Camillo Porcaro
Istituto di Scienze e Tecnologia della cognizione, CNR camillo.porcaro@istc.cnr.it
Maria Teresa Medaglia
Dip. di Filosofia, Università di Roma Tre medaglia.mt@tin.it
Antje S. Meyer
Max Planck Institute for Psycholinguistics a.s.meyer@bham.ac.uk
Andrea Krott
School of Psychology, Birmingham University a.krott@bham.ac.uk
1. Introduzione
Un potente strumento di ricerca nella psicolinguistica è l’elettroencefalografia (EEG) che permette di caratterizzare istante per istante i diversi processi cognitivi. Tuttavia, la ricerca EEG sulla produzione di una parola è stata ostacolata dal fatto che gli artefatti motori potrebbero masche- rare le componenti cognitive di interesse (Brooker e Donald, 1980; Wohlert, 1993). Molti studi che usano i potenziali evocati (ERP) per studiare la piani- ficazione e la produzione di una parola si sono principalmente basati su un indagine silente della parola (cioe’ senza effettivamente pronunciarla). Anche
se questi studi hanno portato a importanti intuizioni, in molti contesti l’utilizzo di protocolli che prevedono la produzione della parola a voce alta sarebbero preferibili. I pochi studi che hanno investigato questo aspetto co- munque si sono focalizzati sui processi che si verificano entro le prime centi- naia di millisecondi del processo di pianificazione della parola, assumendo che questi istanti siano privi di artefatti (Costa et al. 2009; Ganushchak et al. 2011).
Nel presente studio abbiamo investigato per la prima volta le caratteristi- che spazio-temporali dell’attivazione cerebrale durante le fasi precoci e tardi- ve di pianificazione e produzione di una parola dopo aver rimosso gli artefatti motori usando la procedura nominata Independent Component Analysis (I- CA, Hyvarinen et al. 2001).
Il confronto tra i dati originali (dati grezzi) e i dati ripuliti mediante ICA ha messo in evidenza che gli artefatti dovuti alla produzione della parola si verificano molto prima di quanto finora ipotizzato. Inoltre, solo i dati ripuliti hanno mostrato significativi effetti dell'attivazione delle sorgenti cerebrali coerenti con i precedenti risultati ottenuti con risonanza magnetica funzionale (fMRI, Hickok e Poeppel, (2007)) e magnetoencefalografia (MEG, Salmelin et al. 1994).
2. Metodo
Diciotto partecipanti hanno preso parte all’esperimento nel quale si chie- deva di nominare 72 immagini nelle quali venivano sovrapposte delle parole come distrattori. Le parole utilizzate potevano essere semanticamente correla- te (banana (target) - arancia (distrattore)) o non correlate (banana (target) - freccia (distrattore)). Lo stimolo veniva presentato per 400 ms dopo un perio- do di fissazione di 800 ms. Il contenuto dell’immagine doveva essere pro- nunciato ad alta voce quando lo stimolo scompariva dallo schermo in un pe- riodo di 1.8 s (figura 1).
I dati EEG sono stati acquisiti utilizzando un sistema BioSemi a 128 e- lettrodi. L’elettrooculogramma e l’attività elettromiografica (EMG) del lab- bro inferiore sono stati monitorati con derivazioni bipolari. I dati sono stati campionati a 512 Hz e successivamente filtrati con un filtro passa banda (0- 30 Hz).
Figura 1 – Schematizzazione della procedura sperimentale.
3. Analisi Dati
3.1 Independent Component Analysis (ICA)
Una procedura semiautomatica ICA (Barbati et al. 2004) è stata applica- ta ai dati EEG per identificare e classificare gli artefatti di attività non cere- brale come gli artefatti oculari, gli artefatti motori ed il rumore ambientale. I dati grezzi (dati EEG prima dell’ICA) e i dati ripuliti (dati EEG dopo l’ICA) sono stati segmentati off-line in epoche di durata pari a 2200 ms con un peri- odo di baseline di 500 ms (figura 2). Da notare che l’ICA è un metodo stati- stico non completamente esente da errori quindi deve essere usato da esperti nel campo in modo da limitare al massimo i margini di errore del metodo. In- fine, i dati grezzi e i dati ripuliti sono stati sottoposti a localizzazione median- te l’algoritmo sLORETA (Pascual-Marqui, 2002).
