Magnetenzephalographie-Aufzeichnungen enthüllen die räumlich-zeitliche Dynamik des Erkennungsgedächtnisses für komplexe und einfache Hörsequenzen, Teil 2

Bei atonalen Sequenzen wurden signifikante Aktivitätscluster vor allem in den auditorischen und medialen Temporallappenregionen in der rechten Hemisphäre für gespeicherte Sequenzen gefunden, und die neuronale Aktivität war für gespeicherte Sequenzen stärker als für neue Sequenzen über alle fünf Töne hinweg (k1=132, k{{ 1}}, k3=130, k4=140, k5=64), wie in Supplementary Data 3 berichtet.

Unter Gedächtnissequenz versteht man eine geordnete Gedächtnisstruktur, die durch kontinuierliche Wiederholung, Stärkung und Festigung entsteht. Es kann uns helfen, uns Informationen besser zu merken und zu verstehen, und hat großen Einfluss auf unser Gedächtnis.

Erstens kann das Auswendiglernen von Sequenzen die Effizienz unseres Wiederholungsgedächtnisses verbessern. Wenn wir lernen, ist Wiederholung unerlässlich, und eine gute Gedächtnissequenz ermöglicht es uns, das Lernen in einer bestimmten Reihenfolge und Methode zu wiederholen, wodurch Gedächtnisverwirrung und Auslassungen reduziert und die Effizienz der Wiederholung verbessert werden.

Zweitens fördert das Auswendiglernen von Sequenzen unsere Fähigkeit, Informationen zu verbinden und zusammenzufassen. Das menschliche Gehirn ist im Wesentlichen ein riesiges „Netzwerk“, das verschiedene Neuronen verbindet. Wenn Sie jedoch verschiedene Informationen sofort verbinden möchten, müssen Sie Gedächtnissequenzen verwenden, um eine geordnete und komplexe Textstruktur zu bilden. Helfen Sie uns, Informationen besser zu identifizieren, zu verstehen und zusammenzufassen.

Schließlich sind Erinnerungssequenzen für unsere Kontinuität des Denkens und unserer Kreativität von Vorteil. Die Qualität des Gedächtnisses bestimmt direkt das logische Denken, die Vorstellungskraft und die Kreativität einer Person. Gedächtnissequenzen ermöglichen es uns, unsere vorhandenen Wissensstrukturen kontinuierlich zu vertiefen, unser logisches Denken und unsere Argumentationsfähigkeiten zu stärken und so unsere Kreativität zu verbessern.

Kurz gesagt: Gute Gedächtnissequenzen können unser Gedächtnis verbessern, uns helfen, Informationen besser zu verstehen und anzuwenden und die Kontinuität unseres Denkens und unserer Kreativität fördern. Daher sollten wir unsere Gedächtnissequenzen aktiv und kontinuierlich verbessern, um unsere Lerneffizienz und Denkfähigkeit zu verbessern. Es ist ersichtlich, dass wir unser Gedächtnis verbessern müssen. Cistanche deserticola kann die Immunität erheblich verbessern, da Cistanche deserticola auch das Gleichgewicht von Neurotransmittern regulieren kann, beispielsweise durch die Erhöhung des Acetylcholinspiegels und der Wachstumsfaktoren. Diese Stoffe sind sehr wichtig für das Gedächtnis und das Lernen. Darüber hinaus kann Fleisch aus Fleisch auch die Blutflüssigkeit verbessern und den Sauerstofftransport fördern, wodurch sichergestellt werden kann, dass das Gehirn ausreichend Nährstoffe und Energie erhält, wodurch die Vitalität und Ausdauer des Gehirns verbessert werden.

Klicken Sie auf „Ergänzungen kennen, um das Gedächtnis zu stärken“.

Insbesondere war die Gehirnaktivität im rechten Rolando-Operculum, im rechten Gyrus temporalis superior, im rechten Gyrus Heschl, im rechten Gyrus supramarginalis und in der rechten Insula für den ersten Ton am stärksten; der rechte Heschl-Gyrus, der rechte Gyrus temporalis superior, das rechte Operculum Rolandicus, der rechte Gyrus middletemporalis und die rechte Insula für den zweiten Ton; das rechte Putamen, die rechte Insula, das rechte Rolandic-Operculum, der rechte Heschl'sgyrus und der rechte Thalamus für den dritten Ton; der Parahippocampalgyrus, der rechte Gyrus fusiformis, der rechte Hippocampus und das Putamen für den vierten Ton; und der vordere cinguläre Kortex, der mittlere Frontalgyrus und der Nucleus caudatus für den letzten Ton. Im langsamen Band wurden für neuartige atonale Sequenzen keine signifikanten Aktivitätscluster gefunden. Abbildung 3b zeigt den Kontrast zwischen auswendig gelernten und neuartigen atonalen Sequenzen im langsamen Band.

Um schließlich die Unterschiede bei der Erkennung tonaler und atonaler Sequenzen zu untersuchen, wurde die Gehirnaktivität während der Erkennung gespeicherter tonaler und gespeicherter atonaler Sequenzen gegenübergestellt. Signifikante Aktivitätscluster wurden für beide Arten von Musiksequenzen über alle Töne hinweg gefunden (siehe Ergänzende Daten 3). Bei Tonsequenzen war die Anzahl signifikanter Voxel für den dritten (k=70) und fünften Ton (k {{2}) höher. }), wohingegen bei atonalen Sequenzen die Anzahl der signifikanten Gehirnvoxel für den ersten (k=98), zweiten (k=80) und vierten Ton (k=103) höher war.

Insgesamt war die Gehirnaktivität in den linken cingulären und medialen Temporallappenregionen für Tonsequenzen und in den rechten auditiven Verarbeitungsbereichen für atonale Sequenzen stärker. Insbesondere im Fall von gespeicherten Tonsequenzen war die neuronale Aktivität im zusätzlichen motorischen Bereich, im linken mittleren Gyrus cinguli und im Gyrus frontalis superior für den dritten Ton sowie im linken Hippocampus, im linken Gyrus temporalis superior, im linken Thalamus, in der linken Insel, im linken Putamen usw. lokalisiert Linker Gyrus parahippocampus für den fünften Ton.

Bei gespeicherten atonalen Sequenzen war die neuronale Aktivität beim ersten Ton im linken Gyrus lingualis, im linken Precuneus, in der linken Calcarinfissur, im mittleren Gyrus temporalis und in der rechten Insula lokalisiert; im Gyrus frontalis inferior, im rechten Gyrus präcentralis, im rechten Rolandicoperculum und im rechten oberen Schläfenbein Gyrus für den zweiten Ton; das rechte Rolandic-Operculum, der rechte mittlere Frontalgyrus, der rechte postzentrale Gyrus, das rechte Putamen und die rechte Insula für den vierten Ton; und der rechte mittlere Frontalgyrus, der rechte Angulargyrus und der rechte Thalamus für den letzten Ton. Der Kontrast zwischen gespeicherten tonalen und atonalen Sequenzen im langsamen Band ist in Abb. 3c dargestellt

Schnelleres Frequenzband (2–8 Hz). Das gleiche Verfahren wurde durchgeführt, um die Gehirnaktivität zu bewerten, die der Erkennung von Musiksequenzen im schnelleren Frequenzband (2–8 Hz) zugrunde liegt. Sobald das GLM berechnet war, wurden Cluster-basierte MCS (= 0.001, 1000 Permutationen) für fünf Zeitintervalle berechnet, die jedem der fünf Töne entsprachen, die die Sequenz bildeten. Auch dies wurde für den Kontrast zwischen gespeichertem und neuem Wert geschätzt sowohl für tonale als auch atonale Sequenzen und für gespeicherte tonale gegenüber gespeicherten atonalen Sequenzen.

