Language Science Studies

Language Science Studies

Auditory Processing of Nouns in Persian Using Functional Magnetic Resonance Imaging (fMRI)

Document Type : Research Paper

Authors
Neda Haghighi Saber 1
Mandana Nourbakhsh 1
Azita Abbasi 1
Mahdieh Karami 2
1 Linguistics Department, Faculty of Literature, Alzahra University, Tehran, Iran
2 Cognitive Linguistics Department, Institute for Cognitive Science Studies (ICSS), Tehran, Iran
10.22054/ls.2025.88322.1746
Abstract
Abstract
The primary objective of the present study was to identify brain regions activated during the auditory processing of different morphological noun types in Persian and to investigate the role of the plural suffix (-hɑ/-ɑn) in this process. Two research questions were addressed: (1) Which brain regions are activated during the auditory processing of simple versus non-simple (derived and compound) nouns in Persian? (2) How does the presence or absence of inflectional plural suffixes influence the pattern of activated regions? To this end, a six-block task was designed for fMRI acquisition, with each block comprising 20 seconds of auditory stimulation and 5 seconds of rest. Target words were randomly distributed across blocks and presented in a fixed sequence to 20 native Persian speakers. Structural images were obtained using a 3D T1-weighted MPRAGE sequence, and functional images using an EPI sequence. Statistical analyses were performed using GLM and SPM based on the GLA model. Findings revealed that simple nouns engaged motor regions, derived nouns recruited complex linguistic processing areas, and compound nouns activated affective and cognitive regions. Processing of derived and compound nouns extended over broad neural networks, involving memory-related structures including the amygdala and hippocampus. Moreover, the presence of the Persian plural suffix was found to broaden the extent of activation and enhance its magnitude, with these effects being more prominent in regions associated with linguistic and cognitive functions.

1. Introduction
One of the practical topics in clinical linguistics and neurolinguistics concerns brain function during speech processing. Speech constitutes a phonetic chain and serves as a vehicle for linguistic messages (Whiteside, 1993). Although these messages are constructed across all languages through the co-occurrence of morphological, syntactic, semantic, phonetic, and phonological components, they exhibit language-specific properties that distinguish them linguistically and typologically. Such distinctions may also be traceable at the cognitive, neurological, and processing levels (Wei et al., 2023). The investigation of these differences can contribute not only to cognitive assessments but also to the diagnosis and treatment of language disorders.
Auditory processing arises from complex interactions among various linguistic domains, including the lexical domain, and enables speakers to comprehend the messages embedded in speech. The noun category ranks among the most pivotal elements in speech processing and constitutes one of the fundamental concepts in linguistic studies, playing an essential role in conveying the meanings inherent in linguistic messages and in identifying the external world (Van der Auwera, 1985).
The study addresses the following questions:
(1) Which brain regions are activated during the auditory processing of simple versus non-simple (derived and compound) nouns in Persian?
(2) How does the presence or absence of inflectional plural suffixes influence the pattern of activated regions?
2. Literature Review
The identification of neural correlates underlying speech processing constitutes a fundamental objective in cognitive neuroscience. Early investigations in this domain predominantly centered on pathological populations, examining noun production and processing (Friedmann et al., 2000), semantic lexical distinctions (Bird et al., 2000), the effects of temporal lobe damage on noun processing (Cappa & Perani, 2003; Glosser & Donofrio, 2001), and the role of olfactory lexicon in metaphorical comprehension (Akbarian et al., 2025). More recently, however, research has expanded to encompass language processing in healthy individuals, leading to the identification of several key regions. Foundational studies implicated the frontal cortex and basal ganglia in morphosyntactic rule processing (Ullman, 1998), while subsequent work has highlighted the contribution of the right cerebellum to linguistic functions (Mariën et al., 2014).
A considerable body of evidence consistently points to the involvement of the left temporal lobe, specifically its middle, superior, and inferior subdivisions, in noun processing (Friederici et al., 2006; Gor, 2018; Meykadeh et al., 2021; Momenian et al., 2016; 2018). More recent neuroimaging research has further extended this network to include the superior temporal gyrus, prefrontal cortex, angular gyrus, anterior temporal cortex, and Broca's and Wernicke's areas (Ranjan & Singh, 2025). Additionally, regions such as the left inferior frontal gyrus, inferior parietal gyrus, insula, and central and precentral areas have been implicated in processing syntactic complexity (Bozic & Schwarz, 2025; Feng et al., 2020; Moseley & Pulvermüller, 2014; Russo et al., 2021; Slioussar et al., 2014). Cross-linguistic studies on affixation indicate that morphological complexity imposes increased cognitive demands (Clahsen, 2006; Lehtonen et al., 2006; Russo et al., 2021), with prefrontal activation intensity correlating positively with derivational complexity (Pliatsikas et al., 2014).
With specific reference to Persian, the inferior frontal lobe demonstrates the greatest activation during morphosyntactic processing, a finding corroborated in bilingual contexts (Meykadeh et al., 2021; Momenian et al., 2016; 2018). Meykadeh and colleagues (2024) further examined cerebellar involvement in bilingual grammatical judgments. Despite these advances, the neural substrates of noun processing under purely auditory stimulation remain insufficiently explored. Elucidating these regions is essential for constructing a comprehensive neural map for Persian speakers and, more broadly, for facilitating cross-linguistic neurolinguistic comparisons across typologically diverse language families.
3. Methodology
This fMRI study was conducted at the National Brain Mapping Laboratory in Tehran during spring and summer 2025. Twenty healthy, right-handed native Persian speakers (14 females, 6 males; age 21–47 years, mean 30.85) with university education and no exposure to other languages before age seven participated after providing written informed consent. The study received ethics approval from Tehran University of Medical Sciences (IR.IUMS.REC.1404.367).
Auditory stimuli comprised 36 target words derived from 18 nouns across three morphological types, simple, derived, and compound, presented in both singular and plural forms (with suffixes *‑hā* or *‑ān*). Recordings were made by a female native speaker using a Zoom H6 recorder and subsequently processed in Praat and Audacity (noise reduction, normalization, equalization, high‑pass filtering below 100 Hz, and dynamic range compression). The task employed a block design with 24 blocks (six analyzed here), each consisting of 20 seconds of auditory stimulation followed by 5 seconds of visual rest. Participants performed passive listening with no behavioral responses.
Imaging was performed on a Siemens Prisma 3T scanner. Structural images were acquired using a T1‑weighted MPRAGE sequence (1.1 mm³ voxels; TR = 1840 ms; TE = 2.43 ms), and functional images using an EPI sequence (3 × 3 × 3.3 mm³; TR = 2500 ms; TE = 30 ms; 48 slices; 23 volumes). Preprocessing via fMRIPrep included N4 bias correction, skull‑stripping, tissue segmentation (FSL FAST), surface reconstruction (FreeSurfer 7.3.2), and nonlinear registration to MNI space. Functional preprocessing involved motion correction, coregistration, nuisance regression (including framewise displacement, DVARS, and CompCor), high‑pass filtering (128 s cutoff), and outlier detection. BOLD data were resampled to fsLR surface space (91,000 grayordinates) and MNI subcortical space using cubic B‑spline interpolation.
4. Results
fMRI data analysis was performed in three stages using Nilearn and related Python libraries. First, a design matrix was constructed for each participant, modeling the BOLD response with the Glover HRF and a cosine drift model. Second, a General Linear Model was fitted to the preprocessed data in MNI space, and contrasts were computed comparing each experimental block to the rest condition; activation maps were thresholded at z > 2.3. Third, a second-level group analysis identified significant activation patterns across all participants at FDR-corrected p < 0.05 with a cluster extent threshold of 10 voxels. Activated regions were labeled using the AAL and Brodmann atlases.
Figure 1. Activated regions in the group-level analysis








