PNAS:婴儿早期记忆能力比我们想象的要高

近日来自意大利帕多瓦大学的Silvia Benavides-Varela教授在美国国家科学院院刊(PNAS)上发表了一篇关于婴儿早期记忆的研究,这一工作使用近红外光谱成像技术(fNIRS)研究了40名健康的婴儿在具有干扰刺激情境下的词语记忆及其相关的神经机制,结果发现婴儿具有与生俱来的半侧化优势记忆功能神经网络,而且婴儿对某些特定词语的记忆并不受无关干扰刺激的影响。

事实上,Silvia Benavides-Varela教授早在2011年[1]时就在PLOS ONE上发表了一篇研究婴儿记忆的文章,该研究发现婴儿在经典的习惯化范式下可以记住一个单词(比如连续重复或者非连续重复),但是如果在测试前的休息阶段给予干扰词语刺激,那么婴儿往往无法记住之前重复出现过的单词。但是这是否意味着婴儿的语词记忆只有在单独呈现靶子词时才能成功发挥作用?这仍然是一个未解之谜。

为了解决这一个疑惑,与2011年那篇研究中所使用的研究范式不同的是,在这一研究中Silvia Benavides-Varela教授及其研究团队对过去使用的经典习惯化范式稍微做了改进:在编码阶段给婴儿呈现靶子词的同时还呈现了无关的干扰词,与此同时观察和记忆任务、注意指向任务以及语言发展相关的额叶(LF,RF)、顶叶(LP,RP) 和颞叶(LT,RT) 皮层区域的血氧含量的变化,进而探讨这些区域之间是否存在相互作用。参加实验的婴儿年龄范围在38-42周之间,包括14名男婴和26名女婴,这些婴儿的父母均是意大利母语者。为了方便血氧含量的监测,他们选择了头围在33.5-36.0厘米之间的婴儿参加实验。实验材料仍然使用的是2011年研究中的实验材料:3个意大利语中的假词-- mita , pelu, 和noke,其中mita和pelu作为靶子词,而noke作为干扰词。

图1(A)灰色正方形方块代表的是通道的位置,白色的椭圆形代表的是兴趣区,包括额叶、顶叶以及颞叶皮层区域。

实验被分为三个阶段即编码阶段、间隔阶段以及测试阶段。编码阶段包括10个block。每个block中给婴儿按照随机顺序呈现8次词语录音,其中靶子词(即高频词,high-frequencyword, HF)和干扰词(即低频词,low-frequencyword, LF)分别播放6次和2次。一半被试的靶子词是mita,另一半被试的靶子词是pleu。在测试阶段给其中一半被试播放编码阶段出现过的词语(same-word 组),另一半被试播放完全陌生的词语(novel-word组)。每一个词语重复出现8次,词语和词语之间播放的时间间隔是0.5秒或者1.5秒,不同的block之间的时间间隔在25秒到30秒之间变化(实验流程如下图所示)。

图1(B)实验设计流程图。LF:低频率词(干扰词),Target:高频率词(靶子词)。

实验结果发现,在编码阶段same-word组和novel-word组血氧变化差异不显著(置换检验,p= 0.49)。随后将编码阶段的所有数据合并,通过回归分析发现左侧额叶(LF)的氧合血红蛋白(OxyHb)出现显著的降低([R2 = 0.671; y = –0.01x (P = 0.002)+0.06(P = 0.018, Bonferroni-corrected)].,并且这种降低在前三个block最显著。当以左侧额叶为感兴趣区进行单个被试的回归分析时,结果和群体水平分析结果一致。但是在其它的感兴趣区没有出现这样的结果。

图2(A)不同被试在左侧额叶中的OxyHb相对变化的时间进程。横坐标表示的是组块(block)数,纵坐标代表OxyHb变化值[A1] ,误差条代表平均值的标准误.

