Linköpings universitet
Institutionen för datavetenskap
Kognitionsvetenskapliga programmet
729G40 – Kandidatuppsats, 18 hp
ISRN – LIU-IDA/KOGVET-G–19/006–SE
Trippelkodmodellen
– hur barnhjärnor hanterar numeriska
uppgifter
Patric Halénius
Examinator: Erkin Asutay
Handledare: Kenny Skagerlund
COPYRIGHT
The publishers will keep this document online on the Internet – or its possible re-placement – for a period of 25 years starting from the date of publication barring exceptional circumstances. The online availability of the document implies perma-nent permission for anyone to read, to download, or to print out single copies for his/her own use and to use it unchanged for non-commercial research and educa-tional purpose. Subsequent transfers of copyright cannot revoke this permission. All other uses of the document are conditional upon the consent of the copyright owner. The publisher has taken technical and administrative measures to assure authentic-ity, security and accessibility. According to intellectual property law the author has the right to be mentioned when his/her work is accessed as described above and to be protected against infringement. For additional information about the Linköping University Electronic Press and its procedures for publication and for assurance of document integrity, please refer to its www home page http://www.ep.liu.se/.
Detta dokument hålls tillgängligt på Internet – eller dess framtida ersättare – un-der 25 år från publiceringsdatum unun-der förutsättning att inga extraordinära om-ständigheter uppstår. Tillgång till dokumentet innebär tillstånd för var och en att läsa, ladda ner, skriva ut enstaka kopior för enskilt bruk och att använda det oförän-drat för ickekommersiell forskning och för undervisning. Överföring av upphovsrät-ten vid en senare tidpunkt kan inte upphäva detta tillstånd. All annan användning av dokumentet kräver upphovsmannens medgivande. För att garantera äktheten, säker-heten och tillgängligsäker-heten finns lösningar av teknisk och administrativ art. Upphovs-mannens ideella rätt innefattar rätt att bli nämnd som upphovsman i den omfattning som god sed kräver vid användning av dokumentet på ovan beskrivna sätt samt skydd mot att dokumentet ändras eller presenteras i sådan form eller i sådant samman-hang som är kränkande för upphovsmannens litterära eller konstnärliga anseende eller egenart. För ytterligare information om Linköping University Electronic Press se förlagets hemsida http://www.ep.liu.se/.
FÖRORD
Now this is not the end. It is not even the beginning of the end. But it is, perhaps, the end of the beginning.
Winston Churchill
Ett tack till min handledare, Kenny Skagerlund, som guidat genom labyrinten av möjligheter och risker som analys av fMRT-data innebär.
ABSTRACT
Being able to approximate numbers is a basic skill present in many animals, in-cluding man. The Triple Code Model (TCM) of numerical cognition suggests that numerosity is represented in three different codes, each subserved by functionally dis-sociated, but partly overlapping, neural substrates. The codes are (arabic) numbers, number words, and non-symbolic magnitude. This study examined all three codes in children for the first time. 10 healthy children, 10-12 years old, had an fMRI in order to detect neural correlates to numerosity processing. Independent task-control contrasts partly confirmed the TCM as functionally dissociated neural substrates, with a fronto-parietal network and the fact that children, having automatized func-tions less, more heavily depends on the ventral attention network. Furthermore, activations in the visual areas V2 and V3 as well as in primary somatosensory cor-tex is in accordance with recent suggestions of updates to the TCM. Parametric contrasts did, to some extent, confirm the distance effect, where it is more difficult to discriminate closely spaced numbers than numbers of more different magnitude.
SAMMANFATTNING
Att kunna uppskatta antal är en grundläggande förmåga som återfinns hos många djur förutom männinskan. Trippelkodmodellen (TKM) för numerisk kognition säger att antal representeras på tre olika sätt, som (arabiska) siffror, som sifferord och som ickesymboliska magnituder, vilka associeras till separata, men delvis överlappande, neurala substrat. Denna studie undersökte för första gången alla tre koder samtidigt på barn. 10 barn mellan 10-12 år genomgick fMRT-skanning för att söka neurala korrelat till antalsuppfattning. Oberoende uppgift > kontroll-kontraster bekräftade delvis TKM, såsom funktionellt olika neurala substrat, ett fronto-parietalt nätverk och att barn nyttjar det ventrala uppmärksamhetsnätet mer än vuxna på grund av mindre automatisering. Därtill fanns aktiveringar i visuella områden V2 och V3 liksom i primära somatosensoriska området vilket överensstämmer med föreslagna kompletteringar av TKM. Parametriska kontraster kunde i viss mån bekräfta di-stanseffekten som innebär större kognitiv belastning vid särskiljning av närliggande antal jämfört med att skilja på tydligt olika antal.
INNEHÅLL v
INNEHÅLL
Copyright i Förord ii Abstract iii Sammanfattning iv Figurer vii Tabeller ix Översättningar x 1 Inledning 1 1.1 Bakgrund . . . 1 1.2 Syfte . . . 2 1.2.1 Hypoteser . . . 21.3 Avgränsningar och begränsningar . . . 2
vi INNEHÅLL
2.1 Antalsuppfattning . . . 4
2.2 Trippelkodmodellen . . . 5
2.3 Distanseffekten . . . 5
2.4 Numerisk kognition . . . 6
2.5 Att mäta neural aktivitet . . . 7
2.6 fMRT . . . 8 2.6.1 Avbildning . . . 9 2.6.2 Analyser . . . 12 3 Metod 16 3.1 Deltagare . . . 16 3.1.1 Rekrytering . . . 16 3.2 Etiska aspekter . . . 17 3.3 Material . . . 17 3.3.1 Hårdvara . . . 18 3.3.2 Mjukvara . . . 18
3.4 Procedur och design . . . 19
3.4.1 Kognitiva tester . . . 19
3.4.2 fMRT . . . 19
3.4.3 Datainsamling . . . 21
4 Resultat 23 4.1 Jämförelser med kontroll . . . 23
4.1.1 Sifferjämförelser . . . 23
4.1.2 Sifferordsjämförelser . . . 24
4.1.3 Ickesymboliska magnitudjämförelser . . . 25
4.2 Parametriska jämförelser . . . 26
4.2.2 Parametrisk test på sifferord . . . 26 4.2.3 Parametrisk test på ickesymboliska magnituder . . . 26
5 Diskussion 28
5.1 Resultat . . . 28 5.2 Vidare forskningsansatser . . . 29 5.3 Brister och begränsningar . . . 30
6 Slutsats 32
A Informationsbrev till vårdnadshavare 34
B Informationsbrev till barn 39
viii Figurer
FIGURER
2.1 Vänster hjärnhalva med Intraparietal Sulcus rödmarkerad och Infe-rior Parietal Lobule strax nedan. Från Wikimedia Commons, public domain. . . 6 2.2 Illustration av spinnande atomkärna som precesserar i yttre
magnet-fält. Notera likheten med en leksakssnurra. . . 9 2.3 Den så kallade kanoniska (ideala, föreskrivna) hemodynamiska
re-sponsen visar bland annat att den maximala signalen uppnås efter cirka 5-6 sekunder. Från Wikimedia commons, public domain. . . 12 2.4 Exempel på hur segmenterade bilder av en hjärna kan se ut. Från
vänster: grå massa, vit massa, CSV, skallben, mjukdelar och luft. Från Hermans, 2016. . . 14 3.1 Exempel på beräknade huvudrörelser hos ett av barnen som
exklude-rades från analyserna. Translationer är parallellförflyttningar längs en koordinataxel, pitch, yaw och roll är rotationer längs x-, y- respektive z-axeln (dvs. luta huvudet mot sidan, framåt/bakåt respektive vrida på huvudet). . . 17 3.2 Siemens Magnetom Prisma MRI-scanner (3T), den enhet som
använ-des för strukturella och funktionella hjärnavbildningar. Från www.siemens-healthineers.com. . . 18 3.3 Schematisk bild över ett experimentblock (exklusive de två extra
upp-gifter som ej ingick i denna studie). Blocket upprepades sex gånger med extra pauser efter block 2 och 4. Efter Skagenholt, Träff, Västfjäll och Skagerlund, 2018. . . 20 4.1 Aktiveringar vid siffror > kontroll-kontrast (p<0.001 okorrigerat). . . 24
4.2 Aktiveringar vid sifferord > kontroll-kontrast (p<0.001 okorrigerat). . 24 4.3 Aktiveringar vid ickesymbolisk magnitud > kontroll-kontrast (p<0.001
okorrigerat). . . 26 4.4 Aktiveringar vid parametrisk ickesymbolisk magnitudidentifiering, svår
x Tabeller
TABELLER
4.1 Kluster (av storlek 3 voxlar eller mer) som identifierades vid siffror > kontroll-kontrasten (p<0.001 okorrigerat). . . 23 4.2 Kluster (av storlek 3 voxlar eller mer) som identifierades vid sifferord
> kontroll-kontrasten (p<0.001 okorrigerat). . . 25 4.3 Kluster (av storlek 3 voxlar eller mer) som identifierades vid
ickesym-bolisk magnitud > kontroll-kontrasten (p<0.001 okorrigerat). . . 25 4.4 Kluster (av storlek 3 voxlar eller mer) som identifierades parametrisk
ÖVERSÄTTNINGAR
Följande svenska översättningar har använts för engelska termer:
Svenska English
antalsuppfattning Approximate Number System, ANS ekoplanarteknik Echo Planar Imaging, EPI
faltning convolution
fMRT fMRI
funktionell magnetresonanstomografi functional magnetic resonance imaging gles representation (brusig representation) sparse representation
halvvärdesbredd full width at half maximum, FWHM högsta aktiveringsnivå peak-level activation
interfolierad interleaved
korrigering för familjefel familywise error correction korrigering för tidsdifferenser slice acquisition time correction kärnspinnresonans nuclear magnetic resonance lilla t-testet one-samle t-test
lutning tilt omplacering realignment samregistrering coregistration skiva om reslice styrka power utjämning smoothing återhämtning relaxation
KAPITEL 1
INLEDNING
Det här kapitlet beskriver bakgrunden till föreliggande rapport, dess syfte och vilka frågeställningar som önskas besvarade, samt vilka avgränsningar som har behövt göras av olika skäl.