Note. Simple (red), simple + affix (light blue), derived (dark blue), derived + affix (cyan), compound (orange), and compound + affix (sky blue) blocks, each compared to the rest condition. The final panel displays activated regions across all blocks combined. Each color, according to the aforementioned classification, represents one of the block types.
5. Discussion
fMRI analysis revealed significant activation differences across six experimental blocks (Kruskal–Wallis: χ² = 44.905, p < 0.0001). The derived and derived + affix blocks exhibited the highest median activation values (~6.0) and widest distribution ranges, while the compound block showed the lowest dispersion. First-level whole-brain analysis identified distinct spatial activation patterns for each block type, with maximum activation values ranging from 4.285 (simple nouns) to 5.413 (derived + affix) in a representative participant. Group-level analysis (FDR-corrected p < 0.05, cluster extent ≥10 voxels) revealed extensive language-related networks, including temporal, frontal, insular, cerebellar, and limbic regions. Notable peak activations included the left middle frontal/precentral/postcentral regions for simple nouns (z = 3.10), right middle temporal pole for simple + affix (z = 2.54), right cerebellum/fusiform for compound nouns (z = 3.18), and left Heschl's gyrus/superior temporal for compound + affix (z = 3.29). These findings demonstrate differential neural recruitment depending on morphological complexity and number marking.
6. Conclusion
This fMRI study examined auditory processing of simple, derived, and compound Persian nouns in singular and plural forms. Results revealed that affixation increases activation intensity and expands neural networks, particularly in frontal, temporal, and cerebellar regions. Morphological complexity recruited broader language-related and memory-related areas, supporting dual-route models of morphological processing and compositionality theory.

Acknowledgments
The researcher sincerely acknowledges the invaluable cooperation and assistance of Ms. Shaghayegh Karimi Alavijeh and Ms. Neda Mohammadi Mobarakeh.
Keywords
auditory processing
noun
plural suffix
Persian language
fMRI
Subjects

1. مقدمه

یکی از موضوعات کاربردی در زبان‌شناسی بالینی[1] و عصب‌زبان‌شناسی، عملکرد مغز هنگام پردازش گفتار است. گفتار زنجیره‌ای آوایی و حامل پیام‌های زبانی است (Whiteside, 1993). گرچه این پیام‌ها در همۀ زبان‌ها از همنشینی ارکان‌ صرفی، نحوی، معنایی، آوایی و واجی ساخته می‌شوند، دارای ویژگی‌های زبان‌ویژه‌ای[2] هستند که آنها را از نظر زبان‌شناختی و رده‌شناختی[3] متمایز می‌کند. چنین تمایزهایی ممکن است در سطوح شناختی، عصب‌شناختی و پردازشی نیز قابل ردیابی باشد (Wei et al., 2023). مطالعۀ این تمایزها می‌تواند نه‌تنها در ارزیابی‌های شناختی که در تشخیص و درمان اختلالات زبانی نیز نقش داشته باشد.

فرایند پردازش شنیداری حاصل تعاملات پیچیده میان حوزه‌های مختلف زبان از جمله حوزۀ واژگان است و به گویشوران امکان درک پیام‌های مستتر در گفتار را می‌دهد. مقولۀ اسم از کلیدی‌ترین عناصر پردازش گفتار و یکی از مفاهیم پایه‌ای در مطالعات زبانی است و نقش بنیادینی در انتقال مفاهیم نهفته در پیام‌های زبانی و شناسایی جهان خارج ایفا می‌کند (van der Auwera, 1985). یافتن نواحی فعال در مغز هنگام پردازش و درک این فرایند یکی از جنبه‌های اصلی عملکرد مغز است.

2. پیشینه پژوهش

پژوهش در این حوزه با تمرکز بر بیماری‌ها و اختلالات آغاز شده است. مطالعۀ تولید و پردازش اسم (Friedmann et al., 2000)، تفاوت واژگانی از منظر معنایی (Bird et al., 2000)، تغییرات در روند تولید و پردازش اسم ناشی از آسیب در لوب گیجگاهی[4] (Cappa & Perani, 2003; Glosser & Donofrio, 2001) و پژوهش اکبریان و همکاران[5] (2025) با تمرکز بر نقش واژگان بویایی در پردازش استعاری[6] از آن جمله‌اند. با این حال، در سال‌های اخیر پردازش زبانی در افراد سالم نیز مورد توجه قرار گرفته است و برخی نواحی فعال مغز مشخص شده‌اند. در یکی از قدیمی‌ترین مطالعات، قشر پیشانی[7] و عقده‌های قاعده‌ای[8] مسئول پردازش قاعده‌های صرفی و نحوی شناخته شده است (Ullman, 1998). در مقالۀ مروری ماریان[9] و همکاران (2014) نقش مخچۀ راست[10] در پردازش زبان مطالعه شده است. بسیاری از پژوهش‌های پیشین نشان می‌دهند که لوب گیجگاهی میانی[11]، فوقانی[12] و تحتانی چپ[13] در پردازش اسم نقش دارند (Friederici et al., 2006; Gor, 2018; Meykadeh et al., 2021; Momenian et al., 2018; Momenian et al., 2016). در یکی از پژوهش‌های اخیر fMRI، از شکنج گیجگاهی فوقانی[14] ، قشر پیش‌پیشانی[15]، شکنج زاویه‌ای[16]، قشر قدامی گیجگاهی[17] و نواحی بروکا[18] و ورنیکه[19] نیز به‌عنوان نواحی مهم در پردازش ابعاد مختلف اسم و فعل نام برده شده است (Ranjan & Singh, 2025). شکنج پیشانی میانی تحتانی چپ[20]، شکنج آهیانۀ تحتانی[21]، شکنج گیجگاهی فوقانی چپ[22]، اینسولا[23] و نواحی مرکزی و پیش‌مرکزی[24] از دیگر نواحی فعال در پردازش پیچیدگی‌های نحوی اسم و فعل‌اند (Bozic & Schwarz, 2025; Feng et al., 2020; Moseley & Pulvermüller, 2014; Russo et al., 2021; Slioussar et al., 2014). نتایج مطالعات دربارۀ وند در زبان‌های مختلف نیز نشان می‌دهد که افزودن این عنصر زبانی موجب بار شناختی[25] بیشتری می‌شود (Clahsen, 2006; Lehtonen, Vorobyev et al., & Laine, 2006; Russo et al., 2021). برخی مطالعات نیز نشان می‌دهند که شدت فعال‌سازی قشر پیش‌پیشانی در پردازش واژه‌های مشتق نسبت به انواع دیگر بیشتر است و میان این مقدار و میزان پیچیدگی ساخت‌واژی کلمات رابطۀ مستقیمی وجود دارد (Pliatsikas et al., 2014).

