Tiểu não của con người và các kết nối vỏ não liên quan đến việc tăng cường trí nhớ cảm xúc Phần 3

Kết hợp lại với nhau, phân tích DCM đã chỉ ra rằng từ 25 ROI não liên quan đến việc tăng cường trí nhớ cảm xúc, 13 ROI cho thấy cường độ kết nối với tiểu não tăng lên, chủ yếu theo hướng từ tiểu não đến ROI vỏ não, trong hai trường hợp theo hướng ngược lại và hai trường hợp khác ở cả hai hướng.

Tâm trạng vui vẻ và tích cực có thể cải thiện trí nhớ của con người. Điều này là do cơ chế tăng cường trí nhớ cảm xúc giúp con người dễ dàng lưu trữ những thông tin quan trọng vào trí nhớ dài hạn hơn. Nghiên cứu cho thấy khi cơ thể con người trải qua những cảm xúc mạnh mẽ, cơ thể sẽ giải phóng các chất xúc tác kích hoạt các vùng liên quan đến cảm xúc của não, ảnh hưởng đến trung tâm nhận thức và học tập của não. Nói cách khác, việc tăng cường trí nhớ cảm xúc giúp chúng ta ghi nhớ thông tin sâu sắc hơn.

Trong cuộc sống hàng ngày, chúng ta có thể cải thiện trí nhớ bằng cách điều chỉnh cảm xúc. Chúng ta có thể lựa chọn một số hoạt động khiến mình cảm thấy vui vẻ và thoải mái, chẳng hạn như nghe bản nhạc yêu thích, trò chuyện với bạn bè, tập thể dục thư giãn, v.v. Ngoài ra, một số hành vi đơn giản cũng có thể giúp chúng ta duy trì tâm trạng vui vẻ, chẳng hạn như: ngủ đủ giấc, ăn uống điều độ và tập thể dục vừa phải.

Nói tóm lại, có một mối quan hệ chặt chẽ giữa việc tăng cường trí nhớ cảm xúc và trí nhớ. Những cảm xúc tích cực kích thích các vùng não liên quan đến trí nhớ, giúp chúng ta lưu trữ thông tin vào trí nhớ dài hạn dễ dàng hơn. Chúng ta có thể giúp bản thân cải thiện trí nhớ, hạnh phúc và thỏa mãn hơn trong cuộc sống bằng cách điều chỉnh cảm xúc của mình. Có thể thấy rằng chúng ta cần phải cải thiện trí nhớ của mình. Cistanche Deserticola có thể cải thiện trí nhớ đáng kể vì Cistanche Deserticola là một dược liệu cổ truyền của Trung Quốc với nhiều tác dụng độc đáo, một trong số đó là cải thiện trí nhớ. Hiệu quả của thịt băm đến từ các hoạt chất khác nhau có trong nó, bao gồm axit, polysacarit, flavonoid, v.v. Những thành phần này có thể tăng cường sức khỏe não bộ theo nhiều cách khác nhau.

Bấm biết 10 cách cải thiện trí nhớ

Những phát hiện này cho thấy tiểu não là một phần không thể thiếu của mạng kết nối liên quan đến việc tăng cường trí nhớ cảm xúc. Tuy nhiên, từ những kết quả này, chúng ta không thể suy ra mối liên hệ nào trong số này là quan trọng nhất. Vì ROI được xác định theo chức năng chứ không phải về mặt giải phẫu nên chúng tôi cũng không thể chỉ định các chất nền giải phẫu chính xác của ROI vỏ não. Chúng tôi đã chọn phương pháp này vì độ nhạy của việc phát hiện sự hiện diện của các kết nối có thể tăng lên bằng cách sử dụng ROI phù hợp với ranh giới chức năng (36).

Hậu quả của quy trình này là mất đi tính đặc hiệu về mặt giải phẫu và không có khả năng phân biệt giữa sự đóng góp của các cấu trúc giải phẫu riêng biệt trong một ROI nhất định. Hơn nữa, vì các DCM được thử nghiệm ở đây chỉ bao gồm hai nút nên chúng không xem xét liệu ảnh hưởng giữa tiểu não và ROI thứ hai có được điều hòa bởi các vùng bổ sung hay không. Do đó, giá trị của các tham số kết nối của chúng tôi có khả năng phản ánh cả kết nối trực tiếp và gián tiếp.

Những phát hiện hiện tại có thể góp phần hiểu rõ hơn về mạng lưới liên quan đến việc tăng cường trí nhớ cảm xúc trong điều kiện sinh lý. Hơn nữa, những phát hiện này cũng có thể có ý nghĩa trong việc tìm hiểu các tình trạng bệnh lý, chẳng hạn như rối loạn căng thẳng sau chấn thương (PTSD), vì sự hình thành dấu vết ký ức ác cảm quá mạnh sau một sự kiện không gây chấn thương là một cơ chế gây bệnh quan trọng trong sự phát triển của các rối loạn liên quan đến sợ hãi (1, 62, 63). Trong khi không thể điều tra sự hình thành ký ức ban đầu trong PTSD bằng fMRI, các nghiên cứu có thể điều tra các mối tương quan thần kinh của việc phục hồi ký ức sau chấn thương. Một nghiên cứu fMRI gần đây đã làm theo phương pháp này và nhận thấy sự kích hoạt não được tăng cường ở tiểu não (bao gồm cả nhộng), hồi chẩm, hồi trên biên và amygdala trong quá trình hồi tưởng chấn thương ở bệnh nhân mắc PTSD (64).

Ngược lại, tình trạng giảm hoạt động của tiểu não có thể liên quan đến tình trạng giảm khả năng tăng cường trí nhớ cảm xúc. Thật vậy, các nghiên cứu lâm sàng chỉ ra rằng các bệnh lý ảnh hưởng đến chức năng ngôn ngữ có liên quan đến một loạt các suy giảm nhận thức và cảm xúc, bao gồm các triệu chứng của rối loạn phổ tự kỷ (65, 66). Điều thú vị là, những bệnh nhân mắc chứng rối loạn phổ tự kỷ cho thấy sự thiếu hụt trong việc tăng cường cảm xúc về các ký ức từng giai đoạn (67, 68). Có thể những khiếm khuyết này một phần bắt nguồn từ những bất thường về cấu trúc và chức năng của vùng amygdala thường thấy trong rối loạn này (69, 70). Tuy nhiên, dựa trên các kết quả hiện tại, tình trạng giảm sản da trong rối loạn phổ tự kỷ cũng có thể góp phần làm suy giảm khả năng tăng cường cảm xúc của trí nhớ từng giai đoạn. Giả thuyết này cần phải được kiểm tra ở những bệnh nhân mắc chứng tự kỷ với các mức độ bất thường ở hạch hạnh nhân và thuỳ nhộng ở nhiều mức độ khác nhau.