Was den Kontrast für Tonsequenzen betrifft, so wurden signifikante Aktivitätscluster (p < 0.001) in mehreren Gehirnvoxeln sowohl für gespeicherte als auch für neue Sequenzen lokalisiert, wie in Supplementary Data 3 berichtet. Bei gespeicherten Tonsequenzen war die neuronale Aktivität insgesamt stärker für den ersten Ton (k=74), während es für neuartige Tonfolgen für den zweiten (k=36), dritten (k=200) und vierten (k=196 stärker war. ) und fünfte Töne (k=70). Die Gehirnaktivität war im rechten Rolando-Operculum, auf der rechten Insel, im rechten Heschl-Gyrus und im rechten oberen Schläfengyrus für den ersten Ton für gespeicherte Tonsequenzen lokalisiert. Für neuartige Tonsequenzen waren die wichtigsten aktiven Bereiche der linke obere Temporalgyrus, die Insula, der Heschl-Gyrus und der linke Hippocampus für den zweiten Ton; Heschl-Gyrus, Gyrus temporalis superior, Insula und Putamen (k=11) ​​für den dritten Ton; rechter Heschl-Gyrus, rechte Insel, rechtes Rolandic-Operculum und rechter oberer Temporalgyrus für den vierten Ton; und das rechte Rolandic-Operculum, der rechte Heschl-Gyrus, der rechte Hippocampus und der rechte Thalamus für den fünften Ton. Abbildung 4a zeigt den Kontrast zwischen gespeicherten und neuen Tonsequenzen.

Für den Kontrast zwischen auswendig gelernten und neuen atonalen Sequenzen waren die meisten signifikanten Aktivitätscluster beim ersten (k=166) und zweiten Ton (k=104) der auswendig gelernten Sequenzen und beim dritten (k {{ 2}}), vierter (k=118) und fünfter Ton (k=156) für neuartige Sequenzen, wie in Supplementary Data 3 berichtet. Bei gespeicherten atonalen Sequenzen war die neuronale Aktivität am Fersenbein, lingual, am stärksten Gyrus und rechter Rolandic-Operculum für den ersten Ton und der Gyrus cinguli, rechter zusätzlicher motorischer Bereich und oberer Frontalgyrus für den zweiten Ton. Bei neuartigen atonalen Sequenzen war die neuronale Aktivität an der Insula, am Putamen, am Gyrus temporalis superior und am Heschl-Gyrus für den dritten Ton am stärksten; die rechte Insula, das rechte Putamen, der rechte Gyrus Heschl, das rechte Operculum Rolandicus und der rechte Gyrus temporalis superior für den vierten Ton; und die rechte Insula, das rechte Rolandic-Operculum, der rechte Gyrus Heschl, das rechte Putamen und der rechte obere Temporalgyrus für den fünften Ton. Der Kontrast zwischen gespeicherten und neuen atonalen Sequenzen für das schnellere Band ist in Abb. 4b dargestellt.

Schließlich werden die signifikanten Aktivitätscluster im tonalen versus atonalen Kontrast für das schnellere Band in SupplementaryData 3 berichtet. Bei gespeicherten Tonsequenzen war die Anzahl der signifikanten Brian-Voxel für das erste (k=20) und das zweite höher (k=44), vierter (k=45) und fünfter Ton (k=71). Die neurale Aktivität befand sich beim ersten Ton im rechten unteren Frontalgyrus und im rechten mittleren Frontalgyrus; der rechte mittlere Temporalgyrus, der rechte Gyrus parietalis inferior, der rechte Gyrus eckig, der Gyrus middleoccipitalis und der linke Gyrus occipitalis superior beim zweiten Ton; der Frontalgyrus für den vierten Ton; und der rechte mittlere Gyrus occipitalis, der rechte Gyrus frontalis und der rechte mittlere Gyrus temporale für den fünften Ton. Bei gespeicherten atonalen Sequenzen war die Anzahl der signifikanten Voxel beim dritten Ton (k=38) höher und die neuronale Aktivität war hauptsächlich im linken Gyrus inferiorfrontalis, im linken mittleren Frontalgyrus, im linken Gyrus supramarginalis und im rechten ergänzenden motorischen Bereich lokalisiert . Abbildung 4c zeigt den Kontrast zwischen tonalen und atonalen Sequenzen für das schnelle Band.

Zusätzliche Analysen wurden berechnet, um den Unterschied in der neuronalen Aktivität zwischen den langsamen und schnelleren Frequenzbändern zu berechnen. Die Ergebnisse sind in der ergänzenden Abbildung 5 und den ergänzenden Daten 4 aufgeführt.

Insgesamt fanden wir signifikante Unterschiede zwischen tonalen und atonalen Sequenzen, insbesondere für das langsame Frequenzband. Die Erkennung gespeicherter tonaler Sequenzen löste in den letzten drei Tönen der Sequenzen eine stärkere neuronale Aktivität im linken medialen Temporallappen und in den cingulären Regionen aus, wohingegen die Erkennung gespeicherter atonaler Sequenzen unterstützt wurde durch Aktivierung in den rechten Hörregionen ab dem zweiten Ton.

Delta- (1–4 Hz) und Theta-Frequenzbänder (5–8 Hz). Um schließlich ein vollständiges Bild der Gehirnaktivität zu erhalten, die der Gedächtniserkennung von Hörsequenzen zugrunde liegt, und um unsere Ergebnisse mit früherer Literatur vergleichbar zu machen, wurden zusätzliche Analysen in zwei Standardfrequenzbändern durchgeführt: Delta (1–4 Hz) und Theta (5–8 Hz). Das gleiche Verfahren wurde durchgeführt, um die Gehirnaktivität zu bewerten, die der Erkennung von Musiksequenzen in jedem Frequenzband unabhängig voneinander zugrunde liegt. Nach der Berechnung des GLM wurden Cluster-basierte MCS (= 0.001, 1000 Permutationen) für fünf Zeitintervalle berechnet, die jedem der fünf Töne entsprechen, die eine Sequenz bildeten. Auch dies wurde für den Kontrast zwischen gespeichertem und neuem Ton sowohl für tonale als auch atonale Sequenzen geschätzt. Die signifikanten Aktivitätscluster für die Frequenzbänder 1–4 Hz und 5–8 Hz sind in den Zusatzdaten 5 aufgeführt.

