Les réponses post-tâches suivant la mémoire de travail et le mouvement sont motivées par des rafales spectrales transitoires aux caractéristiques similaires

Neurologie Optique Physique Psychiatrie Biophysique Imagerie médicale Sciences de la vie Médecine
rafales spectrales modèle de Markov caché magnétoencéphalographie oscillations neuronales rebond bêta post-mouvement

Contexte et questions de recherche

La mémoire de travail et les réponses cérébrales post-tâche (Post-task responses, PTRs) ont été des sujets d’intérêt majeur en neurosciences. Les recherches antérieures montrent que le rebond bêta post-mouvement (Post-movement beta rebound, PMBR) est un phénomène stable et fiable du cortex cérébral, pouvant être étudié et mesuré à l’aide de la magnétoencéphalographie (Magnetoencephalography, MEG). Des études récentes ont découvert que les PTRs ne se limitent pas au rebond bêta post-mouvement mais sont présentes dans diverses bandes de fréquence (comme les bandes θ, α et β) et dans différentes régions cérébrales. Cependant, il reste incertain si ces PTRs après mémoire de travail sont entraînés par des explosions transitoires d’activités d’amplitude élevée (Spectral bursts) similaires au PMBR. L’objectif principal de cet article est d’explorer, par le biais d’une comparaison des ensembles de données de tâches de mémoire de travail et de tâches de mouvement visuel, si les mécanismes entraînant les PTRs après ces deux types de tâches sont semblables.

Source de l’article et informations sur les auteurs

Cet article de recherche a été rédigé conjointement par des chercheurs de plusieurs institutions, dont l’University of Nottingham, Young Epilepsy, Oxford Centre for Human Brain Activity, Wellcome Centre for Integrative Neuroimaging et l’University of Birmingham. L’article a été publié dans la revue 《Human Brain Mapping》, et a été accepté le 14 avril 2024. Les auteurs principaux incluent Sebastian C. Coleman, Zelekha A. Seedat, Daisie O. Pakenham, Andrew J. Quinn, Matthew J. Brookes, Mark W. Woolrich et Karen J. Mullinger.

Méthodes de recherche et processus

L’étude a utilisé deux paradigmes de tâches différents pour collecter les données : une tâche de mémoire de travail de type n-back et une tâche de mouvement visuel avec force de préhension. Voici le processus détaillé de collecte de données, de prétraitement, d’analyse HMMS et de comparaison des résultats pour chaque tâche.

Tâche n-back

  1. Paradigme de la tâche : La tâche est divisée en trois conditions (0-back, 1-back et 2-back) représentant différentes charges de mémoire de travail. Chaque période de tâche dure 30 secondes, suivie d’une pause d’une seconde avant l’affichage de la lettre cible, et les participants doivent appuyer sur un bouton en voyant la lettre cible.
  2. Collecte de données : 20 volontaires en bonne santé ont participé aux tests, utilisant un système MEG CTF à 275 canaux configuré en gradiomètre de troisième ordre, avec un taux d’échantillonnage de 600Hz.
  3. Prétraitement : Les données ont été analysées à l’aide de l’outil FieldTrip pour effectuer une analyse ICA et éliminer les artefacts de clignements et de cœur. Après avoir supprimé les segments de mauvaise qualité, 2960 segments ont été conservés pour une analyse ultérieure.

Tâche de mouvement visuel avec force de préhension

  1. Paradigme de la tâche : La tâche comprend des opérations de préhension de 2, 5 et 10 secondes, suivies d’une période de repos de 30 secondes après chaque opération. Les volontaires devaient maintenir 30% de leur force volontaire maximale en serrant une barre de force.
  2. Collecte de données : 15 volontaires en bonne santé ont participé à ces tests, avec un taux d’échantillonnage semblable à la tâche n-back, soit 600Hz.
  3. Prétraitement : Tout comme la tâche n-back, une analyse ICA a été utilisée pour éliminer les artefacts, et 1050 segments ont été finalement retenus.

L’étude a également utilisé des modèles de Markov cachés multivariés (HMMs) pour identifier les états de bursts (Bursting states) qui entraînent les PTRs. Ces modèles fournissent une méthode pour identifier les événements de burst sans connaissance préalable du contenu en fréquence ou du moment de réponse.

Principaux résultats de la recherche

Comparaison des PTRs dans les tâches de mémoire de travail et de mouvement visuel

  1. Comparaison temporelle des caractéristiques de burst : En comparant les réponses temps-fréquence des données MEG d’essai unique, les états PTRs dans chaque tâche correspondent à une activité transitoire de puissance élevée, concentrée principalement dans la bande α mais apparaissant également dans les bandes θ et β.
  2. Durée des bursts : La durée des bursts au sein des régions cérébrales est semblable entre les deux tâches, montrant une corrélation significative (r² = 0.56). Des bursts de longue durée apparaissent dans le cortex moteur, tandis que la durée des bursts est plus courte dans les régions préfrontales.
  3. Comparaison du contenu spectral : En utilisant la méthode de Thomson multitaper pour extraire la distribution de densité spectrale de puissance (PSD) de chaque état, les tâches montrent une forte corrélation entre la puissance dans les bandes α et β entre les régions cérébrales, mais une variation plus grande de la puissance relative dans la bande θ.

Application des HMMs aux données MEG

L’extraction des états PTRs à l’aide des HMMs a non seulement renforcé l’effet d’isolement du signal, mais a également significativement amélioré la corrélation avec les comportements (comme le temps de réponse). Ces résultats soutiennent l’hypothèse selon laquelle les PTRs sont liés aux indicateurs comportementaux de la difficulté des tâches (comme le temps de réponse).

Conclusion et signification

L’étude montre que les PTRs observés après les tâches de mémoire de travail et de mouvement sont alimentés par des événements de burst transitoires présentant des caractéristiques similaires. Ces observations suggèrent que la fréquence et la durée des bursts reflètent les régions de projection et les réseaux recrutés, plutôt que des variations des fonctions PTRs dans différentes tâches. Les résultats démontrent également l’efficacité des HMMs pour isoler les signaux intéressants des données MEG et améliorer la corrélation comportementale.

Cette recherche apporte des perspectives importantes sur les mécanismes neuronaux fondamentaux des PTRs et propose une nouvelle direction pour l’étude du traitement neuronal fondé sur les bursts transitoires, avec des applications potentielles dans le diagnostic des maladies cérébrales et la réhabilitation neurologique.

Points forts de la recherche

  • Cette étude compare pour la première fois de manière systématique les caractéristiques spectrales et la durée des PTRs après des tâches de mémoire de travail et de mouvement, confirmant que ces PTRs sont entraînés par des mécanismes de bursts transitoires similaires.
  • L’utilisation de la méthode d’analyse HMMs a non seulement augmenté la précision du signal, mais a également renforcé la corrélation avec les indicateurs comportementaux, démontrant sa valeur potentielle pour la recherche en neurosciences.