Ngày càng có nhiều bằng chứng chỉ ra rằng tiểu não, đặc biệt là thùy nhộng tiểu não và các kết nối của nó với một số vùng não, bao gồm cả hệ viền, có liên quan đến các chức năng phi cảm xúc, bao gồm nhận thức cảm xúc, nhận biết cảm xúc, xử lý cảm xúc và điều hòa nỗi sợ hãi (27, 71) . Những phát hiện hiện tại gợi ý rằng tiểu não cũng là một phần của mạch liên quan đến việc tăng cường cảm xúc của trí nhớ từng giai đoạn. Trong mạch này, tiểu não nhận đầu vào từ một số vùng não bao gồm cả vùng đai, trong khi hạch hạnh nhân/hồi hải mã và một số vùng não khác nhận đầu vào từ tiểu não. Những phát hiện này mở rộng kiến ​​thức về vai trò của tiểu não trong các quá trình nhận thức và cảm xúc phức tạp và có thể liên quan đến sự hiểu biết về các rối loạn tâm thần với mạch cảm xúc bất thường, chẳng hạn như PTSD hoặc rối loạn phổ tự kỷ.

Nguyên liệu và phương pháp

Những người tham gia. Chúng tôi đã tuyển dụng những người tham gia trẻ, khỏe mạnh (872 nữ, 546 nam, tuổi trung bình=22,39 tuổi, SD=3,27). Quảng cáo được thực hiện chủ yếu tại Đại học Basel và trên các tờ báo địa phương. Những người tham gia không mắc bất kỳ bệnh thần kinh hoặc tâm thần nào, không dùng bất kỳ loại thuốc nào tại thời điểm thử nghiệm (ngoại trừ thuốc tránh thai nội tiết tố) và ở độ tuổi từ 18 đến 35 tuổi. Sức khỏe thể chất và tinh thần được đánh giá dựa trên bảng câu hỏi tiêu chuẩn. Thí nghiệm đã được phê duyệt bởi ủy ban đạo đức của bang Basel, Thụy Sĩ. Tất cả những người tham gia đều có văn bản đồng ý trước khi tham gia nghiên cứu. Trước khi phân tích, mẫu được chia thành mẫu khám phá (n=945, 2/3 tổng số người tham gia) và mẫu sao chép (n=473, 1/3 tổng số người tham gia) bằng cách chỉ định ngẫu nhiên những người tham gia vào một của các mẫu. Việc ngẫu nhiên hóa được thực hiện bằng hàm rand perm của Matlab. Không có sự khác biệt đáng kể giữa các mẫu khám phá và sao chép về độ tuổi, giới tính hoặc mức độ nâng cao trí nhớ cảm xúc (P Lớn hơn hoặc bằng 0.33, {{ 16}}kiểm tra hai bên, n=1,418).

Thí nghiệm: Quy trình. Những người tham gia trải qua bốn nhiệm vụ liên tiếp: nhiệm vụ mã hóa hình ảnh, nhiệm vụ ghi nhớ làm việc, bài kiểm tra trí nhớ tự do và nhiệm vụ nhận thức. Những người tham gia đầu tiên được hướng dẫn và sau đó được đào tạo về các nhiệm vụ mã hóa hình ảnh và trí nhớ ngắn hạn. Sau khi đào tạo, họ được đặt vào máy quét và nhận nút tai và tai nghe để giảm tiếng ồn của máy quét. Đầu của họ được cố định vào cuộn dây bằng những chiếc đệm nhỏ và họ được yêu cầu không được di chuyển. Hình ảnh được trình bày trong máy quét bằng kính hiển thị tinh thể lỏng tương thích MR (VisualSystem; NordicNeuroLab, Bergen, Na Uy). Hiệu chỉnh mắt được sử dụng khi cần thiết. Nhiệm vụ mã hóa hình ảnh kéo dài trong ∼ 20 phút. Ngay sau đó, những người tham gia thực hiện tác vụ bộ nhớ làm việc n-back (0-backand 2-back) trong máy quét trong ∼10 phút. Trong nghiên cứu hiện tại, nhiệm vụ ghi nhớ làm việc được sử dụng như một nhiệm vụ đánh lạc hướng giữa việc mã hóa và thu hồi bài kiểm tra trí nhớ. Do đó, chúng tôi đã không phân tích dữ liệu từ chính nhiệm vụ bộ nhớ làm việc (xem tài liệu tham khảo 72 để biết mô tả về nhiệm vụ). Sau khi rời khỏi máy quét, những người tham gia được làm một bài kiểm tra trí nhớ tự do không báo trước về các hình ảnh trong một phòng riêng biệt (không giới hạn thời gian). đã được đặt cho nhiệm vụ này). Sau khi thu hồi miễn phí, những người tham gia được đặt lại vị trí trong máy quét và thực hiện một nhiệm vụ nhận dạng (xem tài liệu tham khảo 73 để biết mô tả về nhiệm vụ). Những người tham gia nhận được 25 franc Thụy Sĩ/giờ để tham gia. Do những hạn chế về mặt tổ chức, chúng tôi đã phải thay đổi căn phòng nơi các bức ảnh được nhớ lại, điều đó có nghĩa là một số người tham gia nhớ lại những bức ảnh trong một bối cảnh hơi khác.

