一个数据驱动的网络分解的时间,空间和光谱动态支视觉-语言工作记忆过程
Chiara Rossi1,2, Diego Vidaurre3,4, Lars Costers5,6
1AIMS lab, Center for Neurosciences, Vrije Universiteit Brussel, Brussels, Belgium. chiara.rossi@vub.be.
Communications biology
|October 23, 2023
概括
这项研究揭示了工作记忆 (WM) 的独特大脑网络. 使用一种新的TDE-HMM模型,我们确定了特定的theta,alpha和宽带网络用于注意力,排练和检索,从而增强了我们对WM动态的理解.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 计算神经科学是一种神经科学.
背景情况:
- 工作记忆 (WM) 依赖于复杂,动态的大脑网络,在多个维度 (时间,空间,频率) 上运行.
- 传统的分析方法难以捕捉这种多维性,限制了我们对WM网络功能的理解.
研究的目的:
- 应用一种无监督技术,即时间延迟嵌入式隐藏马尔科夫模型 (TDE-HMM),用于分析工作记忆的多维大脑动态.
- 识别不同,特定任务的功能性脑网络,参与工作记忆过程.
主要方法:
- 通过使用TDE-HMM分析了38名健康受试者执行n-back任务的磁脑电图 (MEG) 数据.
- 该TDE-HMM模型推断了网络属性,包括时间激活,光谱相联和空间功率分布.
主要成果:
- 在TDE-HMM成功地确定了三个不同的任务特定网络.
- 一个theta前对对联网络与注意力控制和刺激编码有关.
- 一个alpha temporo-occipital网络与口头信息排练有关,一个具有P300类型的宽带前端对象网络参与了检索和运动反应.
结论:
- 这项研究提供了一个统一的,多维工作记忆动态的综合描述.
- 这些发现与WM的神经心理多元组件模型保持一致并增强了它.
- 结果改善了对WM功能的神经生理学和神经心理学的理解.
更多相关视频
10:43Developing Neuroimaging Phenotypes of the Default Mode Network in PTSD: Integrating the Resting State, Working Memory, and Structural Connectivity
Published on: July 1, 2014
15.2K
09:27Author Spotlight: Exploring the Link Between Time Perception of Visual Stimuli and Reading Skills
Published on: January 19, 2024
1.3K
