El entrenamiento de la memoria de trabajo en la niñez mejora el acoplamiento entre

la Red de Control frontoparietal y regiones de tareas-relacionadas.

La memoria de trabajo es una capacidad de la que dependen muchas tareas cotidianas y que
restringe el progreso educativo del niño. Demostramos que la memoria de trabajo de un niño puede
ser significativamente mejorada mediante un entrenamiento intensivo basado en computadoras, en
relación con una intervención de control de placebo, tanto en las evaluaciones estandarizadas de
la memoria de trabajo como en el desempeño en una tarea de memoria de trabajo realizada en un
escáner de magnetoencefalografía. Neurofisiológicamente, hemos identificado un aumento de
acoplamiento de amplitud de fase en los niños que completaron el entrenamiento. Tras el
entrenamiento, el acoplamiento entre el ritmo alfa superior (a 16 Hz), registrado en la corteza
frontal y parietal superior, se asoció significativamente con una alta actividad gamma (a 90 Hz) en
la corteza temporal inferior. Esta actividad alterada de la red neuronal asociada con la mejora de
la capacidad cognitiva es coherente con un marco en el que los ritmos corticales más lentos
permiten la regulación dinámica de la actividad oscilatoria de mayor frecuencia relacionada con
los procesos cognitivos relacionados con las tareas.

Key words: cognitive training; development; developmental disorders; MEG; oscillations;

working memory

Declaración de significación

Si podemos mejorar las habilidades cognitivas a través de la capacitación intensiva es uno

de los temas más controvertidos de la psicología cognitiva en los últimos años. Esto es
particularmente controvertido en la infancia, donde aspectos de la cognición, como la
memoria de trabajo, están estrechamente relacionados con el éxito escolar y están
implicados en numerosos trastornos del desarrollo. Proporcionamos el primer relato
neurofisiológico de cómo el entrenamiento de memoria de trabajo puede mejorar la
capacidad en la infancia, utilizando una técnica de grabación cerebral llamada
magnetoencefalografía. Tomamos prestado un enfoque de análisis previamente utilizado
con grabaciones intracraneales en adultos, o más típicamente en otros modelos animales,
llamado "acoplamiento de amplitud de fase".

Introducción
Muchas actividades cotidianas dependen de nuestra capacidad de tener en cuenta y
manipular pequeñas cantidades de información por breves períodos.

Esta habilidad, "memoria de trabajo", es severamente probada a medida que los niños
progresan a través de años de educación intensiva (Gathercole et al., 2004) y las malas
habilidades de memoria de trabajo son altamente predictivas del mal desempeño educativo
y del trastorno neurodesarrollo. Estudios recientes demuestran que en la infancia (8-11
años de edad), la memoria de trabajo puede ser entrenada, con beneficios transferidos a
pruebas de memoria de trabajo estructuradas de forma similar pero no entrenadas (por
ejemplo, Holmes et al., 2009).

En contraste con la riqueza de la evidencia conductual, los estudios que examinan el

impacto del entrenamiento en la neurofisiología son raros, especialmente en la infancia.
Poco se sabe sobre los mecanismos cerebrales por los cuales el entrenamiento podría
mejorar la memoria de trabajo. El propósito de este estudio es corregir esto. Nos centramos
en los niños en la niñez media porque las diferencias de memoria de trabajo aquí están
estrechamente asociadas con el rendimiento académico (Gathercole et al., 2004), y existen
fuertes evidencias de ganancias de entrenamiento a esta edad (Holmes et al., 2009).

Previamente, exploramos las fluctuaciones espontáneas en MEG de reposo después del

entrenamiento de memoria de trabajo (Astle et al., 2015). Después de la capacitación, hubo
una mayor coordinación de la actividad cerebral oscilatoria entre una red frontoparietal
dorsal bilateral (incorporando campos oculares frontales y corteza parietal superior) y un
área en la corteza temporal inferior. Esta red frontoparietal ha estado implicada
previamente en el control de la atención (Gregoriou et al., 2009) y en la memoria de trabajo
visual (Kuo et al., 2011). Una interpretación de este resultado es que activar repetidamente
la red de control a lo largo de 20 sesiones de entrenamiento altera su acoplamiento con
áreas relacionadas con la tarea, siendo estos cambios suficientemente robustos para ser
detectados en reposo. Otra implicación es que los cambios inducidos por el entrenamiento
son de beneficio funcional durante el desempeño de tareas cognitivas relevantes. Sin
embargo, este análisis de estado de reposo establece áreas candidatas pero no aborda estas
preguntas clave sobre el propósito funcional de esta conectividad alterada. Estas preguntas
se abordan en el estudio actual.

Una posible consecuencia de la conectividad mejorada es la regulación top-down más

eficaz de la actividad sensorial a ser codificada y mantenida en la memoria de trabajo. Se
cree que la actividad neuronal dinámica en áreas del lóbulo frontal y parietal está implicada
en la codificación de información crítica de tareas (Desimone y Duncan, 1995; Duncan y
Owen, 2000). Las conexiones de largo alcance permiten a estas áreas cerebrales organizar
el procesamiento sensorial en curso de una manera dirigida a un objetivo. Las
investigaciones previas en adultos humanos (por ejemplo, Voytek et al., 2010), primates
no humanos (por ejemplo, Haegens et al., 2011) y roedores (por ejemplo, Axmacher et al.,
2010) proporcionan un marco neurofisiológico mediante el cual esta integración funcional
puede ocurrir. Las oscilaciones lentas, putativamente expresadas en redes funcionales de
largo alcance, modulan la excitabilidad de los conjuntos neuronales locales (Jensen y
Colgin, 2007; Jensen et al., 2012), y la actividad de alta frecuencia reflejada por estos
procesos locales puede posteriormente acoplarse a El ritmo más lento (Canolty et al.,
2006). Este mecanismo, el acoplamiento de amplitud de fase de frecuencia cruzada,
proporciona una base por la cual las demandas atencionales, incluyendo la localización
espacial (Sauseng et al., 2008), el tiempo (Lakatos et al., 2005; Cravo et al. Cohen et al.,
2009, Siegel et al., 2009), pueden influir en procesos sensoriales, cognitivos o motores en
curso.

El propósito del presente estudio fue comprender mejor los cambios neurofisiológicos que
acompañan las mejoras después del entrenamiento de la memoria de trabajo, utilizando
MEG. Queríamos probar este relato del acoplamiento neuronal previamente propuesto en
la literatura de control atencional. Los datos fueron adquiridos como parte de un estudio
doble ciego aleatorizado controlado con placebo de la memoria de trabajo de formación.
Además de la adquisición de datos de estado de reposo, los participantes realizaron una
tarea de memoria de trabajo en el escáner MEG antes y después del entrenamiento. Para
evaluar los cambios relacionados con el entrenamiento en la actividad relacionada con las
tareas, se utilizó la red previamente demostrada para cambiar después del entrenamiento
en estos mismos niños en reposo (como se informó por Astle et al., 2015) como punto de
partida inicial para los análisis de acoplamiento. Sin embargo, en vista del limitado análisis
del acoplamiento neurofisiológico en la infancia hasta la fecha, posteriormente aplicamos
varios enfoques anatómicos (región de interés, basada en la red y todo el cerebro) y
métodos estadísticos alternativos a nuestros datos para asegurar resultados robustos y
convergentes.

