Informatie

Kan een brein auditieve signalen verwerken na 18 weken menselijke ontwikkeling?


Volgens Wanneer een foetus hoort, Wanneer een baby in de baarmoeder kan horen en verschillende andere soortgelijke artikelen, begint een baby geluiden te horen in week 18. En volgens Hoe het gehoor werkt. Horen houdt in:

zenuwen communiceren met de hersenen. De gehoorzenuw stuurt de informatie vervolgens met elektrische impulsen naar de hersenen, waar ze worden geïnterpreteerd als geluid.

Betekent dit eigenlijk dat een brein auditieve signalen verwerkt na 18 weken menselijke ontwikkeling, of verwerken de hersenen na 18 weken alleen geluiden door een proces waarbij de hersenen niet betrokken zijn? Misschien lijkt de conclusie voor sommigen misschien voor de hand liggend, maar niet voor mij gezien het veronderstelde onvermogen van de hersenen om verschillende andere (of andere?) signalen in dat stadium te verwerken, zoals pijn. In welk stadium is het zenuwstelsel voldoende ontwikkeld om neuronale signalen interpreteren als 'pijn'? en soms de hoorervaring zijn die rechtstreeks verband houdt met pijn.


Volgens een beknopt overzicht van Graven & Brown (2008) is de ontwikkeling van het gehoorsysteem (Fig. 1) bij de mens als volgt:

  • 15 weken zwangerschapsduur*: structurele delen van het slakkenhuis en het middenoor zijn goed gevormd;
  • 20 weken: middenoor en slakkenhuis zijn anatomisch functioneel;
  • In de omgeving van 25 - 29 weken: het auditieve systeem als geheel wordt functioneel, aangezien de spiraalvormige ganglioncellen in het slakkenhuis de binnenste haarcellen verbinden met de hersenstam en de temporale kwab van de cortex. Met andere woorden, pas op dit punt wordt het perifere eindorgaan verbonden met het centrale zenuwstelsel. Bij 25 tot 26 weken zwangerschap een hard geluid in de baarmoeder detecteerbare veranderingen in de autonome functie zal produceren.
  • 28 - 30 weken: neurale verbindingen met de temporale kwab van de cortex zijn functioneel. De ontwikkeling van tonotopische kolommen in de auditieve cortex begint. Ze zijn nodig om taal, muziek en betekenisvolle omgevingsgeluiden te ontvangen, te herkennen en erop te reageren.

* zwangerschapsduur is een maat voor de leeftijd van een zwangerschap die wordt genomen vanaf het begin van de laatste menstruatie van de vrouw (LMP), of de overeenkomstige leeftijd van de zwangerschap zoals geschat met een nauwkeuriger methode, indien beschikbaar. De zwangerschapsduur kan worden verkregen door 14 dagen toe te voegen aan het punt van bevruchting.


Fig. 1. Het gehoorsysteem voor volwassenen. bron: Graven & Brown, 2007

Verwijzing
- Graven & Bruin, Pasgeboren Zuigeling Verpleegkundigen Rev (2007); 8(4): 187-93


Ontwikkelingsrijping van dynamische causale controlesignalen in cognitie van hogere orde: een neurocognitief netwerkmodel

Aansluitingen Afdeling Psychiatrie & Gedragswetenschappen, Stanford University School of Medicine, Stanford, Californië, Verenigde Staten van Amerika, Afdeling Neurologie & Neurologische Wetenschappen, Stanford University School of Medicine, Stanford, Californië, Verenigde Staten van Amerika, Programma in Neurowetenschappen, Stanford University School of Medicine, Stanford, Californië, Verenigde Staten van Amerika


Abstract

Er is steeds meer bewijs dat de hersenen afhankelijk zijn van een reeks canonieke neurale berekeningen, die ze herhalen over hersengebieden en -modaliteiten om vergelijkbare operaties toe te passen op verschillende problemen. Een veelbelovende kandidaat voor een dergelijke berekening is normalisatie, waarbij de reacties van neuronen worden gedeeld door een gemeenschappelijke factor die doorgaans de opgetelde activiteit van een pool van neuronen omvat. Normalisatie is ontwikkeld om reacties in de primaire visuele cortex te verklaren en wordt nu verondersteld te werken in het hele visuele systeem en in veel andere sensorische modaliteiten en hersengebieden. Normalisatie kan ten grondslag liggen aan operaties zoals de representatie van geuren, de modulerende effecten van visuele aandacht, de codering van waarde en de integratie van multisensorische informatie. Zijn aanwezigheid in zo'n diversiteit aan neurale systemen in meerdere soorten, van ongewervelde dieren tot zoogdieren, suggereert dat het dient als een canonieke neurale berekening.


1. Inleiding

Depressieve stoornis is een van de belangrijkste oorzaken van invaliditeit, morbiditeit en mortaliteit wereldwijd. De aandoening heeft al meer dan 350.000.000 mensen getroffen, en een op de vijf mensen lijdt er waarschijnlijk in één fase van hun leven aan [1,2,3]. Meer dan 85% van de patiënten met een eerste episode zal in de komende 10 jaar terugvallen, en de meeste patiënten hebben zelfmoordgedachten, van wie 15�% zal overlijden door zelfmoord [4,5]. Zoals blijkt uit een Nature-rapport van 2014, is 10,3% van het aantal jaren met invaliditeit (YDL's) veroorzaakt door depressie, wat meer is dan welke andere ziekte dan ook [6,7]. Het laatste rapport in Lancet in 2017 toonde ook aan dat de door depressie veroorzaakte invaliditeitsgecorrigeerde levensjaren (DALY's) tussen 1990 en 2016 waren toegenomen [8].

Volgens de moderne psychologie en biologie is depressie niet alleen een mentale stoornis, maar ook een fysiologische ziekte. Het heeft duidelijke biologische fundamenten, zoals veranderingen in de hersenen, waaronder onevenwichtige neurotransmitters, verminderde neurogenese, achteruitgang van neuroplasticiteit en abnormale neuronale circuits [9,10]. Grote genoombrede associatiestudies schatten de kans op erfelijkheid op 37% tot 48% voor ernstige depressie [11,12]. De steeds toenemende incidentie van depressie wijkt echter af van het Hardy–Weinberg Equilibrium, wat aangeeft dat omgevingsfactoren een belangrijke rol spelen bij de aandoening.

Men is het er algemeen over eens dat depressie wordt veroorzaakt door het cumulatieve effect van genetische informatie en omgevingsstress [11]. Bepaalde genen en psychologische kenmerken kunnen sommige mensen vatbaar maken voor depressie en stressvolle levensgebeurtenissen, waaronder stress in het vroege leven, zijn belangrijke oorzaken van depressie [1,13], maar het laatste onderzoek heeft aangetoond dat de darmmicrobiota waarschijnlijk een cruciale rol speelt in de pathofysiologie van depressie [14,15,16,17,18].


3. Methoden: een onderzoek reproduceerbaar maken

De sectie methoden moet de lezer in staat stellen te begrijpen hoe de resultaten zijn bereikt en hoe de resultaten kunnen worden gereproduceerd. Het moet informatie bevatten over de demografische gegevens van de deelnemers, details van het experimentele paradigma, het gebruikte systeem, gegevens over gegevensverzameling en de voorbewerkingsstappen, inclusief de gebruikte statistische methoden. De sectie moet ook een afbeelding bevatten met (1)ꃞ meetopstelling (een originele foto van hoge kwaliteit van een meetsessie of een tekening), (2)ꃞ fNIRS optode-array/kanaalconfiguratie op de kop, ( 3)ਊ visualisatie van het experimentele protocol, en optioneel (4)ਊ gevoeligheidsanalyse om te laten zien hoe goed de fNIRS-opstelling in staat is om de voor het onderzoek gekozen regio's te onderzoeken. 12 14 Bovendien, als de signaalverwerkingspijplijn complex is en geavanceerde en/of innovatieve stappen omvat, wordt het ten zeerste aanbevolen om een ​​blokschema op te nemen dat alle verwerkingsstappen samen met ingangs- en uitgangssignalen weergeeft. Het is vermeldenswaard dat sommige tijdschriften het methodegedeelte aan het einde als bijlage hebben. In deze gevallen moeten de inleidings- en resultaatsecties voldoende methodologische informatie bevatten om de context te begrijpen zonder in te gaan op methodologische details.