در مطالعات مربوط به فارسی نیز، لوب پیشانی تحتانی بیشترین میزان فعالیت را هنگام پردازش مشخصه‌های صرفی ـ نحوی داشته است. این ناحیه در پژوهش‌های مربوط به دوزبانگی[26] نیز مسئول پردازش پیچیدگی‌های ساختاری معرفی شده است (Meykadeh et al., 2021; Momenian et al., 2018; Momenian et al., 2016). میکده و همکاران[27] (2024) نقش مخچه را در قضاوت دستوری دوزبانه‌ها بررسی کرده‌اند. با این حال، به نظر می‌رسد که شناسایی نواحی فعال در پردازش اسم در مواجهه با محرک‌های صرفاً شنیداری چندان مورد توجه نبوده است. یافتن این نواحی یکی از پازل‌های نقشۀ مغزی گویشوران هر زبان، از جمله زبان فارسی، است. از این‌رو، چنین مطالعاتی می‌توانند مسیر درک عملکرد مغز گویشوران این زبان را هنگام پردازش گفتار هموار کنند و با ارائۀ نقشۀ مغزی زبانی مقایسۀ عصب‌زبان‌شناختی زبان‌های متعلق به خانواده‌ها و رده‌های مختلف را امکان‌پذیر سازد.

هدف پژوهش حاضر، یافتن نواحی فعال مغز هنگام پردازش شنیداری انواع ساخت‌واژی اسم در فارسی با توجه به مشخصۀ تصریفی شمار[28] است. بر این اساس، طرح دو پرسش‌ ضروری به نظر می‌رسد: هنگام پردازش شنیداری اسم‌های بسیط و غیربسیط (مشتق و مرکب) زبان فارسی کدام نواحی مغز فعال می‌شود؟ وجود یا عدم وجود وندهای تصریفی جمع (ـ‌ها/ـان) چه تغییری در نواحی فعال‌شده ایجاد می‌کند؟ در پاسخ به این پرسش‌ها، تکلیفی شش‌بلوکی برای استفاده در دستگاه تصویربرداری تشدید مغناطیسی عملکردی (fMRI) طراحی شد. علت انتخاب این روش، امکان تصویربرداری و ثبت نواحی فعال مغز با وضوح مکانی بالا به‌صورت غیرتهاجمی[29] (Ogawa et al., 1993) بود. محرک‌های مورد بحث شامل اسم‌های بسیط، مشتق و مرکبی بود که یک بار در حالت مفرد و بار دیگر همراه با وند تصریفی جمع به‌صورت شنیداری ارائه و به‌طور تصادفی بین سایر بلوک‌ها توزیع شد.

3. روش

داده‌های این پژوهش در بهار و تابستان 1404 در آزمایشگاه ملی نقشه‌برداری مغز ، واقع در شهر تهران، ثبت شد. در این بخش جزئیات و اطلاعات مربوط به شرکت‌کنندگان، محرک‌های آزمایش و شیوۀ اجرای آن، ثبت داده‌ها، پروتکل‌های تصویربرداری ساختاری و عملکردی ، پیش‌پردازش[30] ، پردازش تصاویر و تحلیل‌ آماری شرح داده می‌شود.

3ـ1. شرکت‌کنندگان

شرکت‌کنندگان از طریق فراخوان و با توجه به چند شرط در پژوهش حاضر شرکت کردند. معیارهای ورود[31] عبارت بود از: سلامت عمومی، بازۀ سنی 20 تا 50 سال، راست‌دستی، تحصیلات دانشگاهی و زبان مادری فارسی؛ به این معنی که پیش از هفت سالگی در معرض زبانی غیر از زبان فارسی قرار نگرفته باشند (Krashen, 1973). معیارهای خروج[32] نیز عبارت بود از: وجود فلز در بدن، ترس از فضای بسته، اختلالات شنوایی، زبانی، عصبی و یا روان‌پزشکی. با توجه به غربالگری دقیقی که پیش از شروع آزمایش انجام گرفت، هیچ داده‌ای به‌دلیل مغایرت با شروط پژوهش حذف نشد.

با توجه به این نکته که حجم نمونه در پژوهش‌های fMRI باید حداقل 15 نفر باشد (Friston, 2012)، داده‌های 21 نفر ثبت شد؛ اما به‌دلیل اجرا نشدن تکلیف، داده‌های یک نفر حذف و تحلیل نهایی بر اساس داده‌های 20 نفر (14 زن و 6 مرد) انجام شد. همۀ شرکت‌کنندگان دانشجو یا دانش‌آموختۀ مقاطع تحصیلی کارشناسی، کارشناسی ارشد و دکترا بودند و در ردۀ سنی 21 تا 47 سال (میانگین = 85/30 و انحراف معیار = 78/7) قرار داشتند. همۀ افراد سالم و فارسی‌زبان بودند و راست‌دستی آنان از طریق کسب 10 امتیاز در آزمون دست‌برتری ادینبورگ[33] تأیید شد. هیچ یک از آنان، طبق خوداظهاری کتبی، سابقۀ ابتلا به اختلالات شنوایی، زبانی و بیماری‌های عصبی و روان‌پزشکی نداشتند. گفتنی است که با توجه به همگنی جامعۀ آماری، اهداف پژوهش و عدم نیاز به گروه کنترل، به گزارش ویژگی‌های مردم‌شناختی[34] مطرح‌شده اکتفا شد و ضرورتی برای بررسی آماری شاخص چهارعاملی وضعیت اجتماعی ـ اقتصادی هالینگزهد[35] (1975) دیده نشد.

