Em formação

Um cérebro pode processar sinais auditivos com 18 semanas de desenvolvimento humano?


De acordo com Quando um feto ouve, Quando um bebê pode ouvir no útero e vários outros artigos semelhantes, um bebê começa a ouvir sons na semana 18. E de acordo com Como funciona a audição. A audição envolve

os nervos se comunicam com o cérebro. O nervo auditivo então envia as informações ao cérebro com impulsos elétricos, onde são interpretados como som.

Isso realmente significa que um cérebro está realmente processando sinais auditivos com 18 semanas de desenvolvimento humano, ou o cérebro com 18 semanas está apenas processando sons por um processo que não envolve o cérebro? Talvez a conclusão possa parecer óbvia para alguns, mas não para mim, considerando a suposta incapacidade do cérebro de processar vários outros (ou qualquer outro?) Tipo de sinais nessa fase, como a dor. Em que fase o sistema nervoso está desenvolvido o suficiente para interpretar sinais neuronais como 'dor'? e sendo a experiência auditiva diretamente ligada à dor, às vezes.


De acordo com uma revisão concisa de Graven & Brown (2008), o desenvolvimento do sistema auditivo (Fig. 1) no ser humano é o seguinte:

  • 15 semanas idade gestacional *: partes estruturais da cóclea e da orelha média são bem formadas;
  • 20 semanas: orelha média e cóclea são anatomicamente funcionais;
  • Por aí 25 - 29 semanas: o sistema auditivo como um todo torna-se funcional, à medida que as células do gânglio espiral na cóclea conectam as células ciliadas internas ao tronco encefálico e ao lobo temporal do córtex. Em outras palavras, somente neste ponto, o órgão terminal periférico torna-se conectado ao sistema nervoso central. Com 25 a 26 semanas de gestação, um barulho alto no utero irá produzir mudanças detectáveis ​​na função autonômica.
  • 28 - 30 semanas: as conexões neurais com o lobo temporal do córtex são funcionais. O desenvolvimento de colunas tonotópicas no córtex auditivo começa. Eles são necessários para receber, reconhecer e reagir à linguagem, música e sons ambientais significativos.

* Idade gestacional é uma medida da idade de uma gravidez que é medida a partir do início do último período menstrual da mulher (DUM), ou a idade correspondente da gestação estimada por um método mais preciso, se disponível. A idade gestacional pode ser obtida adicionando 14 dias ao ponto de fertilização.


Fig. 1. O sistema auditivo adulto. fonte: Graven & Brown, 2007

Referência
- Graven & Brown, Rev. de enfermagem infantil recém-nascida (2007); 8(4): 187-93


Maturação desenvolvimental de sinais de controle causais dinâmicos na cognição de ordem superior: um modelo de rede neurocognitiva

Afiliações Departamento de Psiquiatria e Ciências do Comportamento, Escola de Medicina da Universidade de Stanford, Stanford, Califórnia, Estados Unidos da América, Departamento de Neurologia e Ciências Neurológicas, Escola de Medicina da Universidade de Stanford, Stanford, Califórnia, Estados Unidos da América, Programa de Neurociência, Stanford Escola de Medicina da Universidade de Stanford, Califórnia, Estados Unidos da América


Resumo

Há evidências crescentes de que o cérebro depende de um conjunto de computações neurais canônicas, repetindo-as em todas as regiões e modalidades do cérebro para aplicar operações semelhantes a problemas diferentes. Um candidato promissor para tal computação é a normalização, na qual as respostas dos neurônios são divididas por um fator comum que normalmente inclui a atividade somada de um pool de neurônios. A normalização foi desenvolvida para explicar as respostas no córtex visual primário e agora acredita-se que opere em todo o sistema visual e em muitas outras modalidades sensoriais e regiões cerebrais. A normalização pode ser a base de operações como a representação de odores, os efeitos modulatórios da atenção visual, a codificação de valor e a integração de informações multissensoriais. Sua presença em tal diversidade de sistemas neurais em várias espécies, de invertebrados a mamíferos, sugere que ele serve como uma computação neural canônica.


