف بمتوسط ​​طول المسار ينتقل الضوء داخل المنطقة النشطة.
تأثير الحجم الجزئييتغير التقليل من التركيز بسبب حقيقة أن التغيرات في الهيموجلوبين تحدث في منطقة بؤرية بدلاً من منطقة أخذ العينات بأكملها.
خطأ في الحجم الجزئيخطأ يحدث عندما يختلف تأثير الحجم الجزئي بين الأطوال الموجية المختلفة مما قد يؤدي إلى آثار معكوسة.
معدل أخذ العيناتعدد العينات التي تم جمعها في الثانية (بالهرتز) من كل قناة.
مضاعفة الوقتتمييز القنوات المختلفة عن طريق تشغيلها واحدة تلو الأخرى أو في مجموعات.

يجب الإبلاغ عن نوع مصدر الضوء (الليزر / LED) والأطوال الموجية المحددة والطاقة المنبعثة لكل وحدة مساحة (على سبيل المثال ، 0.2 & # x02009 & # x02009 واط / سم 2) لتقييم مستوى الأمان والتصنيف المحتمل للجهاز. يجب أن يظل التعرض لضوء NIR للعين والجلد (إذا لزم الأمر ، التعرض بعد معدات الحماية) ضمن معايير السلامة المقبولة عالميًا ، مثل المعيار الدولي لسلامة منتجات الليزر 40 أو المعيار الدولي للسلامة البيولوجية الضوئية للمصابيح وأنظمة المصابيح. 41

نوع كاشف الضوء (على سبيل المثال ، الثنائي الضوئي الدبوس ، الثنائي الضوئي الانهيار الجليدي ، الأنبوب المضاعف الضوئي ، كاشف الانهيار أحادي الفوتون ، إلخ) ، تكوينه (على سبيل المثال ، الثنائي الضوئي أحادي البكسل ، صفيف الثنائي الضوئي ، جهاز مقترن بشحن التصوير ، إلخ) ، يجب ملاحظة ملف تعريف حساسية الضوء الخاص به لأطوال موجية محددة (الكسب ، عوامل الضوضاء ، والقدرة المكافئة للضوضاء) ، ونمط واجهة الجلد (الاتصال المباشر ، استخدام أدلة الضوء أو الألياف).

لمطوري ومصنعي أجهزة fNIRS ، خاصة للموافقة التنظيمية ، من الضروري أن تكون على دراية بمعيار اللجنة الكهروتقنية الدولية (IEC) / المنظمة الدولية للتوحيد القياسي (ISO) لمعدات fNIRS (IEC 80601-2-71) ، معيار خاص في مجموعة معايير 60601 للمعدات الكهربائية الطبية. 42 كما هو الحال في أي أداة كهربائية ، يجب اعتماد اختبار سلامة المنتج بشكل مستقل (على سبيل المثال ، علامة Underwriters Laboratories-UL في الولايات المتحدة ، وعلامة CE على إلكترونيات المستهلك في الاتحاد الأوروبي ، والأجهزة الكهربائية وسلامة المنتجات - PSE في اليابان ، والشهادة الإلزامية الصينية علامة CCC في الصين). بالنسبة للأنظمة التي طورتها الجامعات ، يمكن القيام بذلك عن طريق أقسام الهندسة الطبية الحيوية بالمستشفيات المحلية التي تختبر السلامة الكهربائية لهذه الأجهزة البحثية قبل استخدامها مع البشر. بالنسبة للباحثين الجامعيين ، فإن استخدام أجهزة تصوير الدماغ البصرية الجديدة في الدراسات السريرية / البحثية لا يتطلب سوى موافقة لجنة الأخلاقيات المحلية. للنشر السريري في نهاية المطاف مثل التشخيص أو العلاجات ، هناك حاجة إلى مزيد من الموافقات التنظيمية (على سبيل المثال ، FDA في الولايات المتحدة ، الاتحاد الأوروبي MDR في أوروبا ، قانون الأجهزة الطبية والطبية PMDA في اليابان ، وإدارة المنتجات الطبية الوطنية- NMPA ، CFDA سابقًا ، في الصين).

لتحقيق القابلية للمقارنة والموثوقية في الدراسات السريرية ، يجب أن يكون تقييم الأداء الموحد لأجهزة fNIRS بناءً على الأشباح المخصصة جزءًا مهمًا من تطوير الأجهزة. يتضمن معيار IEC 80601-2-71 المذكور أعلاه أيضًا العديد من اختبارات الأداء على الأشباح العكرة. يعتمد الاختبار الرئيسي على شبح fNIRS مع توهين إجمالي واقعي وفتحة داخلية قابلة للتغيير لإنشاء تغيير توهين محدد يتوافق مع تغيير معين في HbO 2 و Hb. تشمل الاختبارات الأخرى المستندة إلى الشبح الموصوفة في هذا المعيار استقرار الإشارة ووقت الاستجابة ونسبة الإشارة إلى الضوضاء (SNR) والتحدث المتبادل للإشارة.

