ინფორმაცია

შეუძლია თუ არა ტვინს აუდიტორული სიგნალების დამუშავება ადამიანის განვითარების მე -18 კვირაში?


მიხედვით როდესაც ნაყოფს ესმის, როდესაც ბავშვს შეუძლია მოისმინოს საშვილოსნოში და სხვა მსგავსი სტატიები, ბავშვი იწყებს ბგერების მოსმენას მე -18 კვირაში. და იმის მიხედვით, თუ როგორ მუშაობს სმენა. მოსმენა მოიცავს

ნერვები დაუკავშირდება ტვინს. სმენის ნერვი შემდეგ ინფორმაციას აგზავნის ტვინში ელექტრული იმპულსებით, სადაც ისინი ინტერპრეტირდება როგორც ბგერა.

ნიშნავს თუ არა ეს იმას, რომ ტვინი რეალურად ამუშავებს აუდიტორულ სიგნალებს ადამიანის განვითარების მე -18 კვირაში, თუ ტვინი მე -18 კვირაში მხოლოდ ბგერებს ამუშავებს პროცესით, რომელიც არ მოიცავს თავის ტვინს? შესაძლოა დასკვნა ზოგისთვის აშკარა ჩანდეს, მაგრამ არა ჩემთვის იმის გათვალისწინებით, რომ ტვინის უუნარობა რამდენიმე სხვა (ან რაიმე სხვა) სიგნალის დამუშავებას იმ ეტაპზე, როგორიცაა ტკივილი, რა ეტაპზეა ნერვული სისტემა საკმარისად განვითარებული ნეირონული სიგნალების ინტერპრეტაცია, როგორც "ტკივილი"? და იყო სმენის გამოცდილება, რომელიც პირდაპირ კავშირშია ტკივილთან.


Graven & Brown– ის მოკლე მიმოხილვის თანახმად (2008) ადამიანში სმენითი სისტემის განვითარება (სურ. 1) ასეთია:

  • 15 კვირა გესტაციური ასაკი*: კოხლეისა და შუა ყურის სტრუქტურული ნაწილები კარგად არის ჩამოყალიბებული;
  • 20 კვირა: შუა ყური და კოხლეა ანატომიურად ფუნქციონირებს;
  • გარშემო 25 - 29 კვირა: სმენის სისტემა მთლიანად ფუნქციონირებს, რადგან კოჭის სპირალური განგლიური უჯრედები აკავშირებენ თმის შიდა უჯრედებს თავის ტვინის ღეროსა და ქერქის დროებით წილთან. სხვა სიტყვებით რომ ვთქვათ, მხოლოდ ამ დროს, პერიფერიული ბოლო ორგანო უკავშირდება ცენტრალურ ნერვულ სისტემას. ორსულობის 25 -დან 26 კვირამდე, ძლიერი ხმაური საშვილოსნოში გამოიწვევს ავტონომიური ფუნქციის შესამჩნევ ცვლილებებს.
  • 28-30 კვირა: ნერვული კავშირები ქერქის საფეთქლის წილთან ფუნქციონალურია. სმენის ქერქში ტონოტოპიური სვეტების განვითარება იწყება. ისინი საჭიროა ენის, მუსიკისა და მნიშვნელოვანი გარემოს ბგერების მისაღებად, ამოცნობისა და რეაგირებისთვის.

* გესტაციური ასაკი ეს არის ორსულობის ასაკის საზომი, რომელიც მიიღება ქალის ბოლო მენსტრუაციის დაწყებიდან (LMP), ან გესტაციის შესაბამისი ასაკი, როგორც სავარაუდოა უფრო ზუსტი მეთოდით, თუ ეს შესაძლებელია. გესტაციური ასაკის მიღწევა შესაძლებელია განაყოფიერების მომენტამდე 14 დღის დამატებით.


სურ 1. ზრდასრულთა სმენითი სისტემა. წყარო: გრევენ და ბრაუნი, 2007 წ

მითითება
- გრევენ და ყავისფერი, ახალშობილი ჩვილი ექთნების აღმ (2007); 8(4): 187-93


დინამიური მიზეზობრივი კონტროლის სიგნალების განვითარების მომწიფება უმაღლესი წესრიგის შემეცნებაში: ნეიროკოგნიტური ქსელის მოდელი

ფსიქიატრიისა და ქცევითი მეცნიერებების კავშირები, სტენფორდის უნივერსიტეტის მედიცინის სკოლა, სტენფორდი, კალიფორნია, ამერიკის შეერთებული შტატები, ნეიროლოგიისა და ნევროლოგიური მეცნიერებების დეპარტამენტი, სტენფორდის უნივერსიტეტის მედიცინის სკოლა, სტენფორდი, კალიფორნია, ამერიკის შეერთებული შტატები, პროგრამა ნეირომეცნიერებაში, სტენფორდი უნივერსიტეტის მედიცინის სკოლა, სტენფორდი, კალიფორნია, ამერიკის შეერთებული შტატები


Აბსტრაქტული

სულ უფრო და უფრო მეტი მტკიცებულება არსებობს, რომ ტვინი ეყრდნობა კანონიკურ ნერვულ გამოთვლებს, იმეორებს მათ თავის ტვინის რეგიონებსა და მეთოდებს, რათა გამოიყენოს მსგავსი ოპერაციები სხვადასხვა პრობლემებზე. ასეთი გამოთვლის პერსპექტიული კანდიდატი არის ნორმალიზაცია, რომლის დროსაც ნეირონების პასუხები იყოფა საერთო ფაქტორით, რომელიც, როგორც წესი, მოიცავს ნეირონების აუზის ჯამურ აქტივობას. ნორმალიზაცია შემუშავდა პირველადი ვიზუალური ქერქის პასუხების ახსნის მიზნით და ახლა ითვლება, რომ იგი მოქმედებს ვიზუალურ სისტემაში და სენსორულ სხვა მეთოდებსა და ტვინის რეგიონებში. ნორმალიზაციამ შეიძლება გამოიწვიოს ისეთი ოპერაციები, როგორიცაა სუნის წარმოდგენა, ვიზუალური ყურადღების მოდულაციური ეფექტები, ღირებულების კოდირება და მგრძნობიარე ინფორმაციის ინტეგრაცია. მისი არსებობა ნერვული სისტემის მრავალფეროვნებაში მრავალ სახეობაში, უხერხემლოებიდან ძუძუმწოვრებამდე, მიგვითითებს იმაზე, რომ ის ემსახურება კანონიკურ ნერვულ გამოთვლას.