1.1
Bakgrund
Numerisk kognition handlar om hur det är möjligt för oss att kunna uppfatta stor-leksordningar, hantera siffror och utföra såväl enkla som svåra matematiska uppgif-ter. Vilka kognitiva förmågor är inblandade, vilka delar av hjärnan aktiveras och hur förändras förmågorna när vi utvecklas?
En dominerande teori, som kallas Trippelkodmodellen (TKM) för numerisk kogni-tion (Dehaene, 1992), påstår att vi har tre olika sätt att representera numeriska data, i form av (arabiska) siffror (t.ex. ”2” eller ”4”), som sifferord (t.ex. ”två” eller ”fyra”) och som icke-symboliska storleksmagnituder (t.ex. ” •• ” eller ” •••• ”). Nyli-gen undersöktes numerisk kognition på vuxna, friska personer i förhållande till dessa tre koder i en fMRT-studie (Skagenholt, Träff, Västfjäll, & Skagerlund, 2018). Där kunde olika specifika aktiveringsområden identifieras för de olika kodtyperna, vilket indikerade att dessa olika koder involverar delvis olika områden och nätverk i hjär-nan. Den här rapporten undersöker samma sak på friska barn i åldern 10-12 år för att se om motsvarande aktiveringsmönster föreligger eller om det går att identifiera utvecklingsskillnader mellan barn och vuxna. Det här är första gången som en man undersöker alla tre koderna samtidigt och på barn varför denna studie kan fylla en viktig kunskapslucka.
2 Kapitel 1. Inledning
1.2
Syfte
Syftet med denna uppsats är att för första gången undersöka hur alla tre koderna för numeriska uppgifter hanteras hos barn i 10-12 årsåldern. Detta görs genom att identifiera aktivering i olika områden av hjärnan, uppmätt via fMRT-avläsningar, och jämföra med förväntade aktiveringar baserat på tidigare forskning, bland annat en motsvarande studie på vuxna.
1.2.1
Hypoteser
Den primära hypotesen är att uppmätta neurala aktiveringsmönster liknar de som följer av en reviderad version av Trippelkodmodellen (Arsalidou & Taylor, 2011). Förväntade aktiveringar är i områden som följer:
• Sifferkoden: höger Inferior Temporal Gyrus (ITG) (i det som ofta kallas "Vi-sual number form area, VNFA"; Dehaene, 1992) samt vänster Angular Gyrus (AG) (Price & Ansari, 2011),
• Sifferordskoden: Vänsterlateriserade språkområden som Inferior Frontal Gyrus (IFG), Supramarginal Gyrus (SMG), Middle Temporal Gyrus (MTG) samt Superior Temporal Gyrus (STG) (Schmithorst & Brown, 2004)
• Ickesymboliska magnitudkoden: bilateralt Intraparietal Sulcus (IPS) (Dehaene, 2003; Piazza, Izard, Pinel, Le Bihan, & Dehaene, 2004),
• Parametriska jämförelser: vänster IPS.
Det finns skäl att tro att barn, på grund av mindre träning och erfarenhet, inte har automatiserat funktioner i så hög grad utan mer måste nyttja frontala hjärnområden, speciellt höger sida som ingår i det ventrala uppmärksamhetsnätet (Uddin m. fl., 2010; Ansari, Garcia, Lucas, Hamon, & Dhital, 2005; Kaufmann m. fl., 2006). Därav förväntas även aktiveringar i Inferior Frontal Gyrus (IFG), Medial Frontal Gyrus (MFG) och Insula.
Resultat från Skagenholt och kollegor (2018) indikerar att aktiveringar även bör ske i vänster Caudate Nucleus (CN) och Precentral Gyrus (PCG), områden som typiskt kopplas till beräkningar och aritmetik (Arsalidou & Taylor, 2011), men som detekterades även för dessa enklare numeriska uppgifter, liksom i det limbiska sy-stemet (däribland Hippocampus, Thalamus och Basal Ganglia), som är involverade i inlärning (Moeller, Willmes, & Klein, 2015).
1.3
Avgränsningar och begränsningar
Avgränsningar som gjorts är framförallt att alla insamlade data inte hanteras och analyseras i denna rapport. I studien gjordes försök med ordinalitet (en
talföljdsupp-1.3. Avgränsningar och begränsningar 3
gift) och symbolisk teckenjämförelse liksom diverse kognitiva tester. Dessa analyseras inte i denna rapport, men kommer att ingå i senare studier, vilka även inkluderar fler deltagare.
Då denna rapport hade ett tydligt slutdatum kunde endast fMRT-avläsningar från de första tio (av förväntade 40-50) deltagare analyseras. Detta var en kraftfull be-gränsning som sänkte styrkan hos statistiska tester. Härav förväntades inte exakt samma resultat uppnås som vid senare fulla analys.
Mer avancerade analyser, databearbetningar och skriptprogrammeringar skulle ha kunnat utföras, men bedömdes ligga utanför en kandidatuppsats omfattning. Eftersom svenska är ett litet språk, som sällan används inom neurovetenskaplig forskning, uppstår en del problem med att på ett korrekt och begripligt sätt översätta namn på strukturer och områden i hjärnan. De korrekta svenska termerna är ibland tämligen okända och kan förvirra mer än hjälpa. Därför har gängse engelska termer brukats för kortikala vindlingar (gyri) och fåror (sulci) genom hela uppsatsen, i kontrast till den princip om att översätta termer till svenska, som i övrigt genomsyrat arbetet.
KAPITEL 2
TEORI
Någon form av antalsuppfattning anses vara en fundamental egenskap hos många djur. Detta kapitel beskriver först de mest etablerade teorierna om hur detta funge-rar, specifikt hos människor, samt luckor i denna kunskap. Därefter förklaras några vanliga tekniker för att insamla data om numerisk förståelse och antalsuppfattning.
2.1
Antalsuppfattning
Människor, såväl som andra djur, behöver i varierande grad kunna uppfatta antal. Det är en nödvändighet för att prioritera och välja adekvat respons eller handling (Brannon, Jones, & Jordan, 2010). En flock vargar utgör sannolikt ett mer akut hot än en ensam varg, på samma sätt är ett träd fyllt med frukt bättre att klättra upp i för att äta, än ett där frukterna hänger glest. För människor idag är dessutom beho-vet av numerisk förståelse ännu större då vi i vår vardag förväntas kunna budgetera vår ekonomi, hålla tider och förstå samhälleliga händelser. Och överallt finns det siffror eller numeriska begrepp att förhålla sig till. Svårigheter med numerisk förstå-else har visat sig vara både vanliga (Peters, 2012), mer handikappande än läs- och skrivsvårigheter (Parsons & Bynner, 2005) och ger konsekvenser för såväl utbildning som arbete (Butterworth, Varma, & Laurillard, 2011) varför det är av stor vikt att förstå så mycket som möjligt om de bakomliggande orsakerna, med det långsiktiga målet att förbättra och effektivisera nödvändiga stödinsatser.
Precisionen i denna medfödda antalsuppfattning (eng. Approximate Number System, ANS) förbättras med barns utveckling och verkar vara en grund för möjligheten att bemästra aritmetiska och matematiska förmågor (Halberda, Mazzocco, & Feigenson, 2008; Libertus, Feigenson, & Halberda, 2011). Man tror vidare att barn lär sig siffror och sifferord genom att mappa dem på ANS (Gallistel & Gelman, 2000; Dehaene,
2.3. Distanseffekten 5
2011).
Genomgående brukar Intraparietal Sulcus (IPS) ses som det område där antalsupp-fattningen har sitt säte, sitt huvudsakliga neurala korrelat (Kaufmann m. fl., 2006; Ansari m. fl., 2005; Arsalidou & Taylor, 2011).
2.2
Trippelkodmodellen
En väletablerad teori kallas Trippelkodmodellen (TKM) för numerisk kognition (De-haene, 1992; Dehaene & Cohen, 1995; De(De-haene, Piazza, Pinel, & Cohen, 2003) och den säger i korthet att människor representerar numerisk information i tre olika kodsystem: som (arabiska) siffror (exempelvis ”4”), som nummerord (”fyra”) samt som en icke-symbolisk storleksrepresentation (” •••• ”), där den senare verkar vara grundläggande och en förutsättning för de andra två. Ett flertal studier har på olika sätt undersökt TKM och en stor metaanalys (Sokolowski, Fias, Ononye, & Ansari, 2017) fann att det finns separata, men delvis sammanlänkade, områden i hjärnan som hanterar de tre olika kodtyperna. De studier som gjorts hittills har oftast foku-serat på någon eller några av koderna och därför är föreliggande studie av alla tre koder i samma paradigm av betydelse.