این پژوهش مطابق اعلامیۀ هلسینکی در کمیتۀ اخلاق دانشگاه علوم پزشکی تهران با شناسۀ IR.IUMS.REC.1404.367 تصویب شده است. شرکت‌کنندگان رضایت‌نامۀ کتبی شرکت در پژوهش را پیش از شروع آزمایش مطالعه و امضا کردند. اطلاعات فردی و بالینی هر فرد از طریق پرسشنامه‌های استاندارد ارائه‌شده در آزمایشگاه ملی نقشه‌برداری مغز گردآوری و سلامت عمومی آنان نیز از سوی پزشک مستقر در همان مرکز تأیید شد. در پایان، از شرکت‌کنندگان برای مشارکت در پژوهش حاضر قدردانی شد.

3ـ2. محرک‌های آزمایش

برای یافتن نواحی فعال مغز هنگام پردازش شنیداری اسم در زبان فارسی، شرکت‌کنندگان در معرض شش بلوک متشکل از شش گروه محرک شنیداری قرار گرفتند. هر یک از گروه‌ها به یکی از انواع ساخت‌واژی اسم (بسیط، مشتق، مرکب) یک بار در حالت مفرد و بار دیگر در حالت جمع (همراه با پسوند تصریفی ـ‌ها یا ـان) اختصاص یافت. مبنای انتخاب کلماتِ هدف، وضعیت ساخت‌واژی مطرح در پرسش‌های پژوهش و تأثیر مشخصۀ شمار بود. بر این اساس، 18 کلمه انتخاب شد. با لحاظ کردن دو حالت مفرد و جمع، درنهایت از 36 کلمۀ هدف، در تکلیف fMRI استفاده شد. این کلمات با صدای یک گویشور زن فارسی‌زبان و با لحن و سرعت طبیعی خوانده و در اتاق آکوستیک آزمایشگاه آواشناسی دانشگاه الزهرا با دستگاه ضبط‌صوت زوم شش (فرمت WAV، با نرخ نمونه‌گیری 16 بیت و 44000 هرتز، در فاصلۀ 25 سانتی‌متری از دهان گوینده) ضبط شد. فایل‌ صوتی حاصل با توجه به تعداد و مدت زمان بلوک‌های تعریف‌شده در تکلیف fMRI در نرم‌افزار پرات[36] تقطیع و زمان‌بندی شد. سپس، برای بهبود کیفی محرک‌های ضبط‌شده و افزایش سازگاری آنها با دستگاه MRI از نرم‌افزار اوداسیتی[37] استفاده شد. تنظیمات لازم برای فرایند گفته‌شده به قرار زیر است: کاهش نوفه[38]، نرمال‌سازی[39] (1- دسی‌بل)، نرمال‌سازی بلندی[40] (23- )، برابرسازی (EQ)، کاهش فرکانس‌های کم‌تر از 100 هرتز و درنهایت، فشرده‌سازی محدودۀ دینامیکی[41] برای افزایش وضوح محرک‌ها در برابر نوفه‌های محیط MRI.

تکلیف fMRI با نرم‌افزار سایکوپای[42] به‌صورت بلوکی در 24 بلوک طراحی شد. از این تعداد، با توجه به پرسش‌های پژوهش به تحلیل شش بلوک در مقالۀ حاضر بسنده می‌شود. هر بلوک شامل 20 ثانیه محرک شنیداری (متشکل از شش کلمۀ هدف و پنج سکوت) و پنج ثانیه محرک دیداری (یک علامت جمع سیاه‌رنگ در مرکز یک صفحۀ سفید) به‌عنوان استراحت است. شیوۀ طراحی تکلیف با توجه به هدف پژوهش و ماهیت طراحی بلوکی انتخاب شد (Williams et al., 2014). توزیع کلمات هدف در هر بلوک تصادفی بود. کلمات با ترتیبی یکسان برای هر شرکت‌کننده پخش ‌شد. به‌عنوان مثال، بلوک اول حامل شش اسم بسیط و بلوک دوم حامل شش اسم بسیط + پسوند تصریفی جمع (ـ‌ها/ـان) بود.

3ـ3. شیوۀ اجرای آزمایش

در این آزمایش از یک تکلیف ذهنی[43] استفاده شد. به بیان دیگر، طی اجرای تکلیف نیازی نبود شرکت‌کنندگان با فشار دادن دکمه یا انجام کاری به محرک‌ها پاسخ دهند. از این‌رو، هیچ‌گونه پاسخ رفتاری مستقیمی دریافت و ثبت نشد. جهت انجام آزمایش به‌صورت دوسوناشناس[44]، دستورالعمل‌ها به‌گونه‌ای ارائه شد که هدف اصلی مطالعه برای شرکت‌کنندگان نامشخص باشد. سپس، شرکت‌کنندگان وارد دستگاه MRI شدند و از طریق یک هدفون روگوشی در معرض محرک‌های شنیداری تکلیف fMRI قرار گرفتند. از آنان درخواست شد بدون حرکت و با چشمان باز در دستگاه قرار گیرند و هنگام پخش محرک‌ها، به آنچه می‌شنوند بادقت گوش کنند و بر آن متمرکز شوند. افزون‌بر این، قرار شد به‌محض مشاهدۀ یک علامت جمع سیاه‌رنگ در مرکز یک صفحۀ سفید، دیگر به محرک‌های قبلی فکر نکنند و به ذهن خود استراحت دهند. درنهایت، به آنان اطمینان داده شد که در صورت بروز هرگونه احساس ناراحتی یا اضطراب می‌توانند با فشار دادن دکمۀ اضطراری با اپراتور ارتباط برقرار کنند و درخواست توقف تصویربرداری و خروج از دستگاه را داشته باشند. هر شرکت‌کننده یک بار در آزمایش شرکت کرد. هر جلسه حدود 45 دقیقه به طول انجامید. 25 دقیقه از این بازۀ زمانی به ویزیت پزشک، ارائۀ دستورالعمل و آماده شدن شرکت‌کننده برای ورود به دستگاه و حدود 20 دقیقه از آن به تصویربرداری ساختاری و اجرای کامل تکلیف اختصاص داشت.

3ـ4. پروتکل تصویربرداری

پروتکل‌های تصویربرداری با توجه به پژوهش‌های پیشین و توصیۀ کارشناسان بخش MRI آزمایشگاه ملی نقشه‌برداری مغز تعیین شد. تصویربرداری و ثبت داده‌های fMRI با اسکنر MRI سه تسلا زیمنس مدل پریزما[45]، کویل سر 20کاناله[46] ، هدفون روگوشی و دکمۀ اضطراری در آن آزمایشگاه ثبت شد. طبق پروتکل‌‌ (جدول 1)، تصویربرداری ساختاری با وضوح بالا و تصویربرداری عملکردی در حالت استراحت انجام گرفت. در تصاویر ساختاری از توالی سه‌بعدی T1MPRAGE و در تصاویر عملکردی[47] از تصویربرداری اکوصفحه‌ای[48] (EPI) استفاده شد. تصویربرداری عملکردی (با 23 والیوم و زمان تکرار 2500 هزارم‌ثانیه) حدود 575 هزارم‌ثانیه ادامه یافت. هر والیوم شامل 48 برش بود (جدول 1).