1. შესავალი

ძირითადი დეპრესიული აშლილობა არის ინვალიდობის, ავადობისა და სიკვდილიანობის ერთ -ერთი წამყვანი მიზეზი მსოფლიოში. ამ აშლილობამ უკვე დააზარალა 350,000,000 -ზე მეტი ადამიანი და ყოველი მეხუთე ადამიანი ალბათ განიცდის მის სიცოცხლეს ერთ ეტაპზე [1,2,3]. პირველი ეპიზოდის მქონე პაციენტთა 85% -ზე მეტი განმეორდება მომდევნო 10 წლის განმავლობაში, ხოლო პაციენტთა უმეტესობას აქვს თვითმკვლელობის აზრები, რომელთაგან 15 �% იღუპება თვითმკვლელობით [4,5]. როგორც ნაჩვენებია ბუნების ანგარიშში 2014 წელს, დეპრესიის შედეგად გამოწვეული ინვალიდობის (YDL) წლები 10.3%-ს შეადგენს, რაც უფრო მეტია, ვიდრე ნებისმიერი სხვა დაავადება [6,7]. ლანსეტის 2017 წლის უახლესმა მოხსენებამ ასევე აჩვენა, რომ დეპრესიით გამოწვეული შეზღუდული შესაძლებლობების მქონე ცხოვრების წლები (DALY) გაიზარდა 1990 და 2016 წლებში [8].

თანამედროვე ფსიქოლოგიისა და ბიოლოგიის კონცეფციის თანახმად, ძირითადი დეპრესია არ არის მხოლოდ ფსიქიკური აშლილობა, არამედ ფიზიოლოგიური დაავადება. მას აქვს აშკარა ბიოლოგიური საფუძვლები, როგორიცაა ტვინის ცვლილებები, მათ შორის გაუწონასწორებელი ნეიროტრანსმიტერები, დაქვეითებული ნეიროგენეზი, ნეიროპლასტიურობის დაქვეითება და პათოლოგიური ნეირონული წრედი [9,10]. გენომის ფართო ასოციაციის კვლევებმა შეაფასა მემკვიდრეობის შანსი 37% -დან 48% -მდე ძირითადი დეპრესიისთვის [11,12]. თუმცა, დეპრესიის მზარდი შემთხვევები გადადის ჰარდისა და ვაინბერგის წონასწორობიდან, რაც მიუთითებს იმაზე, რომ გარემო ფაქტორები მნიშვნელოვან როლს თამაშობენ აშლილობაში.

ზოგადად მიღებულია შეთანხმება, რომ დეპრესია გამოწვეულია გენეტიკური ინფორმაციის კუმულატიური ზემოქმედებით და გარემოზე ზემოქმედებით [11]. გარკვეულმა გენებმა და ფსიქოლოგიურმა თვისებებმა შეიძლება მიგვიყვანოს ზოგიერთ ადამიანზე დეპრესიისკენ და სტრესული მოვლენები, მათ შორის ადრეული ასაკის სტრესი, დეპრესიის მნიშვნელოვანი სტიმულია [1,13], მაგრამ უახლესმა კვლევამ აჩვენა, რომ ნაწლავის მიკრობიოტა ალბათ გადამწყვეტ როლს თამაშობს დეპრესიის პათოფიზიოლოგიაში. [14,15,16,17,18].


3. მეთოდები: სწავლის გამეორებადი

მეთოდების განყოფილება მკითხველს უნდა მისცეს იმის გაგება, თუ როგორ იქნა მიღწეული შედეგები და როგორ განმეორდეს შედეგები. ის უნდა შეიცავდეს მონაწილე მონაწილეთა დემოგრაფიას, ექსპერიმენტული პარადიგმის დეტალებს, გამოყენებულ სისტემას, მონაცემების მოპოვების დეტალებს და წინასწარ დამუშავების ნაბიჯებს, მათ შორის გამოყენებულ სტატისტიკურ მეთოდებს. განყოფილება ასევე უნდა შეიცავდეს ფიგურას, რომელიც აჩვენებს (1) და#x000a0 გაზომვას (მაღალი ხარისხის ორიგინალური ფოტოსურათი გაზომვის სესიიდან ან ნახაზიდან), (2) და#x000a0 fNIRS ოპტოდის მასივი/არხის კონფიგურაცია თავზე, ( 3) ექსპერიმენტული პროტოკოლის ვიზუალიზაცია და სურვილისამებრ (4) ਊ მგრძნობელობის ანალიზი იმის საჩვენებლად, თუ რამდენად კარგად შეუძლია fNIRS- ის დადგენას კვლევისთვის არჩეული ინტერესის სფეროების გამოძიება. 12 14 უფრო მეტიც, თუ სიგნალის დამუშავების მილსადენი კომპლექსურია და მოიცავს მოწინავე და/ან ინოვაციურ ნაბიჯებს, რეკომენდებულია ბლოკ დიაგრამის ჩართვა, რომელიც ასახავს დამუშავების ყველა საფეხურს შეყვანის და გამომავალი სიგნალების გარდა. აღსანიშნავია, რომ ზოგიერთ ჟურნალს აქვს მეთოდის განყოფილება ბოლოს დანართის სახით. ამ შემთხვევებში, შესავალი და შედეგების სექციები უნდა შეიცავდეს საკმარის მეთოდოლოგიურ ინფორმაციას კონტექსტის გასაგებად, მეთოდოლოგიური დეტალების შესვლის გარეშე.

3.1. Მონაწილეები

3.1.1. მონაწილე ადამიანები

მონაწილეთა ნიმუში, როგორც წესი, აღწერილია ყველაზე აქტუალური დემოგრაფიული კომპლექტით და, საჭიროების შემთხვევაში, კლინიკური მახასიათებლებით. ეს მოიცავს მონაწილეთა რაოდენობას, მათ საშუალო ასაკს და ცვალებადობას, ან ასაკობრივ დიაპაზონს, რაც ყველაზე სასარგებლოა (მაგ., საათები ახალშობილებისთვის, თვეები და დღეები ჩვილებისთვის) და სქესის განაწილება. ჩართვისა და გამორიცხვის კრიტერიუმები მკაფიოდ უნდა იყოს განსაზღვრული (მაგალითად, პათოლოგიები, მშობლიური ენა და სხვა). სხვა შესაბამისი მახასიათებლები, როგორიცაა ხელობა, ეთნიკური წარმომავლობა, სოციალურ-ეკონომიკური სტატუსი და ა.შ. აღსანიშნავია, რომ ეთნიკური განაწილების შესახებ ანგარიშგება შეიძლება იყოს აქტუალური, განსაკუთრებით იმ შემთხვევაში, თუ ის განსხვავდება იმისგან, რაც შეიძლება მოსალოდნელი იყოს მოსახლეობისგან იმ ადგილას, სადაც ჩატარდა კვლევა. fNIRS სიგნალის ხარისხი, სხვა საკითხებთან ერთად, შეიძლება იყოს დამოკიდებული თმის თვისებებზე (ფერი, სისქე და სიმკვრივე). მონაწილეთა მიკერძოებულმა შერჩევამ შეიძლება გამოიწვიოს fNIRS ნეიროიმაგნიზაციის დასკვნების განზოგადების არარსებობა. მრავალი ჯგუფური კვლევისთვის, ჯგუფური დავალების პროცედურა უნდა იყოს აღწერილი.