接下来对编码阶段变化最显著的前三个组块(block)进行有效性连接的比较分析,结果发现了和习惯化效应相关两个系统性改变(如图2B所示):1)左侧额叶(LF)和其它三个兴趣区的功能性连接均在变弱(左侧颞叶组块1到组块3的路径系数分别是0.880,0.433,-0.683;右侧颞叶组块1到组块3的路径系数分别是0.908,0,-0.475;右侧顶叶的组块1到组块3的路径系数分别是0.562,-0.062,0);2)左侧和右侧颞叶之间功能连接增强(组块1到组块3的路径系数分别是0,0.238,0.476)。


图2(B). 在编码阶段的前三个组块中左侧和右侧额叶、颞叶以及顶叶的有效连接。通过使用AMOS进行模型构建发现不同的模型可以很好地对前三个组块的数据进行拟合。其中Block 1, χ2 (df = 2) = 1.377, P = 0.502; block 2, χ2 (df = 3) = 4.03, P= 0.258; block 3, χ2 (df = 3) = 1.195, P= 0.754。

通过对测试阶段的血氧含量变化进行回归分析发现,和编码阶段一致的是,左侧额叶(LF)的氧合血红蛋白(OxyHb)也出现显著的降低[R2 = 0.876;y = –0.01x (P = 0.02) + 0.004 (P =0.58)]。对每个兴趣区进行置换检验发现在same-word组和novel-word组中右侧额叶在组块1中出现显著的差异(图3A右上)。陌生词语组的婴儿比相同词语组的婴儿们表现出更加强烈的血氧反应。而且功能连接分析模型比较发现在陌生词语组和相同词语组具有明显不同的功能结构(χ2= 1,365.39, df = 14, P <0.0001);所有的路径中有两条路径组间差异显著(LF与RP之间以及LT与LP)。而且RT和RF之间的连接只有在熟悉词语组中才存在(路径系数为0.53)。在陌生词语组中兴趣区之间功能连接的特点是LF和LT之间的连接(路径系数为0.5),RT与RP(该区域在组间差异显著)之间的路径系数为0.38,但是这些连接并没有出现在熟悉词语组中。

通过组块2中的ROI血氧含量分析也发现在RP区域在两组出现显著差异,LT区域也出现类似的趋势(P= 0.01,Bonferronicorrected, P = 0.12),和先前的对婴儿记忆研究结果一致的是,陌生词语组的RF区域的血氧反应强于相同词语组。功能连接分析也发现,陌生词语组和相同词语组具有明显的功能结构(所有的路径在组间差异均显著,χ2= 1,365.39, df = 14, P <0.0001)。和组块1中分析结果一致的是,RT和RP之间的有效连接只有在熟悉词语组中才存在(路径系数为0.53)。而且只有在陌生词语组才存在LF和其它三个兴趣区的连接,路径系数分别是LF-LT:0.416;LF-LP:0.067;LF-RP:0.738。

为了更进一步探究婴儿在再认阶段时所作出反应时的脑功能连接,我们使用了2011年那篇研究中的实验数据进行相同的功能连接分析,结果和本研究一致:

在陌生词语组LF和LT之间以及PT和RP之间的存在非常强的耦合(路径系数分别为0.62和0.57),但是在RT和RF之间没有出现强耦合(路径系数为0)。先前研究中的左半球兴趣区之间的功能连接比本研究中的更强(LFto LT Δ = 0.281, P = 0.001; RT to RP Δ = 0.16, P = 0.058)。和本研究类似的是,在相同词语组中,我们发现RT和RF之间的有很强的连接(路径系数0.73)但是LF和LT之间不存在。先前研究中的右半球兴趣区之间的连接更强(RTto RF Δ =

–0.132,P = 0.035)。先前研究中相同词语组中RT和RP之间的路径系数是0.84,但是在本研究中并没有出现这样的结果。

本研究最大的突破和创新点就在于把干扰词呈现在习惯化过程中而不是习惯化之后。本研究的实验结果为婴儿的词语记忆功能网络提供了证据,如图4A和4B显示,在编码阶段颞叶和左侧额叶之间会相互作用,而在再认阶段颞顶联合区和右侧额叶之间会相互作用。

图4. 婴儿的词语记忆网络以及它们之间的相互作用。蓝色的线条表示的是在记忆的两个阶段中功能连接最强的脑区。其中A代表的是在编码阶段颞叶和LF之间的相互影响,B代表的是颞叶、顶叶和RF之间在再认阶段的相互影响。

[1]Benavides-VarelaS, et al. (2011) Memory in the neonate brain. PLoS One 6:e27497.

