使用有限元模型研究涉及tDCS增强类别学习的大脑区域

本文主要是介绍使用有限元模型研究涉及tDCS增强类别学习的大脑区域,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章来源于微信公众号(茗创科技),欢迎有兴趣的朋友搜索关注。

本研究者在之前的研究中发现tDCS协议对类别学习有很大的改善。本篇研究通过建模和比较不同电极放置的行为效应来考察大脑的哪些区域被激活。该研究系统地比较不同蒙太奇产生的行为和能量效应,以确定参与tDCS行为反应的特定脑区。

实验1中,将电极放置在F10和T5/P7上。然而,没有发现任何效应,这表明使用脑外电极刺激远场区域可能是产生这些效应的必要条件。在实验2中,使用有限元建模(FEM)来比较这些蒙太奇产生的e场。tDCS可以进入的一个差异很大的脑区是小脑,所以研究者以小脑为测试区,让36名参与者在训练期间接受阳极、阴极或伪刺激,并且将电极放置在枕骨隆突与左臂下。与伪刺激相比,阳极或阴极小脑tDCS均无显著变化。这些结果表明,无论是小脑的远场刺激,还是附近颅神经都没有起到因果作用

前言

经颅直流电刺激(tDCS)已经成为一种便宜、安全、有效的通过增加或减少神经元兴奋性来调节大脑活动的方法。tDCS作为一种潜在的实验和治疗工具,其灵活性在其应用领域的广度上是显而易见的。

一系列实验发现,在执行复杂类别学习任务的训练过程中,右前额叶皮层或右顶叶皮层的阳极tDCS与伪刺激条件相比,会导致表现增益增加2-4倍并且这种效应能够持续刺激后24小时

鉴于tDCS对学习的影响和注意网络任务(ANT)中警觉网络测量的增加之间的关系,这些效应在很大程度上被描述成大脑右侧额顶叶控制系统兴奋性增加的证据。本研究者也发现,左颞顶叶皮层的阴极tDCS也能促进该任务的学习,且具有同样大的效应值(见图1)。分类学习已经被证明可以激活许多脑区,包括内侧颞叶、视觉处理区域和额叶皮层。学习对刺激进行分类也被证明会增加右侧前额叶区域的活动,以及在训练时减少枕叶区域的活动。

对于这些刺激靶点之间的空间差异,研究者试图识别用于这些刺激靶点的tDCS协议中电场变化的共同区域。tDCS电流流动的计算模型有助于提高电极布置精度和优化电场分布。为此,研究者在高分辨率结构(T1)磁共振图像(MRI)中,对单个组织类型的电导率进行建模。

为了更好地理解tDCS诱导的不同神经场对类别学习增强的作用,本研究进行了两个实验。

实验1,将电极放置在F10和T5/P7上,假设这种tDCS蒙太奇可能会产生一种附加效应,从而增强其对学习的影响。实验2,使用有限元建模(FEM)来比较这些蒙太奇产生的e场,以小脑为测试区,假设在一个被FEM识别为成功蒙太奇交叉的部位(小脑)进行真实刺激,将导致参与者在这个视觉类别学习任务中有比伪刺激条件下更好的学习效果。基于之前对小脑作为tDCS靶点的研究结果,研究者假设,与伪刺激条件相比,小脑上方的tDCS会使参与者的学习能力增强。

图片

图1 显示了使用威胁类别学习范式(虚线左侧)和非威胁类别学习(虚线右侧)的F10阳极放置和T5/P7阴极放置的效果,与伪刺激条件相比。颜色表示刺激条件:红色为阳极F10,黄色为阳极P4,棕色为阴极T5/P7,绿色为阴极F10,蓝色为伪刺激。

实验一

tDCS

实验过程的时间轴见图2。实验采用双盲实验设计,在tDCS期间记录三次电极部位的生理感觉。要求参与者在0 - 10李克特量表上对三种不同类型的感觉(痒、热/灼烧和刺痛)打分,0表示没有感觉,10表示感觉最强烈。任何7级或以上的感觉评分,则立即停止刺激和终止实验。

图片

图2 实验1和实验2的实验过程的时间轴

数据分析

为了分析类别学习任务中随时间变化的学习情况,研究者采用3x2重复测量方差分析(时间(被试内因素):基线、即时测试、1小时延迟测试)x条件((被试间因素):(真实刺激,伪刺激),包括以下变量:(1)基线测试成绩,(2)即时测试成绩,(3)1小时延迟测试成绩。为了分析群体效应,研究者计算了两种学习得分:(1)即时学习,即即时测验与基线测验的差异;(2)1小时延迟学习,即1小时延迟测验与基线测验的差异。

有限元建模

使用Simpleware软件开发的高分辨率(1 mm3) MRI派生的有限元模型。研究者在Simpleware中使用内置的基于体素的网格算法生成自适应四面体网格。生成的体素网格随后被导入COMSOL Multiphysics 5.1 中进行计算求解模型。对于每个模型的域值如下:头皮:0.465 S/m;脂肪:0.025 S / m;肌肉:0.16 S / m;头骨:0.01 S / m;CSF:0.85 S / m;灰质:0.276 S/m;白质:0.126 S/m;空气:1 x10-15 S / m;电极:5.99x107 S/m。对电刺激进行准静态近似(拉普拉斯方程(∇⋅(σ∇V) =0,其中V为电势,σ为电导率),阳极电极表面(2 mA)的正常电流密度和返回电极表面(0 mA)的接地代表不同的头部蒙太奇。最终的有限元磁头组件有> 3000万个四面体单元。为了提高精度,研究者将相对公差设置为1 x10-6。计算每个蒙太奇的电场值(F10 vs.左臂、P4 vs.阴极、T5/P7 vs.右臂、F10 vs. T5、小脑vs.左臂),以说明电场强度在脑组织中的分布。