კლინიკური პოპულაციებისთვის, დაავადებასთან დაკავშირებული ინფორმაციის რაოდენობა დამოკიდებულია ნაშრომის ფოკუსზე. კვლევის მიხედვით (მაგალითად, კლინიკური პოპულაციები), შეიძლება მიზანშეწონილი იყოს მოკლედ მიუთითოთ ხელნაწერში ძირითადი მახასიათებლები და ეპიდემიოლოგიური დეტალებისათვის მიმართოთ (დამატებით) ცხრილს. როგორც წესი, ცხრილში იქნება ჩამოთვლილი დრო, დაწყების დღიდან, ტვინის დაზიანების/დისფუნქციის მიზეზი (მაგ., იშემიური კარდიოგენული მარცხენა ცერებრალური არტერიის ინსულტი) და შესაბამისი კლინიკური დასკვნები (მაგ., ნარჩენი აფაზია). კონკრეტული პოპულაციებისთვის, თუ ეს შესაძლებელია და შესაძლებელია, შეიძლება სასარგებლო იყოს ბიომარკერების მოხსენება, როგორიცაა სისხლის მარკერები (მაგალითად, ანემია, რამაც შეიძლება გამოიწვიოს შეცვლილი ან მოულოდნელი შედეგები 15, 16), საერთო ფიზიოლოგიურ ფიტნესთან ან სპეციფიკურ პათოლოგიასთან დაკავშირებული პარამეტრები შეაფასა. თუ ზოგიერთი მონაწილის მონაცემები არ იქნა ჩართული საბოლოო ანალიზში, მაშინ საბოლოო ნიმუშის დემოგრაფია ასევე უნდა იყოს წარმოდგენილი მონაცემების უარყოფის კრიტერიუმებთან ერთად. გამჭვირვალობის უზრუნველსაყოფად და მიკერძოებული უარყოფისგან დაცვის მიზნით, ასევე მნიშვნელოვანია იმის დაზუსტება, თუ მონაცემთა დამუშავების დროს რა ეტაპზე იქნა გამოყენებული სხვადასხვა უარყოფის კრიტერიუმები და გამოიყენებოდა თუ არა ისინი ჯგუფურად ან ცალკეულ შემთხვევებში. ინფორმაცია ეთიკურ საკითხებთან დაკავშირებით უნდა იყოს მოწოდებული, მათ შორის ინსტიტუციური განხილვის საბჭოს (IRB) სახელი, რომელმაც შეაფასა და დაამტკიცა კვლევის ოქმი, ეთიკური პროცედურები (მაგალითად, ინფორმირებული თანხმობის მიღება, მცირე თანხმობა და/ან მშობლის ნებართვა), ასევე კლინიკური კვლევის რეგისტრაციის ბმული, თუ ეს შესაძლებელია.

3.1.2. ნიმუშის ზომა და სტატისტიკური სიმძლავრის ანალიზი

შესაბამისი ნიმუშის ზომა ან მონაწილეთა რაოდენობა მნიშვნელოვანია ნებისმიერი fNIRS ექსპერიმენტისთვის, მაგრამ არ არსებობს სტატისტიკური მოქმედების გარანტირების ფიქსირებული წესი. ნიმუშის ზომის განსაზღვრის ერთ -ერთი პრაქტიკული მიდგომაა სიმძლავრის ანალიზის ჩატარება, რომელიც აფასებს ნიმუშის მინიმალურ ზომას, რომელიც საჭიროა გარკვეული ეფექტის ზომის მისაღებად წინასწარ განსაზღვრულ სიმძლავრის დონეზე (1 − β) (რაც არის 1 − ალბათობა II ტიპის შეცდომა, პირობითად დადგენილი 0.8) და α (I ტიპის შეცდომის ალბათობა, პირობითად 0.05). 17 სიმძლავრის ანალიზის ანგარიში ჩვეულებრივ შეიცავს ნიმუშის ზომას (ნიმუშის საჭირო ზომა აპრიორი სიმძლავრის ანალიზი და ფაქტობრივი ნიმუშის ზომა a posteriori სიმძლავრის ანალიზი), სიმძლავრე (შერჩეული ძალაუფლებისათვის აპრიორი ძალაუფლების ანალიზი და მიღწეული ძალაუფლებისათვის a posteriori სიმძლავრის ანალიზი) და გამოყენებული ალფა დონე, ეფექტის ზომა შერჩეული დასაბუთებასთან ერთად (მაგალითად, წინასწარი კვლევა ან საპილოტე შესწავლა), შესაბამისი სტატისტიკური ტესტები ჰიპოთეზის შესამოწმებლად და შესაბამისი ციტატები სიმძლავრის ანალიზის შესასრულებლად გამოყენებული პლატფორმისთვის.

3.2. ექსპერიმენტული პარადიგმა და ინსტრუქციები

3.2.1. ექსპერიმენტული დიზაინი (ან ȁ კვლევის დიზაინი ”)

ექსპერიმენტული პარადიგმის შემუშავებისას გათვალისწინებული უნდა იყოს fNIRS სიგნალის ზოგიერთი სპეციფიკა. მაგალითად, fNIRS სიგნალებში ფიზიოლოგიური დაბნეულობის დომინირება 18 (იხ. სექ. ਃ.5), რაც იმას ნიშნავს, რომ თითოეული სტიმულირების მდგომარეობა თითქმის ყოველთვის უნდა განმეორდეს რამდენჯერმე, რათა შესაძლებელი გახდეს ფუნქციური პასუხის გადაწყვეტა. იმავდროულად, ჰემოდინამიკური რეაქციის დროებითი მახასიათებლები ზღუდავს ინტერვალის ხანგრძლივობას თანმიმდევრულ სტიმულებს შორის, თუ მონაცემები დაბლოკილია საშუალოზე. ასევე გასათვალისწინებელია ფიზიოლოგიური დაბნეულობა, რომელიც დროებით არის დაკავშირებული სტიმულთან. მაგალითად, მონაწილის სუნთქვის ნიმუში შეიძლება შეესაბამებოდეს სტიმულაციის ბლოკებს, თუ ისინი რეგულარულად არის წარმოდგენილი. ამან შეიძლება გაზარდოს ცრუ დადებითი პასუხები. 19 ეს საკითხები შეიძლება შემცირდეს გააზრებული ექსპერიმენტული დიზაინის საშუალებით, რომელიც ამცირებს მოსალოდნელ ეფექტებს, მაგალითად, ფსევდო რანდომიზირებით, როგორც პირობების რიგით, ისე ინტერსტიმულ ინტერვალის ხანგრძლივობით. ეს მოსაზრებები შეიძლება იყოს ინფორმაციული კვლევის ექსპერიმენტული დიზაინის აღწერისას.