3.1. Deelnemers

3.1.1. Menselijke deelnemers

De steekproef van deelnemers wordt doorgaans beschreven met een set van de meest relevante demografische gegevens en, indien van toepassing, klinische kenmerken. Deze omvatten het aantal deelnemers, hun gemiddelde leeftijd en variatie, of leeftijdsbereik met een precisie die het nuttigst is (bijv. uren voor pasgeborenen, maanden en dagen voor zuigelingen), en de geslachtsverdeling. De in- en uitsluitingscriteria moeten duidelijk worden gedefinieerd (bijv. pathologieën, moedertaal, enz.). Andere relevante kenmerken, zoals handigheid, etniciteit, sociaal-economische status, enz., kunnen ook worden verstrekt. Het is vermeldenswaard dat het relevant kan zijn om de etniciteitsverdeling te rapporteren, vooral als deze anders is dan verwacht mag worden van de populatie op de locatie waar het onderzoek is uitgevoerd. De kwaliteit van het fNIRS-signaal kan onder andere afhankelijk zijn van haareigenschappen (kleur, dikte en dichtheid). Een bevooroordeelde selectie van deelnemers kan resulteren in het gebrek aan generaliseerbaarheid van de bevindingen van fNIRS-neurobeeldvorming. Voor studies met meerdere groepen moet de procedure voor groepstoewijzing worden beschreven.

Voor klinische populaties hangt de hoeveelheid ziektegerelateerde informatie af van de focus van het artikel. Afhankelijk van het onderzoek (bijvoorbeeld klinische populaties) kan het raadzaam zijn om de belangrijkste kenmerken in het manuscript kort te vermelden en naar een (aanvullende) tabel te verwijzen voor epidemiologische details. Typisch zou een tabel de tijd sinds het begin vermelden, de oorzaak van de hersenlaesie/disfunctie (bijv. ischemische cardiogene beroerte van de linker hersenslagader) en relevante klinische bevindingen (bijv. resterende afasie). Voor specifieke populaties, indien van toepassing en beschikbaar, kan het nuttig zijn om biomarkers te rapporteren, zoals bloedmarkers (bijv. bloedarmoede, wat kan leiden tot gewijzigde of onverwachte resultaten 15 , 16 ), parameters die verband houden met de algehele fysiologische fitheid of de specifieke pathologie beoordeeld. Als gegevens van sommige deelnemers niet zijn opgenomen in de uiteindelijke analyse, moeten de demografische gegevens van de uiteindelijke steekproef ook worden verstrekt, samen met de criteria voor gegevensverwerping. Om transparantie te waarborgen en te beschermen tegen vooringenomen afwijzing, is het ook belangrijk om te specificeren op welk moment tijdens de gegevensverwerking de verschillende afwijzingscriteria zijn toegepast en of ze in batch of per geval zijn toegepast. Er moet informatie over ethische kwesties worden verstrekt, waaronder de naam van de institutionele beoordelingscommissie (IRB) die het onderzoeksprotocol heeft beoordeeld en goedgekeurd, de gevolgde ethische procedures (bijvoorbeeld het verkrijgen van geïnformeerde toestemming, kleine instemming en/of ouderlijke toestemming), evenals een link naar de klinische studieregistratie, indien beschikbaar.

3.1.2. Steekproefomvang en statistische poweranalyse

Een geschikte steekproefomvang of het juiste aantal deelnemers is belangrijk voor alle fNIRS-experimenten, maar er is geen vaste regel om statistische validiteit te garanderen. Een praktische benadering om de steekproefomvang te bepalen is het uitvoeren van een poweranalyse, die de minimale steekproefomvang schat die nodig is om een ​​bepaalde effectgrootte te verkrijgen bij een vooraf ingesteld vermogensniveau (1 − β ) (wat 1 − kans is van een type II-fout, conventioneel ingesteld op 0,8) en α (de kans op een type I-fout, conventioneel ingesteld op 0,05). 17 Een poweranalyserapport bevat doorgaans de steekproefomvang (de benodigde steekproefomvang voor een a priori power-analyse en de werkelijke steekproefomvang voor een achteraf vermogensanalyse), het vermogen (geselecteerd vermogen voor een a priori machtsanalyse en bereikte macht voor een achteraf power-analyse) en gebruikte alfa-niveaus, de gekozen effectgrootte samen met de rechtvaardiging ervan (bijv. eerder onderzoek of pilotstudie), de relevante statistische tests voor het testen van hypothesen en relevante citaten voor het platform dat wordt gebruikt om de power-analyse uit te voeren.

3.2. Experimenteel paradigma en instructies

3.2.1. Experimenteel ontwerp (of “studieontwerp”)

Bij het ontwerpen van het experimentele paradigma moet rekening worden gehouden met enkele bijzonderheden van het fNIRS-signaal. Bijvoorbeeld de dominantie van fysiologische verstoringen in fNIRS-signalen 18 (zie Sec.ਃ.5), wat betekent dat elke stimulatieconditie bijna altijd meerdere keren moet worden herhaald om de functionele respons te kunnen oplossen. Ondertussen stellen de temporele kenmerken van de hemodynamische respons grenzen aan de duur van het interval tussen opeenvolgende stimuli als de gegevens moeten worden gemiddeld. Fysiologische verwarringen die tijdelijk gecorreleerd zijn met de stimulus moeten ook worden overwogen. Het ademhalingspatroon van een deelnemer kan bijvoorbeeld overeenkomen met de stimulatieblokken als deze met regelmatige tussenpozen worden aangeboden. Hierdoor kunnen fout-positieve reacties toenemen. 19 Deze problemen kunnen worden geminimaliseerd door een doordacht experimenteel ontwerp dat anticiperende effecten vermindert, bijvoorbeeld door pseudo-randomisatie van zowel de volgorde van de omstandigheden als de lengte van het interstimulus-interval. Deze overwegingen kunnen informatief zijn om te rapporteren bij het beschrijven van de experimentele opzet van het onderzoek.

Een nauwkeurige beschrijving van het experimentele ontwerp is van cruciaal belang voor zowel het begrip van de lezer van de resultaten van een fNIRS-onderzoek als voor de reproduceerbaarheid van het werk. Elk kenmerk van een experiment dat de resultaten of hun interpretatie mogelijk zou kunnen beïnvloeden, moet worden gerapporteerd in de sectie methoden. Waar mogelijk wordt aanbevolen om een ​​schema van het experimentele paradigma op te nemen.

De overgrote meerderheid van fNIRS-paradigma's valt in een van de volgende categorieën: blokontwerp, gebeurtenisgerelateerd ontwerp en rusttoestandparadigma's voor functionele connectiviteitsstudies. In het geval van rusttoestand-paradigma's die geen expliciete stimulatie van de deelnemer(s) omvatten, kan het paradigma treffend worden beschreven door de details van de duur van het opnemen van de omgeving waarin de deelnemer wordt geplaatst (bijv. lichtomstandigheden, auditieve omstandigheden, ogen open/gesloten, objecten of displays in hun gezichtsveld, enz.) en door eventuele instructies aan de deelnemer (zie Sec.ਃ.2.2).

De kenmerken die bovendien moeten worden gerapporteerd voor zowel blok- als gebeurtenisgerelateerde paradigma's zijn: de stimuli, het aantal voorwaarden, het aantal blokken of proeven per aandoening, de volgorde waarin de blokken of proeven worden gepresenteerd, de duur van elke blok of trial, en de duur van interblock of intertrial intervallen. Een schets met timing en voorbeelden van de stimuli (bijvoorbeeld stilstaande beelden die frames van een visuele stimulus weergeven) kan zeer informatief zijn. Afbeeldingਁ toont een voorbeeld.

Experimentele paradigma visualisatie. Voorbeeld legende volgt. Schematische illustratie van het n-back-paradigma. Elke experimentele run bestond uit 30 blokken met een interblokinterval van 15'000a0s. Elk blok heeft 15 proeven en begint met de taakinstructie “n-back” die 2 s op het scherm wordt weergegeven. Na de instructie worden letters een voor een op het scherm weergegeven gedurende 0,5 s. Het intertrial interval is 1,5 s, waarbij een fixatiekruis op het scherm wordt weergegeven. De deelnemers kregen de opdracht om aan te geven of de huidige letter identiek is aan de letter die eraan voorafging.

3.2.2. Instructies, training en interacties voor deelnemers

fNIRS-papers moeten een duidelijke beschrijving geven van welke instructies over de taak aan de deelnemers zijn gegeven. Instructies kunnen vaak cruciaal zijn voor de interpretatie van de neurale gegevens. Expliciete instructies over het leren van een stimulusset versus impliciete blootstelling aan dezelfde stimulusset kunnen bijvoorbeeld verschillende aandachts-, motivatie- en leermechanismen activeren. Daarom moeten aspecten die relevant zijn voor de manier waarop deelnemers de taak bedenken en voltooien, worden vermeld, bijv. tijdsbeperkingen voor reacties, expliciete of impliciete taak, beschrijving van het doel van de taak, enz. Evenzo wordt feedback gegeven aan de deelnemers of andere prikkels die hun aandacht of motivatie om de taak uit te voeren kunnen veranderen, moeten worden uitgelegd. Experimentele omstandigheden die de prestaties van de deelnemer tijdens de data-acquisitie kunnen hebben beïnvloed, zoals te lange opstelprocedures, acquisitie onder gedimde/donkere lichtomstandigheden, omgevingsafleiding, enz., moeten ook worden gerapporteerd.