Für das Deltaband wurden für jeden Ton der Tonsequenzen signifikante Aktivitätscluster (p < 0.001) über mehrere Gehirnvoxel (k) lokalisiert. Bei gespeicherten Tonsequenzen war die neuronale Aktivität beim ersten (k=39), dritten (k=72) und vierten Ton (k=92) insgesamt stärker. Die größten Unterschiede waren im linken Putamen, im linken Gyrus lingualis, im linken unteren Frontaloperculum und im rechten Gyrus Heschl lokalisiert. Bei neuartigen Tonsequenzen war die Gehirnaktivität beim zweiten Ton (k=129) stärker. Insbesondere war der Unterschied zwischen neuen und auswendig gelernten Sequenzen im linken Gyrus temporalis superior, in der rechten Insel und im rechten Putamen am stärksten. Bei gespeicherten atonalen Sequenzen war die neuronale Aktivität beim ersten (k=149), zweiten (k=167) und dritten (k=50) ​​Ton stärker. Diese Aktivität war im rechten Precuneus und in der rechten Calcarinfissur am stärksten. Bei neuartigen atonalen Sequenzen lösten der vierte (k=55) und der fünfte (k=41) Ton mehr Aktivität aus, insbesondere im rechten Heschl-Gyrus und im rechten Rolandic-Operculum. Der Kontrast für das 1–4-Hz-Band ist in der ergänzenden Abbildung 6 dargestellt.

Im Fall des Theta-Bandes fanden wir eine signifikante Aktivität beim ersten (k=47) Ton gespeicherter Tonsequenzen, nämlich im linken unteren Frontalgyrus und im rechten Heschl-Gyrus. Die neuronale Aktivität war für neuartige Tonsequenzen am zweiten (k=13), dritten (k=89), vierten (k=19) und fünften (k=161) stärker. Töne. Die größten Unterschiede waren im rechten unteren Frontalgyrus, im linken Schwanzbein und in der rechten Insula lokalisiert. Bei gespeicherten atonalen Sequenzen war die neuronale Aktivität beim ersten (k=129), zweiten (k=167), dritten (k=50) und vierten (k=93) ​​stärker. Töne. Diese Aktivität war an der linken Calcarinspalte und am rechten Precuneus am stärksten. Bei neuartigen atonalen Sequenzen war die neuronale Aktivität beim fünften Ton (k=33) stärker, insbesondere in der rechten Insula und im rechten Putamen. Der Kontrast für das 1–4-Hz-Band ist in der ergänzenden Abbildung 7 dargestellt.

Korrelation mit Bekanntheitsbewertungen. Daten aus den Vertrautheitsbewertungen bezüglich des Tonstücks wurden mit der Quellenanalyse zur Erkennung gespeicherter Tonsequenzen korreliert, um zu untersuchen, ob die Vertrautheit mit dem Stück die neuronale Aktivität während der Erkennung vorhersagen konnte.

Geringfügiger (t-Wert<0.4) but significant positive correlations were found between familiarity ratings and activation in the left middle temporal gyrus and left middle occipital gyrus for the last three tones of the memorized tonal sequences. Detailed statistics and a graphical depiction of the results are reported in supplementary materials (Supplementary Data 6 and Supplementary Fig. 8).

Diskussion

Ziel dieser Studie war es, die Gehirnaktivierung zu untersuchen, die der Erkennung auditiver Musiksequenzen zugrunde liegt, die durch unterschiedliche Komplexitätsebenen (tonal und atonal) gekennzeichnet sind. Verhaltensdaten zeigten deutliche Unterschiede zwischen der Erkennung tonaler und atonaler Sequenzen und es wurden signifikante Aktivierungscluster auf der MEG-Sensorebene beobachtet. Quellenrekonstruktionsanalysen zeigten unterschiedliche Aktivierungscluster für tonale und atonale Sequenzen, insbesondere im langsamen Frequenzband. Insgesamt war die neuronale Aktivität in den Gedächtnisverarbeitungsbereichen für gespeicherte Tonsequenzen und in den Hörverarbeitungsbereichen für gespeicherte atonale Sequenzen stärker.

Bevor wir uns auf die Unterschiede in der Gehirnaktivität im Zusammenhang mit unterschiedlichen Graden der Erkennungskomplexität konzentrierten, überprüften wir, ob die aktuellen Ergebnisse mit früheren Studien übereinstimmen. Tatsächlich bestätigten die während der Erkennung von Tonsequenzen aktivierten Gehirnbereiche die Beteiligung eines weitverbreiteten Gehirnnetzwerks, das sowohl Hör- als auch Gedächtnisverarbeitungsregionen umfasst17–19,21,33,34. Insbesondere beobachteten wir eine erhöhte Aktivierung in Hörregionen, wie dem Gyrus temporalis superior35 und dem Gyrus Heschl36, sowie im Gyrus cinguli37 und den Strukturen des medialen Temporallappens (Hippocampus, parahippocampaler Kortex), die mit der Gedächtniserkennung verbunden sind10,38,39. Darüber hinaus war die neuronale Aktivität in früheren Untersuchungen auf zwei Frequenzbänder verteilt19,20. Das langsame Band (0,1–1 Hz) war mit der Erkennung der gesamten Hörsequenzen verbunden (globale Verarbeitung), was sich in der stärkeren Aktivierung in diesem Band für die Erkennung der gespeicherten Sequenzen widerspiegelte. Umgekehrt war das schnellere Band (2–8 Hz) mit der Verarbeitung der einzelnen Töne (lokale Verarbeitung) verbunden, was durch die stärkere neuronale Aktivität in Hörregionen während der Verarbeitung neuartiger Sequenzen nahegelegt wird.

Bezüglich der Erkennung tonaler und atonaler Sequenzen beobachteten wir unterschiedliche Nervenbahnen bei der Verarbeitung und Erkennung der beiden Arten von Hörreizen. Während die Erkennung tonaler Sequenzen hauptsächlich ein ausgedehntes Gehirnnetzwerk rekrutierte, das den Gyrus cinguli und den Hippocampus in der rechten Hemisphäre einbezog, war die Erkennung atonaler Sequenzen hauptsächlich mit anhaltender, langsamer Aktivität im linken auditorischen Kortex verbunden. Diese Ergebnisse können im Lichte verschiedener theoretischer Rahmenbedingungen interpretiert werden, nämlich der prädiktiven Kodierung von Musik40,41, der Harmonik42, des globalen neuronalen Arbeitsbereichs43,44 und der temporospatialen Theorie des Bewusstseins45,46.

Gemäß der prädiktiven Kodierung der Musiktheorie wird das Vorhersagemodell des Gehirns beim Hören von Musik kontinuierlich aktualisiert, um präzisionsgewichtete Vorhersagefehler zu verringern40,47,48. Insbesondere werden durch Hörreize hervorgerufene Bottom-Up-Empfindungen in primären Kortizes verarbeitet und mit Top-Down-Vorhersagen in Kortizes höherer Ordnung verglichen, um musikalische Erwartungen zu erzeugen und hierarchische Vorhersagefehler zu minimieren48–50. Vorhersagemechanismen beruhen auf Lang- und Kurzzeitgedächtnisfunktionen, Vertrautheit und Hörstrategien, um musikalische Erwartungen zu wecken48. Diese Theorie bietet einen Rahmen für die Untersuchung der Musikwahrnehmung51–54, des Trainings55,56, der Aktion57,58, der Synchronisation59–61 und der Emotionen62–64.