1. Introdução

O transtorno depressivo maior é uma das principais causas de incapacidade, morbidade e mortalidade em todo o mundo. A doença já afetou mais de 350 milhões de pessoas, e cada uma em cinco pessoas provavelmente sofre dela em uma fase de sua vida [1,2,3]. Mais de 85% dos pacientes com um primeiro episódio terão recaída nos próximos 10 anos, e a maioria dos pacientes tem pensamentos suicidas, 15 & # x0201320% dos quais morrerão por suicídio [4,5]. Conforme mostra um relatório da Nature em 2014, os anos vividos com deficiência (YDLs) trazidos pela depressão representam 10,3%, mais do que qualquer outra doença [6,7]. O último relatório da Lancet em 2017 também mostrou que os anos de vida ajustados por incapacidade (DALYs) trazidos pela depressão aumentaram entre 1990 e 2016 [8].

De acordo com as concepções modernas da psicologia e da biologia, a depressão maior não é apenas um transtorno mental, mas também uma doença fisiológica. Tem bases biológicas óbvias, como alterações cerebrais, incluindo neurotransmissores desequilibrados, neurogênese prejudicada, declínio da neuroplasticidade e circuitos neuronais anormais [9,10]. Grandes estudos de associação do genoma estimaram as chances de herdabilidade em 37% a 48% para depressão maior [11,12]. No entanto, a incidência cada vez maior de depressão desvia do equilíbrio de Hardy & # x02013 Weinberg, indicando que fatores ambientais desempenham um papel importante no transtorno.

É geralmente aceito que a depressão é induzida pelo efeito cumulativo da informação genética e estresses ambientais [11]. Certos genes e características psicológicas podem predispor algumas pessoas à depressão e eventos estressantes da vida, incluindo estresse no início da vida, são indutores importantes da depressão [1,13], mas as pesquisas mais recentes indicaram que a microbiota intestinal provavelmente desempenha um papel crucial na fisiopatologia da depressão [14,15,16,17,18].


3. Métodos: Tornando um estudo reproduzível

A seção de métodos deve permitir ao leitor compreender como os resultados foram alcançados e como reproduzi-los. Deve conter informações sobre os dados demográficos dos participantes, detalhes do paradigma experimental, o sistema usado, detalhes de aquisição de dados e as etapas de pré-processamento, incluindo os métodos estatísticos usados. A seção também deve incluir uma figura mostrando (1) & # x000a0 a configuração de medição (uma fotografia original de alta qualidade de uma sessão de medição ou um desenho), (2) & # x000a0 a configuração de matriz / canal de optode fNIRS na cabeça, ( 3) visualização & # x000a0a do protocolo experimental e, opcionalmente, (4) análise de sensibilidade & # x000a0a para mostrar quão bem a configuração de fNIRS é capaz de sondar as regiões de interesse escolhidas para o estudo. 12 & # x02013 14 Além disso, se o pipeline de processamento de sinal for complexo e envolver etapas avançadas e / ou inovadoras, é altamente recomendável incluir um diagrama de blocos que represente todas as etapas de processamento junto com os sinais de entrada e saída. É importante notar que alguns periódicos possuem a seção de métodos no final como um apêndice. Nestes casos, a introdução e as seções de resultados devem fornecer informações metodológicas suficientes para a compreensão do contexto, sem a necessidade de entrar em detalhes metodológicos.

3.1. Participantes

3.1.1. Participantes humanos

A amostra de participantes é normalmente descrita com um conjunto de dados demográficos mais relevantes e, se apropriado, características clínicas. Estes incluem o número de participantes, sua média de idade e variação, ou faixa etária com uma precisão que é mais útil (por exemplo, horas para recém-nascidos, meses e dias para bebês) e a distribuição por gênero. Os critérios de inclusão e exclusão devem ser claramente definidos (por exemplo, patologias, idioma nativo, etc.). Outros recursos relevantes, como destreza, etnia, status socioeconômico, etc., também podem ser fornecidos. Vale ressaltar que pode ser relevante relatar a distribuição da etnia, principalmente se for diferente do que se pode esperar da população do local onde o estudo foi realizado. A qualidade do sinal fNIRS pode depender, entre outras coisas, das propriedades do cabelo (cor, espessura e densidade). Uma seleção tendenciosa de participantes pode resultar na falta de generalização dos achados de neuroimagem fNIRS. Para vários estudos de grupo, o procedimento para atribuição de grupo deve ser descrito.