3.3. Systeem en acquisitie

3.3.1. Beschrijving van fNIRS-apparaat en acquisitieparameters

Het fNIRS-onderzoeksveld is snel gegroeid, zowel wat betreft technologische innovaties als neurowetenschappelijke toepassingen, wat heeft geleid tot de ontwikkeling van een verscheidenheid aan commercieel verkrijgbare en op maat gemaakte in-house ontwikkelde apparaten. 2 4 , 20 , 21 Instrumenten verschillen niet alleen in hun fundamentele wijze van hardwarewerking, maar ook in de methodologische procedures die worden toegepast om chromoforen oxy- en deoxyhemoglobine (dus ook totaal hemoglobine) en/of cytochroom-c-oxidase 22 concentratieveranderingen of optische signalen die deze reflecteren (afgekort door respectievelijk HbO 2 , Hb, tHb en CCO). [Het is vermeldenswaard dat andere acroniemen (bijv. HbO/HbR/HbT, O 2 Hb / HHb / tHb of oxy-Hb/deoxy-Hb/total Hb) ook gebruikelijk en acceptabel zijn.]. Daarom is nauwkeurige rapportage van de fundamentele aspecten van de instrumentspecificaties verplicht. Hoewel de meeste commerciële fNIRS-instrumenten CW zijn, gebruiken ze niet noodzakelijk dezelfde nabij-infrarood (NIR) golflengten of dezelfde algoritmen voor het herstel van de hemoglobineconcentraties. Bovendien hebben een aanzienlijk aantal op maat gemaakte fNIRS-instrumenten de neiging om technologieën te implementeren zoals TD-NIRS, 23 FD-NIRS, 24 of high-density (HD)-technologie, 25 die fundamentele verschillen vertonen met de huidige commerciële instrumenten. meestal onbekend voor de niet-deskundige gebruiker. Nauwkeurige rapportage van relevante instrumentspecificaties zal een betere interpretatie van de onderzoeksstudie en een hogere mate van transparantie voor replicatie mogelijk maken. De publicatie moet duidelijk de volgende informatie vermelden bij het beschrijven van de specificaties van het fNIRS-apparaat: (1)򠾫rikant en versie, (2) modus van gebruik (CW, FD en TD), (3)ꂪntal en spectrum van golflengten , (4) instraling (bronvermogen over blootstellingsgebied) of gemiddeld vermogen of beide [zorg ervoor dat de belichting van de lichtbron voldoet aan de veiligheidsnormen zoals ANSI (Verenigde Staten) of IEC-60825 (Europa)] , (5)ꂾmonsteringssnelheid, aantal en type optodes en resulterende kanalen, en bron�tectorafstanden, en (6) methode voor de gegevensconversie naar chromofoorconcentratie (indien automatisch gedaan door de software van het instrument, anders wordt gerapporteerd in de sectie gegevensanalyse). De informatie kan worden gegeven in een korte samenvattende zin, zoals “We gebruikten een NIRSdev (NIRScomp, land) CW-NIRS-apparaat met 24 actieve kanalen (8 laserdiodezenders, λ 1 | 2 = 750 | 850 λ x02009  nm met gemiddeld vermogen < 1    mW en 8 lawinefotodiodedetectoren) bemonsterd bij 50 Hz. Gegevens zijn omgezet naar concentratieveranderingen met behulp van de gewijzigde wet van Beer'x02013Lambert (mBLL). , inclusief hoe veranderingen in DPF worden verklaard, bijvoorbeeld in longitudinale onderzoeken naar de ontwikkeling van zuigelingen. Referenties voor de gekozen parameters kunnen ook worden gerapporteerd. Als FD- of TD-apparaten zijn gebruikt, moeten de procedures worden vermeld die zijn gebruikt om absorptie- en verstrooiingscoëfficiënten te verkrijgen. Meer informatie over het gebruik en de rapportage van mBLL-parameters en -eenheden wordt gegeven met betrekking tot gegevensanalyse in Sec.ਃ.4.3.

3.3.2. Optode-arrayontwerp, dop en gerichte hersengebieden

De reproduceerbaarheid van fNIRS-metingen hangt sterk af van duidelijke documentatie van het ontwerp (geometrie) en plaatsing van de brondetectorarray. Hoewel fNIRS-technologieën snel evolueren, hebben de meeste fNIRS-onderzoeken nog steeds een beperkt gezichtsveld en/of kanaaldichtheid, waardoor de lay-out van bronnen en detectoren op de hoofdhuid van onderzoek tot onderzoek verschilt. Veel fNIRS-apparaten zijn uitgerust met sets van bronnen en detectoren of “optodes” die flexibel kunnen worden ingedeeld. Anderen worden geleverd met vooraf gedefinieerde pads van bronnen en detectoren, of vaste distributies die vrij kunnen worden geplaatst, maar niet worden gereorganiseerd. Het bepalen van een geschikte positie en rangschikking van optodes voor een bepaald fNIRS-onderzoek is daarom een ​​noodzaak. 26 , 27 Dit proces is echter verre van triviaal, aangezien fNIRS-metingen in hoge mate afhankelijk zijn van de positie, omvang, brondetectorscheiding(en) en dichtheid van de fNIRS-bron en detectorarray. 28 , 29 Deze factoren beïnvloeden de gevoeligheid van de meting voor een bepaald corticale gebied, de relatieve bijdragen van de hersenen en extracerebrale weefsels aan elk signaal en de homogeniteit van de meetgevoeligheid over het gezichtsveld. Digitale hoofdmodellen (virtuele fantomen/simulaties) kunnen worden gebruikt om apparaatspecifieke NIR-lichtpropagatie te begrijpen, wat van vitaal belang is voor het ontwerpen van optische hersenbeeldapparatuur en optode-arrays van de volgende generatie. Monte Carlo-simulaties 30, 31 bieden een gecontroleerd mechanisme voor het karakteriseren en evalueren van bijdragen van diverse fNIRS-sensorconfiguraties en parameters, zoals optische padlengte, detectoroppervlak en detectorscheiding van de bron. 32 34

Bij het rapporteren van een array-ontwerp in een publicatie, raden we ten zeerste aan om een ​​diagram van de array op te nemen dat specificeert: (1) het totale aantal bron- en detectorposities (2) het totale aantal kanalen en (3)' x000a0de verdeling van brondetectiescheidingen. Het is ook nuttig om, waar mogelijk, een foto op te nemen van de array op zijn plaats op een deelnemer. Dit kan aanvullende informatie opleveren over het fysieke ontwerp en de ergonomie van de array. Afbeeldingਂ toont een voorbeeld.

Voorbeeld van een optode-array opgezet met 12/14 bron/detectoren, resulterend in 34 kanalen over de prefrontale cortex met een scheiding van 30 mm. Gevoeligheidsprofiel in stam 10 ( mm − 1 ) . Visualisatie met AtlasViewer. 14

Het proces van plaatsing en registratie van de array aan het hoofd van de deelnemers moet ook nauwkeurig worden beschreven om de reproduceerbaarheid tussen deelnemers en tussen studies te vergemakkelijken. Bron- en detectorlocaties (of een subset daarvan) moeten worden beschreven in relatie tot craniale oriëntatiepunten zoals de neus, inion, oren (bijv. de preauriculaire punten) en/of elektro-encefalografie (EEG) 10-20, 10-10, en 10-5 oriëntatiepunten. Dit kan direct worden opgemerkt (bijv. “Source 1 werd geplaatst op 10-20 positie C3.”) of relatief (bijv. “Source 1 werd geplaatst op de middellijn 3਌m boven de nasion.”) .