2.3
Distanseffekten
Den så kallade distanseffekten (Moyer & Landauer, 1967) innebär att det är lättare att skilja mellan siffror som är av markant olika storleksordning (som 2 jämfört med 8) än att skilja siffror som är närliggande (som 4 och 5). Detta anses tyda på att siffror och storlekar representeras som en mental tallinje (Dehaene, 2003) och där likartade värden då är svåra att särskilja. Orsakerna kan vara att representationen på den mentala tallinjen är brusig eller gles (eng. sparse) eller att man har olika associationer mellan siffror kopplat till en liten-stor-kategorisering. Olika associa-tionsgrad (för siffror som är av olika storleksordning) gör då att siffrorna blir lättare att särskilja (Krajcsi & Kojouharova, 2017).
Denna effekt kan nyttjas genom att man kan jämföra aktiveringsnivå för svåra re-spektive lätta uppgifter av samma slag. De svåra är mer kognitivt krävande och leder till större aktiveringar, på detta sätt kan en parametrisk kontrast skapas, som är sin egen kontroll. Denna typ av kontrast kan dock vara svår att uppmäta var-för samtliga uppgifter även brukar jämvar-föras med en specifik kontrolluppgift. Därtill finns risken att alltför svåra uppgifter kräver involvering av fler områden än de man är intresserad av att studera (Faro & Mohamed, 2010).
6 Kapitel 2. Teori
2.4
Numerisk kognition
Mycket av numerisk beräkning verkar vara förlagd till hjässloben. Numerisk upp-skattning (Piazza m. fl., 2004) och sifferjämförelser (Pinel, Dehaene, Rivière, & Le-Bihan, 2001; Pinel, Piazza, Le Le-Bihan, & Dehaene, 2004) liksom processande av kvantiteter har lokaliserats till Intraparietal Sulcus, medan sådant som man lärt sig utantill, som multiplikation, involverar grannområdet Inferior Parietal Lobule (IPL), se Figur (2.1). Dessa områden kompletterar varandra (Dehaene, 1997). Dessutom har man noterat (Price & Ansari, 2011) att vänster Angular Gyrus aktiveras vid passivt tittande på (arabiska) siffror.
Figur (2.1): Vänster hjärnhalva med Intraparietal Sulcus rödmarkerad och Inferior Parietal Lobule strax nedan. Från Wikimedia Commons, public domain.
Språkområden i vänster hjärnhalva förväntas vara inblandade dels för att tolka sif-ferord (vilket också har bekräftats med aktiveringar i Inferior Frontal Gyrus, Supra-marginal Gyrus, Middle Temporal Gyrus och Superior Temporal Gyrus (Schmithorst & Brown, 2004)), men även för att det finns skäl att tro att det stora användandet av siffror lett till att domänspecifika funktionella områden utvecklats (i likhet med Visual Word From Area (VWFA) i Fusiform Gyrus som hanterar ord) (Yeo, Wil-key, & Price, 2017). Denna så kallade Visual Number Form Area (VNFA) (Shum m. fl., 2013) är då specifikt aktiverad för (arabiska) siffror. Man har än inte nått full konsensus kring var detta neurala korrelat exakt finns (Price & Ansari, 2011), men troligen involveras Inferior Temporal Gyrus (Yeo m. fl., 2017).
Förutom hjässloben är pannloben (inte minst arbetsminne och uppmärksamhet) aktiv vid beräkningar (och i än högre grad vid krävande uppgifter, liksom för barn som ännu inte automatiserat numeriska funktioner i samma utsträckning som vuxna (Uddin m. fl., 2010; Ansari m. fl., 2005; Kaufmann m. fl., 2006)).
Många studier har diskuterat ett fronto-parietalt nätverk (pann- och hjässlobsområ-den i samarbete) för mer generell magnitud- och antalshantering. Tecken på det är
2.5. Att mäta neural aktivitet 7
bland annat att IPS har kopplats till jämförande bedömningar även i icke-numeriska uppgifter såsom spatiala och temporala beräkningar (Skagerlund, Karlsson, & Träff, 2016; Walsh, 2003). Detta nätverk bör åtminstone inkludera IPS, Superior Parietal Lobule (SPL), Superior Frontal Gyrus (SFG), Middle Frontal Gyrus, Supplemen-tary Motor Area (SMA) och Anterior Cingulate Cortex (ACC) (Sokolowski, Fias, Mousa, & Ansari, 2017; Jolles m. fl., 2016).
Därtill måste såväl siffrors som sifferords former analyseras och avkodas visuellt, varför nackloben och tinninglobens nedre delar (den så kallade VAD-vägen, eller ventrala strömmen (Goodale & Milner, 1992)), Inferior Temporal Cortex (ITC), involveras. Det verkar som att ickesymbolisk magnitud börjar processas redan i vi-suella områden V2 och V3 (Fornaciai, Brannon, Woldorff, & Park, 2017; Roggeman, Santens, Fias, & Verguts, 2011; Cavdaroglu, Katz, & Knops, 2015) och Park och kollegor (Park, DeWind, & Brannon, 2017) anser att människors visuella system är predisponerat att upptäcka antal och förändringar i antal.
Den nyligen gjorda undersökningen av friska vuxna (Skagenholt m. fl., 2018) note-rade även aktiveringar i vänster Caudate Nucleus och Precentral Gyrus (områden som typiskt kopplas till beräkningar och aritmetik (Arsalidou & Taylor, 2011)) lik-som limbiska systemet (Hippocampus, Thalamus och Basal Ganglia lik-som ofta är inblandade vid inlärning (Moeller m. fl., 2015)). Då denna studie bygger på samma paradigm kan motsvarande aktiveringsmönster förväntas även här.
Sammantaget bör sifferkoden därför synas som aktiveringar i (åtminstone) höger ITG och vänster AG, sifferordskoden i vänstra IFG, SMG, MTG och STG. På sam-ma sätt förväntas ickesymboliska sam-magnitudkoden leda till aktiveringar i främst IPS (bilateralt) och parametriska jämförelser i vänstra IPS. Den bristande automatise-ringen hos barn bör öka aktiveringarna i höger IFG, MFG och Insula. Överhuvudta-get förväntas barns aktiveringar vara mer heterogena än hos vuxna då inlärning leder till mer modulär funktionell uppdelning och specialisering, jämför med diskussionen kring VWFA/VNFA ovan.
Det mesta av kunskaper kring numerisk kognition har kommit ur fMRT-avläsningar, men även studier av patienter med specifika hjärnskador har lett till möjligheten att associera eller dissociera kognitiva funktioner med neurala substrat (Purves m. fl., 2013).
2.5
Att mäta neural aktivitet
Historiskt har olika metoder använts för att söka utröna hur kognition är möjlig, vad som sker och var. Olika vetenskapliga fält har varit och är inblandade, men idag ligger fokus huvudsakligen på vilka neurala processer som sker i hjärnan och den dominerande grenen är kognitiv neurovetenskap (Purves m. fl., 2013). Inte minst ut-vecklandet av icke-invasiva metoder som magnetresonansavbildning (förkortas ofta MRT på svenska, vilket betyder magnetsresonanstomografi) har bidragit till en kun-skapsexplosion inom området. Dels kan högupplösta MRT-bilder, med god spatial precision och utan några allvarliga risker för försökspersonen, återge en individuell
8 Kapitel 2. Teori
hjärnas struktur i detalj, dels kan funktionell avbildning (fMRT) därtill visa på vilka områden som aktiveras vid olika kognitiva belastningar och uppgifter. Före MRT användes datortomografi (genomlysning med röntgenstrålar), post mortem obduk-tioner och, i begränsad omfattning, öppen hjärnkirurgi för att analysera hjärnans strukturella indelning och för att leta efter skador.
En hel uppsjö av metoder har använts för att studera de funktionella processerna, allt från droger, inverkan av skador, intrakraniell (via elektroder) eller transkraniell (magnetiskt inducerad) nervstimulering och med olika typer av avläsningsmetoder såsom positionsemissionstomografi (PET), elektroencefalografi (EEG), direkt elek-trodavläsning eller fMRT. De har olika för- och nackdelar (exempelvis kan endast direkt elektrodavläsning uppfatta skeenden på neuronal nivå, men metoden är in-vasiv med såväl kostnader som risker förhöjda) och används lite olika på människor respektive andra djur. Den numera höga tillgången till MRT-enheter och det fak-tum att metoden är i princip ofarlig har inneburit att magnetresonansavbildning idag dominerar (Poldrack, Nichols, & Mumford, 2011).
2.6
fMRT
fMRT används för många olika ändamål och av forskare från diverse olika discipliner. Ett vanligt bruk är att söka finna neurala korrelat, det vill säga hitta aktiverings-mönster hos grupper av neuroner som är korrelerade till, samvarierar med, externa fenomen. Man kan undersöka perceptioner, motoriska händelser, emotioner eller kog-nitiva belastningar (Huettel, Song, & McCarthy, 2004).
Att ta ögonblicksbilder av strukturer (MRT) ställer höga krav på såväl generering av homogena magnetfält som hög beräkningskapacitet, men att söka fånga förlopp över tid (funktionell MRT) ställer mångdubbla krav, varför det är först de senaste decennierna som hård- och mjukvara utvecklats nog för att tekniken skulle kunna få ett stort genomslag.