Thí nghiệm: Thiết kế bài toán mã hóa ảnh. Kích thích bao gồm 72 hình ảnh (24 tích cực, 24 tiêu cực và 24 trung tính) được chọn từ Hệ thống hình ảnh cảm xúc quốc tế (IAPS) (74) và từ các bộ hình ảnh được tiêu chuẩn hóa nội bộ cho phép chúng tôi đánh đồng các hình ảnh về độ phức tạp và nội dung hình ảnh (ví dụ: sự hiện diện của con người). Hình ảnh nhận được từ IAPS được phân loại theo xếp hạng hóa trị IAPS. Tám trong số 24 bức ảnh trung lập không nhận được từ IAPS. Những bức ảnh này được đánh giá dựa trên đánh giá nội bộ (11). Dựa trên điểm hóa trị quy chuẩn (từ 1 đến 9), hình ảnh được gán cho âm bản (2,3 ± 0.6), trung tính (5.0 ± 0.3) và dương tính ( 7.6 ± 0.4)điều kiện, dẫn đến 24 hình ảnh cho mỗi hóa trị. Các kích thích tích cực ban đầu được chọn để phù hợp với xếp hạng kích thích của các kích thích tiêu cực dựa trên dữ liệu từ một nghiên cứu thí điểm ở 20 người tham gia không được đưa vào nghiên cứu. Bốn bức tranh bổ sung thể hiện các vật thể trung lập đã được trình bày. Hai trong số những bức tranh này được trình bày ở phần đầu và hai bức ở phần cuối của nhiệm vụ vẽ tranh. Những hình ảnh này đã bị loại khỏi quá trình đánh giá hiệu suất thu hồi để kiểm soát hiệu ứng ưu việt và lần truy cập gần đây trong bộ nhớ. Ví dụ về các hình ảnh bao gồm nội dung khiêu dâm, thể thao và động vật hấp dẫn có giá trị tích cực; cảnh thương tích, rắn và tấn công cho các giá trị tiêu cực; và các khuôn mặt trung tính, đồ vật trong nhà và các tòa nhà cho trạng thái trung lập. Ngoài ra, 24 bức tranh xáo trộn đã được sử dụng. Nền của các bức ảnh được xáo trộn chứa thông tin màu sắc của tất cả các bức ảnh được sử dụng trong thử nghiệm (ngoại trừ các bức ảnh gốc và gần đây), được phủ một bộ lọc tinh thể và biến dạng (Adobe Photoshop CS3). Ở phía trước, một vật thể hình học gần như trong suốt (một hình chữ nhật hoặc hình elip có kích thước và hướng khác nhau) được hiển thị. Đối với nghiên cứu hiện tại, những bức ảnh bị xáo trộn không được quan tâm.

Các bức ảnh được trình bày trong 2,5 giây theo thứ tự gần như ngẫu nhiên sao cho tối đa bốn bức ảnh cùng loại xuất hiện liên tiếp. Một điểm cố định chéo xuất hiện trên màn hình trong 500 mili giây trước mỗi lần trình chiếu hình ảnh. Thời gian khởi phát kích thích bị dao động trong vòng 3 giây (1 thời gian lặp lại [TR]) cho mỗi danh mục hóa trị về thời điểm bắt đầu quét. Trong giai đoạn thử nghiệm, những người tham gia đánh giá từng bức ảnh trong số 72 bức ảnh theo mức độ hóa trị (tiêu cực, trung tính hoặc tích cực) và mức độ kích thích (lớn, trung bình hoặc nhỏ) theo 3-thang điểm (mô hình tự đánh giá) bằng cách nhấn một nút bằng tay thuận của họ. Đối với các bức tranh bị xáo trộn, người tham gia đánh giá hình dạng (dọc, đối xứng hoặc nằm ngang) và kích thước (lớn, trung bình hoặc nhỏ) của đối tượng hình học ở tiền cảnh. Phần mềm Trình bày (Neurobehavioral Systems, Inc., Berkeley, CA; //www.neurobs.com) đã được sử dụng để trình bày hình ảnh.

Dữ liệu hành vi: Tăng cường trí nhớ cảm xúc. Để ghi lại việc tự do nhớ lại, những người tham gia phải viết ra mô tả về những bức ảnh được nhớ lại. Một bức tranh được cho điểm là nhớ lại chính xác nếu người đánh giá có thể xác định được bức tranh được trình bày dựa trên mô tả của người tham gia. Hai nhà điều tra được đào tạo đã đánh giá độc lập các mô tả về mức độ thu hồi thành công (độ tin cậy giữa các quốc gia > 99%). Người đánh giá độc lập thứ ba quyết định về những bức ảnh được đánh giá khác nhau. Đối với mỗi người tham gia, chúng tôi tính toán tần suất các hình ảnh cảm xúc được nhớ lại so với các hình ảnh trung tính: ([được nhớ lại tích cực – trung tính được nhớ lại] + [được nhớ lại tiêu cực – trung tính được nhớ lại])/2. Các điểm dữ liệu đã được vẽ và được coi là có phân phối chuẩn gần đúng (Phụ lục SI, Hình S1). T-test hai mặt được áp dụng để kiểm tra xem hiệu suất trí nhớ cảm xúc có khác biệt đáng kể so với 0 hay không. Ngoài ra, chúng tôi đã kiểm tra tác động của các yếu tố gây nhiễu tiềm ẩn. Chúng tôi đã sử dụng 2-thử nghiệm mẫu để đánh giá liệu hiệu suất trí nhớ cảm xúc có phụ thuộc vào giới tính hay không. Chúng tôi đã sử dụng các hệ số tương quan tuyến tính của Pearson để liên kết hiệu suất thu hồi với độ tuổi. Kiểm định t hai phía được áp dụng để kiểm tra xem hệ số tương quan có khác 0 đáng kể hay không.

Hình ảnh: Chụp MRI. Các phép đo được thực hiện trên thiết bị MR toàn thân SiemensMagnetom Verio 3 T được trang bị cuộn dây đầu kênh 12-. Chuỗi thời gian chức năng được thu thập bằng trình tự phản xạ phẳng một lần chụp sử dụng hình ảnh song song (GRAPPA). Chúng tôi đã sử dụng các tham số thu nhận sau: thời gian tiếng vang (TE)=35 ms; trường nhìn (FOV)=22 cm; ma trận thu nhận =80 × 80, được nội suy thành 128 × 128; kích thước voxel=2,75 × 2,75 × 4 mm3;hệ số gia tốc GRAPPA R=2.0. Bằng cách sử dụng hình ảnh trinh sát dọc giữa, 32 lát trục liền kề được đặt dọc theo mặt phẳng vành trước-sau bao phủ toàn bộ não với TR=3,000 ms (=82 độ ) được thu được bằng cách sử dụng phương pháp xen kẽ tăng dần sự liên tiếp. Hai lần mua lại đầu tiên đã bị loại bỏ do hiệu ứng bão hòa không đổi theo thời gian T1. Hình ảnh giải phẫu có trọng số T{25}}có độ phân giải cao được thu được bằng cách sử dụng chuỗi xung phản hồi gradient được chuẩn bị từ hóa (TR =2,000 ms; TE=3.37 ms; TI {{ 31}},000 ms; góc lật=8 độ ; 176 lát; FOV =256 mm; kích thước voxel=1 × 1 x 1 mm3).