Het wordt ook sterk aanbevolen om de locatie van de fNIRS-array en de bijbehorende kanaalgevoeligheidsverdelingen te rapporteren ten opzichte van de onderliggende corticale macroanatomie. Deze anatomische locaties kunnen vervolgens worden gerapporteerd in termen van gyrale labels (bijv. Inferieure frontale gyrus), Brodmann-gebieden (bijv. BA44), Montreal Neurological Institute-coördinaatruimte, Talairach-coördinaatruimte, 35 of via het opnemen van figuren die de corticale gevoeligheidskaart weergeven gekoppeld aan de array. 36

Er moet ook een beschrijving worden gegeven van hoe deze anatomische locaties werden bepaald. De eenvoudigste registratiebenadering is bijvoorbeeld om de array te positioneren ten opzichte van bepaalde 10-5 coördinaten en direct de onderliggende anatomie te bepalen via de 10-5 coördinaten van een atlasmodel. 12 Dit veronderstelt echter dat de array-positionering identiek is voor alle deelnemers en dat de atlas een nauwkeurig model van het cohort biedt. Als alternatief kan deelnemerspecifieke registratie van de fNIRS-array worden uitgevoerd met behulp van informatie die is afgeleid van driedimensionale (3D) positioneringssystemen, neuronavigatietechnologieën of via fotogrammetriebenaderingen. 26 , 37 , 38 In dit geval kunnen onderzoekers bovendien de variantie in de optode-locaties op de hoofdhuid en/of de variantie in de onderliggende macroanatomie rapporteren. Elk instrument, software of verwerkingsbenadering die wordt gebruikt om ruimtelijke registratie te bereiken en op welke veronderstellingen deze benaderingen vertrouwen, moet worden beschreven. Als een atlas wordt gebruikt, moet de bron van de atlas worden vermeld en moeten de beperkingen die aan het gebruik van die atlas zijn verbonden, worden erkend.

3.3.3. Voor publicaties over instrumentatie/hardwareontwikkeling

Naarmate de vooruitgang in nieuwe fNIRS-ontwerpen en -innovaties over de hele wereld voortduurt, zijn 39 specifieke richtlijnen en standaardisaties nodig om de inspanningen te stroomlijnen en de acceptatie van de nieuwe technologieën te versnellen. Deze inspanningen kunnen worden vergemakkelijkt door eerst het gebruik van standaardnaamgevingsconventies in apparaatspecificaties te verspreiden (zie voorbeeldnomenclatuur in Tabel'x000a02 ). Terwijl voor oudere apparaten een verwijzing naar een document waarin het apparaat wordt beschreven voldoende kan zijn, als de focus van het papier is om nieuwe technologie te presenteren, moet een beschrijving van het nieuwe apparaat (1)ਊ hardwareblokschema bevatten, dat verbindingen en controlemechanisme, (2) softwarestroomschema, dat de informatiestroom en de besturing van hardwarecomponenten en data-acquisitieprotocol beschrijft, (3) het type lichtbron en detectoren, (4)ꃞ maatregelen die zijn genomen om externe vervuiling en overspraak over kanalen heen (zoals tijdmultiplexing, frequentiemultiplexing of een combinatie van beide), en indien mogelijk (5) schakelschema's van belangrijke componenten en individuele onderdeelnummers. Als digitale kopmodellen worden gebruikt om het hardwareontwerp te begeleiden, moeten deze correct worden vermeld.

Tafel 2

KanaalUniek/onafhankelijk meetgebied dat het systeem kan registreren.
Opmerking: Elke tijdreeks die afkomstig is van dezelfde optode, zoals verschillende golflengten of zuurstofarme/gezuurde hemoglobine, behoort nog steeds tot dezelfde kanaalmeting.
DPFDe schaalfactor die de afstand van de detector van de geometrische bron relateert aan de gemiddelde padlengte die het licht aflegt tussen de bron en de detector binnen het gehele bemonsteringsgebied, verklaart de grotere afstand die het licht aflegt van de bron naar de detector als gevolg van verstrooiing.
KaderEén gelijktijdige/corresponderende steekproef van alle kanalen.
Frame rateSnelheid waarmee frames zijn opgenomen in Hz.
Frequentie multiplexingOnderscheid maken tussen verschillende kanalen door de bronnen te moduleren op niet-overlappende frequenties.
Gemiddelde padlengteHet padlengtelicht reist binnen het gehele bemonsteringsgebied (bron'x02013detectorafstand vermenigvuldigd met DPF).
Gedeeltelijke padlengteHet padlicht reist binnen de fractie van het weefsel dat van belang is, bijvoorbeeld voor functionele hersenactivatie, dit is het pad alleen in het geactiveerde gebied (bron'x02013detectorafstand vermenigvuldigd met partiële padlengtefactor).
Gedeeltelijke padlengtefactorDe schaalfactor die de afstand van de detector van de bron relateert aan de gemiddelde padlengte die het licht binnen het geactiveerde gebied aflegt.
Gedeeltelijk volume-effectOnderschatting van de concentratieveranderingen vanwege het feit dat veranderingen in hemoglobine plaatsvinden in een brandpuntsgebied in plaats van in het gehele bemonsteringsgebied.
Gedeeltelijke volumefoutFout die optreedt wanneer het partiële volume-effect verschilt tussen de verschillende golflengten, wat kan leiden tot omgekeerde sporen.
Bemonsteringsfrequentie:Aantal samples verzameld per seconde (in Hz) van elk kanaal.
Tijd multiplexenVerschillende kanalen onderscheiden door ze één voor één of in groepen aan te zetten.

Het type lichtbron (laser/LED), specifieke golflengten en het uitgestraalde vermogen per oppervlakte-eenheid (bijv. 0,2    W / cm 2 ) moeten worden gerapporteerd om het veiligheidsniveau en de mogelijke classificatie van het apparaat te beoordelen. Blootstelling aan NIR-licht van ogen en huid (indien nodig, blootstelling na beschermende uitrusting) moet binnen universeel aanvaarde veiligheidsnormen blijven, zoals de International Standard for Safety of Laser Products 40 of de International Standard for Photobiological Safety of Lamps and Lamp Systems. 41

Het type lichtdetector (bijv. pin-fotodiode, lawinefotodiode, fotomultiplicatorbuis, enkele foton lawinedetector, enz.), de configuratie (bijv. fotodiode met één pixel, fotodiode-array, afbeeldingsladingsgekoppeld apparaat, enz.), het lichtgevoeligheidsprofiel voor specifieke golflengten van belang (versterking, ruisfactoren en ruisequivalentvermogen) en de stijl van de huidinterface (direct contact, gebruik van lichtgeleiders of vezels) moeten worden opgemerkt.

Voor ontwikkelaars en fabrikanten van fNIRS-instrumentatie, met name voor wettelijke goedkeuring, is het essentieel om op de hoogte te zijn van de recent gepubliceerde International Electrotechnical Commission (IEC)/International Organization for Standardization (ISO)-standaard voor fNIRS-apparatuur (IEC 80601-2-71), een bepaalde norm in de 60601-familie van normen voor medische elektrische apparatuur. 42 Zoals bij elk elektrisch instrument moeten productveiligheidstesten onafhankelijk worden gecertificeerd (bijv. Underwriters Laboratories-UL-markering in de Verenigde Staten, Consumer Electronics-CE-markering in de EU, Product Safety Electrical Appliance and Materials-PSE in Japan en China Compulsory Certificate -CCC-keurmerk in China). Voor universitaire systemen zou dit kunnen worden gedaan via biomedische technische afdelingen van ziekenhuizen in het ziekenhuis die de elektrische veiligheid van deze onderzoeksapparatuur testen voordat ze bij mensen worden gebruikt. Voor universitaire onderzoekers is voor het gebruik van nieuwe optische beeldvormingsapparatuur voor de hersenen in klinische/onderzoeksstudies alleen de goedkeuring van de lokale ethische commissie vereist. Voor eventuele klinische toepassing zoals diagnostiek of therapie zijn verdere wettelijke goedkeuringen vereist (bijv. FDA in de Verenigde Staten, EU MDR in Europa, Pharmaceutical and Medical Device Act-PMDA in Japan, en National Medical Products Administration-NMPA, voorheen CFDA, in China).

Om vergelijkbaarheid en betrouwbaarheid in klinische onderzoeken te bereiken, moet gestandaardiseerde prestatiebeoordeling van fNIRS-instrumentatie op basis van speciale fantomen een belangrijk onderdeel zijn van de ontwikkeling van instrumentatie. De bovengenoemde IEC 80601-2-71-norm omvat ook verschillende prestatietests op troebele fantomen. De hoofdtest is gebaseerd op een fNIRS-fantoom met een realistische algehele demping en een veranderlijk intern diafragma om een ​​gedefinieerde dempingsverandering te creëren die overeenkomt met een bepaalde verandering in HbO 2 en Hb. Andere op fantoom gebaseerde tests die in deze norm worden beschreven, omvatten signaalstabiliteit, responstijd, signaal-ruisverhouding (SNR) en signaaloverspraak.