Materiales y Metodos
Participantes. El protocolo del estudio fue aprobado por el Comité de Ética de Investigación de
Psicología de la Universidad de Cambridge. Treinta y tres niños de 8 a 11 años de edad (media de
119,2 meses, SD 11,3 meses y 12 hombres) fueron reclutados a través de escuelas locales (ver
también Astle et al., 2015). Los padres proporcionaron su consentimiento informado por escrito.
Los niños fueron asignados al azar al grupo de Adaptive o Placebo. Los padres fueron informados
de la existencia de una manipulación experimental intergrupal, pero no se les informó de la
naturaleza de la misma. Los niños y los padres eran ciegos a la asignación de grupo. Estos números
fueron reclutados sobre la base de un estudio de comportamiento anterior (Holmes et al., 2009),
que utilizó el mismo programa de entrenamiento y conjunto de evaluaciones. Con los tamaños de
efecto reportados en este estudio anterior, efectos de entrenamiento significativos en la memoria
de trabajo verbal deben ser evidentes con sólo 7 niños, y efectos de memoria de trabajo espacial
con 12 niños. Seis niños no completaron el entrenamiento y no regresaron para la segunda sesión,
por lo que se realizó un análisis posterior de los conjuntos de datos de los 27 niños restantes, 14
de los cuales habían sido asignados al grupo placebo y 13 al grupo Adaptativo. El grupo Adaptativo
incluyó a 3 niños, y los niños de este grupo tenían una edad media de 119,5 meses (SD 9,8 meses).
El grupo placebo incluyó a 7 niños y los niños de este grupo tenían una edad media de 118,8 meses
(SD 10,8 meses). Un cálculo de potencia post hoc, utilizando los tamaños de efecto de Holmes et
al. (2009) reveló que el estudio estaba bien potenciado para detectar efectos de entrenamiento
significativos tanto en la memoria de trabajo verbal (0.99) como en la espacial (0.95). No hubo
diferencias significativas en la edad entre los dos grupos (t (25) 0,182, p 0,857), el equilibrio de
género no difirió significativamente entre los grupos (2 2,095, p 0,148), y los dos grupos tuvieron
puntuaciones de CI equivalentes (como Evaluado utilizando escalas de vocabulario y de
razonamiento de matriz de Wechsler Escala abreviada de inteligencia t (25) 0,226, p 0,822).
Entrenamiento cognitivo. Ambos grupos realizaron el entrenamiento en casa, y el progreso de cada
niño fue supervisado remotamente en línea por el equipo de investigación. Los niños realizaron un
mínimo de 20 sesiones, con un límite superior de 25 sesiones, durante 4 a 6 semanas. Cada sesión
de entrenamiento comprendía 8 tareas (de un banco de 12 posibles tareas). Todas estas tareas tienen
en común el requisito de mantener piezas de información en orden serial y proporcionar un informe
completo de esa secuencia. En algunas tareas, se trataba de información espacial (por ejemplo,
ubicaciones que parpadeaban en una cuadrícula) y en otras información verbal (por ejemplo,
dígitos que aparecen en formato visual o auditivo). En algunos casos, la retención del orden serial
estaba aislada, y en otros casos en combinación con algún procesamiento simultáneo (por ejemplo,
recordando lugares iluminados en un disco que sigue girando) (para obtener detalles completos de
estas tareas, consulte www.cogmed. Com / RM). En cada sesión, los niños realizaron 15 ensayos
de cada tarea (una duración total de 30-45 minutos por sesión). Los niños del grupo Adaptación
recibieron una versión disponible en el comercio de este programa, ajustándose la dificultad de la
tarea sobre una base experimental, de tal manera que los niños siempre estaban trabajando en los
límites de su capacidad actual. Para todos los juegos, la dificultad fue aumentada en la condición
adaptativa aumentando la longitud del tramo. Los niños asignados al grupo de placebo
completaron un programa de entrenamiento idéntico, excepto por el hecho de que las tareas tenían
un nivel de alcance limitado a 2 artículos en todos los ensayos (véase también Holmes et al., 2009;
Dunning et al., 2013; Al., 2015).

Para el grupo Adaptativo, el programa de entrenamiento proporciona un "índice de entrenamiento".

Esta es la diferencia entre el nivel máximo alcanzado, menos el logrado en la sesión 3 del
entrenamiento. En este estudio, el índice de entrenamiento promedio fue de 21, lo cual está en
línea con otros estudios que han usado este programa de entrenamiento (por ejemplo, Holmes et
al., 2009). También comparamos el índice de entrenamiento entre los niños de acuerdo al número
de sesiones de entrenamiento completadas. Hay poca variabilidad en el número de sesiones
completadas: 7 niños completaron 20 sesiones, 2 completaron 21 sesiones, 1 completaron 22
sesiones, 2 completaron 23 sesiones y 1 completaron 24 sesiones. Utilizando un análisis de
regresión lineal, probamos si el número de sesiones modulaba el índice de entrenamiento. No hubo
impacto significativo del número de sesión en el índice de entrenamiento (estandarizado beta
0.254, t 0.870, p 0.403).

Evaluaciones cognitivas estandarizadas. Se realizaron evaluaciones estandarizadas de la capacidad

de memoria a corto plazo y de trabajo antes y después del entrenamiento utilizando la Evaluación
Automatizada de Memoria de Trabajo (Alloway et al., 2008), como una forma de probar si las
actividades de entrenamiento habían impactado en habilidades de memoria de trabajo no
entrenadas. Al igual que los juegos en el programa de entrenamiento, estas evaluaciones requieren
la retención de la información del artículo en orden de serie, y el informe completo de esa
información al final de cada ensayo. Utilizamos las medidas verbales y espaciales de la memoria
de corto plazo y de trabajo de esta batería (subtítulos de Diagrama de Diagramas de Diagrama,
Diagrama de Diagramas de Diagramas, Matrices de Puntos y Espacios Espaciales). Para un niño,
sólo teníamos puntuaciones en el dominio espacial. Las evaluaciones en ambos puntos de tiempo
fueron realizadas por un miembro del equipo de investigación que estaba ciego a la asignación de
grupo. Para caracterizar nuestra muestra, hemos convertido el rendimiento en edad-independiente
de las puntuaciones estandarizadas. No hubo diferencias de pre-entrenamiento entre los grupos.
Memoria verbal de corto plazo: Adaptive 116 (SD 19) versus Placebo 118 (SD 16) (t (24) 0.397,
p 0.695). Memoria de trabajo verbal: Adaptive 106 (SD 21) versus Placebo 111 (SD 13) (t (24)
0,645, p 0,525). Memoria espacial de corto plazo: adaptativo 109 (SD 15) versus Placebo 107 (SD
14) (t (25) 0,335, p 0,741). Memoria de trabajo espacial: Adaptativa 116 (SD 14) versus Placebo
115 (SD 11) (t (25) 0,139, p 0,891).

Se analizaron por separado los datos de los 6 niños que no completaron el entrenamiento. Estos
niños tendieron a tener puntuaciones más bajas en las evaluaciones de pre-entrenamiento, en
relación a los niños que completaron el entrenamiento: memoria de corto plazo (105, t (29) 1.659,
p 0.108), memoria espacial de corto plazo (86, t (30 ), Memoria de trabajo verbal (93, t (29) 2.123,
p 0.042), y memoria de trabajo espacial (99, t (30) 2.880, p 0.007).

Diseño de tareas en escáner. Los datos MEG relacionados con la memoria de trabajo se recopilaron
antes y después de la intervención de entrenamiento. Utilizamos una tarea de recuperación probada
en el escáner; Como las evaluaciones estandarizadas, esto no fue incluido en el régimen de
entrenamiento. La tarea requería que los niños recordaran las ubicaciones espaciales de los
objetivos presentados en orden de serie. Un ejemplo de secuencia de ensayo se puede ver en la
Figura 1A. La tarea se administró en dos series de 20 minutos cada una, separadas por una rotura.
Se utilizó una tarea de recuperación probada en lugar de un informe completo debido a las
restricciones impuestas por el escáner; No era posible que los niños utilizasen una pantalla táctil o
un ratón de computadora en el escáner. El diseño de recordatorio probado nos permitió retener el
requisito de que los niños recordaran la secuencia completa de ubicaciones en orden de serie, pero
sin necesidad de informe completo. No hubo diferencias de rendimiento, en términos de precisión,
en esta tarea entre los grupos antes del entrenamiento (t (25) 0.288, p 0.776).

En cada ensayo de esta tarea, se mostró a los niños una secuencia de 5 cuadrículas (cada una
comprendida de una serie de 4 4 de células), con cuadrículas presentadas durante 300 ms cada una
y separadas 700 ms entre sí. Cuatro de las rejillas contenían un punto objetivo, y la tarea requería
que los sujetos recordaran la posición de estos objetos en el orden en que aparecían. Además, cada
cuadrícula también podría contener dos puntos de distracción en otras posiciones. Después de un
retardo de 1100 -1480 ms después de la quinta cuadrícula, apareció una cuadrícula final que
contenía un "?" En una de las 4 posiciones objetivo. Se pidió a los participantes que indicaran cuál
de las 4 cuadrículas había contenido un punto objetivo en esa posición probada, usando una caja
de botones. Se animó a los niños a tomar su tiempo pero para tratar de responder con la mayor
precisión posible. Como consecuencia, es probable que los datos de exactitud sean los más
informativos.

Cada rejilla cubría 3.08 ° 3.08 °, y los objetos y distracters se extendieron 0.53 ° en diámetro. Los
blancos fueron hechos de un fondo rojo (R: 255, G: 0, B: 0) con un anillo azul (R: 0, G: 0, B: 255).
Los distracters también se definieron en el espacio RGB, con un fondo amarillo y un anillo cian.
En la mitad de los ensayos, se definieron como sigue: R: 255, G: 77, B: 0 y R: 0, G: 77, B: 255,
respectivamente. En la otra mitad de los ensayos, estos se definieron como sigue: R: 255, G: 179,
B: 0 y R: 0, G: 77, B: 255, respectivamente. Manejamos el matiz de los distracters para ver si esto
interactuaría con la manipulación del entrenamiento (ver también Shimi y Astle, 2013, Shimi et
al., 2015).