Frühere Untersuchungen haben gezeigt, dass der Vorhersagewert atonaler Musik schwächer ist als der tonaler Musik, was ihre Komplexität und Vorhersagefehler erhöht23–27,30. Darüber hinaus beeinträchtigt diese Veränderung der Vorhersehbarkeit von Reizen die Verarbeitung23–26 und den Genuss27–29 atonaler Musik. Dies wurde bei der Untersuchung der Verhaltensergebnisse der aktuellen Studie deutlich, da gespeicherte atonale Sequenzen langsamer und weniger genau erkannt wurden. Darüber hinaus deutet die Verteilung der neuronalen Aktivität in zwei Frequenzbändern auf eine Kombination von Top-Down-Vorhersagen im langsamen Band hin, die mit der Erkennung gespeicherter Sequenzen zusammenhängt, und Bottom-Up-Vorhersagen im schnelleren Band, da der Vorhersagefehler bei neuartigen Sequenzen zunimmt. Es ist wichtig zu beachten, dass die Ergebnisse zwar im Rahmen der prädiktiven Kodierung interpretiert werden können, die aktuelle Studie jedoch nicht darauf abzielte, die prädiktive Kodierung der Musiktheorie zu testen (z. B. durch Messung des Vorhersagefehlers, der bei der Erkennung der Musiksequenzen entsteht). Daher könnten zukünftige Studien diese Ergebnisse innerhalb der prädiktiven Kodierung des Musikrahmens replizieren und erweitern.

Eine alternative Erklärung für diese Ergebnisse konzentriert sich auf die Harmonie der Hörreize. Tonale Musik ist eng mit der harmonischen Reihe verbunden, einer natürlichen Folge von Klangfrequenzen, die ganzzahlige Vielfache eines Grundtons sind. Umgebungsgeräusche sind typischerweise nichtharmonisch, wohingegen sowohl menschliche als auch tierische Lautäußerungen harmonische Strukturen enthalten42. Die tonotopische Organisation des menschlichen auditorischen Kortex reagiert besonders empfindlich auf harmonische Töne, was darauf hindeutet, dass sich diese Region aufgrund ihrer Relevanz für die soziale Kommunikation für die Verarbeitung von Harmonischen entwickelt hat65,66.

Diese Ergebnisse deuten darauf hin, dass bestimmte Nervenbahnen aktiviert werden, wenn Hörreize erkannt werden, die nicht mit der natürlichen harmonischen Reihe kohärent sind und daher möglicherweise komplexer zu verarbeiten sind. Tatsächlich fanden wir heraus, dass die Gehirnaktivität bei gespeicherten Tonsequenzen hauptsächlich im kortiko-hippocampalen Netzwerk in der rechten Hemisphäre lokalisiert war und bei gespeicherten atonalen Sequenzen das auditorische Netzwerk in der linken Hemisphäre. Wie oben erwähnt, ist atonale Musik schwieriger zu verarbeiten23–27 und wird weniger geschätzt27–29 als tonale Musik. Um atonale Sequenzen zu erkennen, benötigen Hörregionen möglicherweise eine zusätzliche Verarbeitung der Klänge, um die relevanten Informationen zu extrahieren, die in den ersten Tönen der Sequenzen enthalten sind. Dann könnten diese Informationen zur Erkennung der Sequenzen an höherrangige Bereiche gesendet werden. Ein möglicher Ansatz zur weiteren Prüfung der Harmoniehypothese zur Sequenzerkennung wäre die Erstellung einer Sammlung von Stücken, die hinsichtlich ihrer Ähnlichkeit mit der natürlichen harmonischen Reihe systematisch variiert werden. Zukünftige Studien sind aufgerufen, solche Perspektiven zu untersuchen.

Die aktuellen Ergebnisse stimmen auch mit der Hypothese des globalen neuronalen Arbeitsbereichs überein43,44,67,68. Nach dieser Theorie werden Reize bewusst, wenn sie als Reaktion auf die Aktivierung sensorischer Kortizes, die an der Wahrnehmungsrepräsentation beteiligt sind, späte, höherwertige Regionen entzünden. Umgekehrt erreichen unbewusste Informationen keine hochverarbeitenden Gehirnbereiche und die neuronale Aktivität ist auf sensorische Kortizes beschränkt44,67,69. Wichtig ist, dass wir herausfanden, dass Tonsequenzen eine späte und robuste Aktivierung von Gedächtnisverarbeitungsregionen hervorriefen. Obwohl unklar ist, warum atonale Sequenzen vom Gehirn unterschiedlich verarbeitet wurden, können wir bestätigen, dass die Komplexität der Reize den Übergang von primären sensorischen Bereichen zum globalen neuronalen Arbeitsbereich moduliert und zusätzliche Informationen zu diesem umfassenden theoretischen Rahmen liefert.

Schließlich stehen unsere Ergebnisse im Einklang mit der temporospatialen Theorie des Bewusstseins, die sich auf vier räumlich-zeitliche Mechanismen der Gehirnaktivität (Expansion, Globalisierung, Ausrichtung und Verschachtelung) konzentriert, um vier entsprechende Bewusstseinsdimensionen (phänomenaler Inhalt, Zugang, Form/Struktur und Ebene/ Staat)45,46. In der aktuellen und früheren Studie19,20,70 haben wir herausgefunden, dass Aktivität im langsamen Frequenzband (0,1–1 Hz) mit der Gedächtniserkennung auditiver (musikalischer) zeitlicher Sequenzen zusammenhängt. Diese Ergebnisse stützen die Theorievorstellung eines zeitlichen Empfangsfensters, das die Integration von Reizsequenzen in eine kognitive Einheit in langsamen Frequenzbändern ermöglicht45. Sowohl in tonalen als auch atonalen gespeicherten Sequenzen fanden wir eine stärkere Aktivierung in Gedächtnisverarbeitungsregionen im langsamen Frequenzband.

Obwohl das Ziel dieser Studie die Gedächtniserkennung von Hörsequenzen war, die aus Musikstücken unterschiedlicher Komplexität extrahiert wurden, wäre es interessant, die Unterschiede in der Gehirnaktivität zwischen der Kodierung und Erkennung einfacher und komplexer Hörsequenzen zu untersuchen. In der aktuellen Studie umfasste die Erkennungsaufgabe 160 Hörsequenzen mit fünf Tönen, während die gesamten Musikstücke in der Kodierungsaufgabe nur viermal gespielt wurden, was einen direkten Vergleich zwischen den beiden verhindert. Um die Kodierungs- und Erkennungsphasen miteinander zu verbinden, haben wir Korrelationsanalysen zwischen den von den Teilnehmern bereitgestellten Vertrautheitsbewertungen und der Gehirnaktivität durchgeführt, die der Erkennung von tonalen gespeicherten Sequenzen zugrunde liegt. Eine größere Vertrautheit mit dem Tonstück korrelierte mit einer erhöhten Aktivierung im mittleren Temporalgyrus und im mittleren Gyrus occipitalis in der linken Hemisphäre für die letzten drei Töne der gespeicherten Tonsequenzen. Dieses Ergebnis unterstützt frühere Studien, die diese beiden Regionen mit dem Erkennungsgedächtnis verbinden71 und legt nahe, dass eine tiefe Kodierung von Musik eine Rolle im Erkennungsprozess spielt. Zukünftige Studien sollten die aktuellen Ergebnisse wiederholen und erweitern, indem sie die neuronalen Korrelate untersuchen, die nicht nur der Gedächtniserkennung, sondern auch der Gedächtniskodierung von Hörsequenzen unterschiedlicher Komplexität zugrunde liegen.