Fördelarna gentemot andra typer av neuroavbildningstekniker är att fMRT inte in-volverar någon joniserande strålning, med de risker det innebär, samt är icke-invasiv. Dock är den relativt tidskrävande och bullrig och vissa personer upplever stort obe-hag av att behöva vara stilla i ett begränsat utrymme. Därtill är magnetfälten så kraftiga att extra säkerhetsåtgätder måste till för att förhindra olyckor eller oav-siktlig skada, som skulle kunna uppstå då magnetiska föremål kan värmas upp eller sättas i rörelse.
Tekniken och hur man kan extrahera kunskaper om kognitiva fenomen genom att utsätta vävnad för magnetfält diskuteras vidare nedan. Uppgifterna är i huvudsak hämtade från (Jacobson, 2006) och (Huettel m. fl., 2004).
2.6. fMRT 9
2.6.1
Avbildning
Grunden för MRT/fMRT är en fysikalisk egenskap som kallas kärnspinnresonans eller kärnmagnetisk resonans (eng. nuclear magnetic resonance). Alla isotoper som har ett udda antal neutroner eller protoner i atomkärnan har ett så kallat rotations-impulsmoment, även kallat spinn. Detta uppkommer som en följd av att värmeenergi får atomkärnor att rotera, rotationen genererar ett magnetiskt moment (alla atom-kärnor är positivt laddade) samt ett rörelsemängdsmoment.
Figur (2.2): Illustration av spinnande atomkärna som precesserar i yttre magnet-fält. Notera likheten med en leksakssnurra.
Utan yttre påverkan kommer spinnen att ske i slumpmässig riktning, men i ett kraftigt yttre magnetfält kommer de att rikta in sig längs fältet. Likt ett gyro eller en leksakssnurra kommer spinnets rotationsriktning att röra sig i en cirkelformad bana, det precesserar, se Figur (2.2). Hur fort denna precession sker beror på det yttre magnetfältets styrka samt vilken atomkärna som spinner. Storheten kallas för Larmorfrekvensen och är central för att exklusivt kunna exitera endast en specifik typ av atomkärnor.
Vanligt väte har endast en enda proton (och ingen neutron) i sin kärna. Väte är dess-utom ett av de mest frekvent förekommande grundämnena i människokroppen då det ingår i varje vattenmolekyl. Därför är väte det vanligaste grundämnet att använ-da för magnetresonanstekniker. Larmorfrekvensen för de atomkärnor och magnetfält som används ligger inom det radiofrekventa området, vid 3T och för vätekärnor är den till exempel 127.74 MHz. Därför kan en radiofrekvent puls exitera atomkär-nor av önskad typ. Det som då sker är att precessionen blir mer markant, vinkeln mellan magnetfältet och kärnans spinnaxel ökar. Vid 90° är alla spinnvektorer vin-kelräta mot magnetfältet. Dessutom kommer alla spinn, efter en exiterande puls, att precessera i samma fas och därmed gemensamt skapa en detekterbar radiofrekvent signal. Sakta (inom några sekunder) kommer kärnorna att återgå till ett tillstånd av precession längs magnetfältet och i olika fas, då den energi som som togs upp vid exiteringen förloras. Då finns inte längre någon samlad signal att detektera.
atom-10 Kapitel 2. Teori
slag i vävnad endast på grund av dessas unika magnetiska egenskaper. Dock måste vi även på något sätt kunna urskilja signalens spatiala uppdelning. Ännu har vi bara en samlad radiofrekvent signal för hela den volym som avläses. Detta åstadkoms ge-nom att lägga på olika gradientfält (i tre olika riktningar) som ändras över tid. Det betyder att man kan avläsa en ”skiva” i taget och inom varje skiva en specifik punkt, eller voxel. Moderna MRT/fMRT-utrustningar har dessutom möjlighet att läsa av flera skivor parallellt, liksom andra tekniska förbättringar som kortar ner avläsnings-tid, ökar precision och minskar störningar mellan olika närliggande avläsningar. En full avläsning av en hjärna kan innefatta flera hundratusen voxlar.
2.6.1.1 MRT och fMRT
Jämfört med andra tekniker kan MRT skapa bättre bilder av vävnad som ligger nära eller bakom ben. Detta gör MRT lämpad för avbildning av hjärnan och ryggmärgen till exempel. Inom klinisk medicin nyttjas tekniken ofta för att finna hjärntumörer. MRT tar högupplösta stillbilder, men då vi vill studera kognitiva förlopp eller de aktiveringar som vi tror sker på olika platser i hjärnan i samband med kognitiva händelser, behöver vi addera en temporal faktor. Vi behöver se förändringar över tid. Och likt en filmprojektor tar fMRT-utrustningen många konsekutiva bilder efter varandra. Dock finns flera problem med att ta bild på bild över längre tid. Dels finns risk att huvudrörelser leder till att vissa bilder blir förvrängda, dels har vi oundvikliga regelbundna förlopp som andning och puls att hantera. Detta gör att upplösningen (storleken på voxlarna) nödvändigtvis behöver minskas.
Det finns även en mer grundläggande skillnad mellan olika sorters MRT och fMRT i vad man detekterar. Ska man ta högupplösta strukturella bilder använder man signalförändringen som beror på att spinnet förlorar den tillförda energin, det vill säga spinnvektorerna återgår från att rotera vinkelrätt mot magnetfältet (i praktiken använder man en mer begränsad förändring i lutning (eng. tilt) än 90° ) till precession runt magnetfältets huvudriktning. Detta kallas T1-återhämtning och ger upphov till
T1-viktade bilder. Vill man å andra sidan detektera tumörer eller dylikt så vill man
ha maximal signalstyrka för områden som är vätskefyllda, då detekterar man i stället hur spinnen kommer i otakt på grund av att de interagerar med varandra, det vill säga att de inte längre spinner i fas. Detta kallas T2-återhämtning och ger upphov
till T2-viktade bilder. Vilken typ av återhämtning (eng. relaxation) man mäter och
följaktligen vilken typ av bilder man får beror av inställningarna i skannern och kommer att leda till att olika egenskaper i hjärnan förstärks. En version av T2
-viktning kan fås genom att även ta hänsyn till hur inhomogeniteter i magnetfältet (trots mycket avancerad kompensatorisk teknik är ett perfekt homogent magnetfält omöjligt att uppnå) påverkar hur fasen för spinnen sprids. Denna version, som är den som oftast används vid fMRT, kallas T2*. T1, T2 och T2* kallas även för olika
2.6. fMRT 11
2.6.1.2 BOLD
En fråga infinner sig i detta läge: hur kan magnetiska egenskaper hos protoner ha något med kognition att göra? Det är en berättigad och allt annat än trivial fråga. Låt oss börja i änden vad vill vi mäta? Vi vill på något sätt uppmäta neural ak-tivitet, som uppstår när vi utför en kognitiv uppgift. När vi tänker, ser, beräknar, känner, önskar, blir rädda, lyfter armen, vid alla typer av kognitiva händelser, vid varje tillfälle som information processas, tror vi (det är ett grundantagande här) att något eller några speciella områden i hjärnan arbetar lite extra och att det ska gå att upptäcka. Det finns goda belägg från andra mätmetoder för att så sker. Såväl direkt invasiv mätning med elektroder, som Elektroencefalografi (EEG, mätning av elektriska potentialförändringar på skallen) (Berger, 1929) liksom andra tekniker har sedan många årtionden kunnat påvisa att de elektriska potentialer, som uppstår när neuron aktiveras, kan avläsas och är korrelerade till beräkningsaktivitet i hjärnan, vilket i sin tur beror på det vi benämner kognitiva händelser (Purves m. fl., 2013). Väl känt är även att ökad aktivitet bland neuroner (liksom hos alla celler) leder till ökat metaboliskt behov, energi förbrukas. Energi tillförs i form av syre och glukos via blodet. Glukos kan vi inte detektera via fMRT, men väl syre, och det sker indi-rekt genom att hemoglobin (den molekyl i blodet som för med sig syre till vävnader) har olika magnetiska egenskaper beroende på om den bär på bundet syre eller ej. Man kan alltså mäta den radiofrekventa signalen som uppstår när alla protoner i ett område, efter en exiterande puls, synkront spinner och sedan förlorar sin gemen-samma fas. Och det ser olika ut beroende på hur stor andel av hemoglobinet som är syrebärande (oxygenerat) eller har släppt sitt syre (deoxygenerat). Det förstnämnda är diamagnetiskt, vilket för oss betyder att det inte reagerar nämnvärt på ett ytt-re magnetfält, medan det sistnämnda är paramagnetiskt och påverkas av ett yttytt-re magnetfält. Det är viktigt att notera att det är inte ett jämnt flöde där förbrukat syre direkt ersätts av nytt från blodet, utan möjligheten att mäta förändringar i relativ koncentration kommer av att mer blod än som behövs sänds till området med energikrävande aktivitet. Ett tillfälligt överflöd uppstår och det är det vi kan detektera.
Denna möjlighet att detektera vilka områden i hjärnan som är aktiverade genom att mäta upp andelen syrefattigt hemoglobin utforskades av Seiji Ogawa och kol-legor (Ogawa m. fl., 1992) för runt 30 år sedan och är en direkt förutsättning för utvecklingen av fMRT. Man gav namnet BOLD (blood-oygenation-level dependent) till kontrasten som på detta sätt mäts.