جدول 1. پروتکل تصویربرداری

تصویر

پروتکل

ساختاری

T1_mprage_tra

عملکردی

Ep2d_Main (Bold fMRI)

 وکسل

1/1 × 1/1 × 1/1 میلی‌متر مکعب

3 × 3 × 3/3 میلی‌متر مکعب

ماتریس

224 × 224

76 × 76

اکو

43/2 میلی‌ثانیه

30 میلی‌ثانیه

تکرار

1840 میلی‌ثانیه

2500 میلی‌ثانیه

برش

1 میلی‌متر

3 میلی‌متر

میدان دید

224 میلی‌متر

230 میلی‌متر

چرخش

8 درجه

90 درجه

3ـ5. پیش‌پردازش داده‌های ساختاری

تصاویر ساختاری برای هر یک از شرکت‌کنندگان از مجموعه‌دادۀ BIDS (Esteban et al., 2019) استخراج و باfMRIPre 25.0.0 طی چند مراحل پردازش شد. ابتدا نبود یک‌نواختی شدت نور با الگوریتم N4BiasFieldCorrection اصلاح شد. از تصاویر به‌دست‌آمده در مراحل بعدی به‌عنوان مرجع T1w استفاده شد. با به‌کارگیری اسکریپت اصلاح‌شدۀ antsBrainExtraction.sh در قالب نیپایپ[49]، جمجمه از تصویر مرجع حذف شد. با استفاده از FAST در بستۀ نرم‌افزاری FSL بافت‌های مغزی شامل مادۀ خاکستری، مادۀ سفید و مایع نخاعی بر روی نسخۀ بدون جمجمۀ T1w تقسیم‌بندی شد. سپس دو سطح قشری و زیرقشری در نرم‌افزار FreeSurfer 7.3.2 با استفاده از دستور recon-all بازسازی شد. ماسک مغزی حاصل از مراحل پیشین در این مرحله برای افزایش میزان دقت به‌کار رفت. برای نرمال‌سازی مکانی از ابزار antsRegistration استفاده و ثبت غیرخطی تصویر T1w در فضای استاندارد انجام شد. قالب MNI152NLin2009cAsym از مخزن TemplateFlow نسخۀ 24.2.2 فراخوانی و به‌عنوان فضای استاندارد به‌کار گرفته شد.

3ـ6. پیش‌پردازش داده‌های عملکردی

پیش‌پردازش هریک از ثبت‌های بولد[50] (هر ثبت برای هر شرکت‌کننده) با نرم‌افزار fMRIPrep 25.0.0 در چند مرحله انجام شد. برای تصحیح حرکات سر، یک حجم مربع از داده‌های بولد با روش اختصاصی fMRIPre تولید شد. پیش از اعمال هرگونه فیلترگذاری زمانی یا مکانی، شش پارامتر مربوط به چرخش و جابه‌جایی و ماتریس‌های تبدیل (پارامترهای حرکت سر) با استفاده از mcflit با تقریب محاسبه شد. سپس، حجم مرجع بولد با استفاده از ابزار bbregister در تصویر مرجع ساختاری به‌صورت ثبت مبتنی بر مرز و با شش درجۀ آزادی[51] انجام گرفت. با محاسبۀ چند سری زمانی مزاحم از روی داده‌های بولد که پیش‌پردازش شده بودند، کنترل نوفه از طریق جابه‌جایی قاب‌به‌قاب[52] (FD) صورت گرفت و نوسانات مشتق از سیگنال (DVARS) و سیگنال‌های جهانی در نواحی مادۀ سفید و مایع مغزی و در کل مغز اعمال شد. برای حذف نوفه‌های فیزیولوژیک نیز رگرسورهای نوفه‌ای[53] با روش CompCor استخراج شد. مؤلفه‌های اصلی در دو نسخۀ زمانی (استخراج مؤلفه‌ها از 2% بالاترین وکسل‌های[54] متغیر در ماسک مغز[55]) و ساختاری (تولید ماسک‌های CSF، WM و CSF + WM) بعد از فیلتر بالاگذر با فیلتر کسینوسی گسسته با آستانۀ قطع 128 ثانیه تخمین زده شد. پارامتر جابه‌جایی سر در مرحلۀ تصحیح به دست آمد و در فایل‌های confound درج شد. سری‌های زمانی مزاحم موردبحث با مشتقات زمانی و ضریب‌های درجۀ دو گسترده شدند. قاب‌هایی با مقدار FD بیشتر از 5/0 میلی‌متر یا مقدار DVARS استانداردشدۀ بیشتر از 5/1 به‌عنوان فریم‌های پرحرکت علامت‌گذاری شدند. دیگر سری زمانی مزاحم نیز با استفاده از تحلیل مؤلفه‌های اصلی بر روی سیگنال موجود در یک نوار باریک از وکسل‌ها در لبۀ مغز استخراج شد. درنهایت، بازنمونه‌برداری داده‌های بولد به فضای قالب متقارن چپ/راست fsLR با استفاده ازConnectome Workbench (Glasser et al., 2013) انجام شد. فایل‌های grayordinates با 91000 نمونه ایجاد شد و بدین‌ترتیب، امکان نگاشت داده‌های سطحی به فضای fsLR و داده‌های زیرقشری به فضای MNI152NLin6Asym با وضوح 2 میلی‌متری فراهم شد. گفتنی است که ترکیب همۀ تبدیل‌ها به‌صورت یک مرحلۀ درون‌یابی[56] واحد با بازنمونه‌برداری حجمی با nitransforms و درون‌یابی cubic B-spline انجام شد.

4. یافته‌ها

تحلیل داده‌های fMRI با کتابخانه‌های nilearn، nibabel، numpy و pandas در پایتون نسخۀ 3.11.6 و با استفاده از داده‌های پیش‌پردازش‌شده در فضای MNI و ماسک مادۀ خاکستری در سه مرحله انجام شد.

در مرحلۀ اول برای هر شرکت‌کننده با توجه به بلوک‌های آزمایش یک ماتریس طراحی و با استفاده از نوع Glover مدل HRF و نوع Cosine مدل drift مدل‌سازی انجام شد.