Hình ảnh: Gói phần mềm phân tích thống kê dữ liệu hình ảnh. Chúng tôi đã sử dụng phần mềm ánh xạ tham số thống kê (SPM) SPM12 phiên bản 6685 (Trung tâm hình ảnh thần kinh Wellcome Trust, London, Vương quốc Anh; https://www.fil.ion.ucl.ac.uk/spam/) được triển khai trong Matlab R2016a.

Hình ảnh: Tiền xử lý và chuẩn hóa khối lượng hình ảnh phẳng tiếng vang (EPI). Các tập đã được điều chỉnh theo thời gian cắt thành lát đầu tiên, được căn chỉnh lại bằng cách sử dụng tùy chọn "đăng ký theo ý nghĩa" và được đăng ký theo hình ảnh giải phẫu bằng cách áp dụng chuyển đổi cơ thể cứng ba chiều thông tin lẫn nhau được chuẩn hóa. Đăng ký lõi thành công đã được xác minh trực quan cho mỗi người tham gia. Mỗi tập được che bằng hình ảnh giải phẫu T1 của người tham gia để loại trừ các voxels bên ngoài não. Các khối hình ảnh phẳng phản âm (EPI) đã được chuẩn hóa thành không gian của Viện Thần kinh Montreal (MNI) và được làm mịn với chiều rộng tối đa 8 mm ở nhân Gaussian nửa tối đa (FWHM) bằng cách áp dụng DARTEL, dẫn đến đăng ký được cải thiện giữa những người tham gia (75, 76) .

Trình tự xen kẽ được sử dụng để thu được chuỗi thời gian chức năng khiến việc sử dụng hiệu chỉnh thời gian lát làm bước tiền xử lý đầu tiên là điều kiện tiên quyết (77). Các phương pháp hiệu chỉnh thời gian lát có thể bù đắp thành công cho các hiệu ứng thời gian lát(78). Đáng chú ý, trong DCM cho fMRI, hướng quan hệ nhân quả không được xác định theo mức độ ưu tiên theo thời gian. Thay vào đó, quan hệ nhân quả được thể hiện bằng dạng toán học của phương trình trạng thái vi phân của từng vùng. Các phương trình trạng thái của một mô hình nhất định xác định cấu trúc hệ thống (ví dụ: khả năng kết nối giữa các vùng), mô tả rõ ràng động lực phát sinh trong hệ thống như thế nào (39). Do đó, một số nghiên cứu DCM với TR tương tự đã được tiến hành trước đây (79–81).

Hình ảnh: Mô hình hóa hoạt động của voxel. Các mô hình tuyến tính chung (GLM) đã được chỉ định cho mỗi người tham gia để xác định các điểm ảnh ba chiều được kích hoạt bởi nhiệm vụ. Các biến hồi quy mô hình hóa thời gian khởi phát và thời gian của các sự kiện kích thích được kết hợp với hàm phản ứng huyết động chuẩn. Chính xác hơn, mô hình này bao gồm các biến hồi quy cho các lần nhấn nút được mô hình hóa dưới dạng hàm Stick/delta, cách trình bày hình ảnh (tích cực, trung lập, tiêu cực, xáo trộn, ưu tiên và lần gần đây) được mô hình hóa bằng chức năng epoch/boxcar (thời lượng: 2,5 giây) và thang đánh giá được mô hình hóa bằng một chức năng epoch/boxcar có thời lượng thay đổi (tùy thuộc vào thời điểm xảy ra lần nhấn nút tiếp theo). Các mối tương quan nối tiếp đã được loại bỏ bằng mô hình tự hồi quy bậc nhất và bộ lọc thông cao (128 giây) được áp dụng để loại bỏ nhiễu tần số thấp. Sáu tham số chuyển động cũng được nhập dưới dạng hiệp phương sai phiền toái. Chúng tôi đã xác định hai loại GLM khác nhau. Một loại GLM đã được sử dụng để xác định các voxels liên quan đến việc mã hóa trí nhớ cảm xúc thành công.

Ở đây, các kích thích tích cực, tiêu cực và trung tính được mô hình hóa riêng biệt tùy thuộc vào việc chúng có được thu hồi sau đó hay không. Các ước tính tham số thu được được đối chiếu để xác định các điểm ảnh ba chiều liên quan đến việc mã hóa bộ nhớ cảm xúc thành công ([hình ảnh cảm xúc được nhớ lại – hình ảnh cảm xúc không được nhớ lại] – [hình ảnh trung tính được nhớ lại – hình ảnh trung tính không được nhớ lại]). Độ tương phản này có ở 944 trong số 945 người tham gia mẫu khám phá (1 đối tượng không nhớ lại bất kỳ hình ảnh trung tính nào) và ở 470 trong số 473 người tham gia mẫu sao chép (3 đối tượng không nhớ lại bất kỳ hình ảnh trung tính nào) . Để nghiên cứu các tác động tiềm ẩn liên quan đến hóa trị trong hoạt động của tiểu não, chúng tôi còn so sánh xem liệu hoạt động liên quan đến mã hóa bộ nhớ thành công có khác nhau giữa các hình ảnh tích cực và tiêu cực hay không. Điều này tương ứng với sự tương phản sau:([những hình ảnh tiêu cực được nhớ lại – những hình ảnh tiêu cực không được nhớ lại] – [những hình ảnh tích cực được nhớ lại – những hình ảnh tích cực không được nhớ lại]). Một loại GLM khác đã được chỉ định để xác định các voxels liên quan đến việc mã hóa các hình ảnh cảm xúc, bất kể trí nhớ. Chúng tôi đã chỉ định các biến hồi quy cho các hình ảnh tích cực, trung tính và tiêu cực, bất kể các hình ảnh đó có được nhớ lại hay không và đối chiếu các ước tính tham số kết quả (hình ảnh cảm xúc - hình ảnh trung tính). Chúng tôi đã áp dụng phương pháp sửa lỗi thông minh dành cho gia đình (FWE) cho nhiều so sánh ở cấp độ toàn bộ não với tất cả các điểm tương phản (Pwhole-brain-FWE-đã sửa < 0.05). Việc hiệu chỉnh nhiều so sánh ở cấp độ cụm đã được áp dụng để kiểm tra các tác động liên quan đến hóa trị trong cụm tiểu não (Psmall-volume-đã hiệu chỉnh <0,001, phạm vi cụm k=10).