Die aktuelle Studie liefert wertvolle Einblicke in die Gehirnmechanismen, die der Erkennung von Hörsequenzen zugrunde liegen. Die Ergebnisse stimmen mit denen früherer Studien überein und belegen die Beteiligung eines großen Gehirnnetzwerks, das sowohl Gedächtnisverarbeitung als auch Hörregionen umfasst, wenn Musik erkannt wird. Die Ergebnisse unterstreichen außerdem die Bedeutung der Reizkomplexität für die Verarbeitung zeitlicher Sequenzen und weisen darauf hin, dass das Gehirn unterschiedliche Strategien zur Berücksichtigung einsetzt diese Komplexität.

Methoden

MethodenTeilnehmer. Die Teilnehmerstichprobe bestand aus 71 Freiwilligen (38 Männer und 33 Frauen) im Alter von 18 bis 42 Jahren (Durchschnittsalter: 25 ± 4,10 Jahre). Alle Teilnehmer waren gesund und berichteten über ein normales Gehör. Die Teilnehmer wurden in Dänemark rekrutiert und kamen aus westlichen Ländern mit entsprechendem sozioökonomischem und pädagogischem Hintergrund.

Das Projekt wurde von der Ethikkommission der Region Mitteldänemark (De Videnskabsetiske Komitéer für die Region Midtjylland, Ref. 1-10-72-411-17) genehmigt. Die experimentellen Verfahren wurden in Übereinstimmung mit der Erklärung von Helsinki – Ethische Grundsätze für die medizinische Forschung durchgeführt. Alle Teilnehmer gaben vor Beginn des Versuchsverfahrens ihre Einverständniserklärung ab.

Experimentelle Anregungen und Design. Im Experiment wurden zwei Musikkompositionen verwendet: der rechte Teil von Johann Sebastian Bachs Präludium Nr. 1 in C-Dur, BWV 846 (im Folgenden als Tonstück bezeichnet) und eine atonale Version des Präludiums (im Folgenden als Atonalstück bezeichnet). ). MIDI-Versionen wurden mit Finale (MakeMusic, Boulder, CO) erstellt und beide Stücke dauerten jeweils 2,5 Minuten, wobei alle Töne die gleiche Dauer hatten. Basierend auf dem Tonstück komponierte LB das atonale Stück. Insbesondere wurden jedem der Töne, aus denen Bachs ursprüngliches Präludium bestand, neue Töne zugeordnet. Diese neuen Töne waren ein oder zwei Halbtöne höher oder tiefer als die ursprünglichen Töne, und die gleiche Tonumwandlung wurde im gesamten Tonstück angewendet, um das atonale Stück zu erhalten (z. B. wurde jeder C-Ton im tonalen Stück in ein Cis im atonalen Stück umgewandelt). ). Somit waren beide Kompositionen identisch hinsichtlich der Reihenfolge der Töne (d. h. wenn C als 1., 7. und 8. Ton im tonalen Stück positioniert war, nahm Cis im atonalen Stück die gleichen Positionen ein), ihrem rhythmischen Muster und ihrer Dynamik , und Dauer. Der entscheidende Unterschied zwischen den beiden Stücken bestand also darin, dass das tonale Stück in der Tonart C-Dur stand, während das atonale Stück keine Tonart hatte. Die ersten beiden Balken jedes Stücks sind in Abb. 1a dargestellt und zeigen Ähnlichkeiten und Korrespondenzen zwischen den beiden Stücken.

Aus jedem der Stücke wurden vierzig Musikausschnitte (kurze Melodien oder Sequenzen) extrahiert. Alle Auszüge bestanden aus den ersten fünf Noten jedes Takts und dauerten 1250 ms (250 ms pro Note). Darüber hinaus wurden für jedes Stück 40 neue Auszüge auf Basis der Originalauszüge erstellt. Diese neuen Sequenzen wurden unter mehreren Variablen mit den Originalsequenzen abgeglichen, um mögliche Verwechslungen zu vermeiden. Insbesondere wurden sie hinsichtlich Rhythmus, Lautstärke, Klangfarbe, Tempo, Metrum und Tonalität aufeinander abgestimmt.

Um die Komplexitätsunterschiede zwischen tonalen und atonalen Sequenzen zu quantifizieren, haben wir Werte für Informationsgehalt (IC) und Entropie (H) für jeden Ton der Musiksequenzen mithilfe des Information Dynamics of Music (IDyOM)-Modells 56,72 berechnet. IC und H liefern eine Schätzung der Vorhersagbarkeit jedes Tons und der Unsicherheit, mit der er vorhergesagt werden kann73. Der IC stellt die minimale Anzahl von Bits dar, die zum Kodieren von ei erforderlich sind, und wird durch die Gleichung beschrieben. (1):

Gleichung (2) zeigt, dass, wenn die Wahrscheinlichkeit eines gegebenen Ereignisses ei 1 ist, die Wahrscheinlichkeit der anderen Ereignisse in A 0 beträgt und daher H gleich 0 ist (maximale Sicherheit). Wenn umgekehrt alle Ereignisse gleich wahrscheinlich sind, ist H maximal (maximale Unsicherheit). Höhere IC- und H-Werte weisen auf eine geringere Vorhersagbarkeit eines bevorstehenden Tons und daher auf ein höheres Maß an Komplexität hin.

Der IC und H jeder Note der tonalen und atonalen Sequenzen wurden mithilfe eines Modells berechnet, das auf einem Korpus prototypischer westlicher Musikstücke trainiert wurde, das von IDyOM56 verwendet wurde. Nachdem wir die IC- und H-Werte für die einzelnen Töne erhalten hatten, führten wir t-Tests mit gepaarten Stichproben durch, um den Unterschied in IC und H zwischen tonalen und atonalen Sequenzen zu berechnen. Es gab einen statistisch signifikanten Unterschied zwischen IC (t73=−8,389, p < 0.001) und H (t73=−3,374, p=0 .001) Werte zwischen tonalen und atonalen Sequenzen, was bedeutet, dass atonale Sequenzen (mittlerer IC: 6,69 ± .86; mittlerer H: 4,74 ± .17) komplexer sind als tonale Sequenzen (mittlerer IC: 5,66 ± 0,83; mittlerer H: 4,65 ± .11).