در مرحلۀ دوم برازش[57] مدل خطی عمومی[58] (GLM) با سیگنال‌های پیش‌پردازش‌شدۀ همسو در قالب فضای استاندارد[59] (MNI) انجام شد و سه نوع کنتراست برای هر شرکت‌کننده محاسبه گردید: هر بلوک در مقایسه با زمان استراحت، بلوک دیگر (جفتی) و همۀ بلوک‌ها. در مقالۀ حاضر، کنتراست سه گزارش نمی‌شود. جدول 2 نتایج آزمایش یکی از شرکت‌کنندگان را نشان می‌دهد که در آن هر یک از بلوک‌ها با حالت استراحت مقایسه شده است. مختصات مکانی دقیق نشان می‌دهد که بیشترین مقدار فعال‌سازی برای هر بلوک در کدام وکسل رخ داده است. سپس، نقشه‌های نواحی فعال استخراج و در نقشۀ خودکار ساختار مغز[60] (AAL) و اطلس برودمن[61] ارائه شد. برای حفظ معنی‌داری نواحی فعال، مقدار ثابت 3/2 در نظر گرفته شد و مقادیر کم‌تر حذف گردید

جدول 2. مختصات مکانی مقدار فعال‌سازی بیشینه (max_z) برای هر بلوک در دادۀ ثبت‌شده از شرکت‌کنندۀ سوم

بلوک

مقدار فعال‌سازی بیشینه

محور x

محور y

محور z

 اسم بسیط

285083/4

55

57

28

اسم بسیط + وند

355526/4

61

66

65

اسم مشتق

936915/4

32

25

25

اسم مشتق + وند

413447/5

37

22

35

اسم مرکب

344899/5

63

23

40

اسم مرکب + وند

152505/5

39

75

28

 

در مرحلۀ سوم، روش سطح دوم[62] برای تحلیل گروهی داده‌های fMRI به‌کار رفت تا الگوهای فعال‌سازی معنی‌دار همۀ شرکت‌کنندگان مشخص شود. در این مرحله، مدل خطی تعمیم‌یافته (GLM) در SecondLevelModel کتابخانۀ Nilearn به‌کار برده شد. سپس مدل آماری گروهی ایجاد و میزان معنی‌داری نواحی فعال‌شده تعیین گردید. درنهایت، نواحی ساختاری شناسایی‌شده در نقشۀ خودکار ساختار مغز (Rolls et al., 2020) مطابق با اطلس برودمن (Zilles, 2018) نیز برچسب‌گذاری شد (جدول 3). گفتنی است که همۀ نواحی ثبت‌شده در جدول موردنظر به‌لحاظ آماری معنی‌دارند (p < 0.05).

جدول 3. نتایج معنی‌دار نواحی مغزی در آستانۀ  FDR (تصحیح‌شده) با p < 0.05 و آستانۀ گستردگی 10 وکسل

کنتراست

خوشه

نواحی فعال

برودمن

مختصات

بیشینۀ مقدار z

سطح معنی‌داری

x

y

z

بسیط > استراحت

78

پیشانی میانی، پیش‌مرکزی و پس‌مرکزی چپ

3، 4، 6

50-

4-

54

10081/3

00193/0

 

39

لوب پیشانی میانی و مثلثی چپ

10، 46

44-

44

20

74552/2

00604/0

 

52

لوب پیشانی میانی و فوقانی چپ

9، 10

34-

46

28

92624/2

00343/0

 

13

شکنج دوکی‌شکل ولوب گیجگاهی تحتانی چپ

20

32-

12-

40-

61222/2

009/0

 

63

کروس 2 و لوبول 7ب مخچۀ چپ

-

24-

86-

44-

86552/2

00416/0

 

17

قطب‌های میانی و فوقانی لوب گیجگاهی چپ

38

24-

20

36-

47582/2

01329/0

 

13

لوب پیشانی فوقانی چپ

10

24-

54

0

78908/3

01543/0

 

16

هیپوکامپ و پاراهیپوکامپ چپ

34، 28، آمیگدال

18-

12-

20-

91666/2

00354/0

 

12

آمیگدال و هیپوکامپ چپ

آمیگدال

18-

6-

12-

89636/2

00378/0

 

54

سینگولۀ میانی راست، نواحی حرکتی مکمل راست و چپ

6، 8، 32

8

12

52

85453/2

00431/0

 

16

کروس 1 و 2 مخچۀ راست

-

18

74-

32-

50118/2

01238/0

 

38

آمیگدال، هیپوکامپ و پاراهیپوکامپ راست

آمیگدال، 34

24

6-

12-

87663/2

00402/0

 

17

لوب پیشانی میانی و فوقانی راست

10

30

58

6

6627/2

00775/0

 

15

بخش پیش‌مرکزی و لوب پیشانی میانی راست

6، 9

42

2

40

55227/2

0107/0

 

17

اینسولا و لوب گیجگاهی فوقانی راست

13

46

2

14-

87372/2

00406/0

 

14

شکنج دوکی‌شکل، کروس 1 مخچه و لوب گیجگاهی تحتانی راست

36، 37

52

40-

24-

73122/2

00631/0

بسیط + وند > استراحت

96

لوب گیجگاهی میانی و فوقانی چپ

21، 22

64-

6-

2-

824764/2

004732/0

 

22

لوب گیجگاهی میانی چپ

22

62-

38-

4

804099/2

005046/0

 

28

اینسولای چپ

47، 13

32-

18

10-

741109/2

006123/0

 

24

مخچه و شکنج دوکی‌شکل راست

-

32

36-

30-

18447/3

00145/0

 

18

قطب میانی لوب گیجگاهی راست

21، 38

46

12

34-

540903/2

011057/0

 

20

لوب گیجگاهی تحتانی راست

20، 37

52

42-

24-

982365/2

00286/0

 

55

لوب گیجگاهی فوقانی و میانی راست

21، 22

70

26-

0

763386/2

005721/0

مشتق > استراحت

13

لوب پیشانی تحتانی (اپراتور) و مثلثی چپ

-

52-

16

2

711931/2

006689/0

 

10

لوب گیجگاهی تحتانی و شکنج دوکی‌شکل چپ

-

36-

2-

2

739334/2

006156/0

 

85

اینسولای چپ

13، 47، 45

32-

20

8-

05777/3

00223/0

 

10

هیپوکامپ و پاراهیپوکامپ چپ

-

30-

26-

16-

461989/2

013817/0

 

34

بخش‌ پیش‌مرکزی و لوب پیشانی میانی راست

6

28

6-

50

680057/2

007361/0

 

10

اوربیتوفرونتال جانبی و لوب پیشانی میانی راست

-

38

48

12-

550826/2

010747/0

 

53

لوب پیشانی تحتانی (اپراتور) و مثلثی راست

44، 45

52

14

14

729333/2

006346/0

مشتق + وند > استراحت

24

لوب گیجگاهی میانی و فوقانی چپ

21

56-

16-

4-

861508/2

004216/0

 

11

ناحیۀ کنار حاشیۀ چپ، بخش‌های رولاندیک (اپراتور) و سوپرامارجینال چپ

40

50-

26-

20

972428/2

002955/0

 

