功能性大脑网络的模块化测量预测了长期记忆中的个人差异
Michael B Zhou1, Marvin M Chun2,3,4, Qi Lin2,5,6
1Yale College, Yale University, New Haven, Connecticut, USA.
大脑网络组织解释了长期记忆 (LTM) 的个体差异. 记忆编码期间大脑活动的模块化度量预测了LTM容量,突出了网络枢纽的作用.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 网络科学 网络科学
背景情况:
- 长期记忆 (LTM) 容量在个体之间有很大差异,影响日常功能.
- 了解LTM个体差异的神经基础是认知神经科学的一个关键挑战.
- 大脑的功能组织,特别是它的模块化,越来越被认为是影响认知能力的潜在因素.
研究的目的:
- 为了研究大脑的功能组织,特别是网络模块化,如何预测长期记忆 (LTM) 性能中的个体差异.
- 检查一般识别和回忆记忆编码期间大脑活动的模块化度 (多样性和局部) 的预测能力.
- 通过连接组预测建模 (CPM) 来识别参与支持个体LTM差异的关键大脑网络和区域.
主要方法:
- 利用图形理论来计算记忆编码期间从大脑活动中获得的模块化度 (多样性和局部性).
- 采用连接组预测建模 (CPM) 来预测从大脑功能连接和模块化特征中LTM性能的个体差异.
- 分析了功能神经成像数据,重点关注两个关键的LTM形式:一般识别和回忆记忆.
主要成果:
- 多样性和局部的模块化测量显著预测了个人在一般识别和回忆记忆中的差异.
- 虽然基于模块化的模型具有预测性,但与仅使用连接功能的CPM模型相比,基于模块化的模型表现较差.
- 默认模式网络成为预测模型中最一致选择的大脑网络,这表明它在LTM中的重要性.
结论:
- 脑网络模块化,以多样性和局部性为特征,在解释长期记忆中的个人差异方面发挥着重要作用.
- 成功的LTM依赖于关键连接器枢纽,在记忆编码过程中促进大脑网络内部和大脑网络之间的协调.
- 基于图形的方法,集成模块化和连接性,为LTM个体变化的神经支提供了有价值的见解.
更多相关视频
09:01A Method for Investigating Age-related Differences in the Functional Connectivity of Cognitive Control Networks Associated with Dimensional Change Card Sort Performance
Published on: May 7, 2014
08:36Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms
Published on: March 21, 2019
相关概念视频
Biological Influences on Intelligence
Functional Brain Systems: Limbic System
Storage
Higher Mental Functions of Brain: Learning and Memory
Measures of Intelligence
Validity refers to how well a test measures what it claims to measure. An intelligence test should accurately assess intelligence rather than another characteristic, like anxiety. Criterion validity is one way to evaluate this;...
Role of Cerebellum and Prefrontal Cortex in Memory