Een meer uitgebreide prestatiekarakterisering en vergelijking van diffuse optische instrumenten en methoden wordt mogelijk gemaakt door verschillende protocollen die zijn gebaseerd op inspanningen voor consensusvorming in meerdere laboratoria [bijv. Optical Methods for Medical Diagnosis and Monitoring of Diseases (MEDPHOT)-protocol, Basic Instrumental Performance (BIP)-protocol, en niet-invasieve beeldvorming van hersenfunctie en ziekte door gepulseerd nabij-infraroodlicht (nEUROPt)-protocol]. 43 45 Het nEUROPt-protocol 45 is specifiek gericht op fNIRS-instrumentatie, gericht op het karakteriseren van contrast, contrast-ruisverhouding (CNR), laterale resolutie, dieptegevoeligheid en kwantificering van absorptieveranderingen in de hersenen. Het wordt geïmplementeerd door homogene troebele fantomen met kleine zwarte insluitsels, bijvoorbeeld een solide, solide schakelbare fantoom 46 en door tweelaagse fantomen. Er zijn andere fNIRS-fantomen gerapporteerd die de tijdelijke verandering van HbO2- en Hb-concentraties nabootsen, bijvoorbeeld door middel van elektrochrome variabele absorptiemiddelen 47 of beweegbare lagen. 48, 49 Hb-bevattende fantomen met variabele oxygenatie voor weefseloximetertesten 50 moeten ook kwantitatieve beoordeling van fNIRS-signalen mogelijk maken. Het creëren van anatomisch realistische dynamische fantomen kan een uitdaging zijn, maar het is mogelijk. 51 53

Papers describing instrumentation development should report the following data for the specific phantom tests that were performed: phantom type, its optical and geometrical parameters, the test arrangement including source�tector separation(s), and results of the test(s). For an example, see Ref.  54 .

Although commercially available fNIRS devices seldom come with an accompanying phantom, developers and manufacturers of fNIRS instrumentation could benefit from the adoption of established guidelines for phantom-based tests 55 for routine quality checks. An overall check of reproducibility of signal magnitude is useful to identify problems such as fiber breaking and degradation of light sources or detectors. If phantom-based routine tests are recommended by the manufacturer, the procedures adopted for the preparation and characterization of the phantom should be reported.

3.4. Preprocessing Steps

To facilitate the reproduction of scientific findings and to ensure that important processing steps are not skipped during analysis, the methods section should include a detailed description of all the data analysis steps. Figureਃ summarizes the main preprocessing steps in an fNIRS data analysis pipeline and the following sections present the expected level of detail with which they should be presented in the methods section.


A neuronal model of vowel normalization and representation

A speculative neuronal model for vowel normalization and representation is offered. The neurophysiological basis for the premise is the “combination-sensitive” neuron recently documented in the auditory cortex of the mustached bat (N. Suga, W. E. O'Neill, K. Kujirai, and T. Manabe, 1983, Journal of Neurophysiology, 49, 1573–1627). These neurons are specialized to respond to either precise frequency, amplitude, or time differentials between specific harmonic components of the pulse-echo pair comprising the biosonar signal of the bat. Such multiple frequency comparisons lie at the heart of human vowel perception and categorization. A representative vowel normalization algorithm is used to illustrate the operational principles of the neuronal model in accomplishing both normalization and categorization in early infancy. The neurological precursors to a phonemic vocalic system is described based on the neurobiological events characterizing regressive neurogenesis.


Can a brain process auditory signals at 18 weeks of human development? - Biologie

a Division of Biotechnology, Dalian Institute of Chemical Physics, Chinese Academy of Sciences, 457 Zhongshan Road, Dalian 116023, China
E-mailadres: [email protected]
Fax: +86-411-84379059

b Center for Excellence in Brain Science and Intelligence Technology, Chinese Academy of Sciences, Shanghai, China

c University of Chinese Academy of Sciences, Beijing 100049, China

d Key Laboratory of Separation Sciences for Analytical Chemistry, Dalian Institute of Chemical Physics, Chinese Academy of Sciences, China

Abstract

Brain organoids derived from the self-organization of human induced pluripotent stem cells (hiPSCs) represent a new class of in vitro organ system for modeling brain development and diseases. However, engineering brain organoids in a biomimetic environment that is favorable for brain development remains challenging. In this work, we present a new strategy to generate hiPSCs-derived 3D brain organoids using an organ-on-a-chip system in a controlled manner. This system provides a biomimetic brain microenvironment by incorporating three-dimensional (3D) Matrigel, fluid flow and multicellular architectures of tissues that allows for extended 3D culture, ter plaatse neural differentiation, and organization of brain organoids on a single device. The generated brain organoids display well-defined neural differentiation, regionalization and cortical organization under perfused culture conditions, which recapitulate the key features of early human brain development. Moreover, the brain organoids exhibit an enhanced expression of cortical layer markers (TBR1 and CTIP2) under perfused cultures as compared to that under static cultures on a Petri dish, indicating the role of mechanical fluid flow in promoting brain organogenesis. The simple and robust brain organoids-on-a-chip system may open new avenues for various stem cell-based organoids engineering and its application in developmental biology and human disease studies.


Toegangsopties

Krijg volledige toegang tot tijdschriften voor 1 jaar

Alle prijzen zijn NET prijzen.
De btw wordt later bij het afrekenen toegevoegd.
De belastingberekening wordt definitief tijdens het afrekenen.

Krijg beperkte of volledige toegang tot artikelen op ReadCube.

Alle prijzen zijn NET prijzen.


Discussie

HI Listeners Have Poor Spatial Acuity, Poor Spatial Selective Auditory Attention, and Weak Attentional Modulation.

NH listeners, as a group, demonstrate better spatial acuity, have better selective attention performance, and show larger changes in neural responses based on attentional focus than HI listeners. In addition to these group differences, on an individual level, differences in performance on the attention task are correlated both with neural measures of attentional modulation and with ITD sensitivity.

These results are similar to past results in NH listeners showing that attentional modulation of cortical responses predicts individual performance on selective auditory attention tasks (18, 22, 25). The relationship between attentional modulation and spatial acuity found in the current study suggests that spatial acuity determines how “selective” attention to a stream from a particular location can be, which then impacts how strongly other streams from other locations will be suppressed. In our study, we also find that hearing loss correlates with ITD thresholds that is, listeners with the greatest hearing loss tend to have the worst ITD sensitivity. If a listener has hearing loss that produces poor spatial acuity, they will suppress interfering streams only weakly, making it harder for them to analyze the target stream. This helps explain some of the communication difficulties that listeners with hearing loss experience in noisy social settings.

Effects of Hearing Loss on Selective Attention Performance Depend on the Experimental Details.

Hearing loss is known to degrade performance on spatial selective auditory attention tasks using competing speech streams (2 ⇓ –4). We find similar results using a task in which listeners identified simple melodies in the presence of competing melodies from different lateral positions. Previous studies have also demonstrated that hearing loss is associated with poorer binaural acuity (1), similar to what we report here. However, past efforts to document relationships among hearing status, binaural acuity, and spatial selective auditory attention in speech mixtures have met with mixed results: While some have found correlations among these measures (5), the correspondence is not always clear (6).

The current results help to resolve some of these apparent discrepancies. Our EEG results show that HI listeners suppress a lateral Distractor less than do NH listeners when the target stream is at midline. In contrast, our NH listeners are good at suppressing the Distractor no matter what the lateral position of the target or its position relative to the Distractor. Behaviorally, we see that both NI and HI listeners are generally poorer when a target is at midline compared with when it is to one side that is, the most challenging spatial configuration, behaviorally, is the condition where HI listeners show the greatest deficits in neural suppression. However, the size of the behavioral SLA depends on the general level of performance, with little effect near floor or near ceiling.

Together, these results are consistent with the idea that hearing loss, which produces poor spatial acuity, is associated with a “broader” attentional spatial filter. In turn, a broader spatial filter produces weak segregation and suppression in some, but not all, listening conditions. For instance, if competing sound sources are separated by more than a listener’s “attentional beam width,” then spatial acuity will be a poor predictor of performance, which will be good in general. Similarly, if the competing sources are so close together that even the best listeners have trouble resolving them, then spatial acuity will also fail to predict performance. Given this logic, whether or not one finds a clear relationship between spatial acuity and the ability to understand speech amid spatially separated competitors will depend on the exact spatial configurations and population of listeners tested.