3.2 Identificazione dei Cluster
Come markers per l’identificazione dei clusters abbiamo utilizzato: la Ri- sposta Evocata (ER), le distribuzioni topografiche e le localizzazioni delle singole componenti. In base a questi indici abbiamo identificato 5 clusters (figura 2): cluster1 - Risposta Evocata (ER) dei dati ripuliti (cioè senza le IC di artefatto); cluster 2 - ER degli artefatti dovuti all’articolazione della man- dibola; cluster 3 - ER del rumore ambientale; cluster 4 - ER degli artefatti o- culari (Blinking) e Cluster 5 - ER degli artefatti oculari (movimenti oculari orizzontali).
Figura 2 – Rappresentazione dei 5 clusters identificati.
4. Risultati
4.1 Confronto tra l’EMG del labbro e l’artefatto motorio
Abbiamo confrontato la risposta evocata dell’EMG del labbro e la com- ponente di artefatto da movimento (cluster 2). Da questo confronto è emerso che i maggiori artefatti si hanno dopo i 400 ms (figura 3). Ma un ulteriore ar- tefatto si verifica a 160 ms. Questo effetto probabilmente è dovuto al fatto
che i partecipanti muovevano le labbra come una risposta alla presentazione dell'immagine, in modo da essere pronti per parlare (Correlazione R=0.98; p<0.001).
4.2 Confronto tra le attivazioni cerebrali dei dati grezzi e dei dati ripuliti La figura 4 mostra la sequenza delle attivazioni tra i dati EEG originali (sinistra) e i dati ripuliti (destra). I dati originali mostrano solo l'attivazione delle aree occipito-temporali, mentre i dati ripuliti mostrano un coinvolgi- mento di una rete più complessa che coinvolge le aree occipito-temporo- frontali. Le aree bilaterali occipito-temporali (BA 18, 19, 20, 37) sono state attivate dai 100 ai 290 ms dopo la presentazione dello stimolo, mentre una predominante lateralizzazione sinistra (temporo-frontale) è stata attivata a partire da 360 ms. In particolare, l’area di Wernicke (BA 22) viene attivata da 360 ms e a 540 ms, mentre l’area di Broca (BA 45) viene attivata a 360 ms e a 660 ms. L’attivazione a 540 ms coinvolge anche altre aree frontali sinistre come la BA 10, 11e 46. Infine la localizzazione a 660 ms include il giro pre- centrale (BA 4 e 6) legato alla pianificazione ed esecuzione del movimento.
Figura 3 - Confronto tra l’EMG e il Cluster 2. L’ER dell’EMG del labbro (linea blu: Lip EMG) e l’artefatto motorio (linea rossa: Speech Art).
4.3 Effetti dei distrattori semantici
L'analisi degli effetti dei distrattori semantici ha mostrato che i tempi medi di reazione sono più veloci per i distrattori semanticamente non correla- ti da quelli correlati (844 ms vs 865 ms, t (17) = 4.3, p <.001). Inoltre, gli er- rori medi non differiscono significativamente per i due tipi di distrattori (cor- relati: 1,4% e non correlati: 1,1%).
Figura 4 - Dinamica di attivazione cerebrale dei dati originali (a sinistra) e ripuliti (a destra) utilizzando l’algoritmo sLORETA. LH - Emisfero Sinistro; RH – Emisfero destro.
La figura 5 mostra le differenze ER sui 128 elettrodi tra le due condizioni sia per i dati originali che per i dati ripuliti. In particolare sono stati conside- rati i picchi intorno a 290 ms, 470 ms, 540 ms, 660 ms. L’ER medio per i
quattro quadranti (frontale anteriore destro e sinistro, e posteriore destro e si- nistro) sono mostrati nella figura 6.
