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

Die auditive Erkennung ist ein entscheidender kognitiver Prozess, der auf der zeitlichen Organisation einzelner Elemente beruht. Über die räumlich-zeitliche Dynamik, die der bewussten Wahrnehmung unterschiedlich komplexer Hörsequenzen zugrunde liegt, ist jedoch wenig bekannt. Um dies zu untersuchen, wurden 71 Teilnehmer gebeten, einfache tonale Musiksequenzen und dazu passende komplexe atonale Sequenzen zu lernen und zu erkennen, während ihre Gehirnaktivität mittels Magnetenzephalographie (MEG) aufgezeichnet wurde.

Musik hat die einzigartige und unglaubliche Kraft, uns in die Vergangenheit zurückzuversetzen und die wunderbaren Erinnerungen der Vergangenheit noch einmal zu erleben oder uns tief in die Schönheit der Gegenwart eintauchen zu lassen. Noch wichtiger ist, dass Musik auch unser Gedächtnis verbessern und unsere Lern- und Arbeitsfähigkeiten verbessern kann.

Untersuchungen haben ergeben, dass Musiksequenzen eng mit dem Gedächtnis verknüpft sind. Manchmal stellen wir fest, dass wir uns den Text eines Liedes leicht merken können, weil das Lied das Sprachzentrum in unserem Gehirn stimuliert und das Gedächtnis durch wiederholtes Abspielen festigt. Wenn wir neue Informationen lernen, können wir uns diese leichter merken, indem wir sie mit Melodie und Rhythmus kombinieren. Viele medizinische Experten und Pädagogen empfehlen den Einsatz von Musik als Gedächtnistechnik zur Verbesserung des Lernens.

Darüber hinaus kann Musik unsere emotionale Verfassung verbessern und uns entspannter und konzentrierter machen. Wenn wir uns müde oder ängstlich fühlen, kann entspannende Musik die Situation sofort lindern. Diese Art von Musik ist sehr effektiv bei der Entspannung angespannter Emotionen und kann auch unsere Willenskraft und Geduld stärken.

Alles in allem ist Musik ein wesentlicher Bestandteil unseres Lebens und kann sich sehr positiv auf unser Gedächtnis und unsere Lernfähigkeit auswirken. Egal ob Sie arbeiten oder studieren, Sie können sich also genauso gut mit Musik unterstützen. Ich glaube, dass dies Ihnen helfen kann, Ihre Aufgaben besser zu erledigen und auch Ihr Leben besser zu machen. Es ist ersichtlich, dass wir unsere Immunität verbessern müssen. Cistanche deserticola kann die Immunität erheblich verbessern, da Cistanche deserticola ein traditionelles chinesisches Arzneimittel mit vielen einzigartigen Wirkungen ist, darunter die Verbesserung des Gedächtnisses. Die Wirksamkeit von Hackfleisch beruht auf den verschiedenen darin enthaltenen Wirkstoffen, darunter Säure, Polysaccharide, Flavonoide usw. Diese Inhaltsstoffe können die Gesundheit des Gehirns auf verschiedene Weise fördern.

Klicken Sie auf „Erfahren Sie, wie Sie das Kurzzeitgedächtnis verbessern können“.

Die Ergebnisse zeigen qualitative Veränderungen der neuronalen Aktivität in Abhängigkeit von der Reizkomplexität: Die Erkennung tonaler Sequenzen betrifft hippocampale und cinguläre Bereiche, während die Erkennung atonaler Sequenzen hauptsächlich das auditive Verarbeitungsnetzwerk aktiviert. Unsere Ergebnisse zeigen die Beteiligung eines kortiko-subkortikalen Gehirnnetzwerks an der auditorischen Erkennung und unterstützen dies Idee, dass die Reizkomplexität die neuronalen Bahnen des Erkennungsgedächtnisses qualitativ verändert.

Das Kodieren und Erkennen strukturell komplexer Geräusche ist eine kognitive Herausforderung, die auf neuronalen Mechanismen beruht, die noch nicht vollständig aufgeklärt sind. Um uns komplexe Klangsequenzen zu merken, sind wir wahrscheinlich auf die zeitliche Organisation der Komponenten und Gedächtnisfunktionen eines Reizes angewiesen.