ექსპერიმენტული დიზაინის ზუსტი აღწერა გადამწყვეტია როგორც მკითხველისათვის, ასევე fNIRS კვლევის შედეგების გასაგებად და ნაწარმოების გამეორებადობისთვის. ექსპერიმენტის ნებისმიერი მახასიათებელი, რომელმაც შესაძლოა გავლენა მოახდინოს შედეგებზე ან მათ ინტერპრეტაციაზე, უნდა იყოს მოხსენებული მეთოდების განყოფილებაში. სადაც შესაძლებელია, რეკომენდებულია ექსპერიმენტული პარადიგმის სქემატური ჩართვა.

FNIRS პარადიგმების უმრავლესობა მიეკუთვნება ერთ – ერთ შემდეგ კატეგორიას: ბლოკის დიზაინი, მოვლენებთან დაკავშირებული დიზაინი და დასვენების მდგომარეობის პარადიგმები ფუნქციონალური კავშირის შესწავლისთვის. დასვენების მდგომარეობის პარადიგმების შემთხვევაში, რომელიც არ შეიცავს მონაწილეს (ებ) ის აშკარა სტიმულაციას, პარადიგმა შეიძლება სათანადოდ იყოს აღწერილი იმ გარემოს ჩაწერის ხანგრძლივობის დეტალებით, რომელშიც მონაწილე მოთავსებულია (მაგ. განათების პირობები, სმენითი პირობები, თვალები ღია/დახურული, საგნები ან ჩვენებები მათ ვიზუალურ ველში და ა.შ.) და მონაწილისათვის მიცემული ნებისმიერი მითითებით (იხ. სექ. ਃ.2.2).

მახასიათებლები, რომლებიც დამატებით უნდა იყოს მოხსენებული როგორც ბლოკთან, ისე მოვლენასთან დაკავშირებული პარადიგმებისთვის, მოიცავს: სტიმულებს, პირობების რაოდენობას, ბლოკების ან ცდების რაოდენობას თითოეული მდგომარეობისათვის, ბლოკების ან ცდების წარმოდგენის თანმიმდევრობას, თითოეულის ხანგრძლივობას ბლოკი ან სასამართლო პროცესი და ინტერბლოკირების ხანგრძლივობა ან ინტერტრიალური ინტერვალი. ესკიზი, რომელიც შეიცავს სტიმულის დროსა და მაგალითებს (მაგ. ვიზუალური სტიმულის ჩარჩოების ამსახველი სურათები) შეიძლება იყოს მეტად ინფორმაციული. ფიგურა ਁ გვიჩვენებს მაგალითს.

ექსპერიმენტული პარადიგმის ვიზუალიზაცია. ლეგენდის ნიმუში შემდეგნაირად ხდება. N- უკან პარადიგმის სქემატური ილუსტრაცია. თითოეული ექსპერიმენტული გაშვება შედგებოდა 30 ბლოკისგან, ბლოკირების ინტერვალით 15  s. თითოეულ ბლოკს აქვს 15 ცდა და იწყება დავალების ინსტრუქციით “n-back ” ნაჩვენები 2  s ეკრანზე. ინსტრუქციის შემდეგ, ასოები გამოჩნდება ეკრანზე, სათითაოდ, 0.5  s. ინტერტრიუმის ინტერვალი არის 1.5  s, რომლის დროსაც ეკრანზე ნაჩვენებია ფიქსაციის ჯვარი. მონაწილეებს დაევალათ მიუთითონ, არის თუ არა მიმდინარე ასო იდენტური წინამორბედის მიერ წარმოდგენილი წინამორბედი წერილებისა.

3.2.2. მონაწილეების მითითებები, ტრენინგები და ურთიერთქმედება

fNIRS– ის ნაშრომებმა უნდა უზრუნველყოს მკაფიო აღწერა, თუ რა ინსტრუქცია მიეცა მონაწილეებს დავალების შესახებ. ინსტრუქციები ხშირად შეიძლება გადამწყვეტი იყოს ნერვული მონაცემების ინტერპრეტაციისთვის. მაგალითად, მკაფიო მითითებებმა სტიმულის სწავლის შესახებ და იგივე სტიმულის ნაკლოვანებების ზემოქმედებამ შეიძლება გამოიწვიოს განსხვავებული ყურადღების, მოტივაციისა და სწავლის მექანიზმები. აქედან გამომდინარე, უნდა აღინიშნოს ის ასპექტები, რომლებიც ეხება იმას, თუ როგორ ხვდებიან და ასრულებენ დავალებას მონაწილეები, მაგალითად, პასუხების დროის შეზღუდვა, მკაფიო ან ნაგულისხმევი დავალება, დავალების მიზნის აღწერა და ა.შ. ანალოგიურად, მონაწილეებისათვის გამოხმაურება ან სხვა სტიმული რამაც შეიძლება შეცვალოს მათი ყურადღება ან მოტივაცია დავალების შესასრულებლად, უნდა აიხსნას. ასევე უნდა იყოს მოხსენებული ექსპერიმენტული პირობები, რომლებმაც შეიძლება გავლენა მოახდინოს მონაწილეთა მუშაობაზე მონაცემების მოპოვების დროს, როგორიცაა მეტისმეტად გრძელი პროცედურები, შეძენა დაბნელებული/მუქი განათების პირობებში, გარემოსდაცვითი ყურადღების გამახვილება და ა.შ.