Die Reize wurden in einem alten/neuen Hörerkennungsparadigma eingesetzt, das den Teilnehmern verabreicht wurde, während ihre Gehirnaktivität mit MEG aufgezeichnet wurde (Abb. 1b). Das Paradigma bestand aus zwei Teilen, Kodierung und Erkennung, und wurde zweimal durchgeführt, einmal für das tonale Stück und einmal für das atonale Stück. Die Reihenfolge tonal/atonal wurde zwischen den Teilnehmern ausgeglichen. Während des Kodierungsteils hörten sich die Teilnehmer aktiv vier Wiederholungen des gesamten Musikstücks (tonal oder atonal) an und versuchten, es so gut wie möglich auswendig zu lernen. Anschließend wurden ihnen die 80 Musikauszüge (40 auswendig gelernte und 40 Romanauszüge, zufällig geordnet) vorgelegt und angegeben, ob die Auszüge zu dem zuvor gehörten (auswendig gelernten) Stück gehörten oder ob es sich um neue Auszüge (Roman) handelte. Reaktionsgenauigkeit und Reaktionszeit wurden mit einem Joystick erfasst.

Verhaltensdatenanalyse. Die Verhaltensdaten wurden statistisch analysiert, um die Unterschiede zwischen den vier experimentellen Bedingungen (gespeicherte Tonsequenzen, neue Tonsequenzen, gespeicherte atonale Sequenzen und neue atonale Sequenzen) hinsichtlich Reaktionsgenauigkeit und Reaktionszeiten zu untersuchen. Es wurden zwei ANOVAs berechnet (= 0.05). Post-hoc-Analysen mit Bonferroni-Korrektur (angepasst=0,0125) wurden verwendet, um jedes Paar experimenteller Bedingungen zu vergleichen.

Neuronale Datenerfassung. Die MEG-Aufzeichnungen wurden in einem magnetisch abgeschirmten Raum im Universitätsklinikum Aarhus (Dänemark) mit einem Elekta NeuromagTRIUX MEG-Scanner mit 306 Kanälen (Elekta Neuromag, Helsinki, Finnland) aufgenommen. Die Daten wurden mit einer Abtastrate von 1000 aufgezeichnet Hz mit einer analogen Filterung von 0,1–330 Hz. Vor Beginn der Aufzeichnungen wurden die Kopfform der Teilnehmer und die Position von vier HPI-Spulen (Head Position Indicator) in Bezug auf drei anatomische Orientierungspunkte (Nasion und Referenzpunkte) mithilfe eines 3D-Digitalisierers (Polhemus Fastrak, Colchester, VT, USA) registriert. Diese Informationen wurden später verwendet, um die MEG-Daten mit den anatomischen MRT-Scans zu vergleichen. Während der MEG-Aufzeichnungen registrierten die HPI-Spulen eine kontinuierliche Kopflokalisation, die anschließend für Bewegungskorrekturanalysen verwendet wurde. Zusätzlich wurden zwei Sätze bipolarer Elektroden verwendet, um Augenbewegungen und Herzrhythmus aufzuzeichnen und später Artefakte in der Elektrookulographie (EOG) und Elektrokardiographie (EKG) zu entfernen.

Die MRT-Scans wurden mit einem CE-zugelassenen 3-T-Siemens-MRT-Scanner am Universitätskrankenhaus Aarhus (Dänemark) aufgezeichnet. Die Daten wurden mit einem StructuralT1 mit einer räumlichen Auflösung von 1,0 × 1,0 × 1,0 mm und den folgenden Sequenzparametern aufgezeichnet: Echozeit (TE) {{9} },96 ms, Wiederholungszeit (TR)=5000 ms, rekonstruierte Matrixgröße=256 × 256, Bandbreite=240 Hz/Px.

Die MEG- und MRT-Aufzeichnungen wurden in zwei separaten Sitzungen erfasst.

Vorverarbeitung neuronaler Daten. Die rohen MEG-Sensordaten (204 planare Gradiometer und 102 Magnetometer) wurden zunächst von MaxFilter32 vorverarbeitet, um externe Störungen zu unterdrücken. Die folgenden MaxFilter-Parameter wurden angewendet: Spatiotemporal Signal Space Separation (SSS), Bewegungskompensation mithilfe von cHPIcoils (Standardschrittgröße: 10 ms), Downsampling von 1000 Hz auf 250 Hz, Korrelationsgrenze von 0,98 zwischen inneren und äußeren Unterräumen zur Unterdrückung von Überlappungen sich überschneidende innere/äußere Signale während der raumzeitlichen SSS. Darüber hinaus wurden die Daten hinsichtlich der Kopfbewegung korrigiert und auf 250 Hz heruntergesampelt. Die Daten wurden dann in das Statistical Parametric Mapping (SPM)74-Format konvertiert und in MATLAB (MathWorks, Natick, MA, USA) mit der Oxford Centre for HumanBrain Activity (OHBA) Software Library (OSL) (https://ohba-analysis.github) analysiert .io/osl-docs/), eine frei verfügbare Software, die auf Fieldtrip75, FSL76 und SPMtoolboxes aufbaut.

Das Signal wurde hochpassgefiltert (0,1 Hz Grenzfrequenz), um externe Frequenzen zu entfernen, und anschließend wurde ein Sperrfilter angewendet (48–52 Hz), um Rückschlüsse auf den elektrischen Strom zu korrigieren. Das Signal wurde weiter auf 150 Hz heruntergesampelt und die kontinuierlichen MEG-Daten wurden mithilfe des OSLview-Tools visuell überprüft, um Artefakte zu entfernen. Eine unabhängige Komponentenanalyse (ICA) wurde durchgeführt, um EOG- und EKG-Komponenten zu entfernen. Nach der Rekonstruktion des Signals mit den übrigen Komponenten77 wurden die Daten in 160 Versuche (80 Auszüge aus jedem Musikstück) aufgeteilt. Jeder Versuch dauerte 1350 ms (1250 ms plus 100 ms Basiszeit) und weitere Analysen wurden nur bei korrekt identifizierten Versuchen durchgeführt (siehe Abb. 1c).

MEG-Sensordatenanalyse. Der Hauptschwerpunkt dieser Studie lag auf der Erkennung von Unterschieden in der Gehirnaktivität, die der Erkennung tonaler und atonaler Musiksequenzen zugrunde liegen. Allerdings wurden die Daten zunächst auf der Ebene des MEG-Sensors analysiert, um zu bestätigen, dass das neuronale Signal bei gespeicherten Musiksequenzen stärker war als bei neuen Musiksequenzen. Dieser erste Schritt war unerlässlich, um frühere Ergebnisse zu reproduzieren, die mit einem sehr ähnlichen experimentellen Setting und Paradigma gewonnen wurden, und so die Qualität unserer Daten zu bewerten19,20.