Die Gedächtniskodierung findet im Hippocampus statt2–4, während nachfolgende Prozesse im Zusammenhang mit dem Erkennungsgedächtnis durch ein funktionelles Netzwerk miteinander verbundener Regionen im medialen Temporallappen unterstützt werden, einschließlich Hippocampus, Insula und unterem Temporalkortex2,5,6. Für die Gedächtniskonsolidierung ist eine Kommunikation zwischen hippocampalen und neokortikalen Bereichen erforderlich7–9. Zahlreiche Belege stammen aus Studien mit statischen visuellen Reizen wie Bildern von Objekten, Gesichtern oder Naturszenen10–12. Informationen und Bedeutungen entfalten sich jedoch auch im Laufe der Zeit, wenn das Gehirn versucht, bevorstehende Reize auf der Grundlage früherer Gedächtnisdarstellungen vorherzusagen. Um die Gedächtniserkennung und die ihr zugrunde liegende schnelle Gehirndynamik besser zu verstehen, müssen daher neue Methoden eingesetzt werden, die die zeitlichen Eigenschaften dynamischer Reize hervorheben. Dies kann durch die Untersuchung der neuronalen Aktivität erreicht werden, die der Verarbeitung von Klangsequenzen zugrunde liegt, die durch ihre zeitliche Entwicklung Bedeutung erlangen, wie beispielsweise Musik13–15.

Nur wenige neurowissenschaftliche Studien haben die neuronalen Grundlagen des musikalischen Gedächtnisses erforscht, wie von Campo und Brattico16 besprochen. Mithilfe der funktionellen Resonanzbildgebung (fMRT) und eines naturalistischen Musikhörparadigmas untersuchten Alluri et al.17 beispielsweise die neuronalen Korrelate der Musikverarbeitung und berichteten über die Aktivierung kognitiver, motorischer und limbischer Gehirnnetzwerke für die kontinuierliche Verarbeitung klanglicher, tonaler und rhythmischer Merkmale . Anschließend berichteten Burunatet al.18 unter Verwendung derselben Reize über die Rekrutierung gedächtnisbezogener und motorischer Gehirnregionen während der Erkennung musikalischer Motive. Trotz ihrer Beiträge gelingt es diesen Studien nicht, die feinkörnigen zeitlichen Mechanismen der Klangkodierung und Gedächtnisprozesse zu identifizieren.

In jüngerer Zeit haben wir die hohe zeitliche Auflösung der Magnetenzephalographie (MEG) mit der hohen räumlichen Auflösung der Magnetresonanztomographie (MRT) kombiniert, um die Musikerkennung zu untersuchen. Diese Studien betonten die zeitliche Beteiligung eines weit verbreiteten kortiko-subkortikalen Gehirnnetzwerks, das den primären auditorischen Kortex und den oberen temporalen Kortex umfasst Gyrus, Frontaldeckel, Gyrus cinguli, orbitofrontaler Kortex und Hippocampus während der Erkennung auditiver (musikalischer) Sequenzen19–21. Insgesamt haben diese Untersuchungen einzigartige Einblicke in die neuronalen Mechanismen geliefert, die der Erkennung zeitlicher Sequenzen zugrunde liegen. Es muss noch geklärt werden, wie diese Mechanismen durch die Reizkomplexität moduliert werden.