Para populações clínicas, a quantidade de informações relacionadas à doença depende do foco do artigo. Dependendo do estudo (por exemplo, populações clínicas), pode ser aconselhável fornecer brevemente as características-chave no manuscrito e consultar uma tabela (suplementar) para detalhes epidemiológicos. Normalmente, uma tabela listaria o tempo desde o início, a causa da lesão / disfunção cerebral (por exemplo, acidente vascular cerebral isquêmico cardiogênico esquerdo) e achados clínicos relevantes (por exemplo, afasia residual). Para populações específicas, se aplicável e disponível, pode ser útil relatar biomarcadores, como marcadores sanguíneos (por exemplo, anemia, que pode levar a resultados alterados ou inesperados 15, 16), parâmetros relacionados à aptidão fisiológica geral ou à patologia específica avaliado. Se os dados de alguns participantes não foram incluídos na análise final, os dados demográficos da amostra final também devem ser fornecidos junto com os critérios de rejeição de dados. Para garantir transparência e proteção contra rejeições tendenciosas, também é importante especificar em que momento durante o processamento de dados os diferentes critérios de rejeição foram aplicados e se foram aplicados em lote ou caso a caso. Informações sobre questões éticas devem ser fornecidas, incluindo o nome do conselho de revisão institucional (IRB) que avaliou e aprovou o protocolo do estudo, os procedimentos éticos seguidos (por exemplo, obtenção de consentimento informado, consentimento menor e / ou permissão dos pais), bem como um link para o registro do estudo clínico, se disponível.

3.1.2. Tamanho da amostra e análise estatística de poder

Um tamanho de amostra apropriado, ou número de participantes, é importante para qualquer experimento fNIRS, mas não existe uma regra fixa para garantir a validade estatística. Uma abordagem prática para determinar o tamanho da amostra é realizar uma análise de poder, que estima o tamanho mínimo da amostra necessário para obter um certo tamanho de efeito em um nível de poder predefinido (1 & # x02212 & # x003b2) (que é 1 & # x02212 probabilidade de um erro tipo II, convencionalmente definido como 0,8) e & # x003b1 (a probabilidade de um erro tipo I, convencionalmente definido como 0,05). 17 Um relatório de análise de poder normalmente contém o tamanho da amostra (o tamanho da amostra necessário para um a priori análise de poder e o tamanho real da amostra para um a posteriori análise de potência), a potência (potência selecionada para um a priori análise de poder e poder alcançado para um a posteriori análise de poder) e níveis alfa utilizados, o tamanho do efeito escolhido juntamente com sua justificativa (por exemplo, pesquisa anterior ou estudo piloto), os testes estatísticos relevantes para o teste de hipótese e citações relevantes para a plataforma usada para realizar a análise de poder.

3.2. Paradigma Experimental e Instruções

3.2.1. Design experimental (ou & # x0201c design do estudo & # x0201d)

Algumas especificidades do sinal fNIRS devem ser consideradas ao projetar o paradigma experimental. Por exemplo, o domínio de confunde fisiológico em sinais fNIRS 18 (consulte a Seção & # x000a03.5), o que significa que cada condição de estimulação deve quase sempre ser repetida várias vezes para permitir que a resposta funcional seja resolvida. Enquanto isso, as características temporais da resposta hemodinâmica colocam limites na duração do intervalo entre estímulos consecutivos, se os dados devem ser calculados em média por bloco. Os confusos fisiológicos que estão temporalmente correlacionados com o estímulo também precisam ser considerados. Por exemplo, o padrão de respiração de um participante pode se alinhar com os blocos de estimulação se eles forem apresentados em intervalos regulares. Isso pode aumentar as respostas falso-positivas. 19 Esses problemas podem ser minimizados por meio de um projeto experimental cuidadoso que reduz os efeitos antecipatórios, por exemplo, por meio da pseudoaleatorização da ordem das condições e da duração do intervalo interestímulo. Essas considerações podem ser informativas para relatar ao descrever o desenho experimental do estudo.

Uma descrição precisa do projeto experimental é crítica para a compreensão do leitor dos resultados de um estudo fNIRS e para a reprodutibilidade do trabalho. Qualquer característica de um experimento que possa afetar os resultados ou sua interpretação deve ser relatada na seção de métodos. Sempre que possível, é recomendável incluir um esquema do paradigma experimental.