Hình ảnh: Thống kê nhóm về hoạt động của voxel. Để xác định hoạt động liên quan đến "mã hóa trí nhớ cảm xúc thành công" và "mã hóa các hình ảnh cảm xúc", các bản đồ tương phản được nhập vào mô hình hiệu ứng ngẫu nhiên (phân tích cấp độ hai) bằng GLM Flex (Trung tâm Martinos và Bệnh viện Đa khoa Massachusetts, Charlestown, MA; https //habs.mgh.harvard.edu/researchers/datatools/glm-flex-fast2/). Chúng tôi đã kiểm soát tác động của giới tính, độ tuổi, một phần mềm máy quét thay đổi và hai thay đổi trong cuộn dây gradient bằng cách đưa chúng vào dưới dạng hiệp phương sai. Chúng tôi đã sử dụng GLM Flex vì các chuỗi EPI bị mất tín hiệu khi có sự không đồng nhất của từ trường có thể xảy ra gần các ranh giới mô-không khí. Quy trình chuẩn hóa được áp dụng trong DARTEL đã chuyển đổi chính xác cả voxels có tín hiệu và voxels bị mất tín hiệu sang không gian MNI. Trong SPM, việc mất tín hiệu tại tọa độ MNI trong hình ảnh chức năng của chỉ một người tham gia đã dẫn đến việc loại trừ điểm ảnh ba chiều tại tọa độ này khỏi phân tích cấp nhóm. Do đó, xác suất một điểm ảnh ba chiều bị loại trừ tăng lên cùng với kích thước mẫu. GLM Flex đã khắc phục được vấn đề này bằng cách cho phép số lượng người tham gia thay đổi ở mỗi điểm ảnh ba chiều. Số lượng người tham gia tối thiểu trên mỗi voxel được đặt thành 2/3 tổng số người tham gia.

Hình ảnh: Định nghĩa ROI—Mặt nạ được xác định theo chức năng. Do độ nhạy của việc phát hiện sự hiện diện của các kết nối có thể tăng lên bằng cách sử dụng ROI phù hợp với ranh giới chức năng thực tế (36), nên chúng tôi đã xác định ROI theo chức năng, thay vì về mặt giải phẫu. Cụ thể, trong mẫu khám phá (n=945), chúng tôi đã sử dụng mặt nạ dẫn xuất theo chức năng và sau đó sử dụng phương pháp phân cụm cấp nhóm, dựa trên dữ liệu để phân chia các khối EPI đã được xử lý trước và chuẩn hóa thành các vùng đồng nhất theo thời gian và nhất quán về mặt không gian (37) . Mặt nạ bao gồm các voxels có liên quan tích cực đến việc mã hóa trí nhớ cảm xúc thành công trong mẫu khám phá (Pwhole-brain-FWE-đã sửa < 0.05). Sau đó, các voxel đã xác định được che thêm bằng mã hóa độ tương phản hình ảnh cảm xúc (Pwhole-brain-FWE-đã hiệu chỉnh < 0,05) để đảm bảo rằng tất cả các voxel được bao gồm cũng cho thấy tác động tích cực đối với việc mã hóa cảm xúc (99% tổng số voxel có ý nghĩa quan trọng trong "mã hóa trí nhớ cảm xúc thành công" độ tương phản" cũng có ý nghĩa trong việc "mã hóa độ tương phản hình ảnh cảm xúc").

Hình ảnh: Định nghĩa ROI—Quy trình phân phối. Các điểm ảnh ba chiều trong mặt nạ được xác định theo chức năng được kết hợp thành ROI sao cho độ tương tự giữa các điểm ảnh ba chiều trong cùng một cụm được tối đa hóa so với độ tương tự giữa các điểm ảnh ba chiều trong các cụm khác nhau, sử dụng phương pháp cắt chuẩn hóa kết hợp ràng buộc về không gian (37). Để đạt được hiệu quả tính toán, việc phân chia được thực hiện dựa trên khối lượng EPI của 200 người tham gia được chọn ngẫu nhiên từ mẫu khám phá. Các tập này đã được làm mịn bằng nhân Gaussian 6 mmFWHM phù hợp với một bài báo gần đây (37). Việc phân cụm lần đầu tiên được thực hiện trong mỗi người tham gia, sau đó là phân cụm nhóm cấp độ thứ hai, theo khuyến nghị của Craddock et al. (37). Chúng tôi đã chia các điểm ảnh ba chiều trong mặt nạ thành 30 ROI vì chúng tôi nhận thấy rằng con số này dẫn đến đủ độ đặc hiệu về không gian trong khi vẫn có thể quản lý được gánh nặng tính toán do tính toán kết nối với DCM gây ra. Một trong những ROI này chứa các điểm ảnh ba chiều biệt lập và các cụm nhỏ rời rạc không mạch lạc về mặt không gian. Do đó, ROI(ROI 11) này chứa 60 điểm ảnh ba chiều đã bị loại khỏi phân tích sâu hơn.

Phân tích kết nối: Trích xuất khóa học thời gian. Chúng tôi đã trích xuất các khóa học thời gian cho mỗi người tham gia và ROI từ dữ liệu không được làm mịn và không chuẩn hóa bằng quy trình được mô tả bên dưới. Lưu ý rằng chúng tôi đã trích xuất từ ​​​​dữ liệu chưa được làm mịn vì việc làm mịn có thể gây tổn hại cho việc ước tính kết nối vì nó dẫn đến việc trộn lẫn các khóa học về thời gian phụ thuộc vào mức độ oxy trong máu giữa các khu vực gần đó (36).

1. Ánh xạ ROI chức năng từ không gian MNI sang không gian người tham gia gốc: TheROI như được xác định trong quy trình phân chia đã được tạo trong MNIspace. Do đó, chúng tôi đã ánh xạ vị trí của họ tới không gian của người tham gia gốc bằng cách đảo ngược trường dọc chuẩn hóa của từng người tham gia.