26

مخچۀ 2، 7ب و 8 راست

-

22

76-

48-

530678/2

011384/0

 

10

بخش‌های فوقانی لوب آهیانه‌ای و پس‌مرکزی راست

7

14

50-

76

907183/2

003647/0

 

13

لوب پس‌سری فوقانی راست

19

18

92-

28

640904/2

008269/0

 

25

بخش‌های زاویه‌ای و سوپرامارجینال راست

-

50

46-

30

533743/2

011285/0

 

26

لوب گیجگاهی میانی و فوقانی راست

21، 22

54

30-

2

875402/2

004035/0

مرکب > استراحت

96

لوب گیجگاهی میانی و فوقانی چپ

21، 22

64-

6-

2-

824764/2

004732/0

 

28

اینسولای چپ

13، 47

32-

18

10-

741109/2

006123/0

 

24

مخچۀ 4، 5 و 6 و شکنج دوکی‌شکل راست

-

32

36-

30-

18447/3

00145/0

 

18

لوب گیجگاهی میانی راست

21، 38

46

12

34-

540903/2

011057/0

 

13

بخش میانی قطب و تحتانی لوب گیجگاهی راست

21

50

12

40-

598605/2

00936/0

 

20

لوب گیجگاهی تحتانی راست

20، 37

52

42-

24-

982365/2

00286/2

 

55

لوب گیجگاهی میانی و فوقانی راست

21، 22

70

26-

0

763386/2

005721/0

مرکب + وند > استراحت

222

هاچل و فوقانی لوب گیجگاهی میانی و فوقانی چپ

21، 22، 42

62-

10-

0

299228/3

00097/0

 

49

لوب گیجگاهی فوقانی و سوپرامارجینال چپ

13، 41، 42

 

46-

40-

20

733511/2

006266/0

 

17

لوب پیشانی مثلثی چپ

9

50-

16

28

664537/2

007709/0

 

28

لوب گیجگاهی میانی و فوقانی چپ

-

48-

18-

6-

697512/2

006986/0

 

16

مخچۀ 6 و کروس 1 و شکنج دوکی‌شکل چپ

37

 

40-

56-

24-

659291/2

 

007831/0

 

33

شکنج دوکی‌شکل، لوب گیجگاهی تحتانی و مخچۀ 6 راست

20، 36، 37

50

42-

24-

632252/2

008482/0

 

19

لوب پیشانی تحتانی (اپراتور) و مثلثی راست

-

46

12

18

617121/2

008867/0

 

18

لوب گیجگاهی میانی و فوقانی راست

21، 22

68

24-

2-

602064/2

009266/0

4ـ1. یافته‌های fMRI

در ادامه، شاخص توصیفی آماری بلوک‌ها، نتایج تحلیل سطح ـ اول (FLA) و نتایج تحلیل سطح ـ دوم (SLA) به‌ترتیب ارائه می‌شود.

4ـ1ـ1. شاخص توصیفی آماری بلوک‌ها

نمودار 1 مقدار بیشینۀ فعال‎سازی در هر بلوک را نشان می‌دهد. میانگین، انحراف معیار و واریانس حاصل به تفکیک گروه‌ها به شرح زیر است: بسیط (3520/4، 11542/0، 51619/0)؛ بسیط + وند (8005/4، 12846/0، 57450/0)؛ مشتق (5810/5، 59944/0، 359/0)؛ مشتق + وند (1125/6، 13838/0، 61885/0)، مرکب (8900/4، 42549/0، 181/0) و مرکب + وند (1520/5، 43949/0، 181/0) و مرکب + وند (1520/5، 43949/0، 193/0). با توجه به نتیجۀ آزمون شاپیرو ـ ویلک[63]، توزیع داده‌ها نرمال نبود. بنابراین، سطح معنی‌داری کل با آزمون کروسکال ـ والیس[64] محاسبه شد. طبق نتایج حاصل، تفاوت‌ها بین بلوک‌ها (آمارۀ 905/44 و مقدار احتمال 0001/0) معنی‌دار است.

بلوک اسم مشتق + وند و اسم مشتق بیشترین میانه (حدود 6/0) و وسیعترین دامنۀ توزیع (در بازۀ تقریبی 5 تا 7) را داراست (نمودار 1). از این‌رو به نظر می‌رسد شدت فعال‌سازی در این دو بلوک در مقایسه با سایر بلوک‌ها بیشتر بوده است. مقدار میانه در سایر بلوک‌ها کمتر است و در بازۀ 4 تا 5/5 قرار می‌گیرد. در بلوک اسم بسیط + وند، برخی داده‌ها خارج از روند معمول است و پراکندگی بیشتری وجود دارد. کمترین میزان پراکندگی و میانه متعلق به بلوک مرکب است.

نمودار 1. مقدار بیشینۀ فعال‌سازی در هر بلوک (بسیط = S، بسیط + وند = SA، مشتق = D، مشتق + وند = DA ، مرکب = C، مرکب + وند = CA)

4ـ2. نتایج تحلیل سطح ـ اول

تحلیل سطح ـ‌ اول (FLA) با رویکرد کل ـ مغز[65] انجام شد. به این صورت که مختصات مکانی مقدار فعال‎سازی بیشینه در هر بلوک (در مقایسه با وضعیت استراحت) برای هر شرکت‌کننده به‌دست آمد. برای نمونه، جدول 2 این مقدار را در مغز یکی از شرکت‌کنندگان نشان می‌دهد. مختصات براساس MNI ارائه شده و هر عدد یک موقعیت مکانی را نشان می‌دهد. مقدار مثبت محورهای x، y و z به‌ترتیب نواحی راست، قدامی و فوقانی مغز را نشان می‌دهد. ویژگی‌ مختصات فعال در هر بلوک عبارت است از: فعالیت ناحیۀ مرکزی و فوقانی راست (بسیط)؛ فعال‌سازی گسترده در نواحی فوقانی و احتمالاً قشر پیش‌پیشانی (بسیط + وند)؛ بخش جلو و میانی راست (مشتق)؛ ناحیه‌ای بالاتر و قدامی‌تر از بلوک قبلی (مشتق + وند)؛ ناحیۀ بالاتر و جلوتر در سمت راست نسبت به بلوک‌های مشتق (مرکب)؛ و ناحیه‌ای کاملاً قدامی در سمت راست (مرکب + وند).

برای این فرد، کمترین میزان فعال‌سازی برابر با 285083/4 و در پردازش اسم‌های بسیط و بیشترین میزان برابر با 413447/5 و مربوط به پردازش اسم‌مشتق + وند جمع بوده است (جدول 2). شکل 1 نواحی فعال در مغز همان فرد را هنگام پردازش شش بلوک تکلیف نشان می‌دهد. در تصویر پائین همان شکل از نقشۀ‌ فعال‌سازی نیز استفاده شده است.