MR-signalen som detekteras via BOLD-kontraster är mycket svag och ofta krävs avancerade beräkningar för att urskilja den från brus och störningar. Den reflekte-rar inte heller den faktiska neurala aktiviteten utan förändringar i det metaboliska behovet och därför måste man översätta från metaboliskt behov till neural aktivitet på något sätt. Den så kallade hemodynamiska responsen, se Figur (2.3), beskriver hur MR-signalen de facto förändras efter en neural aktivitet, och genom att ta hän-syn till denna (eller snarare dessa för responsen ser lite olika ut i olika sammanhang) kan man räkna ut en aktivering som väl korrelerar med vad som faktiskt verkar ske i hjärnan. Det är många steg av korrelationer mellan magnetisk återhämtning och
12 Kapitel 2. Teori
Figur (2.3): Den så kallade kanoniska (ideala, föreskrivna) hemodynamiska respon-sen visar bland annat att den maximala signalen uppnås efter cirka 5-6 sekunder. Från Wikimedia commons, public domain.
aktivering av neuron, men otaliga studier har visat att kopplingen är relevant, man får fram informationer som faktiskt säger något om kognitiva händelser.
2.6.2
Analyser
Innan man kan analysera data från FMRT-avläsningar måste man förprocessa data. Sedan består analysen av flera tämligen tunga statistiska beräkningssteg. Båda dessa delar beskrivs i det följande.
2.6.2.1 SPM12
Flera olika mjukvarupaket finns som specialiserar sig på funktionell neuroavbildning. En av de mest använda är SPM12 (Statistical Parametric Mapping) utvecklat av, och fritt distribuerat från, Wellcome Department of Imaging Neuroscience vid University College i London (Wellcome Centre for Human Neuroimaging, 2019). SPM12 har använts för att förprocessa och analysera fMRT-data i denna studie.
2.6.2.2 Förprocessa data
Det finns många felkällor och svårigheter vid insamlande och analys av fMRT-data. Bland annat ofrivilliga huvudrörelser, inhomogeniteter i magnetfälten, svårigheter med att olika vävnadstyper har kraftigt olika magnetiska egenskaper, liksom att
2.6. fMRT 13
icke försumbara tider ibland förflyter mellan första och sista skiva som ska bygga upp en full avbildning. Lägg därtill det faktum att människor har olika form och storlek på såväl skalle som hjärna, samt att barn och ungas tillväxt, förändringar vid högre ålder, sjukdomar och skador påverkar hjärnans anatomi och det kan te sig svårt att göra meningsfulla jämförelser. Så kallad förprocessning av fMRT-data är nödvändig för att ha möjlighet att göra jämförelser mellan olika personer liksom för att förbättra möjligheterna att detektera de tämligen svaga MR-signaler som motsvarar funktionella skeenden.
De olika huvudstegen i förprocessningen är (Huettel m. fl., 2004; Poldrack m. fl., 2011; Hermans, 2016):
• Korrigering för huvudrörelser. Speciellt vid gränser mellan vävnader som har helt olika magnetiska egenskaper (exempelvis nära skallbenet) kan en liten rörelse på några millimeter innebära kraftigt förändrade signaler för enskilda voxlar. Och trots många preventiva insatser för att minimera huvudrörelser (såsom att begränsa rörelsefriheten) kan så enkla saker, som övergång från fo-kusering till avslappning, resultera i små, men betydelsefulla, rörelser. Genom att estimera hur varje skiva har flyttats relativt en referens och räkna ut vilka transformationer som behövs för att "flytta tillbaka" den kan man skiva om (eng. reslice) hela volymen.
• Korrigering för tidsdifferenser. Tekniken som tillåter att man kan exitera och avläsa en tunn skiva i taget ger upphov till några tidsrelaterade problem. På grund av återhämtningsegenskaper (hur egenskaper ändras över tid i magnet-fält) brukar man läsa av volymen genom att ta alla udda skivor först sedan alla jämna, så kallad interfolierad (eng. interleaved) skivning. Då finns risken att närliggande skivor avläses med sekunders mellanrum vilket inte alltid är lämpligt när man studerar funktionella kognitiva förlopp. Detta kan korrige-ras genom en temporal interpolation, via kunskap om hur den hemodynamiska responsen (se stycke 2.6.1.2 om BOLD) brukar se ut vid olika tidpunkter kan man uppskatta hur signalen borde ha varit om alla skivor lästes av samtidigt. Modern teknik som multibandavläsning (när flera skivor avläses parallellt) och mindre tidskänsliga studiedesigner gör att detta inte alltid är ett problem som behöver åtgärdas. I denna studie med blockdesign och multiband krävdes ej denna korrigering.
• Samregistrering kallas det för när man mappar olika typer av avläsningar på varandra. Specifikt brukar man matcha in de lågupplösta funktionella avläs-ningarna (T2*) på en högupplöst strukturell avbildning (T1) av samma person.
Detta gör att man bättre kan förknippa de aktiverade områdena med anato-miska strukturer.
• Segmentering innebär att man identifierar de områden som består av grå mas-sa (de i denna studie intresmas-santa aktiveringarna sker i hjärnbarken, kortex), vit massa, cerebrospinalvätska (CSV), skallben, mjukdelar (hinnor) respektive luft och separerar upp i olika bilder, se Figur (2.4). Detta görs för vidare för-processningssteg samt för att kunna bortse från ovidkommande vävnadtyper vid senare analyser.
14 Kapitel 2. Teori
Figur (2.4): Exempel på hur segmenterade bilder av en hjärna kan se ut. Från vänster: grå massa, vit massa, CSV, skallben, mjukdelar och luft. Från Hermans, 2016.
• Normalisering. För att kunna jämföra olika personers funktionella responser måste man på något sätt kunna komma förbi det faktum att alla hjärnor ser olika ut och är olika stora. Det gör man genom att mappa avläsningarna mot en standardiserad ”medelhjärna”, eller anatomisk atlas. Den idag vanligaste (och den som användes vid denna studie) är framtagen av Montreal Neurological Institute och kallas MNI 152 (Fonov, Evans, McKinstry, Almli, & Collins, 2009).
• Utjämning. Det sista steget är en utjämning (eng. smoothing) som innebär att man försämrar den spatiala upplösningen genom att lågpassfiltrera. Detta tar bort högfrekventa signalkomponenter, men ökar i gengäld signal-brusförhållandet vid de önskade låga frekvenserna. Dessutom är inte normaliseringen perfekt utan det finns kvar spatiell variabilitet som genom lågpassfiltrering minskas. Oftast utförs detta genom en faltning (eng. convolution) som innebär att varje pixels signalvärde sprids ut med en normalfördelad funktion.
En del automatiska korrigeringar görs även direkt i fMRT-systemet liksom beräkning av magnetfältens eventuella inhomogeniteter med mera.
Då det finns många potentiella felkällor och många steg behövs för att försöka kom-pensera för dem, samt att dessa steg ofta kräver ett tålamodsprövande manuellt inmatande i systemet, är det viktigt att kontinuerligt kontrollera bilder och resultat för att upptäcka felaktigheter, innan dessa har propagerats vidare genom processer och analyser. Många likartade steg kan automatiseras via skript som kan sparas och återanvändas direkt eller med mindre justeringar från gång till gång. Den största risken är dock många gånger att man markerar fel fil eller filer vid de olika stegen. När samma procedur ska upprepas dussintals gånger, med enda skillnaden att olika kombinationer av filer från olika deltagare och/eller olika betingelser används, finns risk för fel trots noggranna kontroller.
2.6.2.3 Statistiska analyser
Första steget när man statistiskt analyserar fMRT-data är att undersöka varje voxel över tid och se om det går att finna ett samband där BOLD-signalen följer på en manipulation. Detta görs då för varje deltagare separat. Därefter kan man undersöka om det finns gemensamma aktiveringar över hela testgruppen.
2.6. fMRT 15
Problemet med multipla jämförelser innebär att man vid många samtidiga tester introducerar mycket Typ 1-fel, falska positiva (Poldrack m. fl., 2011). Om man nor-malt sett anser att en signifikansnivå om p<0.05 är bra vid någon enstaka jämförelse (mindre än 5% risk att en effekt är orsakad av slumpen) så blir det ohanterligt vid många jämförelser. Om man har 100.000 tester så betyder detta i så fall att man trots upp till 5000 rena slumpeffekter ska anse resultatet signifikant. Detta korri-geras ibland genom Bonferroni-korrigering, vilket innebär att man delar alfa-nivån (den valda signifikansnivån) med antalet tester. Detta blir dock onödigt konservativt många gånger så att man riskerar att missa riktiga effekter. Skälet är att felen inte alls är oberoende, det finns en stark spatial korrelation mellan voxlar och följaktli-gen finns normalt inte 100.000 oberoende möjligheter att finna en effekt. Därför är det vanligare i fMRT-sammanhang att nyttja en korrektion som bygger på Random Field Theory (Nichols & Hayasaka, 2003). När man väljer ett så kallat familjefel (eng. family wise error) om FWE<0.05 betyder det att en effekt är signifikant om mindre än 5% av noterade aktiveringar på en voxel någonstans över hela hjärnan har orsakats av slump. Detta är mer i linje med vad man intuitivt önskar som sig-nifikansgräns. Det är dock värt att notera att familjefel inte alltid kan användas då även detta blir för konservativt, speciellt gäller detta vid små urval. I dessa lägen kan man nödgas använda helt okorrigerade alfa-värden på p<0.001 eller liknande. Att problemet finns vid fMRT-analyser beror på att varje voxel ska analyseras över tid, det blir snabbt ett mycket stort antal statistiska tester.
