التحقيق في ارتباطات خصم التأخير ببنية الدماغ والذاكرة العاملة والذاكرة العرضية الجزء 2

العلاقة بين التنبؤات الهيكلية و DD

لقد اختبرنا الارتباطات بين المتغيرات ذات الاهتمام (الأحجام تحت القشرية، والمادة الرمادية ومكونات المادة البيضاء، EM، WM) وDD مع النماذج الخطية واختبارات التقليب غير المعلمية كما تم تنفيذها في إصدار برنامج PALM الخاص بـ FSL 1.11 (Winkler et al. 2014;Winkler, Webster, et آل.2016ب) يعمل على MATLABR2017b.

في السنوات الأخيرة، مع تحسن مستويات معيشة الناس ونمو العمر، اجتذبت مشاكل الذاكرة المزيد والمزيد من الاهتمام. ومع ذلك، فقد قام بعض الأشخاص بتمرين أدمغتهم بنشاط ولكنهم ما زالوا يعانون من مشاكل في الذاكرة. في هذا الوقت، يمكننا النظر في استخدام الترتيبات غير المعلمية لتحسين الذاكرة.

إذًا، ما هو التقليب غير البارامتري؟ الترتيب غير المعلمي هو أسلوب إحصائي يقوم بترتيب مجموعة من البيانات وفق قواعد معينة دون مقارنة رقمية. بالمقارنة مع التقليب البارامترى، فإن التقليب غير البارامترى له نطاق أوسع من التطبيقات ولا يقدم الكثير من الافتراضات حول توزيع البيانات وفصلها.

وكيفية استخدام الترتيب غير المعلمي لتحسين الذاكرة؟ بادئ ذي بدء، نحن نعلم أن الدماغ البشري يمكنه تحليل وحفظ واستدعاء المعلومات المختلفة مثل الصور والصوت والنصوص وما إلى ذلك، حتى نتمكن من استخدام الترتيبات غير المعلمية لتحسين قدرات المعالجة والذاكرة في دماغنا للمعلومات المختلفة.

ومن خلال بعض التمارين، مثل ممارسة الذاكرة واستدعاء الألوان والأرقام والكلمات وغيرها من المعلومات، ومن ثم الترتيب غير المعلمي للمعلومات المختلفة، يتم تشكيل بنية أكثر انتظامًا في الدماغ، وبالتالي تعزيز قدرة ذاكرة الدماغ.

بالإضافة إلى ذلك، يمكن استخدام التباديل غير البارامتري لتحسين المرونة العقلية وتقليل القلق والتوتر، من بين مشكلات أخرى. من خلال تمرين الدماغ، يمكن للدماغ أن يعمل بشكل أكثر مرونة وصحة، وبالتالي يقلل من الاكتئاب والقلق وغير ذلك من المشاعر السلبية غير الضرورية، ويواجه الحياة والعمل بشكل أكثر إيجابية.

باختصار، الترتيب غير المعلمي هو وسيلة مجدية وفعالة لتحسين ذاكرة الدماغ ومرونة التفكير. من خلال التمرين والممارسة المستمرين، يمكن تحسين ذاكرة الدماغ وقدرات المعالجة بشكل فعال، مما يساعدنا على مواجهة الحياة والعمل بشكل أكثر صحة وإيجابية. يمكن ملاحظة أننا بحاجة إلى تحسين ذاكرتنا. يمكن لـ Cistanche deserticola أن يحسن الذاكرة بشكل كبير، لأن Cistanche deserticola يمكنه أيضًا تنظيم توازن الناقلات العصبية، مثل زيادة مستويات الأسيتيل كولين وعوامل النمو. هذه المواد مهمة جدًا للذاكرة والتعلم. بالإضافة إلى ذلك، يمكن للحوم أيضًا تحسين تدفق الدم وتعزيز توصيل الأكسجين، مما يضمن حصول الدماغ على ما يكفي من العناصر الغذائية والطاقة، وبالتالي تحسين حيوية الدماغ والقدرة على التحمل.