يتم تسهيل توصيف أداء ومقارنة أكثر شمولاً بين أدوات وأساليب البصريات المنتشرة من خلال عدة بروتوكولات تستند إلى جهود بناء توافق الآراء متعددة المختبرات [على سبيل المثال ، الطرق البصرية للتشخيص الطبي ومراقبة الأمراض (MEDPHOT) بروتوكول ، بروتوكول الأداء الآلي الأساسي (BIP) ، والتصوير غير الباضع لوظيفة الدماغ والمرض بواسطة بروتوكول ضوء الأشعة تحت الحمراء القريبة النبضي (nEUROPt)]. 43 & # x02013 45 يستهدف بروتوكول nEUROPt 45 على وجه التحديد أجهزة fNIRS ، ويهدف إلى توصيف التباين ، ونسبة التباين إلى الضوضاء (CNR) ، والدقة الجانبية ، وحساسية العمق ، والتقدير الكمي لتغيرات الامتصاص في الدماغ. يتم تنفيذه بواسطة أشباح عكر متجانسة مع شوائب سوداء صغيرة ، على سبيل المثال ، فانتوم صلب & # x02013solid قابل للتحويل 46 وشبح ذو طبقتين. تم الإبلاغ عن أشباح fNIRS الأخرى التي تحاكي التغيير الزمني لتركيزات HbO 2 و Hb ، على سبيل المثال ، عن طريق الماصات الكهربائية المتغيرة 47 أو الطبقات المنقولة. يجب أن تتيح الأشباح المحتوية على خضاب الدم 48 ، 49 مع أكسجة متغيرة لاختبار مقياس التأكسج في الأنسجة 50 التقييم الكمي لإشارات fNIRS. قد يكون إنشاء أشباح ديناميكية واقعية تشريحيًا أمرًا صعبًا ، ولكنه ممكن. 51 & # x02013 53

Papers describing instrumentation development should report the following data for the specific phantom tests that were performed: phantom type, its optical and geometrical parameters, the test arrangement including source�tector separation(s), and results of the test(s). For an example, see Ref.  54 .

Although commercially available fNIRS devices seldom come with an accompanying phantom, developers and manufacturers of fNIRS instrumentation could benefit from the adoption of established guidelines for phantom-based tests 55 for routine quality checks. An overall check of reproducibility of signal magnitude is useful to identify problems such as fiber breaking and degradation of light sources or detectors. If phantom-based routine tests are recommended by the manufacturer, the procedures adopted for the preparation and characterization of the phantom should be reported.

3.4. Preprocessing Steps

To facilitate the reproduction of scientific findings and to ensure that important processing steps are not skipped during analysis, the methods section should include a detailed description of all the data analysis steps. Figureਃ summarizes the main preprocessing steps in an fNIRS data analysis pipeline and the following sections present the expected level of detail with which they should be presented in the methods section.


A neuronal model of vowel normalization and representation

A speculative neuronal model for vowel normalization and representation is offered. The neurophysiological basis for the premise is the “combination-sensitive” neuron recently documented in the auditory cortex of the mustached bat (N. Suga, W. E. O'Neill, K. Kujirai, and T. Manabe, 1983, مجلة الفسيولوجيا العصبية, 49, 1573–1627). These neurons are specialized to respond to either precise frequency, amplitude, or time differentials between specific harmonic components of the pulse-echo pair comprising the biosonar signal of the bat. Such multiple frequency comparisons lie at the heart of human vowel perception and categorization. A representative vowel normalization algorithm is used to illustrate the operational principles of the neuronal model in accomplishing both normalization and categorization in early infancy. The neurological precursors to a phonemic vocalic system is described based on the neurobiological events characterizing regressive neurogenesis.


Can a brain process auditory signals at 18 weeks of human development? - مادة الاحياء

a Division of Biotechnology, Dalian Institute of Chemical Physics, Chinese Academy of Sciences, 457 Zhongshan Road, Dalian 116023, China
E-mail: [email protected]
الفاكس: +86-411-84379059

b Center for Excellence in Brain Science and Intelligence Technology, Chinese Academy of Sciences, Shanghai, China

c University of Chinese Academy of Sciences, Beijing 100049, China

d Key Laboratory of Separation Sciences for Analytical Chemistry, Dalian Institute of Chemical Physics, Chinese Academy of Sciences, China

الملخص

Brain organoids derived from the self-organization of human induced pluripotent stem cells (hiPSCs) represent a new class of في المختبر organ system for modeling brain development and diseases. However, engineering brain organoids in a biomimetic environment that is favorable for brain development remains challenging. In this work, we present a new strategy to generate hiPSCs-derived 3D brain organoids using an organ-on-a-chip system in a controlled manner. This system provides a biomimetic brain microenvironment by incorporating three-dimensional (3D) Matrigel, fluid flow and multicellular architectures of tissues that allows for extended 3D culture, فى الموقع neural differentiation, and organization of brain organoids on a single device. The generated brain organoids display well-defined neural differentiation, regionalization and cortical organization under perfused culture conditions, which recapitulate the key features of early human brain development. Moreover, the brain organoids exhibit an enhanced expression of cortical layer markers (TBR1 and CTIP2) under perfused cultures as compared to that under static cultures on a Petri dish, indicating the role of mechanical fluid flow in promoting brain organogenesis. The simple and robust brain organoids-on-a-chip system may open new avenues for various stem cell-based organoids engineering and its application in developmental biology and human disease studies.