In the current study, the adjacent streams had ITDs that differed by either 205 μs (small ITD) or 699 μs (large ITD). ITD thresholds in our NH group were all under 50 μs, but ranged from under 50 μs to near 200 μs in our HI group (Fig. 6). As these thresholds are the smallest ITDs that can be reliably detected, they are undoubtedly smaller than the “width” of spatial attentional focus. Given that ITD discrimination thresholds for many of our HI listeners were of the same magnitude as the ITDs separating the competing sources, it is no surprise that many did quite poorly on the spatial selective attention task, with some performing at chance levels. While none of our NH listeners were at chance performance, the small ITD separation was still small enough to produce some perceptual interference for many listeners. Thus, because the small ITD separation tested here was “on the edge” of what NH listeners can reliably use when focusing spatial attention, our results revealed strong correlations between spatial acuity and performance.

Attentional Focus Increases over Time for NH but Not HI Listeners.

A spatial cue directing a subject’s attention toward the location of an upcoming visual target causes anticipatory modulation of responses in visual cortex, even before the visual target occurs (26 ⇓ ⇓ ⇓ –30). Evidence of preparatory activity in anticipation of an upcoming target has been shown in previous auditory studies, as well (23, 24). Such results suggest that responses evoked by a subsequent sound will be relatively strong when the incoming sound matches the expected attributes of the target, and relatively weak when there is a mismatch. In the current study, a visual cue for where to attend was provided at the start of each trial. However, we find no evidence of spatially tuned suppression in the responses evoked by the leading note of the Distractor (Fig. 4). Instead, the response to the first Distractor note varied only with absolute spatial location, with lateral notes evoking stronger responses, consistent with previous reports (31). This suggests that any top-down filtering is overridden by the Distractor onset, which is inherently salient. The idea that sudden onsets are inherently salient enough to override any top-down effects of attention may also explain why neither NH nor HI listeners show evidence of any significant attentional modulation of the first notes of either the Leading or Lagging Streams.

For NH listeners, we find that the strength of attentional modulation increases over time, reducing interference from competing streams with each subsequent note. This increase in suppression may be the neural correlate of the observation that the ability to analyze an attended speech stream improves over time in the presence of spatially separated distractors in NH listeners (32, 33). Such “buildup of attention” likely reflects the gradual formation and refinement of auditory objects through time, which provides the substrate for selective attention (12, 34). These results suggest that, at the start of a trial, listeners roughly steer attention to the expected location of an upcoming target, and then hone their attentional focus once they begin to hear the target.

Importantly, for our HI listeners, selective attention strength increases weakly, if at all, over time. This failure to build up suppression suggests that HI listeners may not have adequate spatial resolution to separate the target content from interfering sound content: Their focus of attention is so coarse, they cannot isolate enough of the target to refine attention further.

Caveats: Experience, Audibility, and Stimulus Salience May Impact Performance for HI Listeners.

We elected to test our subjects over headphones, without using hearing aids, and did not provide any frequency-specific compensation for hearing loss. We set the overall sound intensity of our three streams to be equal, and we set overall presentation levels to ensure the streams in our main task were clearly audible (Materialen en methodes). We cannot be sure exactly how these choices impacted results, but it is important to consider how they may have.

We did not explicitly ask our HI listeners whether or not they normally wear their hearing aids however, informally, based on our interactions with them, we estimate that less than half of them wear their hearing aids regularly. We also did not note any clear correspondence between task performance and regular hearing aid use. However, for listeners who normally wear aids, this experience may affect how they process spatial cues. Some listeners may wear an aid in only one ear, even though they have roughly symmetric losses, leading to an asymmetry in the sound levels that they hear every day compared with what they heard in the laboratory. For listeners who typically wear older or less-expensive bilateral hearing aids, the two aids generally process the signals reaching the left and right ears independently, leading to inconsistent and fluctuating spatial cues listeners who regularly wear such aids may have learned not to “trust” interaural difference cues. Alternatively, listeners wearing newer bilateral aids that tether processing across the ears to preserve interaural cues may be used to hearing very reliable spatial cues that are audible across a large range of frequencies. Thus, depending on the aids a listener uses every day, the weight they have learned to give to different spatial cues may vary. The question of how hearing aid usage—with different types of hearing aids—affects spatial processing is important and deserving of further attention. Still, our study shows that simple ITD thresholds are larger in HI listeners with greater hearing loss, and that poorer ITD thresholds are associated with poorer performance in a spatial selective attention task.

There are studies showing that interaural sensitivity is reduced at low sensation levels (SLs sound levels re detection threshold) (35 ⇓ –37), which may have contributed to the weaker ITD sensitivity we observed in our HI listeners. Thus, providing amplification to increase stimulus SLs might improve ITD sensitivity for our HI listeners. It would be interesting, in future work, to determine whether there is such an improvement with increased SL, and, if there is, whether it translates into improved selective auditory attention and attentional modulation in HI listeners. Certainly, there are examples in the literature demonstrating that increased audibility can improve the intelligibility of speech presented against spatially separated interferers (7) however, because speech intelligibility itself will improve as audibility improves, there is no way to know if this is a spatial effect. A nonspeech paradigm like ours may help tease apart whether such improvements are due to enhanced spatial attention or simply better transmission of speech information.

There is another potential effect of audibility in the present study that deserves some consideration. Our HI listeners all had sloping hearing losses. The Leading, Lagging, and Distractor Streams differed in spectral content: The Distractor Stream content ranged from 276 Hz up to 951 Hz, the Leading Stream content ranged from 113 Hz up to 4,090 Hz, and the Lagging Stream content ranged from 177 Hz up to 6,402 Hz. As a result, the different streams were differentially affected by hearing loss. Indeed, each stream ended up being at a different SL for our HI listeners.

Differences in spectral content of the Leading and Lagging Streams, and how spectral content interacts with sloping hearing loss, may explain a subtle difference between performance for NH and HI listeners. We find that NH listeners perform better for the high-pitched, Lagging Stream than for the lower-pitched Leading Stream. This suggests that, for the NH listeners, the Lagging Stream is inherently more salient and easier to attend than the Leading Stream. In contrast, our HI listeners do not show this effect. However, because of their hearing loss, poor audibility of the high-frequency components in the Lagging Stream may reduce its inherent salience for our HI listeners, negating the effect seen in NH listeners.

The Distractor Stream has less high-frequency content than either the Leading Stream or the Lagging Stream, with the highest component below 1,000 Hz. As a result, compared with NH listeners, our HI listeners may find the Distractor Stream relatively more salient and more distracting, which may contribute to their overall poorer performance on the spatial selective attention task. For instance, the worst NH listeners showed almost no attentional modulation, yet were still able to perform well above chance levels, while our worst HI listeners were at chance. It may be that, in cases where “online” attentional modulation fails, listeners make judgments based on the raw, unmodulated sound mixture represented in the brain. In cases where one sound source in that raw mixture is dominant, but not the “target” source, the inherent dominance of the nontarget source may make it impossible for a listener to understand the target (e.g., for an HI listener for whom the Distractor Stream is relatively salient). However, if the competing sources in the raw sound mixture are more equal in their salience, a listener may still be able to pull out information from the target, especially if the target sound has audible components that are not overlapping spectrally with competing sounds in the mixture (e.g., for a NH listener, where the high-frequency components of the Lagging Stream are audible and not masked by any of the competing sounds).

However, differences in salience of the competing streams cannot explain all of the effects of hearing loss we find. In particular, we manipulated laterality of the competing streams using only ITDs therefore, any differences in performance or in attentional modulation with the spatial configuration of the streams cannot be explained by salience, since the spectral content of the mixture reaching the ears is the same for all configurations. We find that, like NH listeners, HI listeners perform better when the stimuli are separated with large ITDs than with small ITDs (Fig. 2EEN) and that listeners who are not at floor are better when the target is to the side than when it is at midline (Fig. 2B). Importantly, as a group, HI listeners are as good as NH listeners at suppressing the Distractor when the target is to the side, even for the relatively low SL streams they are hearing however, when HI listeners are trying to attend to a target stream at midline, they suppress a Distractor with identical spectral content less completely than do NH listeners. These results show that the spatial configuration of the streams, not just their spectral content or loudness, influences both performance and neural suppression of competing streams in our HI listeners. These differences between NH and HI listeners thus cannot be due solely to differences in inherent salience of the stimuli, but instead must reflect, at least in part, differences in the efficacy of spatial processing in the two groups.

We find a close correspondence between broadband ITD thresholds, the strength of attentional modulation of neural signals, and performance. These relationships, coupled with the fact that HI listeners show particular deficits in performance for some spatial configurations of the sources, support the view that HI listeners suffer from reduced binaural acuity, which impairs selective attention performance. Still, further experiments are necessary to tease apart how differences in overall salience of the streams comprising a sound mixture contribute to differences between NH and HI listeners.

Technologies That Rely on EEG Signatures of Attention May Face Challenges in HI Listeners.