Nach der Vorverarbeitung der neuronalen Daten und gemäß den MEGanalysis-Richtlinien78 wurden alle Versuche, die zu einer Bedingung gehörten, gemittelt. Dieses Verfahren führte zu vier Mittelwertversuchen: einem für auswendig gelernte Versuche und einem für Romanversuche für jedes Musikstück (d. h. für jeden auswendig gelernten Ton). , Roman-Tonal, Memorizedatonal, Roman-Atonal). Als nächstes wurde jedes Paar planarer Gradiometer durch Bildung der Quadratwurzel kombiniert. Anschließend wurden gepaarte Stichproben-t-Tests (= 0.01) berechnet, um die gespeicherten und neuen Bedingungen sowohl für die tonalen als auch für die atonalen Stücke unabhängig voneinander gegenüberzustellen. Dies wurde für jedes kombinierte planare Gradiometer und jeden Zeitpunkt im Zeitbereich 0–2500 ms (ab Beginn des ersten Tons der Musiksequenzen) durchgeführt, um zu bestimmen, welcher Zustand ein stärkeres neuronales Signal erzeugte. Die Analysen wurden für planare Gradiometer berechnet, da diese Sensoren weniger durch externes Rauschen beeinflusst werden und daher bei der Berechnung von Analysen auf der MEG-Sensorebene 78–81 sehr zuverlässig sind. Mehrere Vergleiche wurden mithilfe von Cluster-basierten Monte-Carlo-Simulationen (MCS)82 (= 0.001, 1000 Permutationen) anhand der Ergebnisse der signifikanten t-Tests korrigiert. Insbesondere wurde für jeden Zeitpunkt eine 2D-Matrix erstellt, die die räumliche Lage der MEG-Kanäle wiedergibt, und die Ergebnisse der t-Tests jedes MEG-Kanals wurden gemäß ihren p-Werten binarisiert (0 s für nicht signifikante Tests und 1 s für signifikante Tests [d. h. p < 0,01]). Die Elemente der resultierenden 3D-Matrix wurden dann 1000 Permutationen unterzogen. Für jede Permutation haben wir den maximalen Cluster permutierter Einsen identifiziert und eine Referenzverteilung anhand der maximalen Clustergrößen erstellt, die für jede der 1000 Permutationen erkannt wurden. Schließlich wurden die ursprünglichen Cluster, die größer als 99,9 % der maximalen Clustergrößen der permutierten Daten waren, als signifikant angesehen.

Quellenrekonstruktion. Nachdem wir die Stärke der neuronalen Signale auf der MEG-Sensorebene untersucht hatten, konzentrierten wir uns auf das Hauptziel der Studie, nämlich die Untersuchung der neuronalen Unterschiede, die der Erkennung tonaler und atonaler Musiksequenzen im MEG-rekonstruierten Quellenraum zugrunde liegen. Um diese Analyse durchzuführen, lokalisierten wir die Gehirnquellen des in den MEG-Kanälen aufgezeichneten neuronalen Signals. Dieses Verfahren erforderte den Entwurf eines Vorwärtsmodells, die Berechnung der inversen Lösung (in diesem Fall mithilfe eines Beamforming-Ansatzes) und die Identifizierung der zugrunde liegenden statistisch signifikanten Gehirnquellen das Erkennen tonaler und atonaler Sequenzen und ihrer zeitlichen Kontraste. Abbildung 1d zeigt die grafische Darstellung der Quellenrekonstruktionsanalysen.

Vor der Berechnung des Quellenrekonstruktionsalgorithmus wurden die kontinuierlichen Daten in zwei Frequenzbänder bandpassgefiltert: ein langsames Band (0,1–1 Hz) und ein schnelleres Band (2–8 Hz). Bei den gesammelten und analysierten Daten handelte es sich um ereignisbezogene Felder, nicht um induzierte Reaktionen oder Schwankungen. Diese Bänder wurden auf der Grundlage früherer Erkenntnisse von Bonetti et al.19,20 ausgewählt, die darauf hindeuten, dass ereignisbezogene Felder im schnelleren Band für eine sensorische Bearbeitung jedes Objekts (Tons) in einer bestimmten Reihenfolge verantwortlich waren, während ereignisbezogene Felder im langsamen Band dafür verantwortlich waren zur Erkennung des gesamten zeitlichen Ablaufs. Um die Vergleichbarkeit mit früherer Literatur zu gewährleisten, wurden zusätzliche Analysen in den Frequenzbändern Delta (1–4 Hz) und Theta (5–8 Hz) durchgeführt. Abschließend wurde ein Kontrast zwischen dem langsamen und dem schnelleren Frequenzband berechnet.

Zunächst wurde ein Vorwärtsmodell mit überlappenden Kugeln unter Verwendung eines 8-mm-Gitters berechnet. Dieses theoretische Kopfmodell betrachtet jede Gehirnquelle als aktiven Dipol und beschreibt, wie sich die Einheitsstärke eines solchen Dipols über die MEGsensoren widerspiegelt83. Mithilfe der mit dem 3D-Digitalisierer gesammelten Informationen wurden die MEG-Daten und die einzelnen T1--gewichteten Bilder gemeinsam registriert und anschließend das Vorwärtsmodell berechnet. In vier Fällen, in denen die einzelnen anatomischen Scans nicht verfügbar waren, wurde eine MNI152-T1-Vorlage mit einer räumlichen Auflösung von 8-mm verwendet. Zweitens wurde ein Beamforming-Algorithmus als inverses Modell verwendet. Dies ist einer der am weitesten verbreiteten Algorithmen zur Schätzung der Gehirnquellen aus MEG-Kanaldaten und besteht aus der Verwendung verschiedener Gewichtungen, die nacheinander auf die Quellenorte (Dipole) angewendet werden, um den Beitrag jeder Quelle zu der von den MEG-Kanälen aufgezeichneten Aktivität zu isolieren für jeden Zeitpunkt78,84,85.

Nach der Schätzung der Gehirnquellen des auf den MEG-Kanälen aufgezeichneten Signals wurde ein allgemeines lineares Modell (GLM) nacheinander für jeden Zeitpunkt an jedem Dipolort geschätzt. Auf der ersten Ebene wurde der Haupteffekt von gespeicherten und neuartigen Bedingungen sowie deren Kontrast für jeden Teilnehmer unabhängig berechnet. Auf Gruppenebene wurden T-Tests für jede Dipolposition durchgeführt, um den Haupteffekt von Ton und Aton zu ermitteln und deren Kontrast für alle aggregierten Teilnehmer zu berechnen. Die GLMs wurden unabhängig voneinander sowohl für thetonale als auch atonale Daten und für beide Frequenzbänder geschätzt.