Hier verwendeten wir melodische Sequenzen, bei denen sich die Bedeutung aus der sequentiellen Kombination einzelner Töne im Laufe der Zeit ergab21, und variierten die Tonverteilung, um neue, komplexe musikalische Sequenzen zu erhalten. In diesem Szenario hängen die Kodierung und Erkennung der Musiksequenzen weitgehend von der Reihenfolge der Töne ab, aus denen sie besteht. Wir haben zunächst Musiksequenzen ausgewählt, die auf den Regeln der Tonalität basieren, dem vorherrschenden Musiksystem in der westlichen Popmusik22. Zweitens haben wir durch Modifizieren der Tonintervalle (dh der Abstände zwischen den Tonhöhen) bei gleichzeitiger Beibehaltung aller anderen Variablen (z. B. Rhythmus, Tempo, Klangfarbe) angepasste atonale Musiksequenzen erzeugt. Die Reizmanipulation basierte auf früherer Literatur, die berichtete, dass tonale statt atonale Musiksequenzen insgesamt leichter zu verarbeiten sind23–27 und von Laienhörern mehr geschätzt werden27–29. Im Gegensatz zu tonaler Musik zeichnet sich atonale Musik durch das Fehlen eines klaren tonalen Zentrums und hierarchischer Stabilität aus, was ihren Vorhersagewert erheblich verringert und zu erhöhten Vorhersagefehlern führt23–26,30. Daher gingen wir davon aus, dass eine Änderung der Tonintervalle die Vorhersagbarkeit der atonalen Sequenzen verringern würde, was zu einer erhöhten Schwierigkeit bei deren Erkennung führen würde.

Zusammenfassend lässt sich sagen, dass wir in der aktuellen Studie MEG und amusikalische Erkennungsaufgaben 19–21 verwendeten, während die Teilnehmer auditive (musikalische) Sequenzen unterschiedlicher Komplexität hörten und erkannten und darauf abzielten, die feinkörnige räumlich-zeitliche Dynamik des auditorischen Erkennungsgedächtnisses zu beschreiben. Im Anschluss an die vorherigen Studien17–21 gingen wir davon aus, dass die Erkennung von Hörsequenzen ein weitverbreitetes Gehirnnetzwerk aktivieren würde, das sowohl Hörbereiche (z. B. primärer Hörkortex, Gyrus temporalis superior, Gyrus Heschl, Planum temporale, Insula) als auch Gedächtnisverarbeitungsbereiche (z. B. Hippocampus, Cingulum) umfasst Gyrus).

Wir stellten außerdem die Hypothese auf, dass sich die neuronale Aktivität auf zwei Hauptfrequenzbänder verteilen würde, die das Auftreten zweier verschiedener kognitiver Prozesse widerspiegeln: ein langsames Frequenzband, das sich auf die Erkennung der gesamten Musiksequenz in Gedächtnisverarbeitungsbereichen bezieht, und ein schnelleres Frequenzband, das auf die Verarbeitung jedes Tons zurückzuführen ist der musikalischen Abfolge in Hörregionen. Noch wichtiger ist, dass wir die Hypothese aufstellten, dass tonale Musik aufgrund der Reizkomplexität effizienter verarbeitet werden würde als atonale Musik, was sich in unterschiedlichen Verhaltensreaktionen und unterschiedlichen Nervenbahnen während der Erkennung tonaler und atonaler Sequenzen widerspiegeln würde.

Unsere Verhaltens- und Neuronenergebnisse zeigten deutliche Unterschiede zwischen der Erkennung tonaler und atonaler Sequenzen. Quellenrekonstruktionsanalysen zeigten unterschiedliche Aktivierungscluster für tonale und atonale Sequenzen. Insgesamt war die neuronale Aktivität in Gedächtnisverarbeitungsbereichen für gespeicherte Tonsequenzen und in auditiven Verarbeitungsbereichen für gespeicherte Tonsequenzen stärker.

Ergebnisse

Verhaltensdaten. Die Teilnehmer führten eine alte/neue Hörerkennungsaufgabe durch (Abb. 1). Sie hörten sich zunächst ein vollständiges Musikstück an (Kodierung) und identifizierten anschließend, welche Musiksequenzen auswendig gelernt oder neu waren. Während der Erkennung wurden die Reaktionsgenauigkeit und die Reaktionszeit der Teilnehmer mithilfe eines Joysticks aufgezeichnet. Diese Verhaltensdaten wurden statistisch analysiert, um die Unterschiede zwischen den vier experimentellen Bedingungen (gespeicherte Tonsequenzen, neue Tonsequenzen, gespeicherte atonale Sequenzen und neue atonale Sequenzen) zu untersuchen.