Första nivå, individnivå
Den generaliserade linjära modellen, GLM (en generaliserad linjär regression) an-vänds för att finna och anpassa en modell som beskriver hur BOLD-signalen, som beroende variabel, följer på den förväntade BOLD-stimuleringen, som oberoende variabel. Förhållandet mellan det neurala svaret och BOLD-signalen är i stort sett linjärt tidsinvariant (Dale & Buckner, 1997), det betyder förenklat att om många neurala svar adderas så adderas BOLD på motsvarande sätt, vilket förenklar statis-tiska analyser avsevärt.
I denna studie skapades modeller såväl av skillnaden i signal mellan aktiveringar i testbetingelse jämfört med kontrollbetingelse, liksom av skillnaden mellan lätt eller svår version av respektive test, så kallade parameteriska test. De senare är optimala som kontroller för sig själva, ett svår test kräver mer aktivering i områden specifika för uppgiften än ett motsvarande lättare test. Dock kan denna skillnad vara svår att detektera på gruppnivå varför även jämförelser med kontrolluppgift utfördes. Andra nivå, gruppnivå
När anpassade modeller beräknats för varje deltagare kan en ny analysserie utföras på respektive betingelse med samtliga deltagare som en urvalsgrupp. Här jämför man alltså nollhypotesen att medelvärdet för gruppen är noll och detta görs med det lilla t-testet (eng. one-sample t-test).
KAPITEL 3
METOD
Detta kapitel ger information om deltagare, etik och studiedesign samt beskriver metoder som användes i studien; hur experimenten och analyserna utfördes. Para-digmet för fMRT är inte unikt för denna studie utan följer det som utvecklades för en motsvarande studie på vuxna för något år sedan (Skagenholt m. fl., 2018).
3.1
Deltagare
10 högerhänta barn (3 flickor) i åldern 10-12 år (M = 11.60, SD = 0.63) deltog i stu-dien. Samtliga hade svenska som förstaspråk, fullgod (eller korrigerad) syn och ingen hade någon känd neurologisk, psykiatrisk, eller medicinsk sjukdom. Endast deltagare utan pacemaker, insulinpump, eller metallobjekt implanterade (även tandställning-ar) inkluderades av säkerhetskäl (Kanal m. fl., 2013), se även 2.4.
Två deltagare exkluderades från analysen på grund av alltför stora huvudrörelser (över 10 mm). Se Figur (3.1) för exempel på beräknade rörelser hos en av dessa.
3.1.1
Rekrytering
Adresser till vårdnadshavare med barn i önskad ålder (födda under åren 2006-2008) införskaffades via Statens Person- och AdressRegister, SPAR. Per post sändes två informationsbrev, till vårdnadshavare (se Bilaga 1) respektive barn (se Bilaga 2), inklusive returblankett för informerat skriftligt samtycke och kontaktuppgifter.
3.3. Material 17
Figur (3.1): Exempel på beräknade huvudrörelser hos ett av barnen som exkludera-des från analyserna. Translationer är parallellförflyttningar längs en koordinataxel, pitch, yaw och roll är rotationer längs x-, y- respektive z-axeln (dvs. luta huvudet mot sidan, framåt/bakåt respektive vrida på huvudet).
3.2
Etiska aspekter
Förutom informerat skriftligt samtycke från vårdnadshavare (på grund av att del-tagarna var omyndiga), inhämtades även muntligt samtycke från deltagaren, liksom ytterligare muntliga samtycken inför respektive del av studien (inför beteendetester liksom inför fMRT).
Att genomgå en magnetkameraundersökning är normalt sett ofarligt (Kanal m. fl., 2013), även för barn (Holland m. fl., 2014), men kan upplevas som otrevligt på grund av hög ljudvolym och det trånga utrymmet, liksom att man måste hålla sig mycket stilla. Därför informerades om detta i informationsbreven, därtill erbjöds en möjlig-het för barn och vårdnadshavare att bekanta sig med experimentmiljön i förväg. Studiens upplägg är prövat och godkänt av Regionala etikprövningsnämnden i Lin-köping (dnr 2018/296-31).
3.3
Material
18 Kapitel 3. Metod
3.3.1
Hårdvara
En Siemens Magnetom Prisma MRI-scanner (3T), se Figur (3.2), utrustad med en 20-kanalers huvudspole, användes för att samla in strukturella och funktionella hjärnavbildningar. Dessa utfördes på Center for Medical Imaging and Visualization (CMIV), Linköpings universitet.
Figur (3.2): Siemens Magnetom Prisma MRI-scanner (3T), den enhet som användes för strukturella och funktionella hjärnavbildningar. Från www.siemens-healthineers.com.
Alla deltagare utrustades med ett par VisuaStim Digital videoglasögon (från Reso-nance Technology Inc., Northridge, CA, USA) med eller utan synkorrigering där-under. Dessa presenterade alla visuella stimuli som deltagarna skulle bedöma. Svar angavs via en Lumina svarsenhet (Cedrus Corporation, San Pedro, CA, USA), ge-nom att trycka ned den knapp (höger eller vänster) som motsvarar det val man gjort. Deltagarna instruerades att använda höger hands pek- respektive långfinger.
3.3.2
Mjukvara
Alla stimuli och tider kontrollerades via SuperLab 5 (Cedrus Corporation, San Pedro, CA, USA) vilken även registrerade svar och svarstider.
3.4. Procedur och design 19
som analysera de funktionella avbildningarna, se avsnitt 2.6.2.1-3 för mer informa-tion. SPM-tillägget Anatomy Toolbox (Eickhoff m. fl., 2005) användes för att med probabilistiska cytoarkitektoniska kartor identifiera hjärnområden efter de MNI-koordinater som gruppnivåanalysen gav. Där Anatomy Toolbox ej lyckades att auto-matiskt, baserat på sannolikhetskartorna, identifiera korrekt område, har min hand-ledare Kenny Skagerlund även identifierat närmast belägna struktur baserat på hur långt en given klusterstorlek kan sträcka sig från MNI-koordinaten som anger störst aktivering (eng. peak-level activation). MATLAB version R2018b (MathWorks Inc., Natick, MA, USA) användes som omgivning.
3.4
Procedur och design
Detta avsnitt beskriver studiens design och de olika procedurer som ingick.
3.4.1
Kognitiva tester
Information om olika kognitiva förmågor samlades in för användande i andra studier. Barnen genomgick tester inom aritmetisk förmåga, exekutiva funktioner, arbetsmin-ne, samt visuospatial bearbetning (mental rotation). Här är dessa dock inte del av analysen och därför ej heller beskrivna i detalj.
I samband med dessa tester fick barnen och deras vårdnadshavare möjlighet att bekanta sig med fMRT-utrustningen och experimentsituationen.
3.4.2
fMRT
En högupplöst strukturell avbildning (T1) utfördes på varje deltagare före den
funk-tionella avbildningen, dessa användes i förprocessningen av bilderna (se avsnitt 2.6.2.2).
Experimentparadigmet var inte helt unikt för denna studie, utan följde i stora drag det som utarbetades inför en motsvarande studie på vuxna (Skagenholt m. fl., 2018). Sex olika betingelser förelåg:
1. välj det största av två (arabiska) siffror, 2. välj det största av två sifferord,
3. välj den numerärt största av två ickesymboliska grupper,
4. skilj versal mot gemen bokstav, denna del fungerade som kontrolluppgift, 5. ordinal talföljdsuppgift, denna del användes endast i andra studier,
20 Kapitel 3. Metod
6. symbolisk teckenjämförelse, denna del användes endast i andra studier.
Varje uppgift började med ett fixeringsstimuli (ett ensamt kors visades för att rikta visuell uppmärksamhet) om 500 ms, följt av experimentstimuli (1), siffror, under 2000 ms. Därefter av ett responsfönster om 1500 ms, där deltagaren valde om hö-ger eller vänster alternativ var numeriskt störst genom att trycka ned motsvarande knapp. Denna sekvens upprepades totalt 14 gånger och avslutades med en paus om 12 sekunder. Samma följd upprepades nu för övriga betingelser och detta motsva-rade ett block. (Vid kontrolluppgift (4) skulle den versala bokstaven detekteras och motsvarande knapp tryckas ned. I ordinalitetsuppgiften (5) användes knapparna i stället så att höger motsvarade att en presenterad talföljd var korrekt i stigande ordning, vänster att så ej var fallet. I den symboliska teckenjämförelsen (6) skulle deltagaren indikera om en teckenföljd bestod av likadana tecken (”3-3-3”) och då trycka ned höger knapp, eller om inte så var fallet (”3-B-3”) trycka vänster knapp.) Se Figur (3.3) för illustration av ett block.
Figur (3.3): Schematisk bild över ett experimentblock (exklusive de två extra upp-gifter som ej ingick i denna studie). Blocket upprepades sex gånger med extra pauser efter block 2 och 4. Efter Skagenholt, Träff, Västfjäll och Skagerlund, 2018.
Hela blocket upprepades sex gånger med längre pausar om sex respektive tio minuter efter block 2 och block 4. Den totala tiden för fMRT-experimenten var en knapp timme per deltagare. Varje betingelse testades totalt 84 gånger (14 ggr/block * 6 block).