有限元模型的结果如图3

图片

图3 随时间变化的正确表现百分比。时间的主效应显著即时或1小时延迟条件下没有观察到显著效应。* = p < 0.05。

图片

图4 类别学习任务中的即时和1小时延迟学习。伪刺激条件相比,真实刺激tDCS对两种学习测量均无显著影响。

实验二

一些研究已经考察了小脑tDCS对认知过程的影响,而且越来越多的研究证实了小脑在高级认知过程中的作用。例如,小脑也参与其他认知功能,包括语言、学习、和工作记忆,以及联想学习过程中。小脑与包括感觉运动、颞叶、背外侧和内侧前额叶皮质在内的几个皮层区域有着直接的头部地形连接。

关于小脑的阳极和阴极刺激对任务表现的影响的研究结果并不完全一致,而且对小脑的刺激会产生行为效应,但该区域在多大程度上参与认知任务目前尚不清楚。研究者认为不仅与tDCS的时间设置、测量时间以及但不限于任务的复杂度,甚至小脑tDCS的极性特异性有关,而且电极的放置也可能是其中的一个因素。

图片

图5 先前研究中的电极放置的有限元分析(左3列)和本研究中实验1(右1列)。第一行显示了每个蒙太奇的底部视图。第二行显示左侧视图。第三行为右侧视图。注意,在前三个蒙太奇中能观察到tDCS的行为效应,但在第四个蒙太奇中没有发现

图片

图6 左侧为小脑tDCS的有限元模型,右侧为F10。

tDCS

tDCS程序与实验1相同,不同的地方在于一个电极沿中线位于枕骨隆突下方2厘米的中心,另一个电极放置在左上臂。其他步骤与实验1相同。

数据分析

采用了3x3重复测量的方差分析(被试内:时间(基线,即时测试,1小时延迟测试))x(被试间:条件(阳极,阴极,伪刺激))。所有其他步骤和变量与实验1相同。

实验2的结果表明,参与者能够学习任务,且时间的整体效应显著。

图片

图7 小脑刺激下类别学习任务的整体表现。与基线测试相比,即时测试和1小时延迟测试的表现都有显著提高但被试条件无明显差异注意,虽然阴极和伪刺激组表现从立即测试时的正确百分比下降1小时延迟测试时的正确百分比,但阳极组没有受到影响。* = p < 0.05。

图片

图8 即时和1小时延迟学习。黑色、深灰色和浅灰色分别表示伪刺激组、阳极组和阴极组。无论是立即学习还是1小时延迟学习,组间均未观察到显著差异。

讨论

本研究旨在探讨tDCS对类别学习的影响。并且确定了可能参与tDCS行为反应的大脑区域,并利用这些信息来指导电极放置。

研究者先前的实验表明,当阳极电极放置在位置F10(右额下回),阴极放置在左臂或者T5 / P7(左颞枕区)上和阳极放置在左臂上时,对类别学习任务的表现有较大的影响。

在实验1中,研究者认为将这两种头侧电极放置方式(F10阳极vs. T5/ P7阴极)结合在一起会有更明显的影响,结果却发现该tDCS协议对类别学习没有影响。作者给出的一种解释是,在手臂上使用一个脑外导联可能对之前从两种tDCS协议中观察到的行为效应至关重要。这一结果导致了研究者后续使用有限元建模对这些不同蒙太奇施加的电流分布进行研究。而且在tDCS有显著行为反应的蒙太奇组的小脑和脊髓中均存在电场效应。因此,实验2旨在验证小脑或脊髓对该任务的成绩提高起着关键作用。实验2的结果发现,小脑和/或脊髓在类别学习任务的过程中没有表现出显著作用。研究者认为,伪刺激条件相比,小脑上的真实刺激(阳极或阴极)对该任务的表现没有显著影响。

就小脑而言,有限元分析表明,更有效的tDCS协议会在该区域施加更强的电场。但事实上,计算建模成功的同时也伴随着一些需要注意的地方。虽然建模研究的空间准确性得到了支持,但当前到达特定大脑区域的电流数量却低于预期,神经影像数据发现,大脑激活在阳极下方最大,这与FEM预测的不太一样。所以对有限元模型的解释谨慎。

小脑与左臂电极放置的有限元结果表明,小脑腹侧可能受到与F10、P4和T5与对侧手臂放置相似区域的影响。此外,目前还没有办法用现有的软件来量化蒙太奇之间电场大小的差异。 

总的来说,本研究的结果对于阐明涉及类别学习的脑网络以及tDCS如何影响这些网络和类别学习行为是具有重要意义的。而且神经成像、建模和神经调节的结合使用,能够更好地理解类别学习的大脑基础。

这篇关于使用有限元模型研究涉及tDCS增强类别学习的大脑区域的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1061055

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

Hadoop数据压缩使用介绍

一、压缩原则 (1)运算密集型的Job,少用压缩 (2)IO密集型的Job,多用压缩 二、压缩算法比较 三、压缩位置选择 四、压缩参数配置 1)为了支持多种压缩/解压缩算法,Hadoop引入了编码/解码器 2)要在Hadoop中启用压缩,可以配置如下参数

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

Makefile简明使用教程

文章目录 规则makefile文件的基本语法:加在命令前的特殊符号:.PHONY伪目标: Makefilev1 直观写法v2 加上中间过程v3 伪目标v4 变量 make 选项-f-n-C Make 是一种流行的构建工具,常用于将源代码转换成可执行文件或者其他形式的输出文件(如库文件、文档等)。Make 可以自动化地执行编译、链接等一系列操作。 规则 makefile文件

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传