Los datos MEG se registraron a lo largo de esta tarea. A continuación se describen los pasos
básicos de adquisición de datos y de preprocesamiento, un análisis inicial, antes de proceder al
análisis de acoplamiento de fase. Antes de iniciar el análisis de amplitud de fase, primero
queríamos establecer que, durante el desempeño de las tareas, existe un proceso de oscilación
permanente, a las mismas frecuencias y en la misma red que estaban implicados en el resultado de
reposo original (reportado por Astle et al., 2015).

Trial esquemático y datos de comportamiento. A, Ejemplo de la tarea en el escáner. Los niños

deben recordar la ubicación y el orden de los cuatro objetos de color rojo. Cualquier elemento
distracter distindo a rojo debe ser ignorado. Al final del ensayo, una sola ubicación en la matriz es
sondada, y los niños están obligados a informar la posición secuencial de la meta presentada en
ese lugar. B, Las puntuaciones compuestas de la memoria de trabajo estandarizada por edad, para
ambos grupos de niños, antes y después del entrenamiento. Estas puntuaciones se colapsan en las
cuatro subpruebas utilizadas en la Evaluación de Memoria de Trabajo Automatizada. Las barras
de error indican SEM. C, Promedio de rendimiento correcto en nuestra tarea en escáner, para
ambos grupos, antes y después del entrenamiento. Las barras de error indican SEM.

Adquisición de datos MEG y preprocesamiento básico. Los datos de MEG fueron adquiridos con
un sistema VectorView MEG de alta densidad (ElektaNeuromag), que contiene un magnetómetro
y 2 gradiómetros planares ortogonales en 102 posiciones (306 sensores en total), alojados en una
habitación blindada magnéticamente. Los datos se muestrearon a 1 kHz, y las señales de menos de
0,01 Hz no se registraron. Se utilizó un digitalizador 3D (Fastrack Polhemus) para registrar las
posiciones de 5 bobinas indicadoras de la posición de la cabeza y de 50 a 100 puntos adicionales
uniformemente distribuidos sobre el cuero cabelludo, todos relacionados con el nasion y los puntos
preauriculares izquierdo y derecho. También se adjunta un electrodo a cada muñeca para medir el
pulso, y los electrodos bipolares para obtener electro-oculogramas horizontales y verticales. La
posición de la cabeza se monitorizó a lo largo de la recodificación usando las bobinas de indicador
de posición de la cabeza. Los niños especialmente pequeños se sentaron en un asiento de refuerzo
para asegurarse de que su cabeza se colocó óptimamente dentro del casco del escáner.

El ruido externo se eliminó de los datos MEG utilizando el método de separación señal-espacio, y
los ajustes en la posición de la cabeza dentro de la grabación se compensaron utilizando el software
MaxMove, ambos implementados en MaxFilter versión 2.1 (Elekta Neuromag). Los datos
continuos se inspeccionaron visualmente, y se eliminaron todas las secciones cortas con saltos de
señal grandes. A continuación, se utilizó un Análisis de Componentes Independientes del Tiempo
(ICA) del sensor-espacio para eliminar artefactos derivados de parpadeos, sacadas y artefactos
cardíacos relacionados con el pulso usando una combinación de métricas e inspección manual. La
ICA temporal se realizó por separado para cada sujeto usando fastICA en los datos del espacio de
los sensores y, a continuación, el curso del tiempo de cada IC se correlacionó con el curso del
tiempo de los electro-oculogramas verticales, electro-oculogramas horizontales y canales
cardíacos, respectivamente. Los componentes con un valor de correlación de Pearson 0,1 con
cualquiera de los canales de artefacto fueron posteriormente eliminados de los datos. También se
eliminaron los componentes dominados por el ruido de 50 Hz. Los datos se epoched en epocs de
superposición que van desde 400 a 1000 ms con respecto al inicio de cada objeto en la secuencia.
Estes epocs largos y solapados significaron que podríamos centrarnos más adelante en un período
más corto (0 - 600 ms relativo al comienzo de cada artículo de la blanco) sin incurrir en efectos de
borde en la descomposición del tiempo-frecuencia. Los datos se comprobaron a mano para los
ensayos restantes que probablemente estaban contaminados por artefactos. El resultado final fue
que, para cada niño, tuvimos un promedio de 647 pre-entrenamiento y 752 epocs posteriores a la
capacitación para el grupo adaptativo, y 689 pre-entrenamiento y 727 épocas post-entrenamiento
para el grupo placebo (no hubo diferencias significativas entre los grupos en Términos de los
números de ensayo, p valores 0,19).

El análisis de red de 13-20 Hz. Un análisis de estado de reposo (reportado por Astle et al., 2015),
utilizando un conjunto de redes definidas usando un análisis independiente de componentes en los
datos de fMRI (Smith et al., 2012), identificó una red como particularmente susceptible a la
memoria de trabajo de formación Efectos. Esta red incorporó la corteza parietal izquierda y
derecha superior (coordenadas MNI, izquierda: 24, 60, 56 y derecha: 24, 64, 56, respectivamente)
y los campos del ojo frontal bilateral (coordenadas MNI, izquierda: 28, 6, 56 , Y derecha: 28, 2,
56, respectivamente). En los datos de estado de reposo (Astle et al., 2015), se demostró que había
un fuerte proceso oscilatorio en curso a 13-20 Hz en esta red. Antes de utilizar la misma red en el
análisis de acoplamiento de amplitud de fase, queríamos probar si esto también era cierto en los
datos relacionados con la tarea.
Para ello, se realizó un análisis idéntico al utilizado en los datos de estado de reposo (informado
por Astle et al., 2015). Para 23 de los niños, el coreGuested los datos de MEG a la T1 de los niños
ponderado estructural imagen de resonancia magnética adquirida utilizando un 3T Siemens Tim
Trio y una secuencia MPRAGE. Para los niños restantes que no se sometieron a una resonancia
magnética, se utilizó una norma MNI plantilla para coregistration (como en Barnes et al., 2016).
Para esta coregistration, utilizamos las localizaciones digitalizadas del cuero cabelludo y los
fiducials, vía un algoritmo iterativo del punto más cercano usando SPM8 (http:
//www.fil.ion.ucl.ac.uk/spm/). El modelo directo se estimó utilizando un único modelo de concha
homogénea de la forma de la cabeza de cada sujeto (Mosher et al., 1999). Esto también se calculó
utilizando SPM8. Los datos se filtraron en banda filtrada para capturar la actividad en la banda de
13-20 Hz. A continuación, aplicamos un beamformer de varianza mínima con limitación lineal
(Van Veen et al., 1997). El beamformer combinó la información tanto de los magnetómetros como
de los gradiómetros planares, teniendo en cuenta la reducida dimensionalidad de los datos
introducidos por el algoritmo de separación señal-espacio (Woolrich et al., 2011). Este enfoque se
utilizó para producir una reconstrucción de la fuente del cerebro entero, utilizando una rejilla de
dipolo de 6 mm.

Los datos fueron concatenados temporalmente y las envolventes de amplitud oscilatoria de las
series temporales reconstruidas se calcularon mediante el cálculo del valor absoluto de la señal
analítica, que se encontró utilizando una transformada de Hilbert. Esto produjo una estimación de
la amplitud de la señal instantánea en cada voxel. Las series de tiempo de envolvente para cada
voxel fueron filtradas paso bajo dividiendo cada curso de tiempo de envolvente en ventanas de 0,8
s y promediando dentro de esas ventanas para enfocarse en las fluctuaciones de energía de baja
frecuencia que anteriormente se ha demostrado que demuestran conectividad funcional en datos
MEG (Brookes Et al., 2011).

Hemos presentado nuestra fuente-proyectado temporalmente concatenados downsampled sobre

los datos a una ICA temporal. Esta ICA reduce los 8417 cursos de tiempo específicos de ubicación
a un conjunto de 25 componentes subyacentes que tienen fluctuaciones de energía temporalmente
distintas en el rango de 13-20 Hz. Es importante destacar que la ICA es ciega a las ubicaciones
espaciales de esas grabaciones originales. Los cursos de tiempo de componentes resultantes
podrían correlacionarse entonces con los cursos de tiempo de envolvente específicos de ubicación
originales para producir mapas espaciales de los componentes subyacentes. Este es el mismo
enfoque utilizado por Brookes et al. (2011) para estudiar las redes de estado de reposo utilizando
datos oscilatorios, e idéntico al utilizado por Astle et al. (2015).