Vid de parametriska testerna undersöktes eventuella skillnader i aktivering på sam-ma uppgift, men av olika svårighetsgrad. En svårare version av en uppgift kräver mer och genererar mer aktivering i de specifika områden som korrelerar till uppgif-ten. I sifferuppgiften (1) liksom sifferordsuppgiften (2) var differensen 4-5 (t.ex. ”3” och ”8”, resp. ”två” och ”sex”) för den lätta uppgiften och 1-2 (t.ex. ”4” och ”5”, resp. ”fyra” och ”sex”) för den svåra uppgiften, endast en-siffriga tal användes. Vid den
3.4. Procedur och design 21
ickesymboliska magnitudjämförelsen var förhållandet mellan grupperna 4:3 (t.ex. ” •••••••• ” och ” •••••• ”) för svåra uppgifter, och 2:1 (t.ex ” •••••••••••••••• ” och ” •••••••• ”) för den lätta. Det var minst åtta och högst 26 prickar på varje sida.
I enlighet med rekommendation (Henson, 2007) användes en alternerande block-design med fast ordning för uppgifterna. Detta gjordes för att maximera kontrast-frekvensen (så liten tid som möjligt mellan liknande uppgifter) eftersom det var så många uppgifter. Lätta uppgifter (i form av stor skillnad mellan stimuli) och svåra (i form av närliggande siffror och storlekar) växlades från ett block till nästa.
3.4.3
Datainsamling
En Siemens Magnetom Prisma MRI-scanner (3T), se Figur (3.2), utrustad med en 20-kanalers huvudspole, användes för att samla in strukturella och funktionel-lahjärnavbildningar. Dessa utfördes på Center for Medical Imaging and Visualiza-tion (CMIV), Linköpings universitet.
Högupplösta strukturella avläsningar gjordes i syfte att underlätta lokalisering och samregistrering med en T1-viktad pulssekvens (TR: 2300.0 ms, TE: 2.36 ms, lutning:
8° , skivtjocklek: 0.90 x 0.90 x 0.90 mm, antal skivor: 208). En BOLD-känslig (se stycke 2.6.1.2) T2*-viktad, stigande pulssekvens baserad på Ekoplanarteknik (eng.
Echo Planar Imaging, EPI) användes för funktionella avbildningar av hela hjärnan (TR: 1340.0 ms, TE: 30.0 ms, lutning: 69° , skivtjocklek: 3.0 x 3.0 x 3.0 mm, antal skivor: 48), med upplösning 3.0 mm isotropiskt utan mellanrum).
Förprocessning och statistiska analyser utfördes med SPM12 (se avsnitt 2.6.2.1). De första sex volymerna exkluderades från förprocessningen i enlighet med rekom-mendation från handledaren. Volym 1-6 togs bort och förprocessning utfördes på volymerna 7-1890.
Rörelsekorrigering gjordes med omplacering (eng. realignment) och med referens till medelbild. Tidskorrigering (eng. slice timing) utfördes ej på grund av interfolierad multibandavläsning och tillräckligt kort TR (repetitionstid, tiden mellan exiterande pulser). Samregistrering (eng. coregistration) gjordes med segmenterad, anatomisk bild. Normalisering gjordes mot MNI 152 och dess förvalda sannolikhetskarta för grå massa. Utjämning gjordes med en Gaussisk (normalfördelad) kärna med 8 x 8 x 8 mm halvvärdesbredd (eng. full width at half maximum, FWHM ). För förklaringar till förprocesserna se avsnitt 2.6.2.2.
På första nivå (individnivå) analyserades varje voxels BOLD-respons i hela hjär-nan för varje person och varje test. Experimentbetingelser (siffror, sifferord och ic-kesymbolisk magnitud) kontrasterades mot kontrollbetingelsen (versal eller gemen bokstav) samt parametriskt som lätt jämfört med svår version av samma uppgift. På andra nivå (gruppnivå) jämfördes gemensamma aktiveringsmönster via litet t-test med H0 att gruppens medelaktivering är noll.
22 Kapitel 3. Metod
På grund av det låga antalet deltagare gjordes samtliga analyser med p < 0.001 okor-rigerat. Korrigering för familjevis fel (FWE, se avsnitt 2.6.2.3) var för konservativt med detta begränsade urval.
KAPITEL 4
RESULTAT
I detta kapitel redogörs för resultaten från de tidigare beskrivna fMRT-skanningarna och de påföljande analyser som gjordes.
4.1
Jämförelser med kontroll
Tre olika uppgifter utfördes (där den större av två alternativ skulle markeras) base-rade på siffror, sifferord eller ickesymbolisk magnitud och dessa jämfördes med en kontrolluppgift som bestod av att identifiera versal bokstav.
4.1.1
Sifferjämförelser
Uppgiftsrelaterad aktivering vid identifiering av största (arabiska) siffra jämfört med kontrolluppgift noterades huvudsakligen på höger sida. Signifikant aktivitet hittades i höger Inferior Frontal Gyrus och höger Lingual Gurus (LG). Se Tabell (4.1) och Figur (4.1).
Tabell (4.1): Kluster (av storlek 3 voxlar eller mer) som identifierades vid siffror > kontroll-kontrasten (p<0.001 okorrigerat).
Anatomiskt område MNI koordinater* Kluster p Z -värde Höger Inferior Frontal Gyrus (45) 48, 17, -7 3 <0.001 3.44 Höger Lingual Gyrus 6, -85, -10 3 <0.001 3.32 *Koordinaterna avser högsta aktiveringsnivå.
24 Kapitel 4. Resultat
Figur (4.1): Aktiveringar vid siffror > kontroll-kontrast (p<0.001 okorrigerat).
4.1.2
Sifferordsjämförelser
Uppgiftsrelaterad aktivering vid identifiering av numeriskt största sifferord jämfört med kontrolluppgift noterades i ett flertal områden, bland annat i pannloben och Postcentral Gyrus, men framförallt i visuella områden. Se Tabell (4.2) och Figur (4.2).
4.1. Jämförelser med kontroll 25
Tabell (4.2): Kluster (av storlek 3 voxlar eller mer) som identifierades vid sifferord > kontroll-kontrasten (p<0.001 okorrigerat).
Anatomiskt område MNI koordinater* Kluster p Z -värde Höger Rolandic Operculum (OP4) 63, 10, 11 6 <0.001 4.17 Höger Superior Occipital Gyrus (V3A) 24, -88, 11 6 <0.001 4.00 Vänster Middle Occipital Gyrus (V3A) -18, -91, 11 47 <0.001 3.88 Höger Middle Frontal Gyrus 33, 53, 29 6 <0.001 3.75 Höger Postcentral Gyrus (4a) 30, -31, 65 4 <0.001 3.68 Höger Cerebellum IV (V3v) 18, -79, -16 9 <0.001 3.64 Vänster Middle Occipital Gyrus (hOc4Ia) 45, -76, 11 6 <0.001 3.63 Höger Postcentral Gyrus (1) 39, -43, 65 9 <0.001 3.63 Vänster Calcarine Gyrus (V1) -6, -103, 2 4 <0.001 3.54 Höger Lingual Gyrus (V1) 6, -85, -10 5 <0.001 3.34 Vänster Middle Frontal Gyrus -27, 53, 35 4 0.001 3.28 Vänster Postcentral Gyrus (1) -63, -16, 38 3 0.001 3.28 Vänster Calcarine Gyrus (V2) -3, -94, -13 3 <0.001 3.14 *Koordinaterna avser högsta aktiveringsnivå.
4.1.3
Ickesymboliska magnitudjämförelser
Uppgiftsrelaterad aktivering vid identifiering av största ickesymboliska mängd jäm-fört med kontrolluppgift noterades i ett flertal områden, bland annat bilateralt i Anterior Cingulate Cortex och Thalamus samt i pannloben. Se Tabell (4.3) och Figur (4.3).
Tabell (4.3): Kluster (av storlek 3 voxlar eller mer) som identifierades vid ickesym-bolisk magnitud > kontroll-kontrasten (p<0.001 okorrigerat).
Anatomiskt område MNI koordinater* Kluster p Z -värde Vänster Anterior Cingulate Cortex (33) -9, 38, -1 14 <0.001 4.40 Vänster Superior Frontal Gyrus -12, 56, 14 35 <0.001 4.37 Höger Anterior Cingulate Cortex 18, 38, 2 20 <0.001 4.22 Höger Thalamus 3, -1, 14 3 <0.001 3.91 Vänster Middle Cingulate Cortex -15, 20, 32 3 <0.001 3.78 Höger Middle Orbital Gyrus (Fp1) 39, 53, -1 8 <0.001 3.68 Höger Cerebellum IX (Lob IX) 9, -43, -40 4 <0.001 3.49 Höger Superior Frontal Gyrus (Fp1) 21, 56, 2 7 <0.001 3.48 Vänster Thalamus -3, -10, 17 3 <0.001 3.39 Vänster Orbifrontal Gyrus -21, 41, -1 3 <0.001 3.39 *Koordinaterna avser högsta aktiveringsnivå.
26 Kapitel 4. Resultat
Figur (4.3): Aktiveringar vid ickesymbolisk magnitud > kontroll-kontrast (p<0.001 okorrigerat).
4.2
Parametriska jämförelser
Tre olika uppgifter baserade på siffror, sifferord eller ickesymbolisk magnitud utför-des med hög eller låg svårighetsgrad i form av näraliggande storlekar eller tydligt olika storlekar. Kontrasten bestod i att jämföra aktivering vid svår > lätt uppgift.
4.2.1
Parametrisk test på siffror
Ingen signifikant gemensam aktivering fanns med klusterstorlek 3 voxlar eller större (p<0.001 okorrigerat) vid svår > lätt-kontrast avseende (arabiska) siffror.
