Predykcyjny biomarker neuronalny wydajności pamięci na podstawie aktywności gamma hipokampa i migdałka podczas kodowania
Predictive Neurobiomarker of Memory Performance Based on Hippocampus– Amygdala Gamma Activity During Encoding
W skrócie
[Preprint - wstępne wyniki] Badacze opracowali sposób na przewidywanie, jak dobrze człowiek zapamiętuje informacje, analizując aktywność elektryczeną mózgu zarejestrowaną z hipokampa (struktura odpowiedzialna za pamięć) i migdałka (centrum emocji). Kombinacja dwóch rodzajów pomiarów aktywności mózgu w paśmie fal gamma pozwoliła na bardzo dokładne przewidzenie, które informacje pacjent zapamiętał, a które zapomniał. Wyniki sugerują, że ten nowy biomarker neuronalny może w przyszłości wspomóc systemy rehabilitacyjne, które wykrywają problemy z pamiętaniem i podają pacjentowi natychmiastowe wskazówki do ulepsienia uczenia się.
Oryginalny abstract (angielski)
Abstract This study aimed to develop a predictive neurobiomarker by integrating spectral power and connectivity features derived from intracranial electroencephalography (iEEG) during memory encoding to estimate subsequent memory performance. We analyzed iEEG data from 12 epilepsy patients with electrodes implanted in the hippocampus and amygdala while they performed an item-memory task. Power spectral density (PSD) and coherence (Coh) features were extracted across canonical frequency bands. We evaluated the predictive value of these features individually and in combination (PSD and Coh) for behavioral memory performance using Gaussian process regression models. Time-frequency analysis revealed significant differences between correct and incorrect trials, particularly in the mid-gamma (50–100 Hz) and theta (4–8 Hz) bands. The highest prediction performance was achieved by combining PSD and Coh features from hippocampal and amygdala channels in the mid-gamma band, yielding a high coefficient of determination (R² = 0.8064). These findings highlight the importance of coordinated hippocampus–amygdala activity in memory formation and demonstrate that encoding-related neural signals can reliably predict subsequent memory performance. The proposed neurobiomarker provides a neural basis for the real-time assessment of encoding quality and may support future cognitive rehabilitation systems that detect insufficient encoding and deliver timely feedback to enhance learning efficiency.