A pesar de no proporcionar la ICA temporal con cualquier información espacial, queríamos probar
si uno de los componentes tendría una distribución de actividad altamente superpuestas con la red
de fMRI utilizado en el análisis de estado de reposo previamente informado (Astle et al., 2015) Y
que posteriormente utilizaríamos en el análisis de acoplamiento de amplitud de fase. Para calcular
el grado de superposición espacial entre los mapas producidos por el procedimiento ICA y la red
fMRI se utilizaron correlaciones cruzadas espaciales (tal como se implementaron en fslcc)
(Woolrich et al., 2009). Se seleccionó el mapa de componentes con el valor de correlación cruzada
más fuerte. Este enfoque también nos permitió probar la superposición espacial entre este
componente y un componente equivalente derivado de los datos de estado de reposo utilizando el
mismo procedimiento.
Reconstrucción de la fuente MEG para acoplamiento de amplitud de fase. Antes de la
beamforming, los datos se filtraron en banda filtrada para capturar frecuencias entre 3 y 100 Hz.
Como punto de partida, para cada sujeto, hemos extraído la actividad del espacio fuente de los
dipolos (utilizando una cuadrícula de 6 mm) dentro de nuestra red de interés y región de interés
(véase Astle et al., 2015). Para la única región temporal inferior, se concatenaron todos los ensayos
para cada asignatura, se sometieron los cursos individuales de tiempo de dipolo a una PCA
temporal, y luego se usaron los pesos de la primera PC para combinar los cursos de tiempo
individuales para hacer un curso de tiempo de región única para cada tema. Esto fue dividido de
nuevo en los epocs individuales para los análisis posteriores. Para la red de interés, inicialmente
promediado a través de los dipolos dentro de la red para producir el tiempo de la red curso: un
PCA potencialmente habría sesgado el tiempo hacia una determinada ubicación. Sin embargo, en
un análisis posterior, hemos utilizado los dipolos individuales dentro de la red, para especificar
qué áreas específicas dentro de la red frontoparietal mostrar más fuertemente cualquier efecto de
acoplamiento. Todas las reconstrucciones de fuente se realizaron usando un beamformer de
varianza mínima con limitación lineal (Van Veen et al., 1997), como se describió anteriormente.

Descomposición tiempo-frecuencia. Utilizamos una Transformación de Onda Morlet continua,

con tres ciclos completos de cada frecuencia, para descomponer la señal en distintos intervalos de
tiempo-frecuencia. Se extrajeron los valores de fase y amplitud entre 3 Hz y 100 Hz en pasos de 1
Hz. Esto se hizo para el curso del tiempo de red, y para el de la región temporal inferior, para cada
sujeto. Una vez que teníamos la frecuencia específica de la fase y los valores de amplitud de estas
dos señales, podríamos explorar la medida en que fueron acoplados.

Acoplamiento de amplitud de fase de región cruzada. Estimamos el grado de acoplamiento de

frecuencias cruzadas utilizando correlaciones lineales-circulares (Berens, 2009). Estos fueron
realizados por separado para cada niño, colapsando a través de los ensayos y el tiempo dentro de
cada ensayo, antes y después del entrenamiento, para 3-20 Hz para la fase y 30-100 Hz para la
amplitud. Estos valores de acoplamiento se convirtieron a puntuaciones z, utilizando una
transformada de Fisher r-z normalizada, antes de un análisis de regresión lineal. El resultado fue
que, para cada niño, antes y después del entrenamiento, teníamos estimaciones de acoplamiento
de amplitud de fase a través de nuestra gama de frecuencias. Estos valores se sometieron entonces
a un análisis de regresión lineal.

Análisis de regresión lineal. Para determinar si el entrenamiento de la memoria de trabajo tuvo

alguna influencia sobre el grado de acoplamiento de frecuencias cruzadas, se realizó una regresión
lineal. La regresión lineal incluyó un regresor que representa la interacción entre el grupo
(adaptable versus placebo) y el tiempo (pretraining vs post-training). Esto produjo un nuevo
conjunto de datos en el que se pudo determinar el efecto de la memoria de trabajo de formación
sobre el grado de acoplamiento a través del espectro completo de frecuencias incluidas en el
análisis. Para facilitar la interpretación y para simplificar la posterior corrección de comparaciones
múltiples, las salidas del paso de regresión lineal se expresaron como valores de t normalizados
(como en Barnes et al., 2016). Hemos probado la importancia mediante un procedimiento de
permutación basado en un clúster que corregido para las comparaciones múltiples.

Corrección de comparaciones múltiples. Primero se limita el resultado de nuestro análisis de

regresión lineal en t 2,3, que se aproxima a un nivel de significación no corregido de p 0,05. Se
identificaron los grupos de comparaciones consecutivas (a través de fase consecutiva o amplitud
valores) y calculó el tamaño de estos grupos: es decir, el número de muestras consecutivas que
superan este arbitrario agrupación umbral. A continuación, adoptó un procedimiento de
permutación para construir una distribución nula del tamaño de los clústeres que se espera por
casualidad. Para ello, se realizó un análisis idéntico al descrito anteriormente, excepto para el paso
final. En lugar de utilizar el regresor real de tiempo (pre vs post) y el grupo (Adaptive vs Placebo),
aleatoriamente barajaron los valores en ese regresor (es decir, asignamos aleatoriamente datos a
pre vs post y Adaptive vs Placebo condiciones). Nuevamente determinamos el umbral de los
resultados y registramos el tamaño del grupo más grande. Este proceso se repitió 1000 veces, con
cada permutación teniendo una nueva asignación barajada de las condiciones. Una vez
completado, esto proporcionó una distribución nula del tamaño del clúster, contra la cual
podríamos comparar cualquier clúster de nuestro análisis original, para producir un valor de p.
Este procedimiento de asignación al azar es una forma extremadamente poderosa de probar la
significación en un análisis como este. Cualquier no linealidad en los datos o sesgos que ocurren
como resultado de las diversas transformaciones necesarias se corrigen porque se recrean
perfectamente en cada permutación. Además, no hace a priori suposiciones acerca de cuándo o
dónde es probable que los efectos sean evidentes, corrigiendo las comparaciones múltiples sobre
la frecuencia de la fase y la frecuencia de la amplitud (Kilner, 2013).

Esta secuencia de pasos forma nuestra tubería de análisis de amplitud de fase básica. En
Resultados, también informamos de los resultados de varios análisis de seguimiento, incluidas las
regiones de control y una versión modificada de la tubería que proporciona un análisis de todo el
cerebro.

Diferencias individuales. Además del enfoque de grupo promedio descrito anteriormente en la

tubería de acoplamiento básico, también exploramos las diferencias individuales en los efectos del
entrenamiento. Se probó un modelo lineal general con ganancia en el acoplamiento de amplitud
de fase como la variable de resultado y la ganancia en la precisión del inscanner como predictor.
También se aplicó un modelo lineal general, con cambio en el acoplamiento de amplitud de fase
como medida de resultado y cambio en la conectividad en estado de reposo como predictor
(tomado de Astle et al., 2015). En ambos modelos, incluimos la edad, el género y el coeficiente
intelectual como variables de control. Ambos modelos se aplicaron a lo largo del curso del tiempo
de acoplamiento de amplitud de fase, para construir un curso del tiempo del efecto de la variable
predictora respectiva, expresada como puntuaciones t. En ambos casos, se utilizó un umbral de
agrupamiento de t 2,3 y luego se probó la medida en que los grupos de esta duración se produciría
por casualidad, utilizando el mismo procedimiento de permutación descrito anteriormente. En
ambos análisis, eliminamos a un niño porque tenían una puntuación de Cook's Distance 1, lo que
sugiere que sus datos estaban teniendo una influencia indebida en el tamaño de la relación.