2. Trích xuất khóa học thời gian từ ROI chức năng: Trước khi lập mô hình kết nối thực tế trong khuôn khổ DCM, các khóa học thời gian dành riêng cho người tham gia đã được trích xuất từ ​​mỗi ROI. Mục tiêu của bước này là trích xuất các khóa học thời gian từ các điểm ảnh ba chiều đã kích hoạt ở cấp độ một người tham gia. Kích thước hiệu ứng của độ tương phản mã hóa hình ảnh cảm xúc lớn hơn đáng kể so với kích thước hiệu ứng của độ tương phản ký ức cảm xúc thành công, khiến cho kích thước hiệu ứng trước đây phù hợp hơn để phân biệt các điểm ảnh ba chiều liên quan đến nhiệm vụ với các điểm ảnh ba chiều không có tín hiệu liên quan ở cấp độ một người tham gia. Ở cấp độ nhóm, tất cả các lĩnh vực trong phân tích này đều có liên quan đáng kể đến việc mã hóa trí nhớ cảm xúc thành công, đảm bảo rằng tất cả ROI đều phù hợp để mã hóa trí nhớ cảm xúc thành công. Do đó, đối với mỗi ROI và người tham gia, chúng tôi đã xác định được các điểm ảnh ba chiều quan trọng cho độ tương phản trung tính > cảm xúc, ở ngưỡng không được điều chỉnh là P < 0.05, với kích thước cụm tối thiểu là ba điểm ảnh ba chiều. Khóa học thời gian tóm tắt được trích xuất từ ​​tất cả các điểm ảnh ba chiều đó bằng công cụ trích xuất "Khối lượng quan tâm" của SPM. Cụ thể hơn, đối với tất cả các điểm ảnh ba chiều được chọn trong anROI, PCA đã được thực hiện. Điểm thời gian là các quan sát và voxels là các biến số. PCA trả về một loạt các thành phần được sắp xếp theo tỷ lệ phương sai mà mỗi thành phần giải thích. Mỗi thành phần được liên kết với một vectơ trọng số (một giá trị trên mỗi voxel), phản ánh sự đóng góp của mỗi voxel cho thành phần đó. Biến số riêng đầu tiên phản ánh tiến trình thời gian của thành phần chính góp phần vào phản ứng của khu vực và được chọn làm tiến trình thời gian đại diện cho ROI. Các khóa học thời gian đã được sửa chữa đối với các tạo phẩm chuyển động bằng cách thêm các tham số chuyển động dưới dạng hiệp phương sai vào mô hình tuyến tính.

Trên tất cả 29 ROI chức năng, các khóa học theo thời gian đã được trích xuất thành công trong 97,88% tất cả các trường hợp trong mẫu khám phá và 97,57% tất cả các trường hợp trong mẫu sao chép, vì chúng cho thấy khả năng kích hoạt phụ thuộc vào nhiệm vụ mạnh mẽ theo ngưỡng quan trọng của chúng tôi đã nêu ở trên. Dữ liệu từ tất cả ROI của tất cả những người tham gia là điều kiện tiên quyết để chạy DCM, vì mục đích của DCM là so sánh các mô hình khác nhau về một lần kích hoạt được quan sát (38, 39). Do đó, chúng tôi đã loại trừ người tham gia khỏi một DCM cụ thể nếu ROI không hiển thị kích hoạt phù hợp với tiêu chí được xác định ở trên. Trong số tất cả ROI, ROI 9 cho thấy tỷ lệ người tham gia có kích hoạt mạnh mẽ là nhỏ nhất (mẫu khám phá 88,36%; mẫu sao chép 85,84%). Xem Phụ lục SI, Bảng S1 để biết số lượng người tham gia trên mỗi DCM và Phụ lục SI, Bảng S2 để biết tỷ lệ phần trăm người tham gia bị loại trừ trên mỗi ROI.

Các lý do tiềm ẩn dẫn đến việc thiếu kích hoạt đủ mạnh ở một số người tham gia liên quan đến nhiễu dữ liệu hoặc mất dữ liệu nhưng cũng có thể phản ánh việc sử dụng các chiến lược nhận thức khác nhau.

Phân tích kết nối: DCM. DCM có thể được áp dụng để kiểm tra các giả thuyết cụ thể liên quan đến sự hiện diện, phương hướng và bộ điều biến kết nối hiệu quả giữa một tập hợp các vùng não được xác định trước. DCM được mô tả chi tiết ở nơi khác(38, 39). Tóm lại, các tương tác thần kinh giữa các vùng được biểu thị bằng các phương trình vi phân, mô tả 1) hoạt động ở một vùng não gây ra động lực học (tức là tốc độ thay đổi) ở vùng não khác như thế nào và 2) các tương tác này thay đổi như thế nào dưới tác động của các điều kiện thí nghiệm. Ở đây, chúng tôi so sánh các điều kiện cho những bức ảnh mang tính cảm xúc và trung tính đồng thời xem xét liệu bức ảnh đó có được nhớ lại sau này hay không. DCM cố gắng đạt được khả năng diễn giải sinh lý thần kinh bằng cách tạo ra sự phân biệt rõ ràng giữa "mức độ thần kinh" và "mức độ huyết động" (82). Điều này đạt được bằng cách đảo ngược mô hình chuyển tiếp được tham số hóa và thúc đẩy về mặt sinh lý, liên kết động lực học thần kinh được mô hình hóa với các khóa học về thời gian huyết động học đo được (38) . Do đó, các tham số kết nối có thể được hiểu là ảnh hưởng giữa các quần thể thần kinh (39). Suy luận của chúng tôi về khả năng kết nối phụ thuộc vào các giả định toán học cơ bản được kết hợp trong quá trình tham số hóa DCM. Những giả định này đã được đánh giá một cách nghiêm túc (83).

Chúng tôi chọn DCM thay vì các phương pháp khác vì nó mang lại một số lợi thế. Khả năng kết nối của DCMinfers bằng cách mô hình hóa động lực thần kinh với hệ thống các phương trình vi phân. Do đó, hướng ảnh hưởng và sự điều biến cường độ kết nối phụ thuộc vào điều kiện có thể được xác định một cách có ý nghĩa hơn so với các mô hình kết nối tĩnh như mô hình tương quan hoặc phương trình cấu trúc (82, 84, 85).

