查看: 757|回复: 0
打印 上一主题 下一主题

[数据分析] PNAS:与语言相关的脑网络中特定频率的有向连接 [复制链接]

Rank: 5Rank: 5

水晶
2321
心级
1950
精华
0
主题
189
帖子
195
跳转到指定楼层
楼主
发表于 2019-10-5 17:39:33 |只看该作者 |倒序浏览
本帖最后由 罗叶双 于 2019-10-5 17:41 编辑

? ?? ?大脑的出色语言能力要求特定功能脑区之间相互影响。荷兰Radoud大学的Schoffelen等人在PNAS发文,P这一结果与这些脑区在语言处理中扮演中心角色的观点非常吻合。

采用数据驱动将矩阵分解出一系列子网络;由该方法获得的功能脑网络拓扑属性揭示了不同频率相互作用下的有向连接。来自颞部的连接在 α 频率时达到峰值,而来自额叶和顶叶的连接在 β频率时达到峰值。这些发现表明,语言处理所必需的与语言相关的脑区之间的信息流动可能取决于不同的大脑节律所起的作用。


研究背景:

脑电图和脑磁图(EEG/MEG)的电生理研究表明,语言网络中各个节点的序列激活具有较高的时间精度。但是使该网络各节点之间的信息能够有效流动的功能交互的性质尚未阐明。

皮层脑区间连接的特征是信息可以双向交换。同步脑区节律可能促进大脑皮层区域间的信息流动,并且特定的不同频率的神经元节律反应了信息流动的方向。这种双向的信息流动是支持语言处理的神经生物学系统的一个重要特征。语言处理(eg:阅读句子)不是一个简单的bottom-up的过程;由上下文信息也可以提供top-down的信息。

在这里,作者发现与语言相关的脑网络中,由特定频率下有节律性的神经元同步可以促进脑区间的相互作用。具体地说,作者发现 α ( 8-12 Hz )的节律性活动是由颞叶皮层传播到额叶皮层,而 β ( 15-30 Hz)的传播方向相反。这些结果表明在语言处理过程中,有节律的定向交互的功能相关性取决于由不同频率段支持的脑区间相互作用的方向。这种功能相关性可扩展到其他认知领域,即反映一种与任务相关的脑网络中的信息动态流向的通用机制。

方法

1、实验过程和MEG数据采集

被试以荷兰语为母语( n=102, 其中51名男性),年龄在18-33岁之间。所有被试都是右利手,视力正常或矫正后正常,没有神经、发育或语言缺陷史。将要阅读的句子和单词序列(共240个单词,每个单词序列9-15个单词)依次呈现在被试前的反投影屏幕上。MEG数据采集频率为1200 Hz。在整个测量过程中,头动信息使用软件监视。

2、去伪迹

所有分析都是通过 MATLAB 脚本和FieldTrip完成。由单词开始计时,数据由 -100 ms到600 ms 进行分段;并且在进一步分析前去掉干扰伪迹的分段。使用ASEO 算法从单试次数据中去掉事件相关响应,以减弱诱发瞬态对估算 GC(格兰杰因果关系)的影响。由于各脑区瞬态信号峰值的系统延迟差异,使得这些信号的转变违反了静态假设,并导致GC中出现非零值。使用 ASEO算法和盲源分离技术结合,将单次试次信号建模为正在进行的活动和事件相关的成分的组合,并从数据中去掉在模型中单次试次引起的响应。

3、 源重建和重建源活动的分割

使用 LCMV 对源进行重建,即对 8196 个位置估算空间滤波。然后,采用了一种基于atlas的分割方案来降低数据维度。使用Conte69 模板将每个大脑半球分割成191个脑区。

4、预先选择语言相关脑区之间的连接

根据前人文献的描述,我们使用核心语言脑区和视觉系统构成的脑区之间的已知“长程”宏观解剖纤维通路,先验地选择研究一些脑区之间的连接。根据皮质-皮质连接的特点,我们会先验的进行邻近节点之间的有向连接。既包括了来自两个大脑半球的半球内连接,也包括同源区域之间的半球间连接。

Fig.2A显示了各个节点的标记方式。在成对的脑区间产生了4350个连接,其中包括用于GC(格兰杰因果关系)分析的156个脑区间所有可能成对连接。

5、 整个网络拓扑结构的GC计算和统计

计算出频谱信号,并使用特定的空间滤波器将其投射到源空间。利用快速傅里叶变换和multitapers(5Hz平滑)法结合,将单词呈现后的200-600ms时间段的时域信号转换为频谱信号。计算每一对脑区间的交叉谱密度矩阵,并利用它来计算GC。此外,还根据时间反转数据的源投射傅里叶变换计算GC。只选择GC和反向GC的差异具有统计学意义的脑区对进行统计分析,Bonferroni多重比较校正(p<0.05)。这将用于后续分析的连接数量从4350个减少到713个。

6、NMF算法和网络可视化

通过对生成的 GC (格兰杰因果关系)频谱进行稀疏约束的 NMF(稀疏非负矩阵因子分解) 来研究网络拓扑结构。本分析的目的是将重建的连通性数据描述为网络成分的低维混合,其中每个成分都具有特定被试的频谱剖面。选择稀疏非负矩阵因子分解(NMF)是因为非负性约束有助于解释成分。

NMF的结果依赖于成分的数量。本研究确定了 20 个成分数,在提供少量可解释成分的同时,保持子网络之间的较好分离,从而达到合理的平衡。忽略 NMF 算法的随机初始化效果,使用重复随机初始化40次的LCASSO框架对结果聚类的过程来提取数据的底层结构。

7、特定条件下的统计分析

由已识别的网络成分提取出的主要连接,估算特定条件下的GC。条件是根据单词是否出现在句式结构良好的句子上下文(或单词序列的一部分);以及单词是否出现在句子(或单词序列)前段(2-4个单词)或句子(或单词序列)后段(n-3到n-1,n是语句序列的总词汇数)来定义。在本研究中,保证了在不同条件下时域信号差异和词汇频率边缘分布的平衡性。由于脑区对特定的分段数量因脑区对有差异,因此只用一个分段子集来计算GC。最终保留了147个分段。计算特定被试和特定条件的GC,并进行了非参数检验来评估:

(i) 句子单词 VS 单词序列单词;

(ii) 句子条件:前段单词 VS后段单词,

(iii) 交互效应: (前-后单词)句子-(前-后单词)单词序列。


篇幅限制,阅读全文请点击链接??https://mp.weixin.qq.com/s/aJ1DcieWCLsfAKQbnf0TPQ


原文:


Frequency-specificdirected interactions in the human brain network for language


JM Schoffelen, AHultén, NLam


如需原文及补充材料请加微信:siyingyxf 获取,如对思影课程感兴趣也可加此微信号咨询。


转发到微博
您需要登录后才可以回帖 登录 | 注册

bottom

Powered by Discuz! X2

? 2001-2011 Template By Yeei. Comsenz Inc.

回顶部