[2]Benavides-Varela,S., Siugzdaite, R., Gã³Mez, D. M., Macagno, F., Cattarossi, L., & Mehler,J. (2017). Brain regions and functional interactions supporting early wordrecognition in the face of input variability. Proceedings of the NationalAcademy of Sciences of the United States of America, 114(29), 7588-7593.

原文发布于微信公众号 - 思影科技(siyingkeji)

原文发表时间:2017-08-22

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏AI科技大本营的专栏

在TensorFlow2.0发布前,帮你掌握TensorFlow的必备内容

【导读】AI科技大本营曾报道过,TensorFlow 2.0 已经在开发计划中了,相信在不久的将来就会和我们见面。那么现在的 TensorFlow 都有哪些功能...

36430
来自专栏腾讯移动品质中心TMQ的专栏

机器学习实现录像分帧速度测试

浏览器测试组一直将录像分帧作为速度测试的重要手段之一。录像分帧具有结果简单直观,证据保存完好等优点。所以,虽然录像分帧在效率上比不上代码埋点,Hook等方法,但...

35910
来自专栏新智元

无人驾驶 | MIT无人驾驶运动路线控制

对于无人驾驶汽车来说,除了感知周边的环境、定位这两大方面之外,很重要的一点就是运动的控制。 ? 对于无人驾驶汽车循着特定的轨迹稳定的运动并非易事,下面就根据M...

30350
来自专栏人工智能头条

从零实现来理解机器学习算法:书籍推荐及克服障碍的技巧

15650
来自专栏人工智能LeadAI

译文 | 与TensorFlow的第一次接触(一)

本人对一直对高性能网络服务器,分布式存储比较感兴趣,在BAT时也一直从事架构开发,并没有做过机器学习相关工作,平时喜欢阅读分析开源代码,到目前为止已分析完约8套...

36260
来自专栏技术翻译

关于TensorFlow你应该知道的9件事

TensorFlow是一个机器学习框架。如果你有大量的数据或你在人工智能中追求的最先进的东西,那么这个框架可能是你最好的选择:深度学习。

10900
来自专栏大数据挖掘DT机器学习

Python实现基于SVM的股票预测

核心 因为是分类算法,因此不像ARIMA一样预测的是时序。分类就要有东西可分,因此将当日涨记为1,跌记为0,作为分类的依据。使用历史数据作为训练数据。 处理数据...

77060
来自专栏AI研习社

资深算法工程师万宫玺:Java 工程师转型 AI 的秘密法宝——深度学习框架 Deeplearning4j | 分享总结

深度学习是人工智能发展最为迅速的领域之一,Google、Facebook、Microsoft 等巨头都围绕深度学习重点投资了一系列新兴项目,他们也一直在支持一些...

398100
来自专栏ATYUN订阅号

Kaggle的入门介绍:通过竞赛磨练机器学习技能

在数据科学领域,可用的资源非常的多:从Datacamp到Udacity再到KDnuggets,在网上有很多可以在线学习数据科学的地方。但是,如果你是一个喜欢在实...

47710
来自专栏新智元

【深度】基于论文,对谷歌 TPU 的最全分析和专业评价

【新智元导读】本文以 Google 最新公开的 TPU 论文《在数据中心中对张量处理器进行性能分析》的译本为基础,对该论文及 TPU 进行了评价。 源起 2...

58240

扫码关注云+社区

领取腾讯云代金券