3.3. სისტემა და შეძენა

3.3.1. fNIRS მოწყობილობა და შეძენის პარამეტრების აღწერა

FNIRS კვლევის სფერო სწრაფად ფართოვდება როგორც ტექნოლოგიურ ინოვაციებში, ასევე ნეირომეცნიერებაში, რაც განაპირობებს სხვადასხვა სახის კომერციულად ხელმისაწვდომი და პერსონალურად შემუშავებული შიდა მოწყობილობების განვითარებას. 2 4, 20, 21 ინსტრუმენტები განსხვავდება არა მხოლოდ აპარატურის მუშაობის ფუნდამენტურ რეჟიმში, არამედ მეთოდოლოგიურ პროცედურებში, რომლებიც გამოიყენება ქრომოფორული ოქსი- და დეოქსიჰემოგლობინის (ამრიგად, მთლიანი ჰემოგლობინის) და/ან ციტოქრომ-გ-ოქსიდაზას 22 კონცენტრაციის ცვლილების ან მათი ამსახველი ოპტიკური სიგნალები (შემოკლებით HbO 2, Hb, tHb და CCO, შესაბამისად). [აღსანიშნავია, რომ სხვა აკრონიმები (მაგალითად, HbO/HbR/HbT, O 2 Hb/HHb/tHb, ან oxy-Hb/deoxy-Hb/total Hb) ასევე საერთო და მისაღებია.]. ამრიგად, ინსტრუმენტის სპეციფიკაციების ფუნდამენტური ასპექტების ზუსტი მოხსენება სავალდებულოა. მიუხედავად იმისა, რომ კომერციული fNIRS ინსტრუმენტების უმეტესობა არის CW, ისინი სულაც არ იყენებენ ერთსა და იმავე ინფრაწითელ ტალღას (NIR) ან იგივე ალგორითმს ჰემოგლობინის კონცენტრაციის აღსადგენად. გარდა ამისა, საბაჟოზე დამზადებული fNIRS ინსტრუმენტების მნიშვნელოვანი რაოდენობა ახორციელებს ტექნოლოგიებს, როგორიცაა TD-NIRS, 23 FD-NIRS, 24 ან მაღალი სიმკვრივის (HD) ტექნოლოგია, 25 რომელსაც ფუნდამენტური განსხვავებები აქვს დღევანდელი კომერციული ინსტრუმენტებისგან. ძირითადად უცნობი მომხმარებლისთვის. შესაბამისი ინსტრუმენტის სპეციფიკაციების ზუსტი მოხსენება საშუალებას მისცემს კვლევის კვლევის უკეთეს ინტერპრეტაციას და გამჭვირვალობის უფრო მაღალ დონეს გამეორებისთვის. პუბლიკაცია ნათლად უნდა ასახავდეს შემდეგ ინფორმაციას fNIRS მოწყობილობის სპეციფიკაციების აღწერისას: (1)   მწარმოებელი და ვერსია, (2)   მუშაობის რეჟიმი (CW, FD და TD), (3)   რიცხვი და ტალღების სიგრძე , (4)   გამოსხივება (ენერგიის წყარო ზემოქმედების არეზე) ან საშუალო სიმძლავრე ან ორივე [ყურადღება უნდა მიექცეს, რომ სინათლის წყაროს ექსპოზიცია შეესაბამებოდეს უსაფრთხოების სტანდარტებს, როგორიცაა ANSI (შეერთებული შტატები) ან IEC-60825 (ევროპა)] , (5)   შერჩევის მაჩვენებელი, ოპტოდების რაოდენობა და ტიპი და შედეგად მიღებული არხები, და წყაროს და#x02013 დეტექტორების დისტანციები და (6)   მეთოდი მონაცემთა გადაქცევის ქრომოფორულ კონცენტრაციად (თუ ავტომატურად ხდება ინსტრუმენტის და#x02019 პროგრამული უზრუნველყოფის მიერ სხვაგვარად მოხსენდება მონაცემთა ანალიზის განყოფილებაში). ინფორმაცია შეიძლება იყოს მოკლე შემაჯამებელი წინადადება, როგორიცაა “ ჩვენ გამოვიყენეთ NIRSdev (NIRScomp, ქვეყანა) CW-NIRS მოწყობილობა 24 აქტიური არხით (8 ლაზერული დიოდური გამცემი, λ 1 | 2 = 750 | 850 &# x02009   ნმ საშუალო სიმძლავრით და#x0003c 1     მგვტ, და ზვავის 8 ფოტიოდიოდური დეტექტორი) შერჩეული 50  Hz. მონაცემები გადაკეთდა კონცენტრაციის ცვლილებებზე მოდიფიცირებული ლუდისა და ლამბერტის კანონის გამოყენებით (mBLL). მათ შორის, როგორ აღირიცხება DPF– ის ცვლილებები, მაგალითად, ჩვილების განვითარების გრძივი კვლევებისას. ასევე შეიძლება მოხსენდეს არჩეული პარამეტრების მითითება. თუ გამოიყენეს FD ან TD მოწყობილობები, უნდა იყოს მითითებული პროცედურები, რომლებიც გამოიყენება შთანთქმის და გაფანტვის კოეფიციენტების მისაღებად. MBLL პარამეტრებისა და ერთეულების გამოყენების და მოხსენების შესახებ მეტი მითითება მოცემულია მონაცემების ანალიზთან დაკავშირებით სექციაში და#x000a03.4.3.

3.3.2. Optode მასივის დიზაინი, თავსახური და მიზნობრივი ტვინის რეგიონები

FNIRS გაზომვების განმეორებადობა მკაცრად დამოკიდებულია დიზაინის (გეომეტრიის) მკაფიო დოკუმენტაციასა და წყაროს – დეტექტორის მასივის განთავსებაზე. მიუხედავად იმისა, რომ fNIRS ტექნოლოგიები სწრაფად ვითარდება, fNIRS კვლევების უმრავლესობას მაინც აქვს შეზღუდული ხედვის სფერო და/ან არხის სიმკვრივე, შესაბამისად, სკალპზე წყაროების და დეტექტორების განლაგება განსხვავდება კვლევიდან კვლევაში. ბევრი fNIRS მოწყობილობა აღჭურვილია წყაროების და დეტექტორების კომპლექტით ან “ptodes ”, რომელთა მოთავსებაც შესაძლებელია მოქნილად. სხვებს აქვთ წყაროების და დეტექტორების წინასწარ განსაზღვრული ბალიშები, ან ფიქსირებული დისტრიბუცია, რომელიც თავისუფლად შეიძლება განთავსდეს, მაგრამ არ მოხდეს მისი რეორგანიზაცია. ოპტოდების შესაბამისი პოზიციისა და მოწყობის განსაზღვრა მოცემული fNIRS კვლევისათვის, აუცილებლობაა. 26, 27 თუმცა, ეს პროცესი შორს არის უმნიშვნელოდან, რადგან fNIRS გაზომვები დიდად არის დამოკიდებული fNIRS წყაროს და დეტექტორის მასივის მდებარეობაზე, მოცულობაზე, წყაროს – დეტექტორების გამიჯვნაზე და სიმკვრივეზე. 28, 29 ეს ფაქტორები გავლენას ახდენენ გაზომვის მგრძნობელობაზე მოცემული ქერქის რეგიონის მიმართ, ტვინისა და ექსტრაცერებრული ქსოვილების შედარებითი წვლილი თითოეულ სიგნალში და გაზომვის მგრძნობელობის ერთგვაროვნება ხედვის არეზე. ციფრული თავის მოდელები (ვირტუალური ფანტომები/სიმულაციები) შეიძლება გამოყენებულ იქნას მოწყობილობის სპეციფიკური NIR სინათლის გამრავლების გასაგებად, რაც მნიშვნელოვანია მომავალი თაობის ოპტიკური ტვინის ვიზუალიზაციის მოწყობილობების და ოპტოდის მასივების შესაქმნელად. მონტე კარლოს სიმულაციები 30, 31 უზრუნველყოფს კონტროლირებად მექანიზმს, რათა დაახასიათოს და შეაფასოს მრავალფეროვანი fNIRS სენსორული კონფიგურაციები და პარამეტრები, როგორიცაა ოპტიკური ბილიკის სიგრძე, დეტექტორის ზედაპირის ფართობი და წყაროს და#x02013 დეტექტორის გამოყოფა. 32 34