خيارات الوصول

احصل على الوصول الكامل إلى دفتر اليومية لمدة عام واحد

جميع الأسعار أسعار صافي.
سيتم إضافة ضريبة القيمة المضافة في وقت لاحق عند الخروج.
سيتم الانتهاء من حساب الضريبة أثناء الخروج.

احصل على وصول محدود أو كامل للمقالات على ReadCube.

جميع الأسعار أسعار صافي.


مناقشة

HI Listeners Have Poor Spatial Acuity, Poor Spatial Selective Auditory Attention, and Weak Attentional Modulation.

NH listeners, as a group, demonstrate better spatial acuity, have better selective attention performance, and show larger changes in neural responses based on attentional focus than HI listeners. In addition to these group differences, on an individual level, differences in performance on the attention task are correlated both with neural measures of attentional modulation and with ITD sensitivity.

These results are similar to past results in NH listeners showing that attentional modulation of cortical responses predicts individual performance on selective auditory attention tasks (18, 22, 25). The relationship between attentional modulation and spatial acuity found in the current study suggests that spatial acuity determines how “selective” attention to a stream from a particular location can be, which then impacts how strongly other streams from other locations will be suppressed. In our study, we also find that hearing loss correlates with ITD thresholds that is, listeners with the greatest hearing loss tend to have the worst ITD sensitivity. If a listener has hearing loss that produces poor spatial acuity, they will suppress interfering streams only weakly, making it harder for them to analyze the target stream. This helps explain some of the communication difficulties that listeners with hearing loss experience in noisy social settings.

Effects of Hearing Loss on Selective Attention Performance Depend on the Experimental Details.

Hearing loss is known to degrade performance on spatial selective auditory attention tasks using competing speech streams (2 ⇓ –4). We find similar results using a task in which listeners identified simple melodies in the presence of competing melodies from different lateral positions. Previous studies have also demonstrated that hearing loss is associated with poorer binaural acuity (1), similar to what we report here. However, past efforts to document relationships among hearing status, binaural acuity, and spatial selective auditory attention in speech mixtures have met with mixed results: While some have found correlations among these measures (5), the correspondence is not always clear (6).

The current results help to resolve some of these apparent discrepancies. Our EEG results show that HI listeners suppress a lateral Distractor less than do NH listeners when the target stream is at midline. In contrast, our NH listeners are good at suppressing the Distractor no matter what the lateral position of the target or its position relative to the Distractor. Behaviorally, we see that both NI and HI listeners are generally poorer when a target is at midline compared with when it is to one side that is, the most challenging spatial configuration, behaviorally, is the condition where HI listeners show the greatest deficits in neural suppression. However, the size of the behavioral SLA depends on the general level of performance, with little effect near floor or near ceiling.

Together, these results are consistent with the idea that hearing loss, which produces poor spatial acuity, is associated with a “broader” attentional spatial filter. In turn, a broader spatial filter produces weak segregation and suppression in some, but not all, listening conditions. For instance, if competing sound sources are separated by more than a listener’s “attentional beam width,” then spatial acuity will be a poor predictor of performance, which will be good in general. Similarly, if the competing sources are so close together that even the best listeners have trouble resolving them, then spatial acuity will also fail to predict performance. Given this logic, whether or not one finds a clear relationship between spatial acuity and the ability to understand speech amid spatially separated competitors will depend on the exact spatial configurations and population of listeners tested.

In the current study, the adjacent streams had ITDs that differed by either 205 μs (small ITD) or 699 μs (large ITD). ITD thresholds in our NH group were all under 50 μs, but ranged from under 50 μs to near 200 μs in our HI group (Fig. 6). As these thresholds are the smallest ITDs that can be reliably detected, they are undoubtedly smaller than the “width” of spatial attentional focus. Given that ITD discrimination thresholds for many of our HI listeners were of the same magnitude as the ITDs separating the competing sources, it is no surprise that many did quite poorly on the spatial selective attention task, with some performing at chance levels. While none of our NH listeners were at chance performance, the small ITD separation was still small enough to produce some perceptual interference for many listeners. Thus, because the small ITD separation tested here was “on the edge” of what NH listeners can reliably use when focusing spatial attention, our results revealed strong correlations between spatial acuity and performance.

Attentional Focus Increases over Time for NH but Not HI Listeners.