A grande maioria dos paradigmas fNIRS se enquadra em uma das seguintes categorias: projeto de blocos, projeto relacionado a eventos e paradigmas de estado de repouso para estudos de conectividade funcional. No caso de paradigmas de estado de repouso que não incluem estimulação explícita do (s) participante (s), o paradigma pode ser adequadamente descrito pelos detalhes da duração da gravação do ambiente em que o participante está colocado (por exemplo, condições de iluminação, auditivas condições, olhos abertos / fechados, objetos ou exibições em seu campo visual, etc.) e por quaisquer instruções dadas ao participante (ver Seção & # x000a03.2.2).

Os recursos que devem ser relatados adicionalmente para os paradigmas relacionados a blocos e eventos incluem: Os estímulos, o número de condições, o número de blocos ou tentativas por condição, a ordem em que os blocos ou tentativas são apresentados, a duração de cada bloco ou tentativa, e a duração dos intervalos entre blocos ou entre tentativas. Um esboço que fornece tempo e exemplos dos estímulos (por exemplo, imagens estáticas que representam quadros de um estímulo visual) pode ser altamente informativo. A Figura & # x000a01 mostra um exemplo.

Visualização de paradigma experimental. Segue-se uma legenda de amostra. Ilustração esquemática do paradigma n-back. Cada execução experimental consistiu em 30 blocos com um intervalo entre blocos de 15 & # x000a0s. Cada bloco tem 15 tentativas e começa com a instrução de tarefa & # x0201cn-back & # x0201d exibida por 2 & # x000a0s na tela. Após a instrução, as letras são exibidas na tela, uma de cada vez, por 0,5 & # x000a0s. O intervalo intertrial é 1,5 & # x000a0s, durante o qual uma cruz de fixação é exibida na tela. Os participantes foram instruídos a indicar se a letra atual é idêntica à apresentada nos testes & # x0201cn & # x0201d anteriores.

3.2.2. Instruções, treinamento e interações do participante

Os artigos do fNIRS devem fornecer uma descrição clara de quais instruções sobre a tarefa foram dadas aos participantes. Muitas vezes, as instruções podem ser cruciais para a interpretação dos dados neurais. Por exemplo, instruções explícitas sobre a aprendizagem de um conjunto de estímulos versus a exposição implícita ao mesmo conjunto de estímulos podem desencadear diferentes mecanismos de atenção, motivação e aprendizagem. Portanto, os aspectos relevantes para como os participantes concebem e completam a tarefa precisam ser mencionados, por exemplo, restrições de tempo nas respostas, tarefa explícita ou implícita, descrição sobre o objetivo da tarefa, etc. Da mesma forma, feedback dado aos participantes ou outros incentivos que podem mudar sua atenção ou motivação para realizar a tarefa precisam ser explicados. Condições experimentais que podem ter influenciado o desempenho do participante durante a aquisição de dados, como procedimentos de configuração excessivamente longos, aquisição sob condições de iluminação fraca / escura, distrações ambientais, etc., também precisam ser relatadas.