მასივის დიზაინის გამოქვეყნებისას, ჩვენ მკაცრად გირჩევთ მასივის დიაგრამის ჩათვლით, რომელიც განსაზღვრავს: (1)   წყაროს და დეტექტორის პოზიციების საერთო რაოდენობა (2)   არხების საერთო რაოდენობა და (3) &# x000a0 წყაროს განაწილება და#x02013 დეტექტორების გამიჯვნა. ასევე მომგებიანია, თუ შესაძლებელია, მასივის ფოტოსურათის ჩართვა მონაწილეზე. ამან შეიძლება მოგაწოდოთ დამატებითი ინფორმაცია მასივის ფიზიკურ დიზაინსა და ერგონომიკასთან დაკავშირებით. ფიგურა ਂ აჩვენებს მაგალითს.

ოპტოდის მასივის მაგალითი, რომელიც შეიქმნა 12/14 წყაროს/დეტექტორებით, რის შედეგადაც 34 არხი გადავიდა პრეფრონტალურ ქერქზე 30 მმ-იანი გამიჯვნით. მგრძნობელობის პროფილი ჟურნალში 10 (მმ − 1). ვიზუალიზაცია AtlasViewer– ის გამოყენებით. 14

მასივის მონაწილეების სათავეში განთავსებისა და რეგისტრაციის პროცესი ასევე ზუსტად უნდა იყოს აღწერილი, რათა ხელი შეუწყოს რეპროდუქციულობას მონაწილეებსა და კვლევებს შორის. წყარო და დეტექტორების ადგილები (ან მათი ქვესიმრავლე) უნდა იყოს აღწერილი კრანიალური ღირსშესანიშნაობების მიმართ, როგორიცაა ნაზონი, იონი, ყურები (მაგ. პრეაურიკულარული წერტილები) და/ან ელექტროენცეფალოგრაფია (EEG) 10-20, 10-10 და 10-5 საეტაპო ქულა. ეს შეიძლება პირდაპირ აღინიშნოს (მაგალითად, “ წყარო 1 მოთავსებული იყო 10-20 პოზიციაზე C3. ”) ან შედარებით (მაგ., “ წყარო 1 მოთავსებული იყო შუა ხაზზე 3 ਌m ნაზიონის ზემოთ. ”) რა

ასევე რეკომენდირებულია fNIRS მასივის ადგილმდებარეობისა და მასთან დაკავშირებული არხების მგრძნობელობის განაწილების მოხსენება კორტიკალური ფუძემდებლური მაკროანატომიის მიმართ. ეს ანატომიური ადგილები შეიძლება იყოს მოხსენებული გირალურ ნიშნებზე (მაგ., ქვედა შუბლის გირუსზე), ბროდმანის რაიონებზე (მაგ., BA44), მონრეალის ნევროლოგიური ინსტიტუტის საკოორდინაციო სივრცეზე, ტალაირახის საკოორდინაციო სივრცეზე, 35 ან ქერქის მგრძნობელობის რუქის ამსახველი ფიგურების ჩათვლით. მასივთან ასოცირებული. 36

ასევე უნდა იყოს აღწერილი, თუ როგორ განისაზღვრა ეს ანატომიური ადგილები. მაგალითად, რეგისტრაციის უმარტივესი მიდგომაა მასივის პოზიციონირება გარკვეულ 10-5 კოორდინატებთან შედარებით და უშუალოდ განსაზღვრავს ძირითად ანატომიას ატლასის მოდელის 10-5 კოორდინატების საშუალებით. 12 თუმცა, ეს ვარაუდობს, რომ მასივის პოზიციონირება ერთნაირია მონაწილეთა შორის და რომ ატლასი წარმოადგენს ჯგუფის ზუსტ მოდელს. ალტერნატიულად, fNIRS მასივის მონაწილეთა სპეციფიკური რეგისტრაცია შეიძლება განხორციელდეს სამგანზომილებიანი (3D) პოზიციონირების სისტემებიდან, ნეირო-სანავიგაციო ტექნოლოგიებიდან მიღებული ინფორმაციის გამოყენებით ან ფოტოგრამმეტრიული მიდგომებით. 26, 37, 38 ამ შემთხვევაში, მკვლევარებს შეუძლიათ დამატებით შეატყობინონ სკალპზე მდებარე ოპტოდის მდებარეობის ცვალებადობას და/ან მაკროანატომიის ვარიაციას. ნებისმიერი ინსტრუმენტი, პროგრამული უზრუნველყოფა ან დამუშავების მიდგომა, რომელიც გამოიყენება სივრცითი რეგისტრაციის მისაღწევად და რა ვარაუდებს ეყრდნობა ეს მიდგომები, უნდა იყოს აღწერილი. თუ ატლასი გამოიყენება, ატლასის წყარო უნდა იყოს მითითებული და ამ ატლასის გამოყენებასთან დაკავშირებული შეზღუდვები უნდა იყოს აღიარებული.

3.3.3. ინსტრუმენტების/აპარატურის განვითარების შესახებ პუბლიკაციებისათვის

ახალი fNIRS დიზაინისა და ინოვაციების პროგრესი მთელს მსოფლიოში, საჭიროა 39 კონკრეტული მითითება და სტანდარტიზაცია ძალისხმევის გასამარტივებლად და ახალი ტექნოლოგიების მიღების დაჩქარების მიზნით. ეს ძალისხმევა შეიძლება გაადვილდეს მოწყობილობის სპეციფიკაციებში სტანდარტული დასახელების კონვენციების გამოყენების გავრცელებით (იხ. ცხრილში ნიმუშის ნომენკლატურა ਂ). ძველი მოწყობილობებისთვის, მოწყობილობის აღმწერი ნაშრომის მითითება შეიძლება იყოს საკმარისი, თუ ნაშრომის ფოკუსია ახალი ტექნოლოგიის წარმოდგენა, ახალი მოწყობილობის აღწერა უნდა შეიცავდეს (1) და#x000a0a აპარატურის ბლოკ დიაგრამას, რომელიც ასახავს კავშირებს და კონტროლის მექანიზმი, (2)   პროგრამული უზრუნველყოფის დიაგრამა, რომელიც აღწერს ინფორმაციის ნაკადს და აპარატურის კომპონენტების კონტროლს და მონაცემთა მოპოვების პროტოკოლს, (3)   ტიპის სინათლის წყაროს და დეტექტორებს, (4)   გარე ზომების თავიდან ასაცილებლად მიღებული ზომები დაბინძურება და ჯვარედინი საუბარი არხებზე (მაგალითად, დროის მულტიპლექსირება, სიხშირის მულტიპლექსირება, ან ორივე მათგანის კომბინაცია), და თუ შესაძლებელია, (5)   წრიული დიაგრამები ძირითადი კომპონენტების და ცალკეული ნაწილების ნომრების შესახებ. თუ ციფრული ხელმძღვანელის მოდელები გამოიყენება ტექნიკის დიზაინის წარმართვისთვის, ისინი სწორად უნდა იყოს ციტირებული.