A spatial cue directing a subject’s attention toward the location of an upcoming visual target causes anticipatory modulation of responses in visual cortex, even before the visual target occurs (26 ⇓ ⇓ ⇓ –30). Evidence of preparatory activity in anticipation of an upcoming target has been shown in previous auditory studies, as well (23, 24). Such results suggest that responses evoked by a subsequent sound will be relatively strong when the incoming sound matches the expected attributes of the target, and relatively weak when there is a mismatch. In the current study, a visual cue for where to attend was provided at the start of each trial. However, we find no evidence of spatially tuned suppression in the responses evoked by the leading note of the Distractor (Fig. 4). Instead, the response to the first Distractor note varied only with absolute spatial location, with lateral notes evoking stronger responses, consistent with previous reports (31). This suggests that any top-down filtering is overridden by the Distractor onset, which is inherently salient. The idea that sudden onsets are inherently salient enough to override any top-down effects of attention may also explain why neither NH nor HI listeners show evidence of any significant attentional modulation of the first notes of either the Leading or Lagging Streams.

For NH listeners, we find that the strength of attentional modulation increases over time, reducing interference from competing streams with each subsequent note. This increase in suppression may be the neural correlate of the observation that the ability to analyze an attended speech stream improves over time in the presence of spatially separated distractors in NH listeners (32, 33). Such “buildup of attention” likely reflects the gradual formation and refinement of auditory objects through time, which provides the substrate for selective attention (12, 34). These results suggest that, at the start of a trial, listeners roughly steer attention to the expected location of an upcoming target, and then hone their attentional focus once they begin to hear the target.

Importantly, for our HI listeners, selective attention strength increases weakly, if at all, over time. This failure to build up suppression suggests that HI listeners may not have adequate spatial resolution to separate the target content from interfering sound content: Their focus of attention is so coarse, they cannot isolate enough of the target to refine attention further.

Caveats: Experience, Audibility, and Stimulus Salience May Impact Performance for HI Listeners.

We elected to test our subjects over headphones, without using hearing aids, and did not provide any frequency-specific compensation for hearing loss. We set the overall sound intensity of our three streams to be equal, and we set overall presentation levels to ensure the streams in our main task were clearly audible (المواد والأساليب). We cannot be sure exactly how these choices impacted results, but it is important to consider how they may have.

We did not explicitly ask our HI listeners whether or not they normally wear their hearing aids however, informally, based on our interactions with them, we estimate that less than half of them wear their hearing aids regularly. We also did not note any clear correspondence between task performance and regular hearing aid use. However, for listeners who normally wear aids, this experience may affect how they process spatial cues. Some listeners may wear an aid in only one ear, even though they have roughly symmetric losses, leading to an asymmetry in the sound levels that they hear every day compared with what they heard in the laboratory. For listeners who typically wear older or less-expensive bilateral hearing aids, the two aids generally process the signals reaching the left and right ears independently, leading to inconsistent and fluctuating spatial cues listeners who regularly wear such aids may have learned not to “trust” interaural difference cues. Alternatively, listeners wearing newer bilateral aids that tether processing across the ears to preserve interaural cues may be used to hearing very reliable spatial cues that are audible across a large range of frequencies. Thus, depending on the aids a listener uses every day, the weight they have learned to give to different spatial cues may vary. The question of how hearing aid usage—with different types of hearing aids—affects spatial processing is important and deserving of further attention. Still, our study shows that simple ITD thresholds are larger in HI listeners with greater hearing loss, and that poorer ITD thresholds are associated with poorer performance in a spatial selective attention task.

There are studies showing that interaural sensitivity is reduced at low sensation levels (SLs sound levels re detection threshold) (35 ⇓ –37), which may have contributed to the weaker ITD sensitivity we observed in our HI listeners. Thus, providing amplification to increase stimulus SLs might improve ITD sensitivity for our HI listeners. It would be interesting, in future work, to determine whether there is such an improvement with increased SL, and, if there is, whether it translates into improved selective auditory attention and attentional modulation in HI listeners. Certainly, there are examples in the literature demonstrating that increased audibility can improve the intelligibility of speech presented against spatially separated interferers (7) however, because speech intelligibility itself will improve as audibility improves, there is no way to know if this is a spatial effect. A nonspeech paradigm like ours may help tease apart whether such improvements are due to enhanced spatial attention or simply better transmission of speech information.

There is another potential effect of audibility in the present study that deserves some consideration. Our HI listeners all had sloping hearing losses. The Leading, Lagging, and Distractor Streams differed in spectral content: The Distractor Stream content ranged from 276 Hz up to 951 Hz, the Leading Stream content ranged from 113 Hz up to 4,090 Hz, and the Lagging Stream content ranged from 177 Hz up to 6,402 Hz. As a result, the different streams were differentially affected by hearing loss. Indeed, each stream ended up being at a different SL for our HI listeners.

Differences in spectral content of the Leading and Lagging Streams, and how spectral content interacts with sloping hearing loss, may explain a subtle difference between performance for NH and HI listeners. We find that NH listeners perform better for the high-pitched, Lagging Stream than for the lower-pitched Leading Stream. This suggests that, for the NH listeners, the Lagging Stream is inherently more salient and easier to attend than the Leading Stream. In contrast, our HI listeners do not show this effect. However, because of their hearing loss, poor audibility of the high-frequency components in the Lagging Stream may reduce its inherent salience for our HI listeners, negating the effect seen in NH listeners.