3.3. Sistema e aquisição

3.3.1. Descrição do dispositivo fNIRS e dos parâmetros de aquisição

O campo de pesquisa do fNIRS tem se expandido rapidamente tanto em inovações tecnológicas quanto em aplicações de neurociência, levando ao desenvolvimento de uma variedade de dispositivos disponíveis comercialmente e desenvolvidos internamente. 2 & # x02013 4, 20, 21 Os instrumentos diferem não apenas em seu modo fundamental de operação de hardware, mas também nos procedimentos metodológicos aplicados para recuperar cromóforos oxi e desoxihemoglobina (portanto, também hemoglobina total) e / ou alterações de concentração de citocromo-c-oxidase 22 ou sinais ópticos que os refletem (abreviados por HbO 2, Hb, tHb e CCO, respectivamente). [Vale a pena notar que outras siglas (por exemplo, HbO / HbR / HbT, O 2 Hb / HHb / tHb ou oxi-Hb / desoxi-Hb / Hb total) também são comuns e aceitáveis.]. Portanto, relatórios precisos dos aspectos fundamentais das especificações do instrumento são obrigatórios. Embora a maioria dos instrumentos fNIRS comerciais sejam CW, eles não usam necessariamente os mesmos comprimentos de onda do infravermelho próximo (NIR) ou os mesmos algoritmos para recuperação das concentrações de hemoglobina. Além disso, um número significativo de instrumentos fNIRS personalizados tendem a implementar tecnologias como TD-NIRS, 23 FD-NIRS, 24 ou tecnologia de alta densidade (HD), 25 que têm diferenças fundamentais dos instrumentos comerciais atuais, um fato que é principalmente desconhecido para o usuário não experiente. Relatórios precisos de especificações de instrumentos relevantes permitirão uma melhor interpretação do estudo de pesquisa e um nível mais alto de transparência para replicação. A publicação deve relatar claramente as seguintes informações ao descrever as especificações do dispositivo fNIRS: (1) & # x000a0fabricante e versão, (2) & # x000a0modo de operação (CW, FD e TD), (3) & # x000a0 número e espectro de comprimentos de onda , (4) & # x000a0irradiância (potência da fonte sobre a área de exposição) ou potência média ou ambos [deve-se ter cuidado para que a exposição à fonte de luz esteja em conformidade com os padrões de segurança, como ANSI (Estados Unidos) ou IEC-60825 (Europa)] , (5) & # x000a0 taxa de amostragem, número e tipo de optodos e canais resultantes, e fonte & # x02013 distâncias do detector e (6) & # x000a0método para a conversão de dados para concentração de cromóforo (se feito automaticamente pelo software do instrumento & # x02019s, caso contrário este será relatado na seção de análise de dados). As informações podem ser fornecidas em uma breve frase de resumo, como & # x0201cNós usamos um dispositivo CW-NIRS NIRSdev (NIRScomp, país) com 24 canais ativos (8 emissores de diodo laser, & # x003bb 1 | 2 = 750 | 850 & # x02009 & # x02009 nm com potência média & # x0003c 1 & # x02009 & # x02009 mW e 8 detectores de fotodiodo de avalanche) amostrados a 50 & # x000a0Hz. Os dados foram convertidos em mudanças de concentração usando a Beer & # x02013Lambert law modificada (mBLL). & # X0201d Todas as suposições (dispersão fixa e concentração de água) e parâmetros para a conversão [tais como coeficientes de extinção e fatores de trajetória diferencial (DPF)] devem ser relatados , incluindo como as mudanças no DPF são contabilizadas, por exemplo, em estudos longitudinais de desenvolvimento infantil. Referências para os parâmetros escolhidos também podem ser relatadas. Se dispositivos FD ou TD foram usados, os procedimentos empregados para obter coeficientes de absorção e espalhamento devem ser indicados. Mais orientações sobre o uso e relatório de parâmetros e unidades de mBLL são fornecidas em relação à análise de dados na Seção & # x000a03.4.3.

3.3.2. Projeto de matriz de optode, limite e regiões cerebrais direcionadas

A reprodutibilidade das medições de fNIRS depende fortemente de uma documentação clara do projeto (geometria) e da colocação da fonte & # x02013detector array. Embora as tecnologias de fNIRS estejam evoluindo rapidamente, a maioria dos estudos de fNIRS ainda apresenta um campo de visão limitado e / ou densidade de canal, portanto, o layout das fontes e detectores no couro cabeludo variam de estudo para estudo. Muitos dispositivos fNIRS são equipados com conjuntos de fontes e detectores ou & # x0201coptodes & # x0201d que podem ser dispostos de maneira flexível. Outros vêm com blocos predefinidos de fontes e detectores ou distribuições fixas que podem ser posicionadas livremente, mas não reorganizadas. Determinar uma posição apropriada e um arranjo de optodos para um dado estudo fNIRS é, portanto, uma necessidade. 26, 27 No entanto, esse processo está longe de ser trivial, pois as medições de fNIRS são altamente dependentes da posição, extensão, separação (ões) do detector de fonte e # x02013 e densidade da fonte de fNIRS e do conjunto de detectores. 28, 29 Esses fatores afetam a sensibilidade da medição a uma determinada região cortical, as contribuições relativas do cérebro e dos tecidos extracerebrais para cada sinal e a homogeneidade da sensibilidade da medição em todo o campo de visão. Modelos de cabeça digital (fantasmas / simulações virtuais) podem ser usados ​​para entender a propagação de luz NIR específica do dispositivo, vital para projetar dispositivos de imagem cerebral ótica de próxima geração e arranjos de optodos. As simulações de Monte Carlo 30, 31 fornecem um mecanismo controlado para caracterizar e avaliar as contribuições de diversas configurações e parâmetros do sensor fNIRS, como comprimento do caminho óptico, área de superfície do detector e separação do detector de fonte e # x02013. 32 & # x02013 34