Análisis alternativo del acoplamiento de amplitud de fase. En vista de la falta de estudios previos
explorando el acoplamiento neurofisiológico en la infancia, también se utilizó un enfoque
alternativo para corroborar el análisis anterior. Las estimaciones de fase de la red frontoparietal a
16 Hz y las estimaciones de amplitud de la región en corteza temporal inferior a 83-93 Hz se
alinearon para cada sujeto, de nuevo colapsando a través del tiempo y los ensayos. Las
estimaciones de amplitud se clasificaron entonces, en orden, de acuerdo con las estimaciones de
fase correspondientes, y se convirtieron en puntuaciones z. Debido a que hay números de ensayo
no idénticos entre los sujetos, luego dividimos estos valores clasificados en compartimientos
igualmente espaciados de 0,0016 radianes por contenedor y promediaron los valores de amplitud
dentro de cada contenedor. Esto produjo 2000 valores para cada sujeto, antes y después del
entrenamiento. Si no hay una relación consistente entre la fase y la amplitud, entonces estos
intervalos de amplitud ordenados por fase serán aproximadamente uniformes. Sin embargo, si hay
alguna relación de amplitud de fase consistente, entonces estos valores binados deberían cambiar
sistemáticamente a través del ciclo de los ángulos de fase. Se utilizó un cálculo no paramétrico
Wolf-Wolfowitz para probar las distribuciones resultantes. Esta es una prueba de aleatoriedad.
Una estadística significativa indica que los valores de amplitud ordenados por fase tienen un orden
sistemático.

La reconstrucción de la fuente beamformer incluye una ambigüedad de signo dipolar, que

necesariamente necesita ser resuelta para que este análisis de datos mezclado sea significativo, los
efectos que se ejecutan en direcciones opuestas a través de los sujetos, debido a la ambigüedad de
signo de los ángulos de fase. Por esta razón, para cada sujeto, antes y después del entrenamiento,
organizamos los signos de manera que todas las relaciones de amplitud de fase funcionaran en la
misma dirección. En este caso, se optó por una relación negativa, con altas amplitudes gamma
asociadas con los ángulos de fase negativa de 16 Hz de actividad, porque esta relación inversa está
bien informado en la literatura (por ejemplo, Haegens et al., 2011). Un inconveniente de este
enfoque es que coincidirá con el ruido aleatorio, así como cualquier efecto de acoplamiento
genuino, a través de los sujetos. Es importante considerar que este procedimiento era idéntico a
través de las diferentes condiciones y grupos, por lo que si esto introduce un sesgo, entonces
debería ser aparente y de una magnitud equivalente a través de condiciones y grupos.

Resultados
Resultados de comportamentamiento

La sección de resultados de comportamiento comienza con un análisis de la tarea a medida

del escáner. Utilizamos los datos de pre-entrenamiento para explorar el desempeño de la
tarea y el grado en que varió por orden serial (si el primer, segundo, tercero o cuarto ítem
fue sondado) y el tipo distracter. Posteriormente, probamos los efectos del entrenamiento
tanto en las evaluaciones estandarizadas como en la tarea en el escáner.

Rendimiento de la tarea en escáner

La exactitud fue significativamente mayor en los ensayos distracter "disimilares" (67%)

con respecto a ensayos distracter "similares" (61%) (F (1,25) 12.823, p 0.001). También
observamos un efecto de recency, con mejoría de la precisión para los ítems posteriores
(posición de serie 1, 53%, posición 2, 55%, posición 3, 66%, posición 4, 84%) en la
secuencia F (3,75) 50,457, p 0,001). Estos dos factores interactuaron significativamente (F
(3,75) 3,142, p 0,030), siendo la diferencia entre los tipos de ensayo distracter significativos
para la primera y última posición en serie (t (26) 3,638, p 0,001 y t (26) 3,525 , P 0,002,
respectivamente), mientras que no fueron significativamente diferentes para la segunda y
tercera posiciones seriadas (t (26) 0,512, p 0,613 y t (26) 1,384, p 0,178, respectivamente).

Para presagiar los resultados de la formación, aunque la formación tuvo un efecto global
sobre el rendimiento, no interactuó significativamente con ninguno de estos factores (p
valores 0,5). Por simplicidad, en análisis posteriores, nos colapsamos a través de estos
factores.

Las evaluaciones estandarizadas de las

Memoria de trabajo

En consonancia con una serie de estudios recientes de la formación cognitiva, hemos

explorado el impacto potencial de la formación de la memoria de trabajo en las
evaluaciones estandarizadas utilizando un enfoque de regresión jerárquica múltiples. Esto
tiene la ventaja de tener en cuenta las diferencias iniciales de rendimiento previo a los
sujetos. La precisión del post-entrenamiento fue nuestra medida de resultado. En el primer
bloque, entramos en la precisión pretraining. En el segundo bloque, entramos en el grupo
(adaptable vs placebo). Este primer nivel controla la variabilidad en el rendimiento que
puede ser explicado por las diferencias basales en la capacidad, y el segundo nivel entonces
prueba si las diferencias restantes entre los niños pueden ser explicadas por la pertenencia
al grupo. En resumen, se evalúa si las mejoras en el rendimiento de las tareas entre los
niños pueden explicarse por el tipo de formación que experimentaron los niños. Cuando se
analizó de esta manera, observamos efectos significativos de la pertenencia a grupos en
todos los subpruebas, aparte del recuento de dígitos hacia delante: Recuento de dígitos (R
2 cambio 0,06, F (1,23) 3,309, p 0,082, coeficiente beta estandarizado 0,245); Matriz de
puntos (cambio R2 0,34, F (1,24) 19,414, p 0,001, coeficiente beta estandarizado 0,584);
Recuento de dígitos hacia atrás (cambio R2 0,14, F (1,23) 4,254, p 0,051, coeficiente beta
estandarizado 0,375); Y Espaciamiento Espacial (R2 cambio 0,278, F (1,24) 11,605, p
0,002, coeficiente beta estandarizado 0,528). Un marcador de memoria compuesto, antes y
después del entrenamiento, se puede ver Figura 1B.

Rendimiento de la tarea de comportamiento en escáner

El impacto de la formación de memoria de trabajo en la precisión de rendimiento en el

escáner se evaluó utilizando el mismo enfoque de regresión lineal que se describe
anteriormente. La pertenencia a un grupo fue un predictor significativo de los niveles de
precisión después de la formación, incluso después de tener en cuenta las diferencias de
habilidad pre-entrenamiento (R 2 0,13; F (1,24) 7,090, p 0,014, coeficiente beta
estandarizado 0,359) (Figura 1C).

Nuestras cinco tareas no entrenadas de memoria de trabajo incluyeron tanto medidas de

alcance simples como complejas, y paradigmas verbales y visoespaciales. También
incluyeron elementos que son estructuralmente diferentes de las actividades de
entrenamiento, tales como episodios intercalados de codificación y mantenimiento y
recuperación probada (la tarea en escáner). Aparte de Forwards Digit Span, todos ellos
mostraron mejoras significativas en el grupo adaptativo, en relación con el grupo placebo,
replicando la bien establecida transferencia cercana a los ejercicios de memoria de trabajo
sin entrenamiento (Dunning et al., 2013). A continuación, se exploró si el acoplamiento
neurofisiológico durante el rendimiento de la tarea había sido alterada en el grupo de
entrenamiento adaptativo en relación con el grupo de control placebo.

Resultados MEG

El análisis de red de 13-20 Hz

Presentamos la fuente-proyectada en el curso del tiempo de actividad en la banda de

frecuencia 13-20 Hz a una ICA temporal. A pesar de no disponer de ninguna información
espacial previa sobre la ubicación de estas grabaciones, la ACI produjo un componente
muy solapado con la red tomado del conjunto de datos fMRI (Smith et al., 2012), que
estaba implicado en nuestros hallazgos anteriores Et al., 2015), y que posteriormente
utilizarían en el análisis de amplitud de fase. El componente que se muestra a continuación
es el que tiene la superposición espacial más fuerte (r 0,38, z 0,40, p 0,001). El hecho de
que este componente sea producido por el ICA espacialmente ciego demuestra que existe
una red robusta con potencia oscilatoria dentro de la banda de frecuencia 13-20 Hz e
incorporando las áreas particulares contenidas dentro de la red durante la tarea. Un análisis
idéntico se realizó sobre el análisis del estado de reposo (Astle et al., 2015) y también
podemos demostrar que existe una superposición espacial fuerte con el componente
independiente equivalente de ese conjunto de datos (r 0,76, z 0,99, p 0,001) . Estas redes
se pueden ver en la Figura 2.

Acoplamiento de amplitud de fase regional

El análisis de acoplamiento de amplitud de la primera fase de los datos de MEG utilizó la

red descrita anteriormente, junto con una región en la corteza temporal inferior, también
identificada en el resultado de estado de reposo (Astle et al., 2015).