The Distractor Stream has less high-frequency content than either the Leading Stream or the Lagging Stream, with the highest component below 1,000 Hz. As a result, compared with NH listeners, our HI listeners may find the Distractor Stream relatively more salient and more distracting, which may contribute to their overall poorer performance on the spatial selective attention task. For instance, the worst NH listeners showed almost no attentional modulation, yet were still able to perform well above chance levels, while our worst HI listeners were at chance. It may be that, in cases where “online” attentional modulation fails, listeners make judgments based on the raw, unmodulated sound mixture represented in the brain. In cases where one sound source in that raw mixture is dominant, but not the “target” source, the inherent dominance of the nontarget source may make it impossible for a listener to understand the target (e.g., for an HI listener for whom the Distractor Stream is relatively salient). However, if the competing sources in the raw sound mixture are more equal in their salience, a listener may still be able to pull out information from the target, especially if the target sound has audible components that are not overlapping spectrally with competing sounds in the mixture (e.g., for a NH listener, where the high-frequency components of the Lagging Stream are audible and not masked by any of the competing sounds).

However, differences in salience of the competing streams cannot explain all of the effects of hearing loss we find. In particular, we manipulated laterality of the competing streams using only ITDs therefore, any differences in performance or in attentional modulation with the spatial configuration of the streams cannot be explained by salience, since the spectral content of the mixture reaching the ears is the same for all configurations. We find that, like NH listeners, HI listeners perform better when the stimuli are separated with large ITDs than with small ITDs (Fig. 2أ) and that listeners who are not at floor are better when the target is to the side than when it is at midline (Fig. 2ب). Importantly, as a group, HI listeners are as good as NH listeners at suppressing the Distractor when the target is to the side, even for the relatively low SL streams they are hearing however, when HI listeners are trying to attend to a target stream at midline, they suppress a Distractor with identical spectral content less completely than do NH listeners. These results show that the spatial configuration of the streams, not just their spectral content or loudness, influences both performance and neural suppression of competing streams in our HI listeners. These differences between NH and HI listeners thus cannot be due solely to differences in inherent salience of the stimuli, but instead must reflect, at least in part, differences in the efficacy of spatial processing in the two groups.

We find a close correspondence between broadband ITD thresholds, the strength of attentional modulation of neural signals, and performance. These relationships, coupled with the fact that HI listeners show particular deficits in performance for some spatial configurations of the sources, support the view that HI listeners suffer from reduced binaural acuity, which impairs selective attention performance. Still, further experiments are necessary to tease apart how differences in overall salience of the streams comprising a sound mixture contribute to differences between NH and HI listeners.

Technologies That Rely on EEG Signatures of Attention May Face Challenges in HI Listeners.

There has been a recent surge of research showing that attentional focus can be decoded from neural signals (18 ⇓ ⇓ –21), but the vast majority of this research has been conducted on listeners with normal hearing. Our results complement those of one recent study showing that hearing loss negatively impacts cortical tracking of an attended speech stream in a two-talker mixture (38). Like this other study, we find that the EEG responses in HI listeners are less influenced by attentional focus than those in NH listeners. Moreover, the HI listeners who perform least well in the spatial selective attention task show little or no attentional modulation of their neural responses.

This observation has important implications for future technology development. Specifically, there has been increasing interest in developing hearing aids that incorporate EEG signals as an input to guide signal processing in complex scenes (19, 39 ⇓ –41). Unfortunately, this approach relies upon hearing aid users effectively modulating their neural responses based on attentional focus in order for decoding algorithms to read out cognitive intent. The current study suggests that the very listeners who are the most in need of assistance from such listening devices show almost no neural signatures of attention, making the problem of developing a useful “cognitively guided hearing aid” even more challenging.


المواد والأساليب

Participants.

Twelve participants (six males, six females) with normal or corrected to normal vision participated in this study. All participants provided written informed consent, and the experimental protocol was approved by the Stanford University Institutional Review Board. Each individual participated in three fMRI sessions: two used to fit and validate the two-temporal channel model and one session in which we conducted population receptive field (pRF) mapping (25) to define retinotopic cortical regions and another experiment to define human motion-sensitive area (hMT+) (63 ⇓ –65). Detailed materials and methods can be found in SI Materials and Methods.

Temporal Channels Experiments.

To obtain data that can be used to estimate and test the two temporal channel-encoding model, we introduce an fMRI paradigm that estimates independent sustained and transient contributions to fMRI responses across visual cortex using three experiments. All three experiments used the same stimuli, trial durations, and task and only varied in their temporal presentation of the stimuli as detailed below and illustrated in Fig. 1.

Experiment 1—largely sustained stimulation.

Phase-scrambled images were shown in trials of varying durations (2, 4, 8, 15, or 30 s per trial), in which a single phase-scrambled image was shown for the entire duration of the trial (Fig. 1, blue). Before and after each trial, there was a 12-s baseline period (blank gray screen matched to the mean luminance of the stimuli). Across trials, the numbers of stimuli (one per trial) and transients (at the onset and offset of each stimulus) are matched just the duration of sustained stimulation varies. This experiment was designed to primarily activate the sustained channel, especially in the long trials.

