Введение
Мы проводим свою повседневную жизнь, используя систему хранения данных, называемую рабочей памятью.
Рабочая память (РП) была определена как система для временного хранения и манипулирования информацией. Она играет важную роль в когнитивных функциях, таких как распознавание языка и способности рассуждать. Ограниченный буфер памяти хранения и обработки информации называется рабочим объемом памяти (РОП), и он отличается у разных людей. Индивидуальные особенности в РОП влияют на различные виды когнитивной деятельности. Например, считается, что плохой РОП связан с синдромом дефицита внимания и гиперактивности (СДВГ), а обучение рабочей памяти для повышения РОП используется в качестве лечения больных с СДВГ. Рабочая память используется при чтении и решении задач в уме. Тест диапазона считывания и задача N-обратной связью часто используются в качестве оценки РОП.
Однако эти парадигмы далеки от нашей повседневной жизни. Поэтому в этом исследовании была использована мысленная арифметическая задача, часто используемая в повседневной жизни.
В сложной системе, такой как рабочая память, каждая область мозга не всегда активируется индивидуально, но часто работает совместно с другими частями. Несмотря на то, что были выявлены области мозга, связанные с рабочей памятью во время умственной арифметической задачи, взаимные отношения между этими областями не были исследованы в достаточной степени.
В этом исследование ученые попытались выявить взаимные отношения между регионами мозга во время умственной арифметической задачи с использованием данных функциональной магнитно-резонансной томографии (фМРТ).
Материалы и методы
В исследовании приняли участие 14 здоровых взрослых испытуемых (средний возраст: 22,5 ± 1,5 года, 13 праворуких, 11 мужчин). Участники выполнили умственную арифметическую задачу, которая состояла из простой (нерабочая память) и сложной (рабочая память) задач, находясь в МРТ сканере. Была рассчитана матрица корреляции и проанализирована функциональная связность. Полученные изображения предварительно обрабатывали с помощью SPM8, а активированные области были вычленены и проанализированы. Функциональная матрица связности отдельных данных была рассчитана с помощью инструментария Conn (Susan and Nieto-Castanon, 2012). Каждый образ был разбит на 116 областей с помощью автоматического атласа анатомической маркировки (ААМ), а возможности соединения ROI-to-ROI были рассчитаны для 116 регионов. Кроме того, метрики теории графов (степень и коэффициент кластеризации) были рассчитаны для каждой функциональной матрицы связности с помощью инструментария Brain Connectivity Toolbox. Степень - это количество ребер, соединенных с другими узлами, и указанием на центральность определенного узла (области мозга). Коэффициент кластеризации указывает на то, в какой степени узлы склонны группироваться вместе. Кроме того, объединение мозговой сети извлекается с помощью алгоритма Ньюмана, который является методом разделения графов для сетевого анализа. Эти показатели позволяют количественно проанализировать структуру мозговой сети.
Результаты
Средние правильные ответы на легкие и сложные задачи составили 30,7 ± 4,9 и 3,88 ± 1,17% соответственно, и было подтверждено, что процент правильных ответов на легкие задачи значительно выше, чем на сложные задачи.
С помощью группового анализа был проведен парный t-тест для изучения разницы активации между легкой задачей и сложной задачей. Дополнительная двигательная область и средняя височная извилина были отмечены как регионы, активации которых была значительно выше при решении трудной задачи, чем во время выполнения легкой. Также во время выполнения сложной задачи значительно активировались оба клиновидных участка и левое предклинье, которые связаны с рабочей памятью. Кроме того, степень измерений в этих регионах была значительно выше при выполнении трудных задач, чем для легких задач (парный t-тест, p <0,05). Это говорит о том, что эти области работали совместно с другими во время выполнения сложной задачи, в отличие от легкой. С другой стороны, коэффициент кластеризации выше для сложной задачи, чем для легкой задачи для всех областей (p < 0,05). Это указывает на то, что регионы мозга, как правило, образуют кластеры в ходе выполнения трудной задачи. Кроме того, 116 областей мозга были разделены на четыре сообщества: лобная доля, теменная доля, височная доля и затылочная доля для легкой задачи. В сложной задаче лобная и теменная доли были объединены в одну группу, в результате чего были определены три сообщества. Эти результаты показали, что лобная доля и теменная доля должны работать совместно во время выполнения задачи по сохранению рабочей памяти. При решении трудных задач наблюдалась активизация связи между клиновидными областями и лобной долей (левая средняя лобная извилина) и теменной долей (левая нижняя теменная извилина, левая парацентральная извилина). Лобно-теменная сеть связана с визуальным вниманием и контролирует затылочную зрительную кору для выборочной обработки только необходимой визуальной информации.
Поскольку эти результаты обнаружили связи между клиновидными участками, лобной и теменной долями, можно предположить, что клинья (затылочная зрительная кора) контролируются лобной и теменной долями.
Необходимо продолжать исследования в этом направлении, чтобы получить больше информации о взаимосвязях зон мозга и их иерархии при решении тех или иных задач.