There has been a recent surge of research showing that attentional focus can be decoded from neural signals (18 ⇓ ⇓ –21), but the vast majority of this research has been conducted on listeners with normal hearing. Our results complement those of one recent study showing that hearing loss negatively impacts cortical tracking of an attended speech stream in a two-talker mixture (38). Like this other study, we find that the EEG responses in HI listeners are less influenced by attentional focus than those in NH listeners. Moreover, the HI listeners who perform least well in the spatial selective attention task show little or no attentional modulation of their neural responses.

This observation has important implications for future technology development. Specifically, there has been increasing interest in developing hearing aids that incorporate EEG signals as an input to guide signal processing in complex scenes (19, 39 ⇓ –41). Unfortunately, this approach relies upon hearing aid users effectively modulating their neural responses based on attentional focus in order for decoding algorithms to read out cognitive intent. The current study suggests that the very listeners who are the most in need of assistance from such listening devices show almost no neural signatures of attention, making the problem of developing a useful “cognitively guided hearing aid” even more challenging.


Materialen en methodes

Participants.

Twelve participants (six males, six females) with normal or corrected to normal vision participated in this study. All participants provided written informed consent, and the experimental protocol was approved by the Stanford University Institutional Review Board. Each individual participated in three fMRI sessions: two used to fit and validate the two-temporal channel model and one session in which we conducted population receptive field (pRF) mapping (25) to define retinotopic cortical regions and another experiment to define human motion-sensitive area (hMT+) (63 ⇓ –65). Detailed materials and methods can be found in SI-materialen en -methoden.

Temporal Channels Experiments.

To obtain data that can be used to estimate and test the two temporal channel-encoding model, we introduce an fMRI paradigm that estimates independent sustained and transient contributions to fMRI responses across visual cortex using three experiments. All three experiments used the same stimuli, trial durations, and task and only varied in their temporal presentation of the stimuli as detailed below and illustrated in Fig. 1.

Experiment 1—largely sustained stimulation.

Phase-scrambled images were shown in trials of varying durations (2, 4, 8, 15, or 30 s per trial), in which a single phase-scrambled image was shown for the entire duration of the trial (Fig. 1, blue). Before and after each trial, there was a 12-s baseline period (blank gray screen matched to the mean luminance of the stimuli). Across trials, the numbers of stimuli (one per trial) and transients (at the onset and offset of each stimulus) are matched just the duration of sustained stimulation varies. This experiment was designed to primarily activate the sustained channel, especially in the long trials.

Experiment 2—largely transient stimulation.

Experiment 2 used the same trial durations and general experimental design as experiment 1, except that, in each trial, 30 different phase-scrambled images were shown briefly, each for 33 ms. Thus, the number of stimuli, number of transients, and total duration of visual stimulation are matched across trial durations in experiment 2. The only factor that varied across trials was the ISI between consecutively presented images. The ISI consisted of a blank mean luminance screen that was 33-ms long in the 2-s trials, 100 ms in the 4-s trials, 233 ms in the 8-s trials, 467 ms in the 15-s trials, and 967 ms in the 30-s trials (Fig. 1, red). This experiment was designed to maximally drive the transient channel and minimally the sustained channel, since each image was shown for only 33 ms.

Experiment 3—combined sustained and transient stimulation.

Experiment 3 used the same design as experiment 2, except that, in each trial, we presented 30 different phase-scrambled images in a continuous fashion without an ISI between sequential images. The durations of images (67, 133, 267, 500, or 1,000 ms per image) varied across trials that were matched in length to experiment 1, whereby the 67-ms presentations occurred in the 2-s trials and the 1,000-ms presentations occurred in the 30-s trials (Fig. 1, green). This experiment was designed to drive both the sustained and transient channels, because (l) during the entire trial duration, there was always a stimulus on the screen and (ii) there were always 30 different images per trial.

In all three experiments, participants were instructed to fixate on a small central dot and respond by button press when it changed color (occurring randomly once every 2–14 s, 8 s on average).

Data Acquisition.

MRI data were collected using a 3-T GE Signa MR750 scanner at the Center for Cognitive and Neurobiological Imaging at Stanford University.

We used a Nova 16-channel visual array coil (novamedical.com) to give participants a large unobstructed visual field of view. In each participant, we acquired two partially overlapping oblique slice prescriptions in separate scan sessions that together fully cover occipitotemporal cortex [resolution: 2.4 × 2.4 × 2.4 mm one-shot T2*-sensitive gradient echo acquisition sequence: field of view (FOV) = 192 mm, echo time (TE) = 30 ms, repetition time (TR) = 1,000 ms, and flip angle = 73°]. We also collected T1-weighted in-plane images with the same prescription as the functional data to align each participant’s data to their high-resolution whole-brain anatomy.

In a separate session, we obtained pRF mapping and hMT+ localizer data with the same receptive field coil setup and spatial resolution using 28 oblique slices covering the same brain volume but with a longer TR (resolution: 2.4 × 2.4 × 2.4 mm one-shot T2*-sensitive gradient echo acquisition sequence: FOV = 192 mm, TE = 30 ms, TR = 2,000 ms, and flip angle = 77°). We again collected T1-weighted in-plane images in the same prescription to finely align in-plane data to the whole-brain anatomy of each participant.

Anatomical MRI.

We acquired a whole-brain anatomical volume in each participant using a Nova 32-channel head coil [resolution: 1 × 1 × 1 mm T1-weighted BRAVO pulse sequence: inversion time (TI) = 450 ms, flip angle = 12°, number of excitations (NEX) = 1, FOV = 240 mm].

Data Analysis.

Data were analyzed with MATLAB using code from vistasoft (https://github.com/vistalab) and FreeSurfer (freesurfer.net).

Data preprocessing.

Functional data were aligned to each participant’s native anatomical space using T1-weighted in-plane images, and volumes acquired within the first 8 s of each run were discarded to allow time for magnetization to stabilize. We then performed slice time correction and motion compensation (within and between scans) and transformed voxel time series to units of percentage signal change. To normalize the baseline level of response across experiments, we subtracted from time points in each run the mean signal across the 4-s periods preceding the trial onsets in each run. This baseline removal procedure centers the mean response for the blank screen around zero to improve cross-validation performance (66) and to enable comparison of trial responses relative to the blank baseline.

Two-temporal channel model.

In typical analysis of fMRI responses (18, 24), the stimulus vector is convolved with the HRF to obtain a prediction of the fMRI response. However, this model does not account for distinct temporal channels of neural responses (32 ⇓ –34, 67). To generate predicted fMRI responses accounting for the temporal channels, we implemented an encoding approach similar to that of Horiguchi et al. (38). Code for implementing the two-temporal channel model is freely available online: https://github.com/VPNL/TemporalChannels.

The model illustrated in Fig. 3 shows the procedure. First, we estimate the neural response of each channel by convolving the stimulus (Fig. 3EEN) separately with the neural IRF for the sustained channel (Fig. 3B, blue channel IRF) and the transient channel (Fig. 3B, red channel IRF). This generates the predicted neural response to the visual stimulus for each channel. Second, the estimated neural responses for each channel are convolved with the HRF (Fig. 3C) and summed to generate a prediction of the fMRI response. We use a GLM to solve for the contributions of the sustained and transient channels (β weights) given the measured fMRI responses. Thus, the BOLD response can be expressed as BOLD Response = β S ( [ stimulus ⊗ I R F S ] ⊗ H R F ) + β T ( [ stimulus ⊗ I R F T ] 2 ⊗ H R F ) ,

where β S and β T are fitted response amplitude scalars for the sustained and transient channels, respectively I R F S and I R F T are the impulse responses functions for the sustained and transient channels, respectively and H R F is the canonical HRF.

The sustained neural channel is characterized by a monophasic IRFS that generates a response for the entire duration of a stimulus. The transient neural channel is characterized by a biphasic IRFt that generates a brief response at the onset and offset of an image (32 ⇓ –34, 36, 37). The transient channel also contains a nonlinearity (squaring operation) that generates positive responses both from the onset and from the offset of the stimulus, as firing rates associated with transient on or off responses are positive (68) and metabolically demanding (38, 41). We also implemented an otherwise identical model, except for a rectification to the transient channel (instead of squaring) to generate a positive on response but no off response. In both cases, the nonlinearities in this model are at the neural level, and a linear relationship is assumed between the neural and BOLD responses. The predictions and performance of these two dual channel models are indistinguishable in our data, and therefore, results from the original quadratic implementation are presented unless otherwise noted.

Modeling the neural impulse response.