Experiment 2—largely transient stimulation.

Experiment 2 used the same trial durations and general experimental design as experiment 1, except that, in each trial, 30 different phase-scrambled images were shown briefly, each for 33 ms. Thus, the number of stimuli, number of transients, and total duration of visual stimulation are matched across trial durations in experiment 2. The only factor that varied across trials was the ISI between consecutively presented images. The ISI consisted of a blank mean luminance screen that was 33-ms long in the 2-s trials, 100 ms in the 4-s trials, 233 ms in the 8-s trials, 467 ms in the 15-s trials, and 967 ms in the 30-s trials (Fig. 1, red). This experiment was designed to maximally drive the transient channel and minimally the sustained channel, since each image was shown for only 33 ms.

Experiment 3—combined sustained and transient stimulation.

Experiment 3 used the same design as experiment 2, except that, in each trial, we presented 30 different phase-scrambled images in a continuous fashion without an ISI between sequential images. The durations of images (67, 133, 267, 500, or 1,000 ms per image) varied across trials that were matched in length to experiment 1, whereby the 67-ms presentations occurred in the 2-s trials and the 1,000-ms presentations occurred in the 30-s trials (Fig. 1, green). This experiment was designed to drive both the sustained and transient channels, because (أنا) during the entire trial duration, there was always a stimulus on the screen and (ثانيا) there were always 30 different images per trial.

In all three experiments, participants were instructed to fixate on a small central dot and respond by button press when it changed color (occurring randomly once every 2–14 s, 8 s on average).

Data Acquisition.

MRI data were collected using a 3-T GE Signa MR750 scanner at the Center for Cognitive and Neurobiological Imaging at Stanford University.

We used a Nova 16-channel visual array coil (novamedical.com) to give participants a large unobstructed visual field of view. In each participant, we acquired two partially overlapping oblique slice prescriptions in separate scan sessions that together fully cover occipitotemporal cortex [resolution: 2.4 × 2.4 × 2.4 mm one-shot T2*-sensitive gradient echo acquisition sequence: field of view (FOV) = 192 mm, echo time (TE) = 30 ms, repetition time (TR) = 1,000 ms, and flip angle = 73°]. We also collected T1-weighted in-plane images with the same prescription as the functional data to align each participant’s data to their high-resolution whole-brain anatomy.

In a separate session, we obtained pRF mapping and hMT+ localizer data with the same receptive field coil setup and spatial resolution using 28 oblique slices covering the same brain volume but with a longer TR (resolution: 2.4 × 2.4 × 2.4 mm one-shot T2*-sensitive gradient echo acquisition sequence: FOV = 192 mm, TE = 30 ms, TR = 2,000 ms, and flip angle = 77°). We again collected T1-weighted in-plane images in the same prescription to finely align in-plane data to the whole-brain anatomy of each participant.

Anatomical MRI.

We acquired a whole-brain anatomical volume in each participant using a Nova 32-channel head coil [resolution: 1 × 1 × 1 mm T1-weighted BRAVO pulse sequence: inversion time (TI) = 450 ms, flip angle = 12°, number of excitations (NEX) = 1, FOV = 240 mm].

Data Analysis.

Data were analyzed with MATLAB using code from vistasoft (https://github.com/vistalab) and FreeSurfer (freesurfer.net).

Data preprocessing.

Functional data were aligned to each participant’s native anatomical space using T1-weighted in-plane images, and volumes acquired within the first 8 s of each run were discarded to allow time for magnetization to stabilize. We then performed slice time correction and motion compensation (within and between scans) and transformed voxel time series to units of percentage signal change. To normalize the baseline level of response across experiments, we subtracted from time points in each run the mean signal across the 4-s periods preceding the trial onsets in each run. This baseline removal procedure centers the mean response for the blank screen around zero to improve cross-validation performance (66) and to enable comparison of trial responses relative to the blank baseline.

Two-temporal channel model.

In typical analysis of fMRI responses (18, 24), the stimulus vector is convolved with the HRF to obtain a prediction of the fMRI response. However, this model does not account for distinct temporal channels of neural responses (32 ⇓ –34, 67). To generate predicted fMRI responses accounting for the temporal channels, we implemented an encoding approach similar to that of Horiguchi et al. (38). Code for implementing the two-temporal channel model is freely available online: https://github.com/VPNL/TemporalChannels.

The model illustrated in Fig. 3 shows the procedure. First, we estimate the neural response of each channel by convolving the stimulus (Fig. 3أ) separately with the neural IRF for the sustained channel (Fig. 3ب, blue channel IRF) and the transient channel (Fig. 3ب, red channel IRF). This generates the predicted neural response to the visual stimulus for each channel. Second, the estimated neural responses for each channel are convolved with the HRF (Fig. 3ج) and summed to generate a prediction of the fMRI response. We use a GLM to solve for the contributions of the sustained and transient channels (β weights) given the measured fMRI responses. Thus, the BOLD response can be expressed as BOLD Response = β S ( [ stimulus ⊗ I R F S ] ⊗ H R F ) + β T ( [ stimulus ⊗ I R F T ] 2 ⊗ H R F ) ,

where β S and β T are fitted response amplitude scalars for the sustained and transient channels, respectively I R F S and I R F T are the impulse responses functions for the sustained and transient channels, respectively and H R F is the canonical HRF.

