Neuroplasticita multismyslových kortikálních oblastí indukovaná hudebním tréninkem: translační přístup (MusicPlast) (MusicPlast)

Cíle a výzkumné otázky

Prvním cílem MUSICPLASTu je do hloubky prozkoumat vývoj audiovizuálního vnímání ve zdravém lidském mozku a podrobně popsat příslušné kortikální sítě, které se na něm podílejí. K realizaci tohoto cíle budou použita měření EEG s vysokou hustotou (128 kanálů) podle stimulačního protokolu, který zahrnuje sluchové, vizuální a audiovizuální korespondence v jednotném multisenzorickém paradigmatu. Bude provedeno behaviorální a neuropsychologické hodnocení multisenzorických percepčních schopností subjektů za účelem dosažení holistického porozumění jevu. Srovnání různých podmínek uvnitř subjektů odhalí odpovídající síť, zatímco mezi subjekty její vývojovou trajektorii. Hypotézou tohoto experimentu je, že síť, která je základem audiovizuálního vnímání, se bude skládat z kortikálních oblastí spojujících rozsáhlé oblasti včetně dorzolaterálních oblastí frontálního kortexu. Pokud jde o její vývoj a na základě skutečnosti, že behaviorální multisenzorická integrace se ve zdravém stárnutí stále zlepšuje, předpokládá se, že síť bude reorganizována a bude s postupem věku vykazovat zvýšenou hustotu a efektivitu.

Druhým cílem MUSICPLASTu je do hloubky prozkoumat plasticitu kortikální sítě, která je základem audiovizuálního vnímání ve zdravém lidském mozku, jak je indukováno prostřednictvím počítače poskytovaného krátkodobým tréninkem hudebního čtení. K realizaci tohoto cíle budou použita před a potréninková EEG s vysokou hustotou, behaviorální a neuropsychologická měření podle stejného stimulačního paradigmatu jako u výše uvedeného cíle. Hypotézou tohoto experimentu je, že síť, která je základem audiovizuálního vnímání, bude reorganizována a ukáže se zvýšenou globální hustotou a účinností, větší konektivitou mezi temporálními a frontopolárními oblastmi a postupným poklesem množství plasticity v důsledku nárůstu věku.

Třetím cílem MUSICPLASTu je vyhodnotit účinnost navrhovaného protokolu počítačového tréninku čtení hudby jako nástroje, který podpoří příznivé neuroplastické změny v patologických populacích a konkrétně u dyslektických adolescentů a starších osob. K realizaci tohoto cíle budou použita předtréninková a potréninková EEG s vysokou hustotou, behaviorální a neuropsychologická měření podle stejného stimulačního paradigmatu jako u výše uvedených cílů. Hypotézou tohoto experimentu je, že síť, která je základem audiovizuálního vnímání, bude prospěšně reorganizována díky tréninku ukazujícímu zvýšenou globální hustotu a efektivitu, větší propojenost mezi temporálními a frontopolárními oblastmi a že tyto změny budou doprovázeny zlepšením odpovídajících behaviorálních a neuropsychologických hodnocení.

Design a metodologie výzkumu Účastníci

Analýza velikosti vzorku byla provedena pomocí G-Power na základě dat z předchozí relevantní studie PI a ukázala, že požadovaná velikost vzorku pro dosažení síly 0,8 a oboustranné hladiny významnosti a = 0,05 je 13 subjektů. v každé skupině. Aby se zohlednily možné výpadky, MUSICPLAST zahrne 20 subjektů v každé skupině [adolescenti (n = 20), mladí dospělí (n = 20), starší (n = 20) a kontroly (n = 20)]. Studie bude provedena v souladu s Helsinskou deklarací s ohledem na účast lidských subjektů ve výzkumu.

EEG a měření chování

Před začátkem školení a po jeho ukončení budou účastníci podrobeni 2 elektroencefalografickým měřením. Záznamy budou prováděny v elektromagneticky stíněné místnosti umístěné v Medical Physics Laboratory of AUTH pomocí systému Nihon Kohden EEG-1200 se 128 aktivními elektrodami. První měření bude aktivity v klidovém stavu, což umožní síťovou analýzu klidové kortikální konektivity, zatímco druhé bude zaznamenávat potenciály událostí prostřednictvím multisenzorického podivného paradigmatu, které je vhodně upraveno pro audiovizuální vnímání, protože zahrnuje audiovizuální, sluchové a vizuální neshody v jednom. běh. Toto paradigma bylo navrženo a úspěšně aplikováno v řadě studií PI a umožňuje jak časoprostorovou analýzu kortikální aktivity, tak analýzu funkční konektivity.