Phân tích kết nối: DCM—Không gian mô hình. Chúng tôi đã sử dụng quy trình lựa chọn mô hình hậu hoc, quy trình này yêu cầu chỉ ước tính một mô hình đầy đủ để tìm bằng chứng mô hình cho tất cả các kiến ​​trúc kết nối có thể có (40), từ đó thực hiện so sánh mô hình toàn diện. Chúng tôi đã sử dụng quy trình lựa chọn này thay vì so sánh truyền thống với một số lượng hạn chế các mô hình tiên nghiệm vì thuật toán này giúp giảm đáng kể gánh nặng tính toán bằng cách xấp xỉ các tham số kết nối của các mô hình con lồng nhau từ suy luận trên một mô hình đầy đủ. Mặc dù sẽ rất thú vị nếu gộp tất cả 26 cụm vào một mô hình duy nhất nhưng điều này không khả thi về mặt tính toán. Chúng tôi đã khám phá tất cả các kết nối theo cặp giữa ROI tiểu não và 25 ROI còn lại bằng cách xác định một loạt2-nút DCM trong đó ROI nằm trong tiểu não được ghép nối một cách có hệ thống với một trong các ROI khác. Các tham số kết nối thể hiện khả năng kết nối mạng giữa các ROI—tức là chúng không xem xét liệu ảnh hưởng giữa haiROI có được điều hòa bởi các vùng bổ sung hay không trừ khi các vùng bổ sung này được đưa rõ ràng vào mô hình DCM. Vì các DCM được thử nghiệm ở đây chỉ bao gồm hai nút nên chúng không kiểm tra xem liệu ảnh hưởng giữa tiểu não và ROI thứ hai có được điều hòa bởi các vùng bổ sung hay không. Do đó, giá trị của các thông số kết nối của chúng tôi có khả năng phản ánh cả kết nối trực tiếp và gián tiếp. Chúng tôi đã áp dụng DCM song tuyến tính, xác định với hai trạng thái (phiên bản DCM12)(86). Chúng tôi đã chỉ định các kết nối nội tại tương hỗ giữa mỗi ROI. Đầu vào bên ngoài đối với ROI điều khiển mạng và định lượng cách ROI phản ứng với các kích thích bên ngoài. Bốn biến hồi quy đầu vào khác nhau đã được xác định, bao gồm 1) hình ảnh cảm xúc và trung tính, 2) hình ảnh được xáo trộn, 3) lần nhấn nút và 4) trình bày thang đánh giá. Mỗi biến hồi quy đầu vào có thể xâm nhập vào mạng ở tất cả các ROI. Sức mạnh của các kết nối nội tại giữa các ROI có thể được điều chỉnh bởi các điều kiện sau: hình ảnh được gợi lại theo cảm xúc, hình ảnh không bị gợi lại về mặt cảm xúc, hình ảnh được nhớ lại trung tính và hình ảnh không bị gợi lại theo cảm xúc.

Để biết quan điểm Bayes về nhiều so sánh, hãy xem tài liệu tham khảo (87, 88). Đáng chú ý, chúng tôi đã sao chép kết quả của mẫu khám phá trong mẫu thứ hai.

Phân tích kết nối: DCM—Ước tính mô hình. Chúng tôi đã sử dụng lựa chọn mô hình hậu hoc hiệu quả yêu cầu ước tính chỉ một mô hình đầy đủ để tìm1) bằng chứng mô hình cho tất cả các kiến ​​trúc kết nối có thể có với lựa chọn mô hình Bayesian (BMS), 2) xác suất sau do suy luận cấp độ gia đình để xác định xác suất cho một độ tương phản của các ước tính tham số và3) Trung bình tham số Bayes trên tất cả các mô hình có thể cho thấy liệu độ tương phản của các ước tính tham số có khác 0 hay không (40, 84, 89). Vì chúng tôi sử dụng BMS có hiệu ứng cố định nên chúng tôi giả định rằng mô hình tối ưu là cùng một đối tượng tham gia trong dân số (39). Việc ước tính các mô hình DCM được thực hiện tại cơ sở lõi máy tính khoa học sciCORE (https://scicore.unibas.ch/) tại Đại học Basel.

Phân tích kết nối: DCM—Phân tích tham số. Chúng tôi đã sử dụng suy luận Bayes để đánh giá xem cường độ kết nối có tăng lên trong quá trình mã hóa bộ nhớ cảm xúc thành công hay không. Cụ thể, chúng tôi đã sử dụng các kỳ vọng sau và hiệp phương sai sau để tính xác suất sau để độ tương phản giữa các bộ điều biến cường độ kết nối lớn hơn 0. Độ tương phản để mã hóa trí nhớ cảm xúc thành công được xây dựng bằng cách trừ các bộ điều biến theo các điều kiện sau: (hình ảnh cảm xúc được nhớ lại – hình ảnh cảm xúc không được nhớ lại) – (hình ảnh trung tính được nhớ lại – hình ảnh trung tính không được nhớ lại). Đầu tiên, trong mẫu khám phá, chúng tôi đã xác định những kết nối có xác suất tương phản sau lớn hơn {{0}},99. Thứ hai, chúng tôi đã phân tích các kết nối này trong mẫu sao chép, kiểm tra xem liệu chúng có xác suất tương phản hậu nghiệm lớn hơn 0,99 hay không. Theo thuật ngữ mô tả, ngưỡng xác suất áp dụng là 0,99 có thể được hiểu là cung cấp bằng chứng rất chắc chắn về tác động (42, 43). Chúng tôi tập trung vào việc tăng thay vì giảm cường độ kết nối vì ROI được xác định dựa trên các điểm ảnh ba chiều có hoạt động tăng lên.

Các tính toán về cường độ kết nối dựa trên cường độ tương phản trong mẫu sao chép. Các kết nối được hiển thị bằng thư viện vòng tròn trong R (90).

Phân đoạn hình ảnh giải phẫu. Hình ảnh giải phẫu của mỗi người tham gia được tự động phân chia thành các cấu trúc vỏ não và vỏ não bằng FreeSurfer phiên bản 4.5 (91). Việc dán nhãn các cuộn hồi vỏ não được dựa trên tập bản đồ Desikan–Killiany (92), mang lại 35 vùng vỏ não và bảy vùng dưới vỏ não trên mỗi bán cầu. Lưu ý rằng kỹ thuật ghi nhãn và phân đoạn được áp dụng mang lại độ chính xác tương đương với việc ghi nhãn thủ công của các chuyên gia (91, 92).