Tras el entrenamiento, los niños en el entrenamiento adaptativo versus el grupo placebo

mostraron un aumento del acoplamiento de amplitud de fase entre frecuencias entre las
oscilaciones bajas beta / banda alfa superiores en la red frontoparietal y las oscilaciones de
la banda gamma superior en la región de interés dentro de la corteza temporal inferior. Este
grupo significativo fue de 16 Hz para la fase, y de 83 a 93 Hz para la amplitud (pcorrected
0.001) (Fig. 3A). También estimamos el curso del tiempo de este acoplamiento tomando
estas frecuencias y recalculando el acoplamiento para una ventana deslizante de 400 ms,
que se incrementó en pasos de 4 ms, lo que nos permite construir un curso del tiempo de
la relación de frecuencias cruzadas. Esto se hizo por separado para ambos grupos, antes y
después del entrenamiento (Fig. 3B).

Como control, también se realizó el análisis de acoplamiento, pero utilizando las

estimaciones de fase y amplitud de la misma red frontoparietal. Si nuestro resultado refleja
un efecto general del entrenamiento en el acoplamiento en estas bandas de frecuencias, en
lugar de cualquier efecto interregional, entonces el mismo efecto debería ser aparente (o
aún más fuerte) cuando tomamos los ángulos de fase y los valores de amplitud de la Mismas
regiones. Sin embargo, no hubo efecto de entrenamiento significativo en el acoplamiento
en este caso (Fig. 3C).

Además de este enfoque de grupo promedio, también exploramos las diferencias

individuales. El cambio en la frontoparietal a la fase temporal inferior acoplamiento de
amplitud entre 124 y 174 ms (pcorrected 0,001) y entre 556 y 600 ms (pcorrected 0,001)
fue significativamente predictivo de la mejora del rendimiento de los niños en el escáner
tarea (Figura 4A). Esta relación se puede ver en el gráfico de barras de la Figura 4B y el
diagrama de dispersión en la Figura 4C. Entre 184 y 208 ms, la mejora en la fase de
acoplamiento de amplitud de fase relacionados también se predijo por las ganancias
individuales en el estado de reposo conectividad (pcorrected 0.001), como tomado de Astle
et al. (2015) (figura 4D).

Análisis alternativo del acoplamiento de amplitud de fase

Un medio alternativo para demostrar este acoplamiento entre frecuencias, entre los ángulos
de fase de la red frontoparietal (a 16 Hz) y los valores de amplitud temporal inferior (de 83
a 93 Hz), es trazar los valores de amplitud ordenados por los ángulos de fase. Para cada
sujeto, antes y después del entrenamiento, alineamos los valores de fase y amplitud, y luego
clasificamos los dos vectores por los ángulos de fase en orden ascendente. Los valores de
amplitud de orden de fase resultantes se dividieron entonces en compartimientos
igualmente espaciados. La Figura 5 muestra estos compartimientos, para ambos grupos,
antes y después del entrenamiento. Después del entrenamiento, en el grupo Adaptativo, los
valores de amplitud clasificados fueron significativamente no uniformes (z 2,59, p 0,0095).
Por el contrario, los valores de amplitud clasificados no difirieron significativamente de
una distribución aleatoria antes del entrenamiento (z 1.09, p 0.27), ni para el entrenamiento
previo o posterior al grupo placebo (z 0.44, p 0.65 y z 0.69, p 0.49, respectivamente).

Análisis inducido

Un patrón sistemático de la actividad continua o evocada dentro de estas dos áreas, en estas
bandas de frecuencia particulares (alpha superior / beta inferior y gama alta), que es
sensible al entrenamiento, podría dar la falsa apariencia de una mejora inducida por el
entrenamiento al acoplamiento. Para probar esto, se realizó un análisis inducido, utilizando
el período de tiempo de 300 a 100 en relación con cada estímulo como un período de
referencia. En la Figura 6A se puede ver la media resultante de respuestas inducidas tanto
para nuestra red de interés (panel izquierdo) como para nuestra región de interés (panel
derecho). A continuación probamos para cualquier cambio significativo como resultado
del entrenamiento en las frecuencias de nuestro análisis de acoplamiento original (16 Hz y
83-93 Hz). Para ello, se repitió el mismo análisis de regresión lineal que hemos aplicado a
los datos de acoplamiento. Los resultados de esto se pueden ver en la figura 6B. Ninguno
de estos efectos se acercó a nuestro umbral de agrupamiento. El acoplamiento aumentado
después del entrenamiento no proviene de cambios en los ritmos evocados o de fondo en
estas bandas de frecuencia.

Especificar más áreas dentro de la corteza frontoparietal que sostienen el acoplamiento

En nuestro análisis inicial, hemos utilizado los ángulos de fase de numerosos lugares dentro
de la red frontoparietal. Sin embargo, cualquier contribución más específica es
enmascarada por nosotros tratando esta colección de dipolos como una sola red. Para
probar esto, repetimos nuestro análisis inicial para cada dipolo por separado. Para ello,
restringimos este análisis sólo a las frecuencias implicadas en el análisis inicial: 90 Hz para
la potencia en la corteza temporal inferior y 16 Hz para la fase en cada dipolo dentro de la
red frontoparietal. Aplicamos los mismos pasos de acoplamiento de amplitud de fase y de
regresión lineal como antes. La Figura 7 destaca las áreas dentro de la red frontoparietal
que contribuyen más fuertemente a este efecto de acoplamiento. Las áreas sombreadas en
las regiones de resaltado azul dentro de la red frontoparietal donde el efecto de
entrenamiento sobre el acoplamiento supera t 2,3 (nuestro umbral de agrupamiento en el
análisis inicial).
Acoplamiento de amplitud de fase de cerebro entero

También exploró si la actividad de banda gamma de alta frecuencia en áreas fuera de

nuestra región temporal inferior de interés mostraron cambios de acoplamiento inducidos
por el entrenamiento. Para ello, se utilizaron los ángulos de fase en la red frontoparietal en
el rango alfa-beta inferior (16 1 Hz) y se utilizó el beamformer

Para crear una reconstrucción de todo el cerebro (utilizando una rejilla dipolo de 6 mm) de
amplitudes gamma (a 90 Hz). A continuación, realizó el acoplamiento y los pasos de
regresión lineal exactamente como antes, pero a través de todas las ubicaciones en nuestra
fuente de reconstrucción. Luego pasamos los valores resultantes a una corrección de
permutaciones multiplecomparisons basada en clústeres. Esto fue similar al que se usó
anteriormente, pero con los grupos definidos en términos espaciales más que en términos
de frecuencia.

Siguiendo este procedimiento, se identificó un conjunto de clusters significativos (todos a

pcorrected 0.001). Éstos se pueden ver en la figura 7, con los racimos significativos
mostrados en rojo. Estos cúmulos incluyen la corteza temporal inferior izquierda, así como
regiones dentro del hemisferio derecho, actividad parietal inferior bilateral y algunas áreas
premotoras. Tras el entrenamiento intensivo de memoria de trabajo, en relación con el
placebo, la alta actividad gamma en estas regiones se convirtió mejor acoplado a la fase de
la actividad de 16 Hz dentro de la red frontoparietal durante el rendimiento de la tarea.

Discusión
La capacidad de memoria de trabajo de un niño es un excelente predictor de su progreso
educativo (Gathercole et al., 2004), y los impedimentos en la memoria de trabajo se
consideran cada vez más como el núcleo de numerosos trastornos del desarrollo
neurológico (Westerberg et al., 2004; ). Demostramos que más de 20 sesiones de
entrenamiento adaptativo intensivo, la memoria de trabajo de los niños mejora
significativamente, en relación con la de un grupo de control placebo activo.
Después de haber replicado el bien establecido efecto de entrenamiento de memoria de
trabajo de transferencia cercana (Holmes et al., 2009, Dunning et al., 2013), nuestros datos
de MEG identificaron cambios significativos en neurofisiología subyacente que reflejan
estas mejoras de comportamiento. Hemos probado una explicación particular de la
integración neuronal, llamada acoplamiento de amplitud de fase. Dentro de esta cuenta, las
oscilaciones lentas organizan la excitabilidad cortical dentro de una red distribuida, y esto
proporciona un mecanismo por el cual un sistema de regiones del cerebro puede regular la
actividad de otras áreas corticales. En nuestros datos, el ritmo alfa superior en áreas
frontales y parietales superiores proporcionó una estructura temporal dentro de la cual la
actividad de alta frecuencia en las áreas de procesamiento visual parietal, temporal y de
orden superior se hizo cada vez más anidada después del entrenamiento. Que nuestro
análisis de todo el cerebro resaltó un número de áreas en parietal inferior temporal e
inferior, que muestran un patrón similar de acoplamiento, sugiere que el ritmo de 16 Hz
generado por la corteza frontoparietal puede desempeñar un papel en la coordinación del
procesamiento en curso a través de una serie de diferentes áreas corticales . La mejora
después de la formación no sólo era evidente a nivel de grupo; Los cambios individuales
en el acoplamiento eran predictivos de las ganancias individuales en el desempeño en las
evaluaciones estandarizadas. Además, la magnitud del acoplamiento relacionado con la
tarea se asoció significativamente con cambios observados previamente en la actividad en
estado de reposo (Astle et al., 2015).