ცხრილი 2

არხიუნიკალური/დამოუკიდებელი გაზომვის არე, რომლის ჩაწერაც სისტემას შეუძლია.
შენიშვნა: ნებისმიერი ოპტიკური სერია ერთი ოპტოდიდან, როგორიცაა სხვადასხვა ტალღის სიგრძე ან ჟანგბადით/დეოქსიგენირებული ჰემოგლობინი, კვლავ მიეკუთვნება იმავე არხის გაზომვას.
DPFმასშტაბირების ფაქტორი, რომელიც დაკავშირებულია გეომეტრიულ წყაროსთან და დეტექტორის მანძილზე საშუალო სინათლის მანძილზე, რომელიც გადის წყაროსა და დეტექტორს შორის შერჩევის მთელ რეგიონში, რაც განაპირობებს გაფანტვის გამო სინათლის გადიდებას წყაროდან დეტექტორამდე.
ჩარჩოერთი პარალელური/შესაბამისი ნიმუში ყველა არხიდან.
Კადრების სიხშირემაჩვენებელი, რომლითაც ჩარჩოები ჩაწერილია ჰერცში.
სიხშირის მულტიპლექსირებაგანასხვავებს სხვადასხვა არხებს წყაროების მოდულირების გზით არა გადახურვის სიხშირეებზე.
ბილიკის საშუალო სიგრძებილიკის სინათლე მოგზაურობს შერჩევის მთელ რეგიონში (წყარო – დეტექტორის მანძილი გამრავლებული DPF).
ნაწილობრივი ბილიკის სიგრძებილიკი გადის ქსოვილის იმ ნაწილში, რომელიც არის საინტერესო, მაგალითად, ტვინის ფუნქციური გააქტიურებისათვის, ეს არის გზა მხოლოდ გააქტიურებულ რეგიონში (წყარო – დეტექტორის მანძილი გამრავლებული ნაწილობრივი ბილიკის ფაქტორით).
გზის ნაწილობრივი ფაქტორიმასშტაბირების ფაქტორი, რომელიც აკავშირებს წყაროს – დეტექტორის მანძილს საშუალო სინათლის მანძილზე, რომელიც გადის გააქტიურებულ რეგიონში.
ნაწილობრივი მოცულობის ეფექტიკონცენტრაციის არასათანადო შეფასება ხდება იმის გამო, რომ ჰემოგლობინის ცვლილებები ხდება კეროვან რეგიონში და არა მთელ შერჩევის რეგიონში.
მოცულობის ნაწილობრივი შეცდომაშეცდომა, რომელიც ხდება მაშინ, როდესაც ნაწილობრივი მოცულობის ეფექტი განსხვავდება სხვადასხვა ტალღის სიგრძეს შორის, რამაც შეიძლება გამოიწვიოს ინვერსიული კვალი.
შერჩევის მაჩვენებელითითოეული არხიდან წამში (ჰც -ში) შეგროვებული ნიმუშების რაოდენობა.
დროის მულტიპლექსირებაგანასხვავებენ სხვადასხვა არხებს ერთდროულად ან ჯგუფურად ჩართვის გზით.

სინათლის წყაროს ტიპი (ლაზერი / LED), ტალღის კონკრეტული სიგრძე და გამოსხივებული ენერგია ერთეულის ფართობზე (მაგ., 0.2     ვტ / სმ 2) უნდა იყოს მოხსენებული მოწყობილობის უსაფრთხოების დონისა და პოტენციური კლასიფიკაციის შესაფასებლად. NIR სინათლის ზემოქმედება თვალებსა და კანზე (საჭიროების შემთხვევაში, დამცავი აღჭურვილობის შემდეგ) უნდა დარჩეს საყოველთაოდ აღიარებულ უსაფრთხოების ნორმებში, როგორიცაა ლაზერული პროდუქტების უსაფრთხოების საერთაშორისო სტანდარტი 40 ან ნათურების და ნათურების სისტემების ფოტოობიოლოგიური უსაფრთხოების საერთაშორისო სტანდარტი. 41

სინათლის დეტექტორის ტიპი (მაგ. პინი ფოტოდიოდი, ზვავის ფოტოდიოდი, ფოტომულტიპილატორი მილაკი, ერთფოტონიანი ზვავის დეტექტორი და სხვა), მისი კონფიგურაცია (მაგ., ერთპიქსელიანი ფოტოდიოდი, ფოტოდიოდური მასივი, გამოსახულების დამუხტული მოწყობილობა და ა.შ.), უნდა აღინიშნოს სინათლის მგრძნობელობის პროფილი კონკრეტული ტალღის სიგრძისთვის (მომატება, ხმაურის ფაქტორები და ხმაურის ეკვივალენტური ძალა) და კანის ინტერფეისის სტილი (პირდაპირი კონტაქტი, სინათლის გზამკვლევების ან ბოჭკოების გამოყენება).

FNIRS ინსტრუმენტების შემქმნელებისა და მწარმოებლებისათვის, განსაკუთრებით მარეგულირებელი დამტკიცებისათვის, აუცილებელია იცოდეს ახლახანს გამოქვეყნებული საერთაშორისო ელექტროტექნიკური კომისია (IEC)/სტანდარტიზაციის საერთაშორისო ორგანიზაცია (ISO) სტანდარტი fNIRS აღჭურვილობისთვის (IEC 80601-2-71), სამედიცინო ელექტრო ტექნიკის სტანდარტების 60601 ოჯახის სტანდარტი. 42 როგორც ნებისმიერ ელექტრო ინსტრუმენტზე, პროდუქტის უსაფრთხოების ტესტირება უნდა დამოწმდეს დამოუკიდებლად (მაგ. Underwriters Laboratories-UL მარკირება შეერთებულ შტატებში, Consumer Electronics-CE მარკირება ევროკავშირში, პროდუქტის უსაფრთხოების ელექტრო მოწყობილობები და მასალები-PSE იაპონიაში და ჩინეთის სავალდებულო სერთიფიკატი -CCC ნიშანი ჩინეთში). უნივერსიტეტის მიერ გაზრდილი სისტემებისთვის, ეს შეიძლება გაკეთდეს ადგილობრივი საავადმყოფოს ბიოსამედიცინო ინჟინერიის განყოფილებების მეშვეობით, რომლებიც შეამოწმებენ ამ კვლევითი მოწყობილობების ელექტრო უსაფრთხოებას ადამიანებთან გამოყენებამდე. უნივერსიტეტის მკვლევარებისთვის, ტვინის ახალი ოპტიკური ვიზუალიზაციის მოწყობილობების გამოყენება კლინიკურ/კვლევით კვლევებში საჭიროა მხოლოდ ადგილობრივი ეთიკის კომიტეტის დამტკიცება. საბოლოო კლინიკური განლაგებისათვის, როგორიცაა დიაგნოსტიკა ან თერაპია, საჭიროა შემდგომი მარეგულირებელი ნებართვები (მაგ., FDA შეერთებულ შტატებში, ევროკავშირის MDR ევროპაში, ფარმაცევტული და სამედიცინო მოწყობილობების აქტი-PMDA იაპონიაში და ეროვნული სამედიცინო პროდუქტების ადმინისტრაცია-NMPA, ყოფილი CFDA, ჩინეთი).