Định vị giải phẫu ROI dựa trên tập bản đồ xác suất giải phẫu trung bình theo dân số. Các phân đoạn cấu trúc vỏ não và vỏ não lấy từ FreeSurfer (xem đoạn trên) đã được sử dụng để xây dựng tập bản đồ giải phẫu xác suất trung bình của dân số, dựa trên dữ liệu từ 1,000 trong số 1.418 người tham gia. Các hình ảnh giải phẫu được phân đoạn riêng lẻ đã được chuẩn hóa thành không gian mẫu giải phẫu dành riêng cho nghiên cứu bằng cách sử dụng trường dọc được tính toán trước đó của người tham gia và được đăng ký affine vào không gian MNI. Phép nội suy lân cận gần nhất được áp dụng để duy trì việc dán nhãn cho các cấu trúc khác nhau. Các phân đoạn chuẩn hóa cuối cùng đã được tính trung bình cho những người tham gia để tạo ra tập bản đồ xác suất trung bình của dân số. Do đó, mỗi voxel của mẫu có thể được chỉ định một xác suất thuộc về một cấu trúc giải phẫu nhất định.

Tập bản đồ xác suất trung bình dân số này được sử dụng để báo cáo vị trí giải phẫu của tọa độ và ROI. Tỷ lệ phần trăm trên tọa độ biểu thị xác suất trung bình dân số của nhãn giải phẫu. Hơn nữa, chúng tôi đã báo cáo tỷ lệ phần trăm trung bình của thư từ khu vực trên mỗi ROI. Trên mỗi ROI, chúng tôi đã xác định nhãn giải phẫu nào được mở rộng bởi các điểm ảnh ba chiều của nó. Sau đó, chúng tôi tổng hợp các xác suất trên mỗi nhãn trên tất cả các điểm ảnh ba chiều trong ROI và chia tổng số đó cho tổng số điểm ảnh ba chiều trong mặt nạ. Sự tương ứng 100% sẽ xảy ra nếu tất cả các điểm ảnh ba chiều của ROI nằm trong cùng một vùng giải phẫu và bản thân mỗi điểm ảnh ba chiều có xác suất 100% nằm trong vùng này.

Dữ liệu, Tài liệu và Phần mềm sẵn có. Các bản đồ riêng lẻ, cấp độ đầu tiên về hai mối quan tâm tương phản (mã hóa trí nhớ cảm xúc thành công và mã hóa các hình ảnh cảm xúc) có sẵn trong Khung khoa học mở (OSF, https://osf.io/ghtvy) (93), cùng với cá nhân. đồng biến. Các tệp VOI và cấp độ đầu tiên riêng lẻ có sẵn trên Figshare (https://figshare.com/projects/CBDCM/149317) (94). Các bản đồ cấp nhóm không có ngưỡng tương ứng, cũng như mặt nạ nhị phân của ROI chức năng, đã được gửi vào Neurovault(https://neurovault.org/collections/12932) (95). Các tệp DCM cấp nhóm có sẵn trong OSF (https://osf.io/ghtvy) (93).

SỰ NHÌN NHẬN. Chúng tôi cảm ơn Elmar Merkle, Christoph Stippich và OliverBieri vì đã cấp quyền truy cập vào cơ sở fMRI của Bệnh viện Đại học Basel. Công trình này được tài trợ bởi Quỹ Khoa học Quốc gia Thụy Sĩ (Sinergia GrantCRSI33_130080 cho DJ-FdQ và AP). MF được tài trợ bởi Quỹ nghiên cứu dành cho các nhà nghiên cứu trẻ của Đại học Basel (cấp DPE2141). Các phép tính được thực hiện tại cơ sở lõi máy tính khoa học sciCORE (https://scicore.unibas.ch/) tại Đại học Basel. Các tác giả tuyên bố không có lợi ích tài chính cạnh tranh.

Thẩm quyền giải quyết

1. D. de Quervain, L. Schwabe, B. Roozendaal, Căng thẳng, glucocorticoids và trí nhớ: Ý nghĩa của việc điều trị các rối loạn liên quan đến sợ hãi. Nat. Mục sư Neurosci. 18, 7–19 (2017).

2. JL McGaugh, Việc tạo nên ký ức lâu dài (Weidenfeld & Nicolson, 2003).

3. JL McGaugh, Trí nhớ—Một thế kỷ hợp nhất. Khoa học 287, 248–251 (2000).

4. B. Roozendaal, JL McGaugh, Điều chế bộ nhớ. Cư xử. Khoa học thần kinh. 125, 797–824 (2011).

5. KS LaBar, R. Cabeza, Khoa học thần kinh nhận thức về trí nhớ cảm xúc. Nat. Mục sư Neurosci. 7, 54–64(2006).

6. Hoạt động của SB Hamann, TD Ely, ST Grafton, CD Kilts, Amygdala liên quan đến việc tăng cường trí nhớ đối với các kích thích dễ chịu và khó chịu. Nat. Khoa học thần kinh. 2, 289–293 (1999).

7. T. Canli, Z. Zhao, J. Brewer, JDE Gabrieli, L. Cahill, Kích hoạt liên quan đến sự kiện trong amygdala của con người liên kết với trí nhớ sau này cho trải nghiệm cảm xúc cá nhân.J. Khoa học thần kinh. 20, RC99 (2000).

8. AH van Stegeren và cộng sự, Noradrenaline làm trung gian kích hoạt amygdala ở nam giới và phụ nữ trong quá trình mã hóa vật chất cảm xúc. Hình ảnh thần kinh 24, 898–909 (2005).

9. MW Cole và cộng sự, Kết nối đa tác vụ cho thấy các trung tâm linh hoạt để kiểm soát tác vụ thích ứng.Nat. Khoa học thần kinh. 16, 1348–1355 (2013).

10. RM Todd, TW Schmitz, J. Susskind, AK Anderson, Nền tảng thần kinh được chia sẻ của khả năng sống động về nhận thức và trí nhớ được nâng cao về mặt cảm xúc. Đằng trước. Cư xử. Khoa học thần kinh. 7, 40 (2013).

For more information:1950477648nn@gmail.com