Una limitación de nuestro enfoque es que no es una búsqueda exhaustiva de todos los
posibles cambios de acoplamiento después del entrenamiento. El uso de los resultados del
estado de reposo para guiar nuestro análisis de acoplamiento relacionado con la tarea podría
significar que se pierden otros cambios que no se superponen espacialmente con estos
efectos originales. Un enfoque alternativo sería llevar a cabo un análisis completamente
exploratorio, a través de todas las ubicaciones y todas las frecuencias. Nuestra razón para
no hacer esto aquí es que hacerlo podría introducir un problema masivo de comparaciones
múltiples.

En trabajos anteriores, el papel regulador de la actividad de la banda alfa se ha relacionado

con la modulación atencional de la sensibilidad de los procesos sensoriales (por ejemplo,
Jensen et al., 2012). El entrenamiento de memoria de trabajo puede mejorar estas relaciones
de acoplamiento jerárquico porque impone gravemente estos sistemas de control de
atención (Gazzaley y Nobre, 2012). A nivel celular, el ritmo alfa proporciona esta
estructura temporal modulando la excitabilidad de las asambleas neuronales locales (Fries,
2005; Canolty y Knight, 2010). Esto es posible debido a que estos cambios rítmicos alteran
el tiempo de salida de una neurona y su sensibilidad a la entrada sináptica (Canolty et al.,
2010), y estos cálculos neuronales locales son evidentes como actividad gamma en curso
(Fries, 2009).

Los cambios en la sincronía con el desarrollo se han demostrado a través de la niñez y la

adolescencia y están atados a cambios importantes en la capacidad cognitiva (Uhlhaas et
al., 2010; Uhlhaas y Singer, 2011). Una fuerte posibilidad es que estos cambios en la
sincronía neuronal reflejen los cambios subyacentes en la integridad de la sustancia blanca,
ya que los nodos dentro de las redes neuronales se integran mejor con la edad (Barnea-
Goraly et al., 2005). Por ejemplo, los estudios que combinan MEG con imágenes cerebrales
estructurales han demostrado que las vías de la materia blanca juegan un papel importante
en la coordinación de las oscilaciones alfa espontáneas en reposo (Hindriks et al., 2015).
Específicamente, en el caso de la modulación atencional, la integridad de pistas particulares
(por ejemplo, el fascículo super longitudinal, un tracto de materia blanca que conecta áreas
frontales y parietales) predice significativamente el grado de sincronía alfa y gamma de los
sujetos (Marshall et al., 2015) . Una fuerte posibilidad es que los cambios que observamos
en la sincronía neuronal coinciden con cambios correspondientes en la conectividad
estructural (Takeuchi et al., 2010; Caeyenberghs et al., 2016). No está claro si estos
cambios son similares a los asociados con el desarrollo típico o si reflejan una
reorganización altamente específica en respuesta a las actividades particulares de memoria
de trabajo que hemos entrenado.

Algunos han afirmado con firmeza que el entrenamiento de la memoria de trabajo produce
cambios fundamentales en el control general de la atención de la memoria de trabajo
(Klingberg, 2010). Otros teóricos (por ejemplo, Sprenger et al., 2013) han sugerido que la
transferencia se entiende mejor en términos de superposición en procesos específicos entre
tareas entrenadas y no entrenadas, implicando múltiples fuentes potenciales de cambio
inducido por el entrenamiento. Estos pueden reflejar en parte el desarrollo y refinamiento
de las estrategias metacognitivas mediante un entrenamiento intensivo (por ejemplo,
Gibson et al., 2013, Dunning y Holmes, 2014). No consideramos estas cuentas como
necesariamente mutuamente excluyentes; Los cambios neurofisiológicos que observamos
podrían estar en conjunción con el desarrollo o refinamiento de estrategias particulares, o
ser distintos de ellos. Se necesitarán estudios futuros capaces de distinguir diferentes
estrategias, junto con medidas neurofisiológicas, para explorar si y cómo estos dos niveles
de análisis están relacionados.

En conclusión, a través de nuestro análisis de acoplamiento de amplitud de fase de

frecuencia cruzada de la tarea de los datos MEG relacionados recogidos antes y después
del entrenamiento, proporcionamos una detallada cuenta neurofisiológica de las ganancias
en la memoria de trabajo después de la formación. Esto tiene amplias implicaciones para
nuestra comprensión de estos procesos neurofisiológicos, su plasticidad, su papel en la
cognición de orden superior y la aplicabilidad de estas intervenciones.

Referencencias
Alloway BJ (2009) Soil factors associated with zinc deficiency in crops and humans. Environ Geochem Health
31:537–548. CrossRef Medline

Alloway TP, Gathercole SE, Kirkwood H, Elliott J (2008) Evaluating the

Whole-brain analysis. A whole-brain phase amplitude coupling analysis between 16 Hz phase
within the frontoparietal network and 90 Hz activity estimated throughout the brain. This is whole-
brain corrected for multiple comparisons using a cluster-based permutation correction procedure.
All results are pcorrected 0.001.

9010 • J. Neurosci., August 24, 2016 • 36(34):9001–9011

Barnes et al.  Training Working Memory in Childhood

validity of the automated working memory assessment. Educ Psychol

28:725–734. CrossRef
Astle DE, Barnes JJ, Baker K, Colclough GL, Woolrich MW (2015) Cogni

tive training enhances intrinsic brain connectivity in childhood. J Neuro

sci 35:6277– 6283. CrossRef Medline
Axmacher N, Henseler MM, Jensen O, Weinreich I, Elger CE, Fell J
(2010) Cross

frequency coupling supports multi-item working memory in the human hip

pocampus. Proc Natl Acad Sci U S A 107:3228 –3233. CrossRef Medline Barnea-Goraly N, Menon V, Eckert
M, Tamm L, Bammer R, Karchemskiy A, Dant CC, Reiss AL (2005) White matter development during
childhood and adolescence: a cross-sectional diffusion tensor imaging study. Cereb

Cortex 15:1848 –1854. CrossRef Medline
Barnes JJ, Woolrich MW, Baker K, Colclough GL, Astle DE (2016)
Electro

physiological measures of resting state functional connectivity and their relationship with working memory
capacity in childhood. Dev Sci 19: 19 –31. CrossRef Medline

Berens P (2009) CircStat: a MATLAB toolbox for circular statistics. J Stat Software 31:1–21.

Brookes MJ, Woolrich M, Luckhoo H, Price D, Hale JR, Stephenson MC, Barnes GR, Smith SM, Morris PG
(2011) Investigating the electrophysiological basis of resting state networks using magnetoencephalography.
Proc Natl Acad Sci USA 108:16783–16788. CrossRef Medline

Caeyenberghs K, Metzler-Baddeley C, Foley S, Jones DK (2016) Dynamics of the human structural connectome
underlying working memory training. J Neurosci 36:4056 – 4066. CrossRef Medline

Canolty RT, Knight RT (2010) The functional role of cross-frequency coupling. Trends Cogn Sci 14:506 –515.
CrossRef Medline

Canolty RT, Edwards E, Dalal SS, Soltani M, Nagarajan SS, Kirsch HE, Berger MS, Barbaro NM, Knight RT
(2006) High gamma power is phaselocked to theta oscillations in human neocortex. Science 313:1626 –1628.
CrossRef Medline

Canolty RT, Ganguly K, Kennerley SW, Cadieu CF, Koepsell K, Wallis JD, Carmena JM (2010) Oscillatory
phase coupling coordinates anatomically dispersed functional cell assemblies. Proc Natl Acad Sci U S A 107:
17356 –17361. CrossRef Medline
Canolty RT, Ganguly K, Carmena JM (2012) Task-dependent changes in cross-level coupling between single
neurons and oscillatory activity in multiscale networks. Plos Comput Biol 8:e1002809. CrossRef Medline

Cohen MX, Elger CE, Fell J (2009) Oscillatory activity and phase amplitude coupling in the human medial
frontal cortex during decision making. J Cogn Neurosci 21:390 – 402. CrossRef Medline

Cravo AM, Rohenkohl G, Wyart V, Nobre AC (2011) Endogenous modulation of low frequency oscillations by
temporal expectations. J Neurophysiol 106:2964 –2972. CrossRef Medline