4.2.2
Parametrisk test på sifferord
Ingen signifikant gemensam aktivering fanns med klusterstorlek 3 voxlar eller större (p<0.001 okorrigerat) vid svår > lätt-kontrast avseende sifferord.
4.2.3
Parametrisk test på ickesymboliska magnituder
Uppgiftsrelaterad aktivering vid identifiering av största ickesymboliska mängd vid parametrisk jämförelse mellan svår och lätt uppgift. Svår uppgift bestod i att sär-skilja mängder av likartad storlek (förhållande 4:3) och lätt uppgift i att särsär-skilja mängder av mer olika storlek (förhållande 2:1), svår > lätt-kontrast. Signifikanta aktiveringar fanns i vänster Superior Frontal Gyrus (minst 3 voxlar, p<0.001 okor-rigerat). Se Tabell (4.4) och Figur (4.4).
4.2. Parametriska jämförelser 27
Tabell (4.4): Kluster (av storlek 3 voxlar eller mer) som identifierades parametrisk vid svår > lätt-kontrasten (p<0.001 okorrigerat.)
Anatomiskt område MNI koordinater* Kluster p Z -värde Vänster Superior Frontal Gyrus -18, 53, 23 5 <0.001 3.57 Vänster Superior Frontal Gyrus 21, 44, 23 3 <0.001 3.48 *Koordinaterna avser högsta aktivering.
Figur (4.4): Aktiveringar vid parametrisk ickesymbolisk magnitudidentifiering, svår > lätt-kontrast (p<0.001 okorrigerat).
KAPITEL 5
DISKUSSION
I detta kapitel diskuteras resultatens innebörd liksom brister i studien och framtida forskning som vore önskvärd.
5.1
Resultat
Den primära hypotesen var att uppmätta neurala aktiveringsmönster liknar de som följer av en reviderad version av Trippelkodmodellen (Arsalidou och Taylor, 2015). Resultaten var i vissa avseenden i överensstämmelse med förväntningar enligt tidi-gare forskning. Men en del som förväntades kunde inte upptäckas och en del aktive-ringar som inte förväntades noterades. Orsaker därtill diskuteras senare.
De förväntade aktiveringarna var (se avsnitt 2.4 för diskussion kring förväntade aktiveringar):
• Sifferkoden: höger Inferior Temporal Gyrus samt vänster Angular Gyrus, • Sifferordskoden: Vänsterlateriserade språkområden som Inferior Frontal Gyrus,
Supramarginal Gyrus, Middle Temporal Gyrus samt Superior Temporal Gyrus, • Ickesymboliska magnitudkoden: bilateralt Intraparietal Sulcus,
• Parametriska jämförelser: vänster Intraparietal Sulcus,
• Specifikt barn: Inferior Frontal Gyrus, Medial Frontal Gyrus och Insula, • Från Skagenholt, 2018: Caudate Nucleus och Precentral Gyrus, Hippocampus,
5.2. Vidare forskningsansatser 29
Samtliga kontraster testades med en klustertröskel om minst 3 voxlar (p<0.001 okorrigerat).
Vid sifferkontrasten fanns gemensamma aktiveringar i högra Inferior Frontal Gyrus vilket överensstämmer med att barn kompenserar bristande automatiseringsgrad med ökad aktivering i det ventrala uppmärksamhetsnätet (Uddin m. fl., 2010; Ansari m. fl., 2005; Kaufmann m. fl., 2006). Dessutom fanns aktiveringar i höger Lingual Gyrus. De förväntade aktiveringarna i höger Inferior Temporal Gyrus och vänster Angular Gyrus detekterades inte.
Vid sifferordskontrasten sågs många olika gemensamma aktiveringar, inte minst i vi-suella områden men inte förväntade vänsterlateriserade språkområden. Höger Midd-le Frontal Gyrus aktiverades i enlighet med förväntningar från det ventrala upp-märksamhetsnätet (Uddin m. fl., 2010; Ansari m. fl., 2005; Kaufmann m. fl., 2006). Postcentral Gyrus (PSG), som dock främst associeras med bearbetning av kän-selinput, aktiverades bilateralt. Skagenholt, Träff, Västfjäll och Skagerlund (2018) föreslog att primära somatosensoriska området 3b dock bör inkluderas i en uppda-terad Trippelkodmodell, likaså visuella områden V2 och V3 vilka även aktiverades vid sifferordskontrasten.
Den ickesymboliska magnitudkontrasten förväntades visa på aktiveringar bilateralt i Intraparietal Sulcus vilket dock inte kunde noteras. Det finns indikationer på att IPS kanske främst används vid val och jämförelser, via associerade uppmärksamhets-krav (Cavdaroglu m. fl., 2015) snarare än direkt semantisk numerisk tolkning, och att många deltagare i olika studier faktiskt gör numeriska jämförelser trots att det inte uttalat ingår i uppgiften. Det skulle i så fall kunna förklara att andra studier funnit IPS-aktivering, men att denna inte gjorde det. Se Skagenholt, Träff, Väst-fjäll och Skagerlund, 2018, för en utförligare diskussion kring detta. Däremot fanns aktiveringar bilateralt i Thalamus, i enlighet med Skagenholt och kollegor, och bi-lateralt Anterior Cingulate Cortex som i likhet med Intraparietal Sulcus ingår i det fronto-paretala nätverket.
Parametriska kontraster är svåra att detektera och här noterades inga gemensamma aktiveringar för (arabiska) siffror eller sifferord, men väl för ickesymboliska magni-tuder. Dock endast i vänster Superior Frontal Gyrus och inte i Intraparietal Sulcus som var förväntat. Mest sannolikt är nog att det begränsade antalet deltagare inte ger analyserna styrka nog att detektera gemensamma aktiveringar.
Samma orsak ligger troligen bakom frånvaron av aktivering i flera av de vänsterla-teriserade språkområdena, tvärtemot förväntan. Vid fullt antal deltagare förväntas dessa områden bli signifikant gemensamt aktiverade. Se diskussion om statistisk styrka i avsnitt 5.2.
5.2
Vidare forskningsansatser
Data från denna undersökning, tillsammans med avläsningar från ytterligare cirka 30 barn, kommer att analyseras i en kommande studie där även mer avancerade
30 Kapitel 5. Diskussion
analysmetoder, liksom uppgifterna från kognitiva tester och ordinalitetsuppgifter med mera inkluderas. Det återstår dock många obesvarade frågor kring såväl de exakta utbredningarna av involverade substrat, som kring hur olika nätverk samar-betar. Likaså finns kvarvarande frågetecken kring eventuella utvecklingsdifferenser mellan barn i olika åldrar och vuxna och även förändringar hos äldre vad gäller numerositet och antalsuppfattningar. Många kognitiva funktioner är inblandade när mer komplexa numeriska eller matematiska uppgifter utförs och här finns mycket att undersöka vidare för att lära sig urskilja numerisk kognition från uppmärksam-het, kognitiv flexibilitet, arbetsminnesbelastning, beslutsfattande och planering med mera.
I denna studie fanns många gemensamma aktiveringar i de visuella områdena i nack-loben. Dessa var inte helt entydiga eller helt i överensstämmelse med tidigare forsk-ning varför även fortsatta undersökforsk-ningar, som i detalj utreder visuella områdens betydelse för identifikation och representation av symboliska och icke-symboliska stimuli, är av intresse.
Slutligen finns mycket att göra för att översätta insamlad kunskap till praktiska råd kring hur man hjälper och stöttar personer med nedsatt numerisk förmåga och/eller dyskalkyli.
5.3
Brister och begränsningar
För att uppnå tillräcklig styrka (eng. power) i analyserna, tillräcklig sannolikhet att upptäcka faktiska effekter, användes ett verktyg, fMRIpower (Mumford & Nichols, 2008), som beräknar nödvändigt antal deltagare. Resultatet var att 40 deltagare behövs, men denna rapport baseras endast på de tio första avläsningarna (varav två dessutom exkluderades på grund av för stora huvudrörelser). Detta är en kraftfull begränsning som sänker analysernas styrka avsevärt. Att finna samma aktiveringar som förväntat på detta antal avläsningar är osannolikt.
Barn tenderar att ha ännu svårare än vuxna att vara stilla i fMRT-skannern vid avläsningar. Detta kan innebära att ännu fler än 40 barn skulle behöva inkluderas. Även i vuxenstudien fick åtta av 54 deltagare exkluderas från analyserna på grund av för stora huvudrörelse (Skagenholt m. fl., 2018). Där exkluderades rörelser över 4 mm, i denna studie har endast rörelser över 10 mm exkluderats vilket gör att data kan vara delvis felaktig från vissa individer då förprocessning (se avsnitt 2.5.2.2) inte alltid klarar av att omplacera korrekt. Då voxelstorleken var 3 x 3 x 3 mm inses att rörelser på upp mot 10 mm riskerar att tilldela markant fel värden på BOLD-signaler till respektive voxel. Detta skulle eventuellt kunna, åtminstone i viss mån, förbättras via en mer avancerad förprocessning och analys där man manuellt korrigerar för vissa rörelser eller fel. Dessa arbetsmetoder bedömdes dock ligga utanför vad som ingår i en kandidatuppsats.
Ovan nämnda svårigheter med huvudrörelser under avläsning riskerar även att såväl minska storleken på kluster som kan ses som statistiskt gemensamma aktiveringar, liksom att aktiveringsnivåer riskerar att bli utspridda på grannvoxlar med mindre
