3) 타이밍과 관련하여, 당신이 인용 하는 문학의 대부분 비슷한 분석을 수행 하는 데 인용 (각성, 지각 작업 또는 작업 메모리/Stroop 작업의 블록에 걸쳐 지속적인된 성능), 작업 또는 더 긴 기간에 다를 것으로 생각 되는 상태를 포함, 당신의 소개는 후속 메모리에 대 한 동안, 재판별로 분류 되는. 시험 전반에 걸쳐 평균을 보여주고 문헌에 중요한 기여를 하는 결과를 찾았지만, 사례의 짧은 규모 변화에 대한 더 많은 토론이 관련이 있을 것입니다. 그것은, 당신은 간략하게 결과에 짧은 시간 척도를 언급하지만 다시 가져 오지 않는다. 문헌의 한 예로, 참조하는 Sadaghiani 외(2015) 논문은 각 자극이 감지되거나 누락되기 전에 소수의 볼륨을 살펴보고 시험별로 그렇게 합니다. 그런 방법은 후속 메모리를 진정으로 보는 데 적합해 보이며 이에 대해 논의해야 합니다. 우리는 단일 메모리 인코딩 이벤트에 관련된 신경 프로세스의 급속한 특성을 감안할 때 관심의 기간 (즉, 30-40 s)이 “짧지 않다”는 검토자의 동의에 동의합니다. 개정된 원고에서는 시간 창을 설명하기 위해 “짧은”이라는 용어를 사용하지 않았습니다. 예를 들어 “짧은 시간 창”과 같은 설명이 “36시간 창”으로 대체되었습니다. 우리는 “순간-순간”이라는 용어가 실제로 분석한 것보다 더 짧은 기간을 의미할 수 있다는 데 동의합니다.
개정된 원고에서 “순간적 순간”이라는 용어의 모든 사용을 제거하고 “일시적 변동”(토론, 첫 번째 단락)과 같은 보다 적절한 용어로 대체했습니다. 둘째, FC 패턴의 동적 변화를 검사하기 위해 fMRI 시간계를 시간 창으로 나누고 동작 데이터(예: 인코딩 성능)를 참조하여 창을 정렬했습니다. 그 결과 FC 패턴을 두 개의 `상태`로 분류했습니다. 그러나 이것이 반드시 두 개의 동적 FC 상태만 있다는 것을 의미하지는 않습니다. 분리 가능한 상태가 두 개 이상있고 그 중 일부만 인코딩 성능과 관련이 있을 수 있습니다. 몇몇 최근 연구 결과는 그밖 접근을 채택했습니다, 먼저 신경 데이터에 근거를 둔 명백한 동적 FC 상태를 확인하고, 행동 측정에 개별 국가를 관련시다 (Calhoun 등, 2014; 샤인 외,, 2016; 왕 외, 2016). 이러한 접근 방식은 동적 네트워크 아키텍처와 메모리 인코딩 간의 관계에 대한 자세한 내용을 제공할 수 있습니다. 한편, 현재 연구에서, 높고 낮은 인코딩 상태의 FC 패턴의 비교는 매우 유사한 패턴을 밝혀. 이는 신경 데이터를 사용하는 고유한 동적 상태를 식별하려는 접근 방식이 데이터에 대해 작동하지 않을 수 있음을 의미합니다. 그러나 행동 데이터를 분류에 대한 참조로 사용하는 접근 방식은 현재 연구에서와 같이 행동 성능이 네트워크 상태의 매우 미묘한 차이와 연관될 때 특히 유용할 수 있습니다.
우리는 이전 원고가 이러한 점에 충분히 명확하지 않은 것으로 동의합니다. 개정된 원고에서는 30~40초의 시간대에서 동적 기능적 연결에 관심을 가지는 이유를 명확히 했습니다. 또한, 우리는 높은 및 낮은 인코딩 상태에서 창 당 HH 예심의 수를보고 (높은: 5.18 ± 1.25 시험, 낮은: 2.59 ± 1.17 시험) 결과에서. 또한 짧은 시간 창(예: 7.2초)과 이러한 설정의 변경에 대해 결과가 견고함을 확인한 분위수(예: 7.2초)로 추가 분석을 수행했습니다(결과, “인코딩 성능에 따른 시간 창 분류”, 첫 번째 단락, 첫 번째 단락 “견고성 검사”, 첫 번째 단락).
Recent Comments