The sustained neural channel is characterized by a monophasic IRFس that generates a response for the entire duration of a stimulus. The transient neural channel is characterized by a biphasic IRFتي that generates a brief response at the onset and offset of an image (32 ⇓ –34, 36, 37). The transient channel also contains a nonlinearity (squaring operation) that generates positive responses both from the onset and from the offset of the stimulus, as firing rates associated with transient on or off responses are positive (68) and metabolically demanding (38, 41). We also implemented an otherwise identical model, except for a rectification to the transient channel (instead of squaring) to generate a positive on response but no off response. In both cases, the nonlinearities in this model are at the neural level, and a linear relationship is assumed between the neural and BOLD responses. The predictions and performance of these two dual channel models are indistinguishable in our data, and therefore, results from the original quadratic implementation are presented unless otherwise noted.

Modeling the neural impulse response.

Our model used IRFs estimated from human psychophysics (37) (Fig. 3ب) to approximate the temporal sensitivity of the human visual system. These IRFs are expressed as the difference between excitatory and inhibitory linear filters. The excitatory filter is expressed as h 1 ( t ) = u ( t ) ⋅ [ τ ( n 1 − 1 ) ! ] − 1 ⋅ ( t τ ) n 1 − 1 ⋅ e − t τ ,

where u ( t ) is the unit step function at time t, τ is a fitted time constant, and n 1 is the number of stages in the excitatory filter. The inhibitory filter incorporates the same time constant and is expressed as h 2 ( t ) = u ( t ) ⋅ [ κ τ ( n 2 − 1 ) ! ] − 1 ⋅ ( t κ τ ) n 2 − 1 ⋅ e − t κ τ ,

where κ is the ratio of time constants for the two filters and n 2 is the number of stages in the inhibitory filter. Both the sustained and transient channel IRFs are derived with the formula h c ( t ) = ξ [ h 1 ( t ) − ζ h 2 ( t ) ] ,

where the normalization parameter ξ is used to match the height of the functions and is equal to 1 for IRFس and 1.44 for IRFتي. The transience parameter ζ is equal to zero for IRFس وواحد من أجل IRFتي.

The other parameters are taken from Watson (37) and are τ = 4.94 ms, κ = 1.33, n 1 = 9, and n 2 = 10.

Modeling the visual input.

Since the neural impulse response to a stimulus occurs on a millisecond timescale, we code each stimulus sequence in milliseconds. The stimulus is coded as a binary vector of ones and zeros, where one represents the presence of a stimulus and zero indicates when there is no stimulus, just a blank mean luminance screen (Fig. 3أ). To capture the digital transitions of the display (constrained by the 60-Hz refresh rate of the projector), a 17-ms gap is coded at the offset of each image. Next, the stimulus vector is convolved separately with each channel IRF to generate separate sustained and transient neural response predictors (Fig. 3ب). To model the corresponding fMRI responses from each channel, each of the two neural response predictors is convolved with an HRF (Fig. 3ج) that was sampled at the same high (millisecond) temporal resolution of the neural response predictors. Here, we slightly adapted the parameters of the canonical HRF implemented in SPM8 (www.fil.ion.ucl.ac.uk/spm/software/spm8) to better capture the rise and fall of the BOLD response in our measurements (delay of peak response = 5 s, delay of undershoot = 14 s, kernel length = 28 s).

Fitting the two-temporal channel model.

Since the HRF acts as a low-pass temporal filter, this enables us to resample the predicted fMRI response to the lower temporal resolution of the acquired fMRI data (TR = 1 s). This resampled fMRI response predictor is compared with measured fMRI responses to solve for the contributions (β weights) of each channel. We normalized the predicted fMRI responses across the two channels, such that the maximal height is the same across both predictors. Then, we used a GLM to estimate the β weights of the sustained (βس) and transient (βتي) predictors by comparing the predicted responses with the measured response using data concatenated across all runs of experiments 1 and 2. For ROI analyses, the GLM is applied to the mean response of each visual area in each participant. Quantification of model performance in each of experiments 1 and 2 is presented in Fig. 4 د و ه for V1, Fig. 5ه for hV4 and hMT+, and Fig. S3 for all ROIs. The predicted fMRI responses generated by the model are shown in Fig. 4أ for V1 and Fig. S2 for other ROIs.

Validating the two-temporal channel model.