انقر فوق معرفة طرق تحسين وظائف المخ

استخدمنا 10،000 من التباديل، لنمذجة توزيع التباديل للقيم P مع توزيع باريتو (Winkler, Ridgway, et al. 2016a)، والتحكم في معدل الخطأ العائلي (FWER) لاختبارات متعددة باستخدام توزيع الحد الأقصى للإحصائية (ويستفالند يونغ 1993). تحتوي مجموعة بيانات HCP على الأشخاص الذين تم أخذ عينات منهم مع أشقائهم (معظمهم توائمهم)، مما يعني أنه لا يمكن اعتبار القياسات مستقلة.

لاختبار الارتباطات بين المتغيرات محل الاهتمام مع مراعاة بنية العائلة في مجموعة البيانات، استخدمنا اختبار التقليب متعدد المستويات (Winkler et al. 2015). تم تصحيح هذه الارتباطات فيما يتعلق بالمصطلحات الخطية والتربيعية، والجنس، والتعليم، والدخل، والنتيجة المركبة للوظيفة المعرفية في مجموعة أدوات المعاهد الوطنية للصحة ("CogTotalComp_Unadj")، وهو مقياس للذكاء العام. تم الإبلاغ عن 2-القيم P اللاحقة للارتباطات التي تم اختبارها.

تحليلات Vertex و voxel-wise

للمقارنة، أجرينا أيضًا تحليلات منفصلة أحادية المتغير (السمك القشري، مساحة السطح) وتحليلات voxelwise (GMV، FA، MD) لاختبار الارتباطات مع DD. تم إجراء هذه التحليلات باستخدام اختبارات التقليب غير المعلمية كما تم تنفيذها في برنامج PALM الخاص بـ FSL، مع 2،000 من التباديل، وتعزيز عنقودي خالٍ من العتبة (Smith and Nichols 2009). كما هو الحال في التحليلات السابقة، قمنا بتصميم ذيل توزيع التقليب للقيم P مع توزيع باريتو، وطبقنا التحكم FWER لاختبارات متعددة باستخدام توزيع الحد الأقصى للإحصاء، واحتسبنا بنية الأسرة من خلال اختبار التقليب متعدد المستويات. كما هو مذكور أعلاه، تم التحكم في هذه التحليلات فيما يتعلق بالمصطلحات الخطية والتربيعية والجنس والتعليم والدخل والذكاء العام.

نتائج

لقد استبعدنا الأشخاص ذوي الاستجابات غير المكتملة في مهام DD (3)، الذين اختاروا إما الاستجابات الفورية أو المؤجلة دائمًا (9)، أو الذين كان الاحتمال الخلفي لإحصائيات R2 الزائفة (Camerer and Ho 1999) أعلى من الصفر أقل من {{5} .95، أي المواضيع التي جهز النموذج استجاباتها بشكل أفضل من نموذج الصدفة (166). وأدت هذه المعايير إلى استبعاد 178 موضوعًا من عينة HCP. يعرض الجدول 1 معلومات ديموغرافية حول العينات وعدد الملاحظات الصالحة لمختلف المهام المعرفية وطرائق التصوير التي تم تحليلها حول DD. وكانت القيمة الذاتية للمكافآت في المتوسط ​​79% من قيمتها الاسمية بعد شهر و23% بعد عام. لم تكن الاختلافات بين الجنسين في DD كبيرة (ذكر (ن=473) > أنثى (ن=545):t=0.27، P=0.80).

العلاقة بين DD والمادة الرمادية

بعد التصحيح لمصطلحات العمر الخطية والتربيعية والجنس وإجمالي الحجم داخل الجمجمة، لم يكن معدل الخصم مرتبطًا بالحجم القشري الإجمالي أو حجم أي من الهياكل تحت القشرية التي تم فحصها. يعرض الجدول 2 إحصائيات هذه الجمعيات.

