감정 지속 시간 차이 추정의 LPFC 조직

개요. UC Santa Barbara와 더 큰 규모의 Santa Barbara 커뮤니티에서 n=50명의 참가자가 모집되어 다중 세션 fMRI/TMS+fMRI 연구에 참여하도록 초대됩니다. 자격 기준이 설명되었으며 fMRI 및 TMS 안전 기준이 포함됩니다.

행동 과제. 측면 전두엽(FPl)이 감정과 시간 신호를 나타내고 이를 통합하여 중간 측면 전두엽 피질(mid-LPFC)의 상황별 행동 목표 표현을 알리는 가설을 테스트하기 위해 시간을 조작하는 잘 검증된 작업을 사용합니다. 상황에 따른 행동 목표인 Emotional Sequences Task를 알리는 정서적 원자가 요인. 각 시험에서 참가자는 4개의 새로운 부정 및 긍정적 이미지(이벤트)의 12초 시퀀스를 봅니다. 실험의 절반은 오래 지속되는 부정적(긍정적) 그림 표현을 특징으로 하며 그 반대의 경우도 긍정적이거나 부정적인 감정적 가치에 대한 더 큰 시간적 증거를 산출합니다. 12초 시퀀스에서 하나의 원자가에 유리한 시간적 증거의 양(Δ 시간적 증거: 1200ms 대 1800ms)은 개별 그림 표시 시간(2000ms-4000ms, 지터링)을 다양하게 하여 우세한 감정 원자가에 대해 직교적으로 다양합니다. 각 시퀀스가 ​​끝나면 참가자는 동작 매핑 규칙(컨텍스트 목표 신호)에 따라 버튼 누름(왼쪽 대 오른쪽)을 사용하여 긍정적이거나 부정적인 이벤트의 총 지속 시간이 더 길었는지 여부를 나타냅니다.

절차. fMRI 획득. UCSB의 뇌 영상 센터(BIC)에 위치한 3T Prisma Siemens MRI 스캐너의 64채널 코일을 사용하여 전체 뇌 EPI(다중 대역 계수=3, 2.5mm3 등방성 복셀, TR=1.5s, TE=30ms)를 수집합니다. ; FA=65°) 및 공간 정규화 및 TMS 신경 탐색을 위한 T1 강조 이미지(0.94 mm3; TR=2.5 s; TE=2.19 ms; FA=7°). fMRI 데이터 처리 및 모델링. 이전 작업((2) 참조)에 따라 FSL 및 Python의 fMRI 데이터 처리에는 동작 및 슬라이스 시간 수정, 3mm FWHM 평활화 및 기본 기능 해상도를 유지하는 T1 공간 정렬이 포함됩니다. 감정적 순서와 행동 준비 시대에 대한 시험적 굵게 활성화 매개변수는 LS-A(Least-Squares All)(3) GLM에서 표준 HRF를 사용하여 획득하고 다변량 노이즈 정규화(4)를 사용하여 정규화하여 방해 요소를 제거합니다. 생리학적 및/또는 기기 노이즈로 인한 복셀 상관관계. 관심 영역(ROI). PFC-LPFC: FPI 및 중간 LPFC(BA46 & 9-46); mPFC: BA25 및 BA32-Oxford PFC 합의 아틀라스(5-7) 및 Freesurfer(8)의 표면 기반 분할이 개별 T1 공간에 맞춰 정렬되었습니다. 편도체 ROIs-CITI 아틀라스(9) 및 T1 공간에 대한 ANT 등록. fMRI 분석: 개요. 목표 1-1b: 우리는 다음 요소를 모델링할 것입니다: 지배적인 감정적 밸런스(긍정적 vs. 부정적, 이하에서는 감정), # 시간적 증거(1200ms vs. 1800ms, 이하에서는 시간), 행동 목표(규칙 기반 왼쪽 vs. 오른쪽, 이하 동작). MVPA. FPI의 감정적 가치에 대한 선형 디코딩과 FPl 및 mid-LPFC의 행동 목표를 보여준 이전 작업(2)을 복제하기 위해 각 주제, ROI 및 작업에 대해 z 점수 데이터에 대해 실행되는 다변량 로지스틱 분류기를 사용합니다. Nilearn의 신기원(감정 순서 및 행동 준비). 분류기 성능은 곡선 아래 영역(AUC; 기회 성능 = 0.5) 및 Leave-One-run-out 교차 검증(실행별 분류기 AUC 생성)을 사용하여 평가됩니다. 혼합 모델: 개요. 여기와 전체적으로 우리는 주제를 입력하고 무작위 요인으로 실행되는 혼합 모델(lme4(10))을 사용합니다. 분류자 혼합 모델. 분류기 AUC는 피험자 전반에 걸쳐 실행 방식 분류기 AUC를 결합한 혼합 모델을 사용하여 우연에 대해 테스트됩니다. 표현 유사성 분석(RSA). 전체 요인 RSA는 다중 복셀 신경 활동 패턴(즉, 신경 유사성 매트릭스)의 시험 간 유사성 구조가 실험적 요인(여기서는 감정적 원자가, 시간, 행동 목표 및 중요하게는 상호 작용)에 의해 설명되는지 여부를 테스트합니다(2) . 우리는 데이터 종속성 및 자기 상관으로 인해 부풀려진 상관 관계를 최소화하는 실행 간 상관 관계 접근 방식에서 시행 방식 다중 복셀 패턴 쌍 간의 Pearson 상관 관계를 계산하여 각 참가자, ROI 및 작업 시대에 대한 신경 유사성 행렬을 얻을 것입니다. RSA 혼합 모델. 다음으로 조건별 템플릿 행렬을 사용하여 각 ROI에 대한 다중 회귀 혼합 모델을 적용합니다(각 템플릿 행렬은 대상 오류 항에 포함됨). 우리는 감정, 시간, 감정*시간 회귀자(감정 시퀀스 시대)를 맞출 것입니다. 이 모델은 시간과 감정이 FPI와 mid-LPFC 신경 활동 패턴의 유사성 구조를 유의미하게 설명하는지, 그리고 결정적으로 이들이 상호 작용하는지(즉, 결합 표현(11,12)) 여부를 테스트합니다. mid-LPFC와 FPl이 행동 목표를 나타내는지 여부를 테스트하기 위해 행동 목표 회귀자(행동 준비 에포크)를 맞출 것입니다. 2차 모델에는 행동 목표 표현이 중간 LPFC(vs. FPl)(이전에 발견한 대로(2)) 또는 이러한 요소가 이 작업의 중간 LPFC에 통합되어 있는지 여부입니다. LPFC의 시간, 감정, 목표 신호의 행동 관련성. 우리는 Emotional Sequences Task의 정확성에 대한 FPl의 감정*시간 회귀자(RSA 베타)의 적합성을 회귀 분석하여 FPl의 통합된 시간-감정 신호의 예측된 행동 가져오기를 테스트할 것입니다. FPl-mid-LPFC 상호 작용: 기능적 연결성 및 지역 간 표현 증거. (a) FPl의 감정*시간 적합성(RSA 베타) 및 (b) 중간 LPFC 작업에 대한 FPl-mid-LPFC의 기능적 연결성(PPI 베타)을 회귀하여 FPl의 통합된 시간-감정 신호가 중간 LPFC 기능에 정보를 제공할 수 있는지 여부를 테스트합니다. -골 신호(AUC). 통계적 엄격성. 여기와 전체에서 모든 p 값은 다중 비교를 수정하기 위해 FDR 조정됩니다. LPFC의 지역 및 표현 특이성은 위에서 설명한 혼합 모델의 대화형 회귀 변수로 지역(FPl 대 중간 LPFC)을 입력하여 공식적으로 테스트됩니다.