Ao relatar um projeto de matriz em uma publicação, recomendamos fortemente incluir um diagrama da matriz que especifica: (1) & # x000a0 o número total de posições de fonte e detector (2) & # x000a0 o número total de canais e (3) & # x000a0a distribuição de fontes & # x02013 separações de detectores. Também é benéfico incluir uma fotografia, quando possível, da matriz posicionada em um participante. Isso pode fornecer informações adicionais sobre o design físico e ergonomia da matriz. A Figura & # x000a02 mostra um exemplo.

Exemplo de matriz de optode configurada com fonte / detectores 12/14, resultando em 34 canais sobre o córtex pré-frontal com separação de 30 mm. Perfil de sensibilidade no log 10 (mm & # x02212 1). Visualização usando AtlasViewer. 14

O processo de colocação e registro da matriz para o chefe dos participantes também deve ser descrito com precisão para facilitar a reprodutibilidade entre os participantes e entre os estudos. As localizações da fonte e do detector (ou um subconjunto delas) devem ser descritas em relação aos pontos de referência cranianos, como o násio, ínion, orelhas (por exemplo, os pontos pré-auriculares) e / ou eletroencefalografia (EEG) 10-20, 10-10 e 10-5 pontos de referência. Isso pode ser observado diretamente (por exemplo, & # x0201cSource 1 foi colocado na posição C3 10-20. & # X0201d) ou relativamente (por exemplo, & # x0201cSource 1 foi colocado na linha média 3 & # x000a0cm acima do nasion. & # X0201d) .

Também é altamente recomendável relatar a localização da matriz fNIRS e as distribuições de sensibilidade do canal associadas em relação à macroanatomia cortical subjacente. Essas localizações anatômicas podem então ser relatadas em termos de rótulos girais (por exemplo, giro frontal inferior), áreas de Brodmann (por exemplo, BA44), espaço de coordenadas do Montreal Neurological Institute, espaço de coordenadas de Talairach 35 ou por meio da inclusão de figuras representando o mapa de sensibilidade cortical associado à matriz. 36

Uma descrição de como essas localizações anatômicas foram determinadas também deve ser fornecida. Por exemplo, a abordagem de registro mais simples é posicionar a matriz em relação a certas coordenadas 10-5 e determinar diretamente a anatomia subjacente por meio das coordenadas 10-5 de um modelo de atlas. 12 No entanto, isso pressupõe que o posicionamento da matriz é idêntico entre os participantes e que o atlas fornece um modelo preciso da coorte. Alternativamente, o registro específico do participante da matriz fNIRS pode ser realizado usando informações derivadas de sistemas de posicionamento tridimensionais (3D), tecnologias de neuro-navegação ou via abordagens de fotogrametria. 26, 37, 38 Nesse caso, os pesquisadores também podem relatar a variação nas localizações do optodo no couro cabeludo e / ou a variação na macroanatomia subjacente. Qualquer instrumento, software ou abordagem de processamento usado para obter o registro espacial e quais premissas essas abordagens dependem devem ser descritos. Se um atlas for usado, a fonte do atlas deve ser fornecida e as limitações associadas ao uso desse atlas devem ser reconhecidas.