تم تحليل السُمك القشري ومساحة السطح وخرائط GMV بالاشتراك مع ICA المرتبطة في 5 0 مكونات، يحدد كل منها خريطة مكانية تعكس المناطق التي تتباين فيها بنية المادة الرمادية بقوة عبر المشاركين والدرجات الفردية التي تشير إلى حجم مساهمة المكون . كانت نتائج أحد مكونات المادة الرمادية مرتبطة بشكل سلبي كبير بـ DD (الشكل 2A، r =−0.172، Pcorr < 1e−4، تم تصحيحها للمكونات الخمسين التي تم اختبارها، n=946).

من بين طرائق المادة الرمادية الثلاثة، كان هذا المكون مرجحًا بشكل أكبر (62٪) على GMV (الشكل 2B)، وكانت أكبر تحميلاته في القطب الصدغي والطلل (الشكل 2C وD). نظرًا لأن ICA يعاني من عدم تحديد الإشارة، يجب تفسير درجات المكون فيما يتعلق بتحميلاته (التي يتم تمثيل توزيعها التشريحي بالخريطة المكانية المقابلة)، أي أن الارتباط السلبي مع درجات أحد المكونات يعكس ارتباطًا سلبيًا (جزئيًا) مع قياسات بنية المادة الرمادية في المناطق التي تكون فيها قيم حمولاتها موجبة. تم تصحيح هذه الارتباطات من حيث العمر الخطي والتربيعي والجنس والتعليم والدخل.

عند تحلل البيانات في 100 مكون، وبالمثل، كان مكون واحد فقط مرتبطًا بشكل كبير بـ DD، مما يُظهر نمطًا مشابهًا جدًا للنمط الذي تم استرداده باستخدام تحلل المكون 50- (الشكل 2E–G، r {{3 }} −0.158، Pcorr=5e−4، تم تصحيحه للمكونات الـ 100 التي تم اختبارها، n=946). كشف تحليل فوكسل أحادي المتغير أيضًا عن وجود علاقة سلبية ذات دلالة إحصائية بين GMV و DD في مناطق المادة الرمادية الزمنية الثنائية بعد التحكم في شروط العمر الخطية والتربيعية والجنس والتعليم والدخل (الشكل التكميلي 2).

تطابقت هذه المناطق بشكل وثيق مع النمط المكاني لعنصر المادة الرمادية المحدد (الشكل 2C وG). لم تكن هناك منطقة قشرية حيث كان الارتباط بين DD ومنطقة السمك القشري مهمًا بعد تصحيح FWER للاختبارات المتعددة في التحليل الرأسي القائم على السطح لهذه القياسات.

للتأكد من أن الارتباط بدرجات المادة الرمادية كان خاصًا بـ DD ولا يعكس فقط الوظيفة الإدراكية العامة، قمنا بتكرار هذه التحليلات بإضافة قدر من الذكاء العام إلى مجموعة المتغيرات المشتركة التي لا أهمية لها. كان نفس المكون لا يزال هو الوحيد الذي ارتبط بشكل كبير بـ DD ({{0}}componentdecomposition: r=−0.145, Pcorr=0.001; { {6}}componentdecomposition: r=−0.138، Pcorr=0.123)، وظلت نتيجة التحليل أحادي المتغير فوكسل دون تغيير إلى حد كبير (الشكل التكميلي 2).

العلاقة بين DD والمادة البيضاء

قمنا بتحليل بيانات FA وMD بشكل مشترك إلى 50 مكونًا. لم يرتبط أي من المكونات بمعدل الخصم بعد التحكم في الاختبارات المتعددة والتباين لمصطلحات العمر الخطية والتربيعية والجنس والتعليم والدخل. أدى استخدام 100 مكون أو التحكم بالإضافة إلى الذكاء العام إلى نتائج مماثلة. في المقابل، لم تكن هناك منطقة حيث كان الارتباط بين DD وFA أو MD مهمًا بعد تصحيح FWER لاختبارات متعددة في تحليل فوكسل-وايز.

مناقشة

بعد فحص البيانات السلوكية والتصوير العصبي من عينة كبيرة من البالغين الأصحاء، أظهرت النتائج التي توصلنا إليها أنه تم التنبؤ بـ DD أكبر بواسطة GMV الصدغي الأمامي الأصغر. إن حجم عينة مجموعة بيانات HCP، وهو أكبر من تلك الموجودة في معظم الدراسات السابقة التي تربط بين DD وبنية الدماغ، منحنا القدرة على التقاط التأثيرات ذات الحجم الصغير بشكل موثوق. ومع ذلك، في تناقض مع التقارير السابقة، لم نجد أي دليل على وجود ارتباط موثوق بين DD والحجم القشري، والأحجام تحت القشرية، والتنظيم المجهري للمادة البيضاء، والنتائج في مهام WM أو EM.

ارتبط الخصم الأكبر بالمناطق الزمنية الأمامية الأصغر حجمًا لـ GMVin. كانت هذه النتيجة قوية لتغيير عدد مكونات ICA المرتبطة والتحكم في قدر من الذكاء العام. أوينسيت آل. (2017) قام بتحليل الحجم القشري من عمليات المسح الموزونة T1- في مجموعة بيانات HCP والارتباطات المبلغ عنها بين الحجم القشري وDD في المناطق الزمنية المقابلة للمناطق الموجودة في مكون المادة الرمادية التي حددها تحليلنا.

من المتوقع أن يكون الارتباط بالمادة الرمادية الصدغية الأمامية (كما استخدمنا نفس مجموعة البيانات)، لكن دراستنا توسع الدراسة السابقة من خلال فحص سمك القشرية ومساحة السطح وGMV للمناطق تحت القشرية، بالإضافة إلى مقاييس بنية المادة البيضاء. بالإضافة إلى حقيقة أننا قمنا بتضمين مجموعة أكثر شمولاً من التدابير الهيكلية، فقد احترمنا البنية العائلية للبيانات في حساب الارتباطات بين مقاييس بنية الدماغ و DD لتجنب التقديرات المتحيزة التي قد تنجم عن افتراض استقلالية الملاحظات بشكل غير صحيح (Winkleret al. 2015).

لقد أجرينا أيضًا مجموعة مختارة أكثر صرامة من الأشخاص، باستثناء أولئك الذين كانوا يؤدون أعمالهم عند الفرصة، وقمنا بتحليل البيانات في شبكات التغاير الهيكلي (Pehlivanova et al. 2018)، وهي طريقة توفر حساسية أكبر لاكتشاف الارتباطات مع DD عن طريق المتوسط ​​معًا (في اختبار مرجح) الطريقة) قيم الصور الهيكلية عبر مناطق الدماغ والجمع بين عدة طرائق لإنتاج تقديرات أكثر قوة. في الواقع، من المزايا المهمة لاستخدام ICA لتحليل بيانات التصوير في شبكات التغاير عبر نهج فوكسل لتحليل البيانات الهيكلية هو أنه ينتج درجات يجب أن تكون أقل ضوضاء من القيم المستندة إلى فوكسل لأنه يتم الحصول عليها كمتوسط ​​مرجح للإشارة في جميع وحدات فوكسل عبر الدماغ، وتنفيذ تقليل الأبعاد الذي قد يقلل من خطر أخطاء النوع الثاني، وإن كان ذلك على حساب ترسيم تشريحي غامض.

الترسيم التشريحي. على النقيض من الدراسة التي أجراها أوينز وآخرون. (2017)، في تحليلنا، لم تصل العلاقة بين الحجم القشري وDD إلى الأهمية. من المحتمل أن يكون هذا الاختلاف نتاجًا لاختياراتنا التحليلية الأكثر صرامة (إزالة الأشخاص الذين يستجيبون للاختبارات العشوائية غير البارامترية التي تراعي بنية عائلة البيانات، والتحكم الأكثر صرامة في الإرباكات) ويشير إلى أن الارتباط المُبلغ عنه مسبقًا بين الحجم القشري و DD يتوافق ربما مع خطأ زائف وليس العثور على arobust. يبدو من المعقول أن ارتباط DD مع مقياس الحجم القشري العالمي يجب أن يتم بوساطة المتغيرات التي تعكس جوانب معرفية أكثر عمومية من DD.

على الرغم من حجم العينة الكبير لمجموعة بيانات HCP، لم نعثر على أي دليل على وجود ارتباط كبير بين بنية المادة البيضاء وDD. أبلغت الدراسات السابقة التي أظهرت عمليات إعادة البناء في عينات أصغر عن وجود ارتباطات سلبية بين DD ومقاييس قوة التوصيل الهيكلي (على سبيل المثال، عدد الخطوط الانسيابية) في مناطق محددة من المادة البيضاء إلى PFC (van den Bos et al. 2015; Hänggi et al. 2016; Hamptonet al. 2017) .

وعلى النقيض من تلك الدراسات التي تبحث في قوة الاتصال، قمنا بتحليل خرائط FA التي تمت معالجتها باستخدام TBSS، وهي تقنية تتيح إجراء تحليل واسع النطاق لمناطق المادة البيضاء وهي أكثر ملاءمة للتحليل الاستكشافي لمجموعات البيانات واسعة النطاق، وذلك بسبب التكاليف الحسابية وتكاليف العمالة المرتبطة بها. إجراء رسم خرائط شاملة للمسارات على عدد كبير من المواضيع. على حد علمنا، فإن العينة في تحليلنا أكبر بكثير من الدراسات السابقة التي تربط المادة البيضاء بالخصم. ومع ذلك، نلاحظ أن دراسة حديثة تستخدم TBSS على 302 من الأشخاص الأكبر سنًا الذين لا يعانون من الخرف (Han et al. 2018) (متوسط ​​العمر=81.38 عامًا، SD=7.57 عامًا، 75.5٪ إناث) أفادت بأنها منتشرة على نطاق واسع. الارتباطات السلبية بين الخصم الزمني و FA في المناطق الأمامية الثنائية والجبهية والصدغية. قد يستجيب الخلاف مع نتائجنا للاختلافات الديموغرافية في العينات.

نظرًا للطبيعة الواسعة لارتباطاتها، قد تعكس النتائج التي توصلوا إليها الآليات التنكسية المرتبطة بالشيخوخة، على عكس النمط الأكثر تقييدًا الذي يمكن توقعه لقياس معين مثل DD. الى جانب ذلك، هان وآخرون. لم يتحكم في مستوى الدخل في الواقع، عند ضبط العلف والجنس فقط في تحليلنا، حددنا المزيد من مكونات المادة الرمادية والبيضاء التي كانت درجاتها مرتبطة بشكل كبير بمعدلات الخصم (انظر المواد التكميلية). في حين أن العينات الكبيرة قادرة على اكتشاف تأثيرات أصغر، إلا أن هناك أيضًا خطرًا أكبر في اكتشاف الارتباطات الناتجة عن المتغيرات المربكة، مما يجعل من الضروري ضبط المتغيرات المشتركة المناسبة.

وقد أكد العمل الحديث (Marek et al. 2022) على أهمية استخدام عينات كبيرة في دراسات ارتباط سلوك الدماغ على مستوى الدماغ، وأظهر أن أحجام العينات النموذجية لهذه الدراسات يجب أن تؤدي إلى تأثيرات غير قابلة للتكرار وأحجام تأثير متضخمة. بافتراض أن التأثير الحقيقي يبلغ حوالي 0.15 (مقارنة بحجم تأثير مكون المادة الرمادية، الذي حددناه ومتوافق مع نتائج ماريك وآخرين 2022)، ستكون هناك حاجة إلى أكثر من 250 موضوعًا لتحقيق قوة تبلغ 80%. وبالتالي فإن معظم الدراسات السابقة في مجال DD كانت ضعيفة القوة، وهو ما يفسر التناقضات في الأدبيات المذكورة في القسم 1. يرجى ملاحظة أن هذا الاستنتاج ينطبق على ارتباطات سلوك الدماغ فقط وليس دراسات رسم خرائط الدماغ الوظيفية على DD، والتي يجب أن تتطلب أحجام عينة أصغر لاكتشاف التأثيرات الحقيقية وبالتالي لا يوجد تعارض بين نتائجنا ونتائج تلك الدراسات.

لم نتمكن من العثور على ارتباط بين تفضيل المكافآت الفورية وأي من اختبارات إدارة المخلفات (LSWMT و2-back). وبالمثل، لم يكن هناك ارتباط بين DD وEM اللفظي أو غير اللفظي في بيانات HCP. تتوافق هذه النتائج مع دراسة حديثة (Yeh et al. 2021)، والتي نكملها من خلال تضمين 2- المهمة الخلفية ومعالجة إحصائية أكثر صرامة، لتحليل البيانات الهيكلية للدماغ. على الرغم من شاموش وآخرون. (2008) أبلغ عن وجود صلة بين انخفاض WM وتفضيل المكافآت الفورية، ولم يكن هذا الارتباط خاصًا بـ WM، كما هو الحال في بياناتهم، لم تفسر هذه القدرة التباين في DD بما يتجاوز ذلك الذي أوضحه الذكاء العام. عند تصحيح الارتباطات الخاصة بالعمر والجنس فقط، كان DD مرتبطًا بشكل سلبي بشكل ملحوظ مع LSWMT، 2- ونتائج EM اللفظية (انظر المواد التكميلية)، ولكن هذا الارتباط لم يعد مهمًا عند ضبط متغيرات الحالة الاجتماعية والاقتصادية (والتي يجب أن تمثل بالفعل جزئيًا الوظيفة المعرفية العامة). وبالتالي، فإن اعتباراتنا المذكورة أعلاه فيما يتعلق بالارتباطات الزائفة بسبب المتغيرات المزعجة والنتائج غير القابلة للتكرار عند استخدام عينات صغيرة تنطبق أيضًا على هذه التحليلات.

أحد قيود دراستنا هو أن تحليلاتنا لم تكن مسجلة مسبقًا، وبالتالي، لا يمكن اعتبار الارتباطات المبلغ عنها تأكيدية. ومع ذلك، فإننا نعتقد أن المساهمة المهمة لهذه النتائج تتمثل في توفير تقديرات أكثر دقة لحجم التأثير للعلاقات بين التدابير المعرفية والتصوير الهيكلي والخيارات الزمنية بسبب حجم العينة الأكبر بكثير من الدراسات السابقة. وثمة قيد آخر هو انخفاض موثوقية معدلات الخصم. تم انتقاد معلمات المهمة بسبب موثوقيتها المنخفضة للاختبار وإعادة الاختبار (Enkavi et al. 2019)، وفي مجال تفضيلات المخاطر ذات الصلة، لافتقارها إلى الاتساق عبر النماذج التجريبية (Pedroni et al.2017). قد تفسر هذه الأسباب جزئيًا ندرة الارتباطات التي وجدناها مع بنية الدماغ وانخفاض إمكانية تكرار النتائج عبر الدراسات. يجب أن يكون الطريق المستقبلي الحاسم هو تصميم نماذج جديدة لقياس DD مع موثوقية محسنة. قد تكمن إحدى الطرق الممكنة للمضي قدمًا في استخلاص درجات موجزة تجمع بين العديد من معلمات المهام لتحقيق موثوقية أعلى واستخدام أساليب متعددة المتغيرات لزيادة فرص العثور على ارتباطات بين سلوك الدماغ (Moutoussis et al.2021).

وبالنظر إلى أهمية DD في دراسة علم النفس المرضي، فمن الضروري تحديد السقالات العصبية الحيوية الأساسية بقوة. من خلال الاستفادة من مجموعة كبيرة من بيانات التصوير العصبي، تساعد الدراسة الحالية على التوفيق بين التباينات في الأدبيات المتعلقة بالمادة الرمادية والبيضاء المرتبطة بـ DD. ارتبطت هذه السمة السلوكية سلبًا بـ GMV في المناطق الزمنية الأمامية، والأهم من ذلك، أن التأثير الهيكلي الذي تم تحديده كان صغيرًا، بحيث من غير المرجح أن يتم اكتشافه في العينات ذات الحجم المماثل لتلك الموجودة في العديد من الدراسات ذات الصلة. وبشكل عام، قد تكون الارتباطات مع القدرات المعرفية وبنية الدماغ أضعف مما تشير إليه التقارير السابقة. تدعو نتائجنا إلى تطوير مقاييس أكثر قوة لـ DD وتنفيذ دراسات التصوير العصبي لأحجام عينات أكبر مما كان شائعًا في هذا المجال بالإضافة إلى التحكم المناسب في الإرباكات المحتملة.

شكر وتقدير

نشكر ماتس إريكسون وكاجسا بورستروم على جمع البيانات. نحن ممتنون لمجموعة البيانات ذات الوصول المفتوح التي يقدمها مشروع Human Connectome، WU-MinnConsortium (الباحثون الرئيسيون: David Van Essen andKamil Ugurbil؛ 1U54MH091657).

المواد التكميلية

المواد التكميلية متاحة في Cerebral Cortexonline.

التمويل

تم دعم هذا العمل من قبل مجلس الأبحاث السويدي (رقم المنحة VR 521-2013-2589 إلى MG-M)، وجائزة ألكسندر فون هومبولت للأبحاث (LB)، والتبرع من مؤسسة AF Jochnick (LB).

بيان تضارب المصالح: الدكتور زيب كورث-نيلسون يعمل لدى شركة DeepMind. المؤلفون الباقون يعلنون عدم وجود تضارب في المصالح.

مراجع

1. أديس دي آر، وونغ آي تي، شاكتر دي إل. تذكر الماضي وتخيل المستقبل: ركائز عصبية مشتركة ومتميزة أثناء بناء الحدث وتفصيله. علم النفس العصبي. 2007:45:1363-1377.

2. آهن واي، راس أو، فريدبيرج دي جي، بشارة إيه جيه، فورسيث جي كيه، بريير إيه، بوسمير جي آر، هيتريك دبليو بي، بولبيكر آر، أودونيل بي إف. الخصم الزمني للمكافآت في المرضى الذين يعانون من اضطراب ثنائي القطب والفصام. ي أبنورم النفسي. 2011:120:911-921.

3. Amlung M، Vedelago L، Acker J، Balodis I، MacKillop J. خصم التأخير الحاد والسلوك الإدماني: تحليل تلوي للارتباطات المستمرة. مدمن. 2017:112:51–62.

4. أشبورنر جيه، فريستون كيه جيه. القياس المرتكز على فوكسل – الطرق. الصورة العصبية. 2000:821:805–821.

5.Barch DM، Burgess GC، Harms MP، Petersen SE، Schlaggar BL، Corbetta M، Glasser MF، Curtiss S، Dixit S، Feldt C، وآخرون. الوظيفة في الشبكة العصبية البشرية: مهمة التصوير بالرنين المغناطيسي الوظيفي والفروق الفردية في السلوك. صورة عصبية. 2013:80:169–189.

For more information:1950477648nn@gmail.com