Souběžně s měřením EEG budou subjekty reagovat behaviorálně prostřednictvím stisku tlačítka na audiovizuální kongruenční úkol, na kterém musí vyhodnotit, zda prezentované obrazy odpovídají tónům, které slyší na základě pravidla „čím vyšší je výška tónu – tím vyšší je poloha kruhu“. Toto měření umožní behaviorální vyhodnocení přesnosti diskriminace shodných a nekongruentních audiovizuálních podnětů.

Před zahájením školení a po jeho ukončení budou účastníci podrobeni neuropsychologickému hodnocení, které se bude skládat z baterie zahrnující tyto testy:

Všechny předměty:

Stroopův test Trail A a B Test výkonu číselného rozsahu Subtest Wechslerovy inteligenční škály Děti III nebo Wechslerova škála inteligence dospělých podle věku.

Pouze starší:

Mini Mental State Examination (MMSE) Montreal Cognitive Assessment (MoCA) Škála geriatrické deprese

Pouze dyslektika:

Slovní a neslovní čtení Slovní a neslovní pravopis Fonologické schopnosti

Intervence - tréninkový protokol MUSICPLAST

Každý subjekt absolvuje 20 lekcí počítačového školení založeného na zjednodušeném hudebním čtení během 4 týdnů. Školení bude probíhat prostřednictvím chytrého telefonu nebo tabletu. Aplikace zaznamená záznamový soubor pro každé školení, které bude trvat 20 minut a záznamový soubor bude přímo k dispozici výzkumníkovi, což mu umožní sledovat včasnou účast a nasazení předmětu. Stimuly použité v tréninkovém protokolu budou konstruovány podle stejných principů vzorů audiovizuálních stimulů používaných v záznamech EEG: vizuální obraz bude ukazovat kruh na pozadí 5 vodorovných čar. Doba trvání vzorů bude mít průměrnou délku 10 sekund.

Poloha kruhu v rámci pěti řádků se bude buď řídit pravidlem „čím vyšší výška tónu, tím vyšší poloha kruhu“, nebo bude výše uvedené pravidlo porušovat. Toto pravidlo bylo v zásadě dodržováno i v předchozích studiích prováděných PI s pozitivními výsledky ohledně indukované neuroplasticity. Vizuální obrazy budou reprezentovat pouze frekvenci výšky tónu, nikoli rytmický vzor. Účastník bude muset na konci každého pokusu odpovědět stisknutím tlačítka, zda audiovizuální vstup potvrdil nebo porušil výše uvedené pravidlo. Pro každý pokus bude poskytnut zpětný obrázek usmívajícího se obličeje pro správné odpovědi nebo neusmívajícího se obličeje pro nesprávné odpovědi. Protokol bude mít upravenou obtížnost, bude mít 5 úrovní obtížnosti, které budou založeny na 2 různých faktorech: rychlost prezentace a obtížnost hudebního vzoru. Na rozdíl od postupu měření EEG, během kterého budou melodické vzorce pro subjekty neznámé, budou melodické vzorce používané v tréninku složeny z krátkých, ale identifikovatelných částí známých hudebních skladeb, aby zaujaly účastníky a vyvolaly emocionální odezvu. . Trénink bude vylepšen ve srovnání s odpovídajícími předchozími studiemi PI poskytováním zpětné vazby a používáním známých hudebních skladeb, které navodí emocionální odezvu u studentů.

Analýza dat EEG a statistické postupy

Shromážděná EEG data budou předem zpracována pomocí softwaru Brain Electrical Source Analysis (BESA research, verze 6, Megis Software, Heidelberg, Německo). Zaznamenaná data budou rozdělena v epochách po 1000 ms včetně intervalu před podnětem 200 ms. Epochy budou korigovány základní linií pomocí intervalu od -100 do 0 ms. Current Density Reconstructions (CDR) budou vypočítány na základě nervových odpovědí každého subjektu a každého stavu pomocí metody sLORETA55, jak je poskytnuta BESA. The Matlab ® (The MathWorks, Inc., Natick, Massachusetts, Spojené státy americké.) toolbox HERMES56 bude použit pro výpočet matice sousednosti z voxelových časových řad. Toolbox Network Based Statistic (NBS) bude použit ke statistické identifikaci významných souvislostí v grafech pomocí přístupu obecného lineárního modelu. Pro statistickou analýzu dat bude použit smíšený model ANOVA 2 × 2 × 2 × 2 se 3 faktory v rámci subjektů: stav (kongruentní a nekongruentní), modalita (audiovizuální, sluchová a vizuální) a čas (před a po školení) a jeden mezi předměty: (věková skupina). Hladina významnosti bude nastavena na p < 0,05 korigovaná pro vícenásobná srovnání pomocí Family Wise Error correction.