Eine einfaktorielle Varianzanalyse (ANOVA) zeigte, dass die Unterschiede in der Antwortgenauigkeit statistisch signifikant waren, F(3,280)=6.87, p=0.002. Post-hoc-Analysen zeigten, dass die durchschnittliche Anzahl korrekter Antworten bei auswendig gelernten atonalen Sequenzen (M=30.98, SD=5.46) signifikant niedriger war als bei atonalen Romansequenzen (M=34.51, SD).=4.26, p < 0.001), gespeicherte Tonfolgen (M=34.34, SD=5.95, p=0.002) und neuartige Tonfolgen (M { {24}}.41, SD=6.04, p=0.001). Abbildung 2a zeigt die Unterschiede zwischen den Bedingungen anhand von Regenwolkendiagrammen31.

Bezüglich der mittleren Reaktionszeit gab es einen statistisch signifikanten Unterschied zwischen den Bedingungen, bestimmt durch eine einfaktorielle ANOVA, F(3, 280)=4.94, p=0.002. Post-hoc-Analysen ergaben, dass die durchschnittliche Reaktionszeit bei auswendig gelernten Tonsequenzen (M=1735.17, SD=259.91) im Vergleich zu auswendig gelernten atonalen Sequenzen (M=1879.44, SD { {14}}.34,p=0.005) und neuartige atonale Sequenzen (M=1873.78, SD =250.48, p=0.007), aber nicht mit neuartigen Tonfolgen verglichen (M=1799.52, SD=267.14, p=.450). Abbildung 2b zeigt die Unterschiede zwischen den Bedingungen.

Numerische Quelldaten für Verhaltensreaktionen finden Sie in den Zusatzdaten 1.

MEG-Sensordaten. Die MEG-Daten (204 planare Gradiometer und 102 Magnetometer) wurden auf MEG-Sensorebene unter Verwendung des Breitbandsignals analysiert. Obwohl der Schwerpunkt der Studie auf der Identifizierung der Gehirnbereiche liegt, die an der Erkennung tonaler und atonaler Musiksequenzen beteiligt sind, wurden die MEG-Sensordaten untersucht, um zu beurteilen, ob sich das neuronale Signal bei auswendig gelernten Versuchen signifikant von dem bei neuartigen Versuchen unterschied und somit die Ergebnisse früherer Studien bestätigen würde19,20.

Nach der Mittelung der epochalen Daten korrekter Versuche für jede Versuchsbedingung und der Kombination der planaren Gradiometer wurden t-Tests mit gepaarten Stichproben durchgeführt, um zu ermitteln, welche Bedingung (gespeichert oder neu) ein stärkeres neuronales Signal für jede Probe und jeden MEG-Sensor erzeugte. Anschließend wurden Cluster-basierte MCS berechnet, um mehrere Vergleiche zu korrigieren. Dies wurde sowohl für tonale als auch für atonale Daten unabhängig durchgeführt (Einzelheiten siehe Methoden).

Zunächst wurden t-Tests für gepaarte Stichproben (= 0.01) für die tonalen Daten im Zeitintervall 0–2500 ms (ab Beginn der Analyse) berechnet. T-Tests für gepaarte Stichproben (=0.01) wurden im gleichen Zeitintervall (0–2500 ms) unter Verwendung kombinierter planarer Gradiometer berechnet. Als Nächstes wurden mehrere Vergleiche für die Verwendung von MCS für die Ergebnisse der signifikanten T-Tests korrigiert ( { {13}}.001, 1000 Permutationen). Dieses Verfahren identifizierte drei wichtige Aktivierungscluster beim Vergleich von auswendig gelernten mit neuen Auszügen (Tabelle 2, ergänzende Abbildung 3 und ergänzende Daten 2). Im Fall des neuen gegenüber auswendig gelernten Kontrasts waren es drei Hauptcluster Es wurden signifikante Aktivitätscluster gefunden (Tabelle 2, ergänzende Abbildung 4 und ergänzende Daten 2).