Figura 5 – Analisi singolo canale ER tra le differenze di ampiezza delle condizioni: distrattori semanticamente correlati e non correlati. Pannello infe- riore - rappresentazione 2D (asse x: rappresentazione del tempo in millise- condi, asse y: rappresentazione dei 128 canali) delle differenze tra le due condizioni. Pannello superiore - rappresentazione topografica delle differenze a 290, 470, 540 e 660 ms.
La figura 7 mostra le attivazioni dei dati ripuliti intorno ai picchi sopra menzionati. La maggiore differenza si ha a circa 470 ms dove le aree tempo- rali si attivano solo nel caso della condizione distrattore semanticamente cor- relato.
5. Conclusione
I risultati riportati in questo lavoro mostrano l'utilità dell’ICA come strumento per la rimozione degli artefatti motori e come questa analisi sia consigliabile per una corretta interpretazione dei risultati. Lo sforzo, inoltre, compiuto nel ripulire i dati EEG ha mostrato che gli effetti di interferenza semantica sono emersi molto più chiaramente nei dati ripuliti che nei dati non ripuliti mediante ICA. La ripulitura dei dati ha inoltre permesso di investigare l’attivazione cerebrale in latenze successive a quelle normalmente studiate ossia dopo 400 ms. L’uso dell’ICA ha inoltre permesso di studiare le caratte- ristiche spazio-temporali dell’attivazione cerebrale durante le fasi precoci e tardive di pianificazione e produzione di una parola.
Figura 6 - Confronto dell’ER dei distrattori semanticamente correlati (linea blu) e non correlati (linea rossa) nei quadranti anteriore destro e sinistro, e posteriore destro e sinistro. I dati rappresentati indicano la media degli elet- trodi nei quattro quadranti. Le aree verticali ombreggiate indicano differenze statisticamente significative (p<0.05 corretti per comparazioni multiple).
Figura 7 - Confronto delle dinamiche di attivazione cerebrale tra distrattori semanticamente correlati (sinistra) e non correlati (destra) utilizzando l’algoritmo sLORETA.
Bibliografia
Barbati, G., Porcaro, C., Zappasodi, F., Rossini, P.M., Tecchio, F. (2004). Optimiza- tion of an independent component analysis approach for artifact identification and removal in magnetoencephalographic signals. Clin Neurophysiol, 115, 1220-32. Brooker, B. H., & Donald, M. W. (1980). Contribution of the speech musculature to
apparent human EEG asymmetries prior to vocalization. Brain and Language, 9, 226-245.
Costa, A., Strijkers, K., Martin, C., & Thierry, G. (2009). The time course of word re- trieval revealed by event-related brain potentials during overt speech. Proceedings of the National Academy of Sciences of the United States of America, 106, 21442- 21446.
Hickok G, Poeppel D. (2007) The cortical organization of speech processing. Nat Rev Neurosci. 8,393-402.
Hyvarinen A, Karhunen J, Oja E. (2001) Independent component analysis. New York: Wiley.
Pascual-Marqui, R. D. (2002). Standardized low-resolution brain electromagnetic to- mography (sLORETA): technical details. Methods and Findings in Experimental & Clinical Pharmacology, 24D, 5-12.
Salmelin R, Hari R, Lounasmaa OV, Sams M. (1994) Dynamics of brain activation during picture naming. Nature. 368, 463-5.
Strijkers, K., Holcomb, P. J., & Costa, A. (2011). Conscious intention to speak proac- tively facilitates lexical access during overt object naming. Journal Of Memory And Language, 65, 345-362.
Wohlert, A. B. (1993). Event-Related Brain Potentials Preceding Speech and Nonspeech Oral Movements of Varying Complexity. Journal of Speech and Hear- ing Research, 36, 897-905.