FPl, 중간 LPFC 및 비PFC 제어(S1)(피험자 간에 균형 잡힌 순서)를 대상으로 하는 3개의 TMS+fMRI 세션에 대해 실험 1.1(목표 1)의 참가자를 데려올 것입니다. 각 TMS 관리 후에는 감정 시퀀스 작업에 대한 fMRI 스캔이 수행됩니다. 실험 1.2는 (a) 중간 LPFC에서 행동 목표 표현을 알리고 (b) 작업 수행(시간적으로 확장된 감정 정보의 정확한 추적이 필요함)에서 FPI 기능의 인과적 역할을 테스트합니다. LPFC 중반의 작업 목표 신호를 대상으로 하는 실험 1.3과 비 PFC 제어(S1)를 대상으로 하는 실험 1.4와 비교됩니다.

절차. 정보 안내 TMS. 다른 사람들(13)과 우리(1)의 최근 연구에 따라 개별화된 LPFC TMS 사이트는 작업 관련 분류기 증거(FP1의 정서적 가치 및 구형 서치라이트로 밝혀진 LPFC 중반의 행동 목표)의 최고 위치를 목표로 합니다( 7.5mm 반경)은 관련 해부학적 ROI(ROI, 목표 1 참조)로 제한된 기준선(실험 1.1, 목표 1)에서 얻은 fMRI 데이터에 대해 실행됩니다. S1 목표는 해부학적 구조를 기반으로 정의됩니다(14-17). TMS 사이트는 인지 제어(18-20) 및 감정 조절(15,21) 동안 왼쪽 대 오른쪽 LPFC의 보다 일관된 참여를 고려하여 선험적으로 왼쪽 반구로 제한됩니다. TMS 프로토콜. TMS는 Magstim Horizon Lite 자기 자극기와 8자 모양 코일을 사용하여 전달됩니다. 정확한 TMS 타겟팅은 T1 강조 스캔과 컴퓨터화된 정위 시스템(Brainsight)을 사용하여 달성됩니다. 이전 작업과 마찬가지로 자극 후 최대 60분 동안 대뇌 피질 활동을 감소시키는 오프라인 cTBS 프로토콜(200ms마다 3펄스의 50Hz 열차, 40초, Huang et al. 2005)을 사용합니다. 설문지. PANAS(22) 및 STAI(23)를 사용하여 TMS 전후의 기분을 평가할 것입니다. fMRI 분석. MVPA 및 RSA를 수행합니다(목표 1에서 자세히 설명). 통계적 엄격성. 목표 1을 참조하세요. 여기서 TMS 사이트 특이성은 위에서 설명한 혼합 모델(분류자 AUC 및 RSA)의 대화형 요인으로 TMS 사이트(FPl 대 중간 LPFC 대 Control/S1)를 입력하여 테스트됩니다. 다중 비교를 위해 모든 p-값 FDR이 수정되었습니다.