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, haben wir die Gehirnquellen der ereignisbezogenen Felder lokalisiert, die von den MEG-Kanälen aufgezeichnet wurden. Dies wurde sowohl für thetonale als auch atonale Sequenzen und für zwei Frequenzbänder (langsam[0.1–1 Hz] und schneller [2–8 Hz]) durchgeführt, die in Bonettiet al.19,20 verwendet und mit diesen verknüpft wurden die Verarbeitung einzelner Komponenten (langsam) relativ zu einer gesamten Sequenz (schnell). Zusätzliche Analysen wurden berechnet, um die Gehirnaktivität zwischen den langsamen und schnellen Frequenzbändern zu vergleichen und das Aktivitätsmuster in den Standard-Delta- (1–4 Hz) und Theta-Frequenzbändern (5–8 Hz) zu untersuchen.

Langsames Frequenzband (0,1–1 Hz). Die neuronalen Quellen wurden mithilfe eines Beamformer-Ansatzes berechnet. Zunächst wurde ein Vorwärtsmodell berechnet, indem jede Gehirnquelle als aktiver Dipol betrachtet und ihre Stärke über die MEG-Sensoren berechnet wurde. Zweitens wurde ein Beamforming-Algorithmus als inverses Modell verwendet, um die Gehirnquellen neuronaler Aktivität basierend auf den MEG-Aufzeichnungen abzuschätzen.

Nach der Berechnung der neuronalen Quellen wurde für jeden Zeitpunkt und jeden Dipolort ein GLM berechnet. Eine Reihe von t-Tests (= 0.05) wurde auf der ersten und Gruppenebene durchgeführt, um den Haupteffekt von gespeicherten und neuen Bedingungen und deren Kontrast sowohl für die tonalen als auch für die atonalen Daten unabhängig voneinander abzuschätzen. Clusterbasierte MCS (= 0.001, 1000 Permutationen) wurden berechnet, um mehrere Vergleiche zu korrigieren und die Gehirnaktivität zu bestimmen, die der Entwicklung der Musiksequenzen zugrunde liegt. Diese Analysen wurden für fünf spezifische Zeitintervalle durchgeführt, die jedem der Töne entsprachen, aus denen die Sequenzen bestanden: erster Ton (0–250 ms), zweiter Ton (251–500 ms), dritter Ton (501–750 ms), vierter Ton (751–750 ms). 1000 ms) und fünfter Ton (1001–1250 ms). Dies wurde für den Kontrast zwischen gespeicherten und neuartigen Sequenzen sowohl für tonale als auch atonale Sequenzen unabhängig voneinander sowie für gespeicherte tonale und gespeicherte atonale Sequenzen geschätzt.

Signifikante Aktivitätscluster (p < 0.001) wurden über mehrere Gehirnvoxel (k) für jeden Ton der Tonsequenzen lokalisiert, wie in Supplementary Data 3 berichtet. Bei gespeicherten Tonsequenzen war die neuronale Aktivität insgesamt stärker der dritte (k=69), vierte (k=266) und fünfte Ton (k=229).

Die größten Unterschiede waren im mittleren Gyrus cinguli, im rechten motorischen Ergänzungsbereich, im Precuneus und im linken Gyrus lingualis für den dritten Ton lokalisiert; Die linke Amygdala, der linke Gyrus parahippocampus, der linke Gyrus lingualis, der linke Hippocampus und der mittlere Gyrus cinguli für den vierten Ton sowie der vordere und mittlere Gyrus cinguli und der linke Gyrus lingualis für den letzten Ton. Bei neuartigen Tonsequenzen war die Gehirnaktivität beim ersten (k=54) und zweiten Ton (k=29) stärker. Insbesondere war der Unterschied zwischen neuen und gespeicherten Sequenzen am stärksten in der linken Fersenbeinspalte, dem linken Gyrus lingualis, dem linken Hippocampus, dem linken Precuneus und dem linken Gyrus temporalis superior für den ersten Ton sowie im rechten Gyrus fusiformis, dem rechten Gyrus lingualis und dem rechten Gyrus occipitalis inferior für den zweiten Ton. Der Kontrast zwischen gespeicherten und neuen Tonsequenzen für das langsame Band ist in Abb. 3a dargestellt.

For more information:1950477648nn@gmail.com