Our model used IRFs estimated from human psychophysics (37) (Fig. 3B) to approximate the temporal sensitivity of the human visual system. These IRFs are expressed as the difference between excitatory and inhibitory linear filters. The excitatory filter is expressed as h 1 ( t ) = u ( t ) ⋅ [ τ ( n 1 − 1 ) ! ] − 1 ⋅ ( t τ ) n 1 − 1 ⋅ e − t τ ,

where u ( t ) is the unit step function at time t, τ is a fitted time constant, and n 1 is the number of stages in the excitatory filter. The inhibitory filter incorporates the same time constant and is expressed as h 2 ( t ) = u ( t ) ⋅ [ κ τ ( n 2 − 1 ) ! ] − 1 ⋅ ( t κ τ ) n 2 − 1 ⋅ e − t κ τ ,

where κ is the ratio of time constants for the two filters and n 2 is the number of stages in the inhibitory filter. Both the sustained and transient channel IRFs are derived with the formula h c ( t ) = ξ [ h 1 ( t ) − ζ h 2 ( t ) ] ,

where the normalization parameter ξ is used to match the height of the functions and is equal to 1 for IRFS and 1.44 for IRFt. The transience parameter ζ is equal to zero for IRFS en een voor IRFt.

The other parameters are taken from Watson (37) and are τ = 4.94 ms, κ = 1.33, n 1 = 9, and n 2 = 10.

Modeling the visual input.

Since the neural impulse response to a stimulus occurs on a millisecond timescale, we code each stimulus sequence in milliseconds. The stimulus is coded as a binary vector of ones and zeros, where one represents the presence of a stimulus and zero indicates when there is no stimulus, just a blank mean luminance screen (Fig. 3EEN). To capture the digital transitions of the display (constrained by the 60-Hz refresh rate of the projector), a 17-ms gap is coded at the offset of each image. Next, the stimulus vector is convolved separately with each channel IRF to generate separate sustained and transient neural response predictors (Fig. 3B). To model the corresponding fMRI responses from each channel, each of the two neural response predictors is convolved with an HRF (Fig. 3C) that was sampled at the same high (millisecond) temporal resolution of the neural response predictors. Here, we slightly adapted the parameters of the canonical HRF implemented in SPM8 (www.fil.ion.ucl.ac.uk/spm/software/spm8) to better capture the rise and fall of the BOLD response in our measurements (delay of peak response = 5 s, delay of undershoot = 14 s, kernel length = 28 s).

Fitting the two-temporal channel model.

Since the HRF acts as a low-pass temporal filter, this enables us to resample the predicted fMRI response to the lower temporal resolution of the acquired fMRI data (TR = 1 s). This resampled fMRI response predictor is compared with measured fMRI responses to solve for the contributions (β weights) of each channel. We normalized the predicted fMRI responses across the two channels, such that the maximal height is the same across both predictors. Then, we used a GLM to estimate the β weights of the sustained (βS) and transient (βt) predictors by comparing the predicted responses with the measured response using data concatenated across all runs of experiments 1 and 2. For ROI analyses, the GLM is applied to the mean response of each visual area in each participant. Quantification of model performance in each of experiments 1 and 2 is presented in Fig. 4 NS en E for V1, Fig. 5E for hV4 and hMT+, and Fig. S3 for all ROIs. The predicted fMRI responses generated by the model are shown in Fig. 4EEN for V1 and Fig. S2 for other ROIs.

Validating the two-temporal channel model.

We assessed the predictive power of the two-temporal channel model by testing how well it predicts responses in independent data obtained in experiment 3. Thus, we coded the visual stimulation of experiment 3 in the same manner described above and convolved it separately with the IRFs of the sustained and transient neural channels to generate the neural predictors. These neural predictors were then convolved with HRF and down-sampled to 1 s. Then, we multiplied each channel’s fMRI response predictor with its respective β weight (βS of βt) that was estimated with independent data concatenated across experiments 1 and 2. We then tested how well the predicted responses matched the measured response in experiment 3. Model performance was operationalized as cross-validated R 2 , also known as the coefficient of determination (that is, the proportion of response variance explained using β weights that were estimated from independent data). Although conceptually like the classical R 2 statistic, cross-validated R 2 can be negative when the residual variance of an inaccurate prediction exceeds the variance in the measured response. Quantification of cross-validation performance is shown in Fig. 4F for V1, Fig. 5E for hV4 and hMT+, and Fig. S3NS for all ROIs. The predicted fMRI responses generated by the model are shown in Fig. 4B and Fig. S1 for V1 and Fig. S2 for other ROIs.

Hemodynamic models.

For model comparison with the linear systems approach used in fMRI, we fit a GLM to the data. This model predicts fMRI responses by convolving a stimulation vector with the HRF (Fig. 3 EEN en C) and can be expressed as BOLD Response = β ( stimulus ⊗ H R F ) ,

where β is a fitted response amplitude scalars and H R F is the canonical HRF.

HTD model.

To test a hemodynamic model with two temporal channels, we fit an extension of the GLM proposed by Henson et al. (39) that incorporates an additional temporal derivative predictor to account for differences in the latency of BOLD responses across brain regions. This approach predicts fMRI responses as the weighted sum of a stimulation vector convolved with the canonical HRF and another factor convolved with the temporal derivative of the HRF ( H R F ' ), which can be expressed as BOLD Response = β 1 ( stimulus ⊗ H R F ) + β 2 ( stimulus ⊗ H R F ' ) ,

where β 1 and β 2 are fitted response amplitude scalars and H R F ' is the temporal derivative of the canonical H R F .

Balloon model.

To test if our results can be explained by a nonlinear hemodynamic model, we implemented a version of the balloon model proposed by Buxton et al. (17). This input–state–output model treats the brain’s vasculature as an inflatable balloon and describes the effect of blood flow on two state variables, v and q, that represent the blood volume and deoxyhemoglobin content, respectively. The state variables v and q vary over time as described by a system of flow equations and a balloon equation. The balloon component of the model can be expressed as BOLD Response = V 0 ( k 1 [ 1 − q ] + k 2 [ 1 − q v ] + k 3 [ 1 − v ] ) ,

where V 0 is the resting blood volume fraction (set to a standard value of 0.03) and the other parameters are calculated specifically for modeling fMRI signals measured at 3-T field strength ( k 1 = 6.7 , k 2 = 2.73 , and k 3 = 0.57 ). Constants used in the flow equations include the resting net oxygen fraction ( E 0 ), mean transit time ( τ M T T ) , a stiffness parameter (α), and a visoelastic time constant for inflation and deflation ( τ v ). Here, we used a standard set of values for these parameters across all regions: E 0 = 0.4, τ M T T = 2.5 s, α = 0.4, and τ v = 25 s.

As for the two-temporal channel model, we fit each hemodynamic model to data concatenated across all runs of experiments 1 and 2 and then, cross-validated the β weight using experiment 3 data.

Single-channel models with compressive nonlinearities.

The first implementation of the CTS model uses a static power law to explain subadditive temporal summation and adaptation effects observed in neural responses (40). This model can be expressed as BOLD Response = β ( stimulus ⊗ I R F τ ) ε ⊗ H R F ,

where β is a fitted response amplitude scalar, τ is a time constant that determines the shape of the neural IRF, and ε is an exponential term used to compress responses.

The next implementation of the CTS model applies compression using divisive normalization instead of a power law (40). This model can be expressed as BOLD Response = β ( stimulus ⊗ I R F τ ) 2 σ 2 + ( stimulus ⊗ I R F τ ) 2 ⊗ H R F ,

where β is a fitted response amplitude scalar, τ is a time constant that determines the shape of the neural IRF, and σ is a semisaturation constant.

The final implementation of a single-channel CTS model uses dynamic divisive normalization to compress responses (40). The dCTS predicts a prominent onset neural response and a subsequent declining continuous response for the remainder of the stimulus duration. This model can be expressed as BOLD Response = β ( stimulus ⊗ I R F τ ) 2 σ 2 + ( stimulus ⊗ I R F τ ⊗ L P F κ τ ) 2 ⊗ H R F ,

where β is a fitted response amplitude scalar, τ is a time constant that determines the shape of the neural IRF, σ is a semisaturation constant, and L P F is a low-pass filter parameterized by the time constant κ τ . The L P F generates the attenuation of the later response.

We fit each CTS model to data concatenated across all runs of experiments 1 and 2 and then, cross-validated the β weight using experiment 3 data. To optimize the values of τ, ε, σ, and κ for each session and ROI during the fitting stage, we used a custom two-stage nonlinear optimization procedure consisting of a grid fit routine followed by gradient descent.


Bekijk de video: zenuwstelsel deel 2 bloedvoorziening van de hersenen (Januari- 2022).