Gehirnaktivität, die der Entwicklung der Musiksequenzen zugrunde liegt. Um die zeitliche Entwicklung der Gehirnaktivität zu bestimmen, die der Erkennung von Musiksequenzen zugrunde liegt, wurden Cluster-basierte MCS für fünf spezifische Zeitfenster geschätzt, die jedem der fünf Töne entsprachen, aus denen die Musiksequenzen bestehen. Dieses Verfahren wurde unabhängig für tonale und atonale Daten und beide Frequenzbänder durchgeführt. Daher wurden für jedes Musikstück (fünf Töne x zwei Frequenzbänder) zehn Cluster-basierte MCS auf der Grundlage der Ergebnisse der Analyse auf Gruppenebene mit einem angepassten Alpha-Level von 0.001 (= 0.01) berechnet /10=0.001). Dieses Verfahren ermöglichte die Erkennung der räumlichen Cluster bedeutender Hirnquellen, die der Erkennung der tonalen und atonalen Musiksequenzen zugrunde liegen. Für jedes der MCSs wurden die Daten im interessierenden Zeitfenster (z. B. dem Zeitfenster für den ersten Ton der Musiksequenzen) gemittelt und dann 1000 Permutationen unterzogen, um eine Referenzverteilung der maximalen Clustergrößen zu erstellen, die in den permutierten Sequenzen erkannt wurden Daten. Anschließend wurden mit dem gleichen Verfahren wie bei den MEG-Kanälen die ursprünglichen Clustergrößen mit der Referenzverteilung verglichen und als signifikant angesehen, wenn ihre Größe größer als 99,9 % der maximalen Clustergrößen der permutierten Daten war.

Wichtig ist, dass weitere Analysen durchgeführt wurden, um die Unterschiede zwischen tonalen und atonalen Daten bei der Erkennung gespeicherter Versuche sowohl für das langsame als auch das schnelle Frequenzband zu bewerten. Für jeden Teilnehmer wurde ein t-Test (=0.01) für jeden Quellenstandort und die fünf Zeitfenster berechnet, die jedem Musikton entsprechen, um die Gehirnaktivität gegenüberzustellen, die der Erkennung tonaler und atonaler Musik zugrunde liegt. Mehrere Vergleiche wurden für die Verwendung von Cluster-basiertem MCS korrigiert, wie oben beschrieben. In diesem Fall wurden zehn MCS (= 0.001, 1000 Permutationen) anhand der signifikanten T-Test-Ergebnisse (fünf Töne × zwei Frequenzbereiche) berechnet.

Korrelation zwischen Vertrautheitsbewertungen und Gehirnaktivität, die der Entwicklung der Tonsequenzen zugrunde liegt. Wir untersuchten, ob die Vertrautheit mit J. S. Bachs Präludium Nr. 1 in C-Dur, BWV 846, mit der Gehirnaktivität beim Erkennen der aus dem Stück extrahierten Tonsequenzen korreliert. Außerhalb des Scanners wurden die Teilnehmer gebeten, ihre Vertrautheit mit dem Tonstück auf einer Skala von 1 bis 7 zu bewerten (1=„Ich habe es nie gehört“, 2=„Ich habe es gelegentlich gehört“, 3=„Ich höre es mir manchmal an“, 4=„Normalerweise höre ich es mir an“, 5=„Ich habe es gespielt“, 6=„Ich habe es vor Publikum gespielt“, {{10} } „Ich habe es gelehrt“).

Wir haben Pearsons Korrelationen zwischen den Vertrautheitswerten der Teilnehmer und der Gehirnaktivität während der Erkennung jedes der fünf Töne, die die tonalen gespeicherten Sequenzen umfassen, berechnet und mithilfe von Cluster-basiertem MCS für mehrere Vergleiche korrigiert. Nachdem die räumlichen Cluster ermittelt wurden, die signifikant mit den Vertrautheitsbewertungen der Teilnehmer korrelierten (= 0,05), wurden die Daten in fünf Zeitfenstern gemittelt. Die signifikanten Gehirnvoxel wurden im Raum gemischt und die maximale Clustergröße gemessen. Anschließend haben wir eine Referenzverteilung der maximalen Clustergrößen erstellt und die ursprünglichen Clustergrößen mit der Referenzverteilung verglichen. Cluster wurden nur dann als signifikant angesehen, wenn ihre Größe mehr als 95 % der maximalen Clustergrößen der permutierten Daten betrug.

Statistik und Reproduzierbarkeit. Die statistischen Analysen zur Beurteilung der IC- und H-Werte der Reize verwendeten T-Tests mit gepaarten Stichproben. Die Verhaltensdaten wurden mithilfe von zwei einfaktoriellen ANOVAs analysiert. Die MEG-Sensordaten wurden mithilfe von T-Tests bei gepaarten Stichproben analysiert und mithilfe von Cluster-basiertem MCS für mehrere Vergleiche korrigiert. Die erste Analyse auf (subjektbezogener) Ebene für die MEG-Quelldaten wurde mithilfe eines GLM berechnet. Die Gruppenebene wurde mithilfe von T-Tests bei gepaarten Stichproben berechnet und für mehrere Vergleiche mit Cluster-basiertem MCS korrigiert. Die Beziehung zwischen Gehirndaten und früherer Vertrautheit mit der Musik wurde mithilfe von Pearson-Korrelationen bewertet und durch Cluster-basierte MCS für mehrere Vergleiche korrigiert. Einzelheiten zu diesen Verfahren werden im Abschnitt „Methoden“ ausführlich beschrieben. An den Analysen nahmen 71 Teilnehmer teil.

Verweise

1. Gabrieli, JD Kognitive Neurowissenschaft des menschlichen Gedächtnisses. Annu. Rev. Psychol.49, 87–115 (1998).

2. Daumas, S., Halley, H., Frances, B. & Lassalle, JM Kodierung, Konsolidierung und Abruf des kontextuellen Gedächtnisses: unterschiedliche Beteiligung der dorsalen CA3- und CA1-Hippocampus-Subregionen. Lernen. Mem. 12, 375–382 (2005).

3. Greicius, MD et al. Regionale Analyse der Hippocampus-Aktivierung während der Speicherkodierung und des Speicherabrufs: fMRT-Studie. Hippocampus 13, 164–174 (2003).

4. Meltzer, JA & Constable, RT Die Aktivierung der menschlichen Hippocampusbildung spiegelt den Erfolg sowohl bei der Kodierung als auch bei der gezielten Erinnerung gepaarter Partner wider.NeuroImage 24, 384–397 (2005).

5. Bird, CM Die Rolle des Hippocampus im Erkennungsgedächtnis. Cortex 93,155–165 (2017).

6. Eichenbaum, H., Yonelinas, AP & Ranganath, C. Der mediale Temporallappen und das Erkennungsgedächtnis. Annu. Rev. Neurosci. 30, 123–152 (2007).

7. Wiltgen, BJ, Brown, RA, Talton, LE & Silva, AJ Neue Schaltkreise für alte Erinnerungen: Die Rolle des Neokortex bei der Konsolidierung. Neuron 44, 101–108 (2004).

8. van Kesteren, MT, Fernandez, G., Norris, DG & Hermans, EJ Persistentschema-abhängige hippocampus-neokortikale Konnektivität während der Gedächtnis- und Postkodierungsruhe beim Menschen. Proz. Natl Acad. Wissenschaft. USA 107,7550–7555 (2010).

9. Mehta, MR Cortico-Hippocampus-Interaktion während Auf-Ab-Zuständen und Gedächtniskonsolidierung. Nat. Neurosci. 10, 13–15 (2007).

10. Aggleton, JP & Brown, MW Verschachtelung von Gehirnsystemen für das episodische Gedächtnis und das Erkennungsgedächtnis. Trends Cogn. Wissenschaft. 10, 455–463 (2006).

For more information:1950477648nn@gmail.com