კლინიკურ კვლევებში შესადარებელი და საიმედოობის მისაღწევად, fNIRS ინსტრუმენტების სტანდარტიზებული შეფასება სპეციალურ ფანტომებზე დაყრდნობით უნდა იყოს ინსტრუმენტების განვითარების მნიშვნელოვანი ნაწილი. ზემოაღნიშნული IEC 80601-2-71 სტანდარტი ასევე მოიცავს რამოდენიმე შესრულების ტესტს ბუნდოვან ფანტომებზე. მთავარი ტესტი ემყარება fNIRS ფანტომს, რომელსაც აქვს რეალისტური საერთო შესუსტება და ცვალებადი შიდა დიაფრაგმა, რათა შეიქმნას შესუსტებული ცვლილება, რომელიც შეესაბამება გარკვეულ ცვლილებას HbO 2 და Hb. ამ სტანდარტში აღწერილი სხვა ფანტომებზე დაფუძნებული ტესტები მოიცავს სიგნალის სტაბილურობას, რეაგირების დროს, სიგნალ-ხმაურის თანაფარდობას (SNR) და სიგნალის გადაკვეთას.

დიფუზური ოპტიკის ინსტრუმენტებისა და მეთოდების უფრო სრულყოფილი დახასიათება და შედარება ხელს უწყობს რამოდენიმე პროტოკოლს, რომელიც დაფუძნებულია მრავალ ლაბორატორიულ კონსენსუსზე დამყარებულ ძალისხმევაზე [მაგ., ოპტიკური მეთოდები სამედიცინო დიაგნოსტიკისა და დაავადებების მონიტორინგისათვის (MEDPHOT) პროტოკოლი, ძირითადი ინსტრუმენტული შესრულების (BIP) პროტოკოლი, და ტვინის ფუნქციისა და დაავადების არაინვაზიური გამოსახულება იმპულსური ინფრაწითელი სინათლის (nEUROPt) პროტოკოლით]. 43 45 NEUROPt პროტოკოლი 45 სპეციალურად მიზნად ისახავს fNIRS აპარატურას, რომელიც მიზნად ისახავს კონტრასტის, კონტრასტ-ხმაურის თანაფარდობის (CNR), გვერდითი გარჩევადობის, სიღრმის მგრძნობელობის და თავის ტვინში შთანთქმის ცვლილებების რაოდენობის დახასიათებას. მას ახორციელებენ ჰომოგენური ბუნდოვანი ფანტომები მცირე ზომის შავი ჩანართებით, მაგ., მყარი და მყარი გადამრთველი ფანტომი 46 და ორ ფენიანი ფანტომები. სხვა fNIRS ფანტომები აღწერილია, რომლებიც იმიტირებენ HbO 2 და Hb კონცენტრაციების დროებით ცვლილებას, მაგ., ელექტროქრომული ცვლადი შთამნთქმლების საშუალებით 47 ან მოძრავი ფენების საშუალებით. 48, 49 Hb შემცველი ფანტომები ცვლადი ჟანგბადით ქსოვილის ოქსიმეტრის შესამოწმებლად 50 ასევე უნდა აძლევდეს fNIRS სიგნალების რაოდენობრივ შეფასებას. ანატომიურად რეალისტური დინამიური ფანტომების შექმნა შეიძლება იყოს რთული, მაგრამ შესაძლებელია. 51 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, ჟურნალი ნეიროფიზიოლოგია, 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? - ბიოლოგია

a Division of Biotechnology, Dalian Institute of Chemical Physics, Chinese Academy of Sciences, 457 Zhongshan Road, Dalian 116023, China
ელექტრონული ფოსტა: [email protected]
Fax: +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

Აბსტრაქტული

Brain organoids derived from the self-organization of human induced pluripotent stem cells (hiPSCs) represent a new class of ინ ვიტრო 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, ადგილზე 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.


წვდომის პარამეტრები

მიიღეთ ჟურნალის სრული წვდომა 1 წლის განმავლობაში

ყველა ფასი არის NET ფასები.
დღგ დაემატება მოგვიანებით გადახდისას.
გადასახადის გაანგარიშება დასრულდება შემოწმების დროს.

მიიღეთ დრო შეზღუდული ან სრული სტატია წვდომა ReadCube– ზე.

ყველა ფასი არის NET ფასები.


დისკუსია

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 (Მასალა და მეთოდები). 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. 2) and that listeners who are not at floor are better when the target is to the side than when it is at midline (Fig. 2). 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.


Მასალა და მეთოდები

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 მასალები და მეთოდები.

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 (მე) during the entire trial duration, there was always a stimulus on the screen and (ii) 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. 3) separately with the neural IRF for the sustained channel (Fig. 3, blue channel IRF) and the transient channel (Fig. 3, 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. 3) 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 IRF that generates a response for the entire duration of a stimulus. The transient neural channel is characterized by a biphasic IRF 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. 3) 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 IRF and 1.44 for IRFრა The transience parameter ζ is equal to zero for IRF and one for IRF.

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. 3). 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. 3). To model the corresponding fMRI responses from each channel, each of the two neural response predictors is convolved with an HRF (Fig. 3) 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 (β) and transient (β) 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 და for V1, Fig. 5 for hV4 and hMT+, and Fig. S3 for all ROIs. The predicted fMRI responses generated by the model are shown in Fig. 4 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 (β ან β) 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 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 2 statistic, cross-validated 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. 4 for V1, Fig. 5 for hV4 and hMT+, and Fig. S3 for all ROIs. The predicted fMRI responses generated by the model are shown in Fig. 4 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 და ) 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.


Უყურე ვიდეოს: ტვინი და ადამიანის ქცევა- ფიზიოლოგი მალხაზ მაყაშვილი (დეკემბერი 2021).