[논문 리뷰] Learning-Induced Autonomy of Sensorimotor Systems

Danielle S. Bassett, Muzhi Yang외 2명|arXiv (Cornell University)|2014. 03. 24.

Functional Brain Connectivity Studies참고 문헌 34인용 수 9

한 줄 요약

이 연구는 fMRI 데이터의 동적 네트워크 분석을 통해 운동 기술 학습이 감각운동 시스템의 자율성 증가를 유도하고, 전 frontal 및 시상원성 제어 네트워크 의존도 감소를 초래함을 보여준다. 주요 발견은 비운동성, 비시각 영역 간 통합 감소와 연상 제어 핵심 영역의 감소된 활성화가 더 빠른 학습을 예측하며, 네트워크 재구성의 개인적 차이가 학습 속도와 강하게 연관되어 있음을 시사한다.

ABSTRACT

Distributed networks of brain areas interact with one another in a time-varying fashion to enable complex cognitive and sensorimotor functions. Here we use novel network analysis algorithms to test the recruitment and integration of large-scale functional neural circuitry during learning. Using functional magnetic resonance imaging (fMRI) data acquired from healthy human participants, from initial training through mastery of a simple motor skill, we investigate changes in the architecture of functional connectivity patterns that promote learning. Our results reveal that learning induces an autonomy of sensorimotor systems and that the release of cognitive control hubs in frontal and cingulate cortices predicts individual differences in the rate of learning on other days of practice. Our general statistical approach is applicable across other cognitive domains and provides a key to understanding time-resolved interactions between distributed neural circuits that enable task performance.

연구 동기 및 목표

• 운동 기술 학습 중 대규모 기능적 뇌 네트워크의 재구성 방식을 이해하기 위해.
• 기능적 모듈의 동적 변화 및 행동 성과와의 관계를 규명하기 위해.
• 개인적 차이가 네트워크 구조에 의해 학습 속도 예측 가능 여부를 조사하기 위해.
• 인지 제어 핵심 영역이 학습 효율성에 미치는 역할을 규명하기 위해.

제안 방법

• 뇌는 하버드-옥스포드 아틀라스를 사용하여 112개의皮질 및 피각 영역으로 분할되었다.
• 과제 수행 중 2~3분 간격의 시간 윈도우에서 영역 쌍 간 기능적 연결성이 계산되었다.
• 시간에 따라 변화하는 커뮤니티 탐지 알고리즘이 각 시간 윈도우에서 기능적 모듈(네트워크 커뮤니티)을 식별하였다.
• 모듈 충성도 행렬이 구축되어, 어떤 두 영역이 시간과 피험자 간에 동일한 커뮤니티에 속할 확률을 정량화하였다.
• 선형 혼합 효과 모델을 사용하여 네트워크 진단 지표(예: 통합성, 활성화)를 훈련 깊이(시험 수)와 연관지었다.
• 예측 네트워크 모델을 통해 개인 차이가 학습 결과와 관련된 네트워크 조절과 연관된 뇌 영역을 특정하였다.

실험 결과

연구 질문

• RQ1 운동 기술 학습 중 특정 기능적 모듈(예: 감각운동 또는 시각 네트워크)이 나타나고 재구성되는가?
• RQ2 비운동성, 비시각 영역 간의 통합과 훈련 지속 시간 및 강도에 따라 어떻게 변화하는가?
• RQ3 전 frontal 및 시상원성 제어 네트워크의 참여가 개인 간 학습 속도의 차이를 얼마나 잘 예측하는가?
• RQ4 동적 네트워크 재구성 패턴이 시간에 따라 행동 성과를 예측할 수 있는가?

주요 결과

• 운동 및 시각 기능적 모듈은 학습 전반에 걸쳐 안정적인 충성도를 보였으며, 시간이 지남에 따라 더욱 강화되었다.
• 운동 모듈과 시각 모듈 간의 통합은 훈련 지속 시간과 강도가 증가함에 따라 유의미하게 감소하여 기능적 자율성이 증가함을 시사한다.
• 비운동성, 비시각 피질 영역의 활성화는 훈련 깊이가 증가함에 따라 감소하여 연상 제어 시스템 의존도 감소를 시사한다.
• 전 frontal 및 시상원성 피질의 인지 제어 핵심 영역의 해방이 개인 간 학습 속도 향상과 강하게 연관되어 있었으며, 상관계수 r = 0.59, p = 0.0062였다.
• 단일 잠재 변수인 연습 시도 수가 네트워크 재구성의 대부분의 분산을 설명하였으며, 주요 네트워크 지표의 상관계수 r 값은 0.8 이상이었다.
• 예측 네트워크는 보조 운동 영역 및 쿠네우스 피질과 같이 개인의 네트워크 강도가 학습 결과와 상관되는 특정 뇌 영역을 특정하였다.