3.3.3. Para publicações sobre instrumentação / desenvolvimento de hardware

À medida que o progresso em novos designs e inovações fNIRS continua em todo o mundo, 39 diretrizes e padronizações específicas são necessárias para agilizar os esforços e acelerar a adoção das novas tecnologias. Esses esforços podem ser facilitados pela divulgação do uso de convenções de nomenclatura padrão nas especificações do dispositivo (consulte a nomenclatura de amostra na Tabela & # x000a02). Enquanto para dispositivos mais antigos, uma referência de um artigo descrevendo o dispositivo pode ser suficiente, se o foco do artigo for apresentar uma nova tecnologia, uma descrição do novo dispositivo deve incluir (1) & # x000a0a diagrama de blocos de hardware, descrevendo as conexões e mecanismo de controle, (2) & # x000a0 fluxograma de software, descrevendo o fluxo de informações e o controle de componentes de hardware e protocolo de aquisição de dados, (3) & # x000a0 o tipo de fonte de luz e detectores, (4) & # x000a0 as medidas tomadas para prevenir o externo contaminação e cross-talk entre canais (como multiplexação de tempo, multiplexação de frequência ou uma combinação de ambos) e, se possível, diagramas de circuito (5) & # x000a0 de componentes-chave e números de peças individuais. Se modelos de cabeçotes digitais forem usados ​​para orientar o projeto do hardware, eles devem ser citados corretamente.

Mesa 2

CanalÁrea de medição única / independente que o sistema é capaz de registrar.
Nota: Qualquer série temporal originada do mesmo optodo, como comprimentos de onda diferentes ou hemoglobina oxigenada / desoxigenada, ainda pertence à mesma medição de canal.
DPFO fator de escala que relaciona a fonte geométrica & # x02013 distância do detector ao comprimento médio do caminho que a luz viaja entre a fonte e o detector dentro de toda a região de amostragem, é responsável pelo aumento da distância que a luz viaja da fonte ao detector devido ao espalhamento.
QuadroUma amostra simultânea / correspondente de todos os canais.
Taxa de quadrosTaxa na qual os quadros foram gravados em Hz.
Multiplexação de freqüênciaDistinguir canais diferentes modulando as fontes em frequências não sobrepostas.
Comprimento médio do caminhoA luz do comprimento do caminho viaja dentro de toda a região de amostragem (fonte & # x02013 distância do detector multiplicada por DPF).
Pathlength parcialO caminho que a luz viaja dentro da fração de tecido que é de interesse, por exemplo, para a ativação funcional do cérebro, este é o caminho apenas na região ativada (fonte & # x02013 distância do detector multiplicada pelo fator de comprimento de caminho parcial).
Fator de comprimento de caminho parcialO fator de escala que relaciona a distância do detector & # x02013 com o comprimento do caminho médio da luz viaja dentro da região ativada.
Efeito de volume parcialSubestimação das mudanças de concentração devido ao fato de que as mudanças na hemoglobina ocorrem em uma região focal ao invés de em toda a região de amostragem.
Erro de volume parcialErro que ocorre quando o efeito do volume parcial é diferente entre os diferentes comprimentos de onda, o que pode levar a traços inversos.
Taxa de amostragemNúmero de amostras coletadas por segundo (em Hz) de cada canal.
Multiplexação de tempoDistinguir canais diferentes ativando-os um de cada vez ou em grupos.

O tipo de fonte de luz (laser / LED), comprimentos de onda específicos e a potência emitida por unidade de área (por exemplo, 0,2 & # x02009 & # x02009 W / cm 2) precisam ser relatados para avaliar o nível de segurança e classificação potencial do dispositivo. A exposição à luz NIR dos olhos e da pele (se necessário, exposição após o equipamento de proteção) deve permanecer dentro das normas de segurança universalmente aceitas, como o Padrão Internacional para Segurança de Produtos a Laser 40 ou o Padrão Internacional para Segurança Fotobiológica de Lâmpadas e Sistemas de Lâmpadas. 41

O tipo de detector de luz (por exemplo, fotodiodo de pino, fotodiodo de avalanche, tubo fotomultiplicador, detector de avalanche de fóton único, etc.), sua configuração (por exemplo, fotodiodo de pixel único, matriz de fotodiodo, dispositivo de imagem acoplado por carga, etc.), seu perfil de sensibilidade à luz para comprimentos de onda específicos de interesse (ganho, fatores de ruído e potência equivalente de ruído) e o estilo de interface da pele (contato direto, uso de guias de luz ou fibras) devem ser observados.