We assessed the predictive power of the two-temporal channel model by testing how well it predicts responses in independent data obtained in experiment 3. Thus, we coded the visual stimulation of experiment 3 in the same manner described above and convolved it separately with the IRFs of the sustained and transient neural channels to generate the neural predictors. These neural predictors were then convolved with HRF and down-sampled to 1 s. Then, we multiplied each channel’s fMRI response predictor with its respective β weight (βس أو βتي) that was estimated with independent data concatenated across experiments 1 and 2. We then tested how well the predicted responses matched the measured response in experiment 3. Model performance was operationalized as cross-validated ص 2 , also known as the coefficient of determination (that is, the proportion of response variance explained using β weights that were estimated from independent data). Although conceptually like the classical ص 2 statistic, cross-validated ص 2 can be negative when the residual variance of an inaccurate prediction exceeds the variance in the measured response. Quantification of cross-validation performance is shown in Fig. 4F for V1, Fig. 5ه for hV4 and hMT+, and Fig. S3د for all ROIs. The predicted fMRI responses generated by the model are shown in Fig. 4ب and Fig. S1 for V1 and Fig. S2 for other ROIs.

Hemodynamic models.

For model comparison with the linear systems approach used in fMRI, we fit a GLM to the data. This model predicts fMRI responses by convolving a stimulation vector with the HRF (Fig. 3 أ و ج) and can be expressed as BOLD Response = β ( stimulus ⊗ H R F ) ,

where β is a fitted response amplitude scalars and H R F is the canonical HRF.

HTD model.

To test a hemodynamic model with two temporal channels, we fit an extension of the GLM proposed by Henson et al. (39) that incorporates an additional temporal derivative predictor to account for differences in the latency of BOLD responses across brain regions. This approach predicts fMRI responses as the weighted sum of a stimulation vector convolved with the canonical HRF and another factor convolved with the temporal derivative of the HRF ( H R F ' ), which can be expressed as BOLD Response = β 1 ( stimulus ⊗ H R F ) + β 2 ( stimulus ⊗ H R F ' ) ,

where β 1 and β 2 are fitted response amplitude scalars and H R F ' is the temporal derivative of the canonical H R F .

Balloon model.

To test if our results can be explained by a nonlinear hemodynamic model, we implemented a version of the balloon model proposed by Buxton et al. (17). This input–state–output model treats the brain’s vasculature as an inflatable balloon and describes the effect of blood flow on two state variables, v and q, that represent the blood volume and deoxyhemoglobin content, respectively. The state variables v and q vary over time as described by a system of flow equations and a balloon equation. The balloon component of the model can be expressed as BOLD Response = V 0 ( k 1 [ 1 − q ] + k 2 [ 1 − q v ] + k 3 [ 1 − v ] ) ,

where V 0 is the resting blood volume fraction (set to a standard value of 0.03) and the other parameters are calculated specifically for modeling fMRI signals measured at 3-T field strength ( k 1 = 6.7 , k 2 = 2.73 , and k 3 = 0.57 ). Constants used in the flow equations include the resting net oxygen fraction ( E 0 ), mean transit time ( τ M T T ) , a stiffness parameter (α), and a visoelastic time constant for inflation and deflation ( τ v ). Here, we used a standard set of values for these parameters across all regions: E 0 = 0.4, τ M T T = 2.5 s, α = 0.4, and τ v = 25 s.

As for the two-temporal channel model, we fit each hemodynamic model to data concatenated across all runs of experiments 1 and 2 and then, cross-validated the β weight using experiment 3 data.

Single-channel models with compressive nonlinearities.

The first implementation of the CTS model uses a static power law to explain subadditive temporal summation and adaptation effects observed in neural responses (40). This model can be expressed as BOLD Response = β ( stimulus ⊗ I R F τ ) ε ⊗ H R F ,

where β is a fitted response amplitude scalar, τ is a time constant that determines the shape of the neural IRF, and ε is an exponential term used to compress responses.

The next implementation of the CTS model applies compression using divisive normalization instead of a power law (40). This model can be expressed as BOLD Response = β ( stimulus ⊗ I R F τ ) 2 σ 2 + ( stimulus ⊗ I R F τ ) 2 ⊗ H R F ,

where β is a fitted response amplitude scalar, τ is a time constant that determines the shape of the neural IRF, and σ is a semisaturation constant.

The final implementation of a single-channel CTS model uses dynamic divisive normalization to compress responses (40). The dCTS predicts a prominent onset neural response and a subsequent declining continuous response for the remainder of the stimulus duration. This model can be expressed as BOLD Response = β ( stimulus ⊗ I R F τ ) 2 σ 2 + ( stimulus ⊗ I R F τ ⊗ L P F κ τ ) 2 ⊗ H R F ,

where β is a fitted response amplitude scalar, τ is a time constant that determines the shape of the neural IRF, σ is a semisaturation constant, and L P F is a low-pass filter parameterized by the time constant κ τ . The L P F generates the attenuation of the later response.

We fit each CTS model to data concatenated across all runs of experiments 1 and 2 and then, cross-validated the β weight using experiment 3 data. To optimize the values of τ, ε, σ, and κ for each session and ROI during the fitting stage, we used a custom two-stage nonlinear optimization procedure consisting of a grid fit routine followed by gradient descent.


شاهد الفيديو: غير من دماغك تتغير حياتك. دانيل آمن. TEDxOrangeCoast (كانون الثاني 2022).