Desimone R, Duncan J (1995) Neural mechanisms of selective visual attention. Annu Rev Neurosci 18:193–
222. CrossRef Medline

Duncan J, Owen AM (2000) Common regions of the human frontal lobe recruited by diverse cognitive demands.
Trends Neurosci 23:475–483. CrossRef Medline

Dunning DL, Holmes J (2014) Does working memory training promote the use of strategies on untrained
working memory tasks? Mem Cognit 42: 854 – 862. CrossRef Medline

Dunning DL, Holmes J, Gathercole SE (2013) Does working memory training lead to generalized improvements
in children with low working memory? A randomized controlled trial. Dev Sci 16:915–925. CrossRef Medline

Fries P (2005) A mechanism for cognitive dynamics: neuronal communication through neuronal coherence.
Trends Cogn Sci 9:474 – 480. CrossRef Medline

Fries P (2009) Neuronal gamma-band synchronization as a fundamental process in cortical computation. Annu
Rev Neurosci 32:209 –224. CrossRef Medline

Gathercole SE, Pickering SJ, Knight C, Stegmann Z (2004) Working memory skills and educational attainment:
evidence from national curriculum assessments at 7 and 14 years of age. Appl Cogn Psychol 18.

Gazzaley A, Nobre AC (2012) Top-down modulation: bridging selective attention and working memory. Trends
Cogn Sci 16:129–135. CrossRef Medline

Gibson BS, Gondoli DM, Kronenberger WG, Johnson AC, Steeger CM, Morrissey RA (2013) Exploration of
an adaptive training regimen that can target the secondary memory component of working memory capacit y.
Mem Cognit 41:726 –737. CrossRef Medline

Gregoriou GG, Gotts SJ, Zhou H, Desimone R (2009) High-frequency,

long-range coupling between prefrontal and visual cortex during atten

tion. Science 324:1207–1210. CrossRef Medline
Haegens S, Na ́cher V, Luna R, Romo R, Jensen O (2011)
alpha-Oscillations

in the monkey sensorimotor network influence discrimination performance by rhythmical inhibition of neuronal
spiking. Proc Natl Acad Sci U S A 108:19377–19382. CrossRef Medline

Hagmann P, Sporns O, Madan N, Cammoun L, Pienaar R, Wedeen VJ, Meuli R,ThiranJP,GrantPE (2010)
Whitemattermaturationreshapesstructural connectivity in the late developing human brain. Proc Natl Acad Sci
U S A 107:19067–19072. CrossRef Medline
Hindriks R, Woolrich M, Luckhoo H, Joensson M, Mohseni H, Kringelbach ML, Deco G (2015) Role of white-
matter pathways in coordinating alpha oscillations in resting visual cortex. Neuroimage 106:328–339. CrossRef
Medline

Holmes J, Gathercole SE, Dunning DL (2009) Adaptive training leads to sustained enhancement of poor working
memory in children. Dev Sci 12:F9 –F15. CrossRef Medline

Holmes J, Gathercole SE, Place M, Dunning DL, Hilton KA, Elliott JG (2010) Working memory deficits can be
overcome: impacts of training and medication on working memory in children with ADHD. Appl Cogn Psychol
24:827– 836. CrossRef

Jensen O, Colgin LL (2007) Cross-frequency coupling between neuronal oscillations. Trends Cogn Sci 11:267–
269. CrossRef Medline

Jensen O, Bonnefond M, VanRullen R (2012) An oscillatory mechanism for prioritizing salient unattended
stimuli. Trends Cogn Sci 16:200–206. CrossRef Medline

Kilner JM (2013) Bias in a common EEG and MEG statistical analysis and how to avoid it. Clin Neurophysiol
124:2062–2063. CrossRef Medline Klingberg T (2010) Training and plasticity of working memory. Trends

Cogn Sci 14:317–324. CrossRef Medline
Kuo BC, Yeh YY, Chen AJ, D’Esposito M (2011) Functional
connectivity

during top-down modulation of visual short-term memory representa

tions. Neuropsychologia 49:1589 –1596. CrossRef Medline
Lakatos P, Shah AS, Knuth KH, Ulbert I, Karmos
G, Schroeder CE (2005) An oscillatory hierarchy controlling neuronal excitability and stimulus processing in
the

auditory cortex. J Neurophysiol 94:1904 –1911. CrossRef Medline
Marshall TR, Bergmann TO, Jensen O
(2015) Frontoparietal structural connectivity mediates the top-down control of neuronal synchronization
associated with selective attention. PLoS Biol 13:e1002272. CrossRef

Medline

Martinussen R, Hayden J, Hogg-Johnson S, Tannock R (2005) A metaanalysis of working memory impairments

in children with attentiondeficit/hyperactivity disorder. J Am Acad Child Adolesc Psychiatry 44: 377–384.
CrossRef Medline

Mosher JC, Leahy RM, Lewis PS (1999) EEG and MEG: forward solutions for inverse methods. IEEE Trans
Biomed Eng 46:245–259. CrossRef Medline

Sauseng P, Klimesch W, Gruber WR, Birbaumer N (2008) Cross-frequency phase synchronization: a brain
mechanism of memory matching and attention. Neuroimage 40:308 –317. CrossRef Medline

Shimi A, Astle DE (2013) The strength of attentional biases reduces as visual short-term memory load increases.
J Neurophysiol 110:12–18. CrossRef Medline

Shimi A, Woolrich MW, Mantini D, Astle DE (2015) Memory load modulates graded changes in distracter
filtering. Front Hum Neurosci 8:1025. CrossRef Medline
Siegel M, Warden MR, Miller EK (2009) Phase-dependent neuronal coding of objects in short-term memory.
Proc Natl Acad Sci U S A 106:21341– 21346. CrossRef Medline

Smith SM, Miller KL, Moeller S, Xu J, Auerbach EJ, Woolrich MW, Beckmann CF, Jenkinson M, Andersson
J, Glasser MF, Van Essen DC, Feinberg DA, Yacoub ES, Ugurbil K (2012) Temporally-independent functional
modes of spontaneous brain activity. Proc Natl Acad Sci USA 109:3131–3136. CrossRef

Sprenger AM, Atkins SM, Bolger DJ, Harbison JI, Novick JM, Chrabaszcz JS, Weems SA, Smith V, Bobb S,
Bunting MF, Dougherty MR (2013) Training working memory: limits of transfer. Intelligence 41:638 – 663.
CrossRef

Takeuchi H, Sekiguchi A, Taki Y, Yokoyama S, Yomogida Y, Komuro N, Yamanouchi T, Suzuki S, Kawashima

R (2010) Training of working memory impacts structural connectivity. J Neurosci 30:3297–3303. CrossRef
Medline

Uhlhaas PJ, Singer W (2011) The development of neural synchrony and

Barnes et al.  Training Working Memory in Childhood

J. Neurosci., August 24, 2016 • 36(34):9001–9011 • 9011

large-scale cortical networks during adolescence: relevance for the pathophysiology of schizophrenia and
neurodevelopmental hypothesis. Schizophr Bull 37:514 –523. CrossRef Medline

Uhlhaas PJ, Roux F, Rodriguez E, Rotarska-Jagiela A, Singer W (2010) Neural synchrony and the development
of cortical networks. Trends Cogn Sci 14:72– 80. CrossRef Medline

Van Veen BD, van Drongelen W, Yuchtman M, Suzuki A (1997) Localization of brain electrical activity via
linearly constrained minimum variance spatial filtering. IEEE Tran Biomed Eng 44:867– 880. CrossRef Medline

Voytek B, Canolty RT, Shestyuk A, Crone NE, Parvizi J, Knight RT (2010) Shifts in gamma phase amplitude
coupling frequency from theta to alpha

over posterior cortex during visual tasks. Front Hum Neurosci 4:191.

CrossRef Medline

Westerberg H, Hirvikoski T, Forssberg H, Klingberg T (2004) Visuospatial working memory span: a sensitive
measure of cognitive deficits in children with ADHD. Child Neuropsychol 10:155–161. CrossRef Medline

Woolrich MW, Jbabdi S, Patenaude B, Chappell M, Makni S, Behrens T, Beckmann C, Jenkinson M, Smith SM
(2009) Bayesian analysis of neuroimaging data in FSL. Neuroimage 45:S173–S186. CrossRef Medline

Woolrich M, Hunt L, Groves A, Barnes G (2011) MEG beamforming using Bayesian PCA for adaptive data
covariance matrix regularization. Neuroimage 57:1466 –1479. CrossRef Medline