Para desenvolvedores e fabricantes de instrumentação fNIRS, especialmente para aprovação regulatória, é essencial estar ciente da norma recentemente publicada da International Electrotechnical Commission (IEC) / International Organization for Standardization (ISO) para equipamentos fNIRS (IEC 80601-2-71), um padrão específico na família 60601 de padrões para equipamentos médicos elétricos. 42 Como em qualquer instrumento elétrico, o teste de segurança do produto deve ser certificado de forma independente (por exemplo, Underwriters Laboratories-UL marcação nos Estados Unidos, Consumer Electronics-CE marcação na UE, Product Safety Electrical Appliance and Materials-PSE no Japão, e China Compulsory Certificate -Marcação de CAC na China). Para sistemas desenvolvidos em universidades, isso pode ser feito por meio dos departamentos de engenharia biomédica do hospital local, que testam a segurança elétrica desses dispositivos de pesquisa antes de usá-los em humanos. Para pesquisadores universitários, o uso de novos dispositivos de imagem ótica do cérebro em estudos clínicos / de pesquisa requer apenas a aprovação do comitê de ética local. Para eventual implantação clínica, como diagnóstico ou terapêutica, são necessárias aprovações regulamentares adicionais (por exemplo, FDA nos Estados Unidos, EU MDR na Europa, Pharmaceutical and Medical Device Act-PMDA no Japão e National Medical Products Administration-NMPA, anteriormente CFDA, em China).

Para alcançar comparabilidade e confiabilidade em estudos clínicos, a avaliação de desempenho padronizada da instrumentação fNIRS baseada em fantomas dedicados deve ser uma parte importante do desenvolvimento da instrumentação. O padrão IEC 80601-2-71 mencionado acima também inclui vários testes de desempenho em fantomas turvos. O teste principal depende de um fNIRS com uma atenuação geral realista e uma abertura interna mutável para criar uma mudança de atenuação definida que corresponde a uma certa mudança em HbO 2 e Hb. Outros testes baseados em fantasmas descritos neste padrão incluem estabilidade de sinal, tempo de resposta, relação sinal-ruído (SNR) e diafonia de sinal.

Uma caracterização de desempenho mais abrangente e comparação de instrumentos e métodos ópticos difusos é facilitada por vários protocolos baseados em esforços de construção de consenso multilaboratorial [por exemplo, protocolo de Métodos ópticos para diagnóstico médico e monitoramento de doenças (MEDPHOT), protocolo de desempenho instrumental básico (BIP), e Imagem não invasiva da função cerebral e doença por protocolo de luz infravermelha próxima pulsada (nEUROPt)]. 43 & # x02013 45 O protocolo nEUROPt 45 visa especificamente a instrumentação fNIRS, com o objetivo de caracterizar contraste, razão contraste-ruído (CNR), resolução lateral, sensibilidade de profundidade e quantificação de mudanças de absorção no cérebro. É implementado por fantomas turvos homogêneos com pequenas inclusões pretas, por exemplo, um fantoma trocável sólido & # x02013sólido 46 e por fantomas de duas camadas. Outros fNIRS fantomas foram relatados mimetizando a mudança temporal das concentrações de HbO 2 e Hb, por exemplo, por meio de absorvedores eletrocrômicos variáveis ​​47 ou camadas móveis. 48, 49 fantomas contendo Hb com oxigenação variável para teste de oxímetro de tecido 50 também devem permitir a avaliação quantitativa dos sinais de fNIRS. Criar fantasmas dinâmicos anatomicamente realistas pode ser desafiador, mas é possível. 51 & # x02013 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? - Biologia

a Division of Biotechnology, Dalian Institute of Chemical Physics, Chinese Academy of Sciences, 457 Zhongshan Road, Dalian 116023, China
O email: [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

Resumo

Brain organoids derived from the self-organization of human induced pluripotent stem cells (hiPSCs) represent a new class of em 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, no local 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.


Opções de acesso

Obtenha acesso completo ao diário por 1 ano

Todos os preços são preços NET.
O IVA será adicionado mais tarde no check-out.
O cálculo do imposto será finalizado durante o checkout.

Obtenha acesso limitado por tempo ou ao artigo completo no ReadCube.

Todos os preços são preços NET.


Discussão

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 (Materiais e métodos) 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. 2UMA) 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.


Materiais e métodos

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 Materiais e métodos SI.

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 (eu) 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].

Análise de dados.

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. 3UMA) 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 e um para 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. 3UMA) 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 D e 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. 4UMA 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 ou 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. S3D 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 UMA e 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.


Assista o vídeo: ALTERAÇÕES DO DESENVOLVIMENTO INFANTIL (Janeiro 2022).