 

 

شکل 1. نواحی فعال‌شده در بلوک‌های یک شرکت‌کننده با گستردگی 10 وکسل (بالا) و نواحی فعال‌شدۀ بیشینه در بلوک‌های در همان فرد با گستردگی 10 وکسل (پائین)؛ توضیحات تصویر اول: قرمز (بسیط)، سبز (مرکب)، آبی تیره (مشتق)، صورتی (بسیط + وند)، آبی روشن (مشتق + وند)، زرد (مرکب + وند)

3ـ4. تحلیل سطح ـ دوم

نواحی فعال هر بلوک در جدول 3 خلاصه شده است. نتایج ارائه‌شده در آستانۀ  FDR (تصحیح‌شده) با p < 0.05 و آستانۀ گستردگی 10 وکسل[66] معنی‌دار است که در ادامه شرح داده می‌شود. در بخش گزارش نواحی فعال، عمدتاً بخش‌های مرتبط با زبان ارائه شده است. اعداد داخل پرانتز نیز همان نواحی را در برودمن نشان می‌دهند.

  • بسیط > استراحت. 37 خوشۀ[67] فعال با توزیع ساختاری پراکنده‌ در هشل[68] چپ (41)، اینسولای چپ (13 و 14) و راست، هیپوکامپ[69] و پاراهیپوکامپ[70] چپ و راست، لوب گیجگاهی میانی و لوب گیجگاهی فوقانی چپ و راست (21 و 22)، لوب گیجگاهی تحتانی (37)، مخچۀ چپ و راست، لوب پیشانی تحتانی، میانی و فوقانی چپ (8، 9، 46، 10، 44 و 45)، کنار حاشیۀ چپ (24، 32 و 33)، شکنج دوکی‌شکل[71] چپ (37)، نواحی پیش‌مرکزی و پس‌مرکزی چپ (3، 4، 6). بیشترین مقدار فعال‌سازی در این بلوک به قشر پیشانی میانی و نواحی پیش‌مرکزی و پس‌مرکزی چپ با مقدار عددی 10081/3 تعلق دارد.
  • بسیط + وند > استراحت. 10 خوشۀ فعال در لوب گیجگاهی میانی و فوقانی چپ (21 و 22)؛ اینسولای چپ (47 و 13)؛ مخچۀ راست، شکنج دوکی‌شکل راست، لوب گیجگاهی تحتانی و لوب گیجگاهی میانی راست (38، 21، 37، 20 و 22). بیشترین میزان فعال‌سازی در قطب میانی لوب گیجگاهی راست با مقدار عددی 540903/2 دیده می‌شود.
  • مشتق > استراحت. هفت خوشه در پیشانی تحتانی چپ، بخش تحتانی لوب گیجگاهی چپ، شکنج دوکی‌شکل چپ، اینسولای (13، 47 و 45)، هیپوکامپ و پاراهیپوکامپ چپ، بخش پیش‎مرکزی راست، پیشانی میانی، تحتانی و فوقانی راست (6، 44 و 45) و بخش جانبی اوربیتوفرونتال[72] راست. شدت فعال‌سازی در لوب گیجگاهی تحتانی و شکنج دوکی‌شکل برابر با 739334/2 و بیشتر از سایر نواحی است.
  • مشتق + وند > استراحت. 8 خوشۀ فعال در لوب گیجگاهی میانی و فوقانی چپ و راست (21 و40)، کنار حاشیۀ چپ، کورتکس حرکتی پیرامون حاشیه (40)، مخچۀ راست، بخش پس‌مرکزی راست (ناحیۀ 7)، لوب آهیانۀ فوقانی و زاویه‌ای راست (7)، لوب پس‌سری فوقانی[73] راست (19). لوب آهیانه‌ای فوقانی و بخش پس‌مرکزی راست در این بلوک با مقدار 907183/2 بیشترین شدت فعال‌سازی را نشان می‌دهد.
  • مرکب > استراحت. 10 خوشۀ فعال در لوب گیجگاهی میانی و فوقانی چپ (21 و 22)، اینسولای چپ (13 و 47)، مخچۀ راست، شکنج دوکی‌شکل راست، قطب لوب گیجگاهی میانی راست (21 و 38)، لوب گیجگاهی تحتانی، فوقانی و میانی راست (20، 21، 22 و 37 برودمن). شدت فعال‌سازی در نواحی مخچۀ 4، 5 و 6 و شکنج دوکی‌شکل راست با مقدار 18447/3 از سایر نواحی بیشتر است.
  • اسم مرکب + وند > استراحت. 12 خوشۀ فعال در لوب گیجگاهی میانی و فوقانی چپ (21، 22، 42، 13، 40 و 41)، هاچل چپ (41)، کنار حاشیۀ چپ (40)، بخش سه‌گوش تحتانی پیشانی چپ (9)، شکنج دوکی‌شکل و مخچۀ چپ و راست (37، 20 و 36)، لوب گیجگاهی تحتانی، میانی و فوقانی راست (21 و 22) و پیشانی تحتانی راست. بیشترین میزان فعال‌سازی در این بلوک با مقدار 299228/3 به هاچل و لوب گیجگاهی فوقانی اختصاص دارد.

 

شکل 2. نواحی فعال‌شده در تحلیل گروهی که به‌ترتیب از بالا به پائین بلوک‌های بسیط (قرمز)، بسیط + وند (آبی کم‌رنگ)، مشتق (آبی پررنگ)، مشتق + وند (سبزآبی)، مرکب (نارنجی) و مرکب + وند (آبی آسمانی) را در مقایسه با وضعیت استراحت نشان می‌دهد. تصویر آخر نواحی فعال‌ در همۀ بلوک‌هاست. هر رنگ، طبق تقسیم‌بندی گفته‌شده، نشان‌دهندۀ یکی از بلوک‌هاست.

5. بحث و نتیجه‌گیری

مسئلۀ اصلی این پژوهش یافتن نواحی فعال مغز هنگام پردازش شنیداری اسم‌های بسیط، مشتق و مرکب مفرد و جمع زبان فارسی (ـها/ـان) بود. در این راستا، یک تکلیف بیست‌وچهاربلوکی برای استفاده در fMRI طراحی شد و هر بلوک آن به یکی از انواع اسم‌ اختصاص پیدا کرد. با لحاظ کردن وند تصریفی جمع، مجموعاً شش بلوک برای پاسخ به پرسش‌های طرح‌شده در این مقاله انتخاب شد تا سه هدف برآورده شود: مقایسۀ مقدار بیشینۀ فعال‌سازی بلوک‌ها؛ دست‌یابی به مختصات مکانی مقدار فعال‎سازی بیشینه در هر بلوک (نسبت به وضعیت استراحت) یک بار برای هر شرکت‌کننