نشریه علمی مهندسی پزشکی زیستی
Iranian Journal of Biomedical Engineering (IJBME)

استخراج رابطه‌ی علی مرتبط با ضریب هوشی در شبکه‌های حالت پیش‌فرض و برجستگی مغز

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

مینا قورچیان 1
حمید سلطانیان‌زاده 2
میرمحسن پدرام 3
محسن میرمحمدصادقی 4

1 دانشجوی دکتری، موسسه‌ی آموزش عالی علوم‌ شناختی، تهران، ایران

2 استاد، دانشکده‌ی مهندسی برق و کامپیوتر، دانشگاه تهران، تهران، ایران

3 دانشیار، گروه برق و کامپیوتر، دانشکده‌ی فنی و مهندسی، دانشگاه خوارزمی، تهران، ایران

4 استادیار، موسسه‌ی آموزش عالی علوم شناختی، تهران، ایران

https://doi.org/10.22041/ijbme.2024.2018221.1876
چکیده
ضریب هوشی یکی از کمیت‌‌‌‌‌‌‌های مورد توجه محققان است. برای این پژوهش 100 آزمودنی سالم جوان غیرمرتبط با هم از بین 1200 آزمودنی موجود در دادگان HCP (54 زن و 46 مرد) با میانگین سنی 28 سال (بازه‌ی 22 تا 35 سال) به طور تصادفی انتخاب شده است. آزمون تست ریون برای هر یک از افراد انجام شده است. سپس با استفاده از نتایج تست ریون، هر فرد در یکی از سه گروه هوش بالا، هوش متوسط و هوش پایین قرار گرفته است. در مرحله‌ی بعد با استفاده از داده‌های تصویرنگاری تشدید مغناطیسی کارکردی حالت استراحت (rsfMRI) این افراد و به کارگیری الگوریتم مدل‌سازی علی طیفی (spDCM) و تول‌باکس SPM12 در متلب، دو شبکه از شبکه‌های مغز به نام‌های شبکه‌ی حالت پیش‌فرض (DMN) و شبکه‌ی برجستگی (SN) مورد بررسی قرار گرفته است. برای هر یک از سه گروه ذکر شده در بالا، یک مدل اتصال به دست آمده است. تفاوت آشکار در شبکه‌ی DMN به گونه‌ای است که در مدل به دست آمده هیچ ارتباطی از PCC به RIPC در افراد با هوش بالا وجود ندارد. در مقابل، در دو گروه دیگر یک ارتباط تحریکی وجود دارد. به طور خاص، اتصال LIPC به RIPC در افراد با هوش بالا بازدارنده بوده اما در دو گروه دیگر تحریک کننده است. علاوه بر این، ارتباط بین mPFC و RIPC در گروه با هوش بالا و هوش متوسط، بازدارنده است در حالی که در گروه افراد با هوش پایین هیچ ارتباطی وجود ندارد. پس از به دست آوردن مدل جهت بررسی تفاوت از تست ANOVA با مقدار 05/0p-value< استفاده شده است. در شبکه‌ی SN این تفاوت معنادار در 6 یال از 169 یال شامل rMCC-rvIPFC، rInsula-rvIPFC، rInsula-rPutamen، rInsula-IIPG، IIPG-rSFG، IIPG-rSFG آشکار شده است.

کلیدواژه‌ها

مدل علی طیفی
شبکه‌ی حالت پیش‌فرض
شبکه‌ی برجسته
تصویرسازی تشدید مغناطیسی کارکردی
ضریب هوشی

موضوعات

عنوان مقاله English

Dynamic Causal Modelling among Default Mode Network and Salience Network related to IQ

نویسندگان English

Mina Ghoorchian 1
Hamid Soltanian-Zadeh 2
Mir Mohsen Pedram 3
Mohsen Mir Mohammad Sadeghi 4
1 Ph.D. Student, Institute for Cognitive Science Studies, Tehran, Iran
2 Professor, Control and Intelligent Processing Center of Excellence, School of Electrical and Computer Engineering, University of Tehran, Tehran, Iran
3 Associate Professor, Department of Electrical and Computer Engineering, Faculty of Engineering, Kharazmi University, Tehran, Iran
4 Assistant Professor, Institute for Cognitive Science Studies, Tehran, Iran
چکیده English

Intelligence Quotient (IQ) is of interest to researchers. In this research, 100 unrelated young healthy subjects randomly selected from the 1200 HCP dataset (54 women and 46 men), with an average age of 28 years (age range from 22 to 35 years), were used. Each person has participated in Raven test. Based on the results of the Raven's test, each person is placed in one of the three groups: high intelligence, normal intelligence, and low intelligence. In the next step, using the resting-state functional magnetic resonance imaging (rsfMRI) data of these subjects and the spectral dynamic causal modeling algorithm implemented in the SPM12 package in MATLAB, two brain networks named the default mode network (DMN) and the salient network (SN) have been investigated. For each of the three groups mentioned above, a connection model was obtained. The obvious difference in the DMN network is as follows: there is no connection from PCC to RIPC in people with high intelligence in the obtained model. In contrast, there is an excitatory connection in the other two groups. Specifically, the LIPC to RIPC connection is inhibitory in people with high intelligence, but it is excitatory in the other two groups. Additionally, the connection between mPFC and RIPC is inhibitory in the group with high and average intelligence, while there is no connection in the group of people with low intelligence. After obtaining the model, ANOVA test with p-value<0.05 was used to check the difference. In the SN network, this significant difference was revealed on 6 edges of 169 edges, which were: rMCC-rvIPFC, rInsula-rvIPFC, rInsula-rPutamen, rInsula-lIPG, lIPG-rSFG, lIPG-rSFG.  

کلیدواژه‌ها English

Spectral DCM
DMN
SN
fMRI
IQ
  1. Caltech, "https://www.caltech.edu," June 2018.
  2. Arya, M. Manuel, “Intelligence Quotient Classification from Human MRI Brain Images Using Convolutional Neural Network. pp. 75-80, 12th International Conference on Computational Intelligence and Communication Networks (CICN), Bhimtal, India, 25-26 September 2020.
  3. https://mostafaee.com/intelligence-test.
  4. Bradley, L. Whiteside, Leanne, B. Caldwell, P. Casey, K. Kelleher, S. Pope, M. Swanson, K. Barrett, D. Cross, “Maternal IQ, the home environment, and child IQ in low birthweight, premature children”, International Journal of Behavioral Development, vol. 16, pp. 61-74, 1993.
  5. Song, Y. Liu, Y. Zhou, K. Wang, C. Yu, T. Jiang, “Default network and intelligence difference”, IEEE Transactions on autonomous mental development, vol. 1, pp. 101-109, 2009.
  6. Tang, A. Razi, Y. Tang, “Mapping the smoking addiction using dynamic causal modelling at rest”, BMC Neuroscience, vol. 16, p. 246, 2015.
  7. Santarnecchi, S. Rossi, “Advances in the neuroscience of intelligence: from brain connectivity to brain perturbation”, The Spanish journal of psychology, vol. 19, p. 94, 2016.
  8. van Ettinger-Veenstra, P. Lundberg, “Chronic widespread pain patients show disrupted cortical connectivity in default mode and salience networks, modulated by pain sensitivity”, Journal of pain research, pp. 1743-1755, 2019.
  9. Sharaev, V. Zavyalova, V. Ushakov, S. Kartashov, B. Velichkovsky, “Effective connectivity within the default mode network: dynamic causal modeling of resting-state fMRI data”, Frontiers in human neuroscience, vol. 10, p. 14, 2016.
  10. Yoon, W. Shin, T. Lee, J. Hur, K. Cho, W. Sohn, S. Kim, K. Lee, “Brain structural networks associated with intelligence and visuomotor ability”, 2017. Scientific reports, 7(1), p. 2177.
  11. Hilger, M. Ekman, C. Fiebach, U. Basten, “Efficient hubs in the intelligent brain: Nodal efficiency of hub regions in the salience network is associated with general intelligence”, Intelligence, vol. 60, pp. 10-25, 2017.
  12. Xiao, J. Stephen, T. Wilson, V. Calhoun, “Alternating diffusion map based fusion of multimodal brain connectivity networks for IQ prediction”, EEE Transactions on Biomedical Engineering, vol. 66, pp. 2140-2151, 2018.
  13. van Ettinger-Veenstra, . P. Lundberg, P. Alföldi, M. Södermark, T. S. Graven-Nielsen, “Chronic widespread pain patients show disrupted cortical connectivity in default mode and salience networks, modulated by pain sensitivity”, Journal of pain research, pp. 1743-1755, 2019.
  14. Ramsden, F. Richardson, G. Josse, M. Thomas, C. Ellis, C. Shakeshaft, M. Seghier, C. Price, “Verbal and non-verbal intelligence changes in the teenage brain”, Nature, vol. 496, pp. 113-116, 2011.
  15. https://en.wikipedia.org/wiki/Default_mode_network, 2023.
  16. Di, B. Biswal, “Identifying the default mode network structure using dynamic causal modeling on resting-state functional magnetic resonance imaging”, Neuroimage, vol. 86, pp. 53-59, 2014.
  17. https://en.wikipedia.org/wiki/Resting_state_fMRI, wikipedia, 2022.
  18. Seeley, “The salience network: a neural system for perceiving and responding to homeostatic demands”, Journal of Neuroscience, vol. 39, pp. 9878-9882, 2019.
  19. Dubois, P. Galdi, L. Paul, R. Adolphs, “A distributed brain network predicts general intelligence from resting-state human neuroimaging data”, Philosophical Transactions of the Royal Society, vol. 31, 2018.
  20. Büchel, K. Friston, “Modulation of connectivity in visual pathways by attention: cortical interactions evaluated with structural equation modelling and fMRI”, Cerebral Cortex, vol. 7, pp. 768-778, 1997.
  21. Astolfi, F. Cincotti, D. Mattia, M. Marciani, L. Baccala, F. de Vico Fallani, S. Salinari, M. Ursino, M. Zavaglia, L. Ding, J. Edgar, “Comparison of different cortical connectivity estimators for high-resolution EEG recordings”, Human brain mapping, vol. 28, pp. 143-157, 2007.
  22. Friston, L. Harrison, W. Penny, “Dynamic causal modelling”, Neuroimage, vol. 19, pp. 1273-1302, 2003.
  23. Friston, J. Kahan, B. Biswal, A. Razi, “A DCM for resting state fMRI”, Neuroimage, vol. 94, pp. 396-407, 2014.
  24. Park, K. Friston, C. Pae, B. Park, A. Razi, “Dynamic effective connectivity in resting state fMRI”, NeuroImage, vol. 180, pp. 594-608, 2018.
  25. https://karboom.io/assessments/raven
  26. S. H. R. Barbey AK, The Cambridge Handbook of Intelligence and Cognitive Neuroscience, Cambridge University Press, 2021.
  27. R. B. N. J. G. O. Conwell K., “Test-retest variability of resting-state networks in healthy aging and prodromal Alzheimer's disease”, NeuroImage: Clinical, pp. 948-962, 2018.
  28. https://online.stat.psu.edu/stat510/lesson/12/12.1
نشریه علمی مهندسی پزشکی زیستی
دوره 17، شماره 3
پاییز 1402
صفحه 195-207

  • تاریخ دریافت 02 دی 1402
  • تاریخ بازنگری 05 مرداد 1403
  • تاریخ پذیرش 29 مرداد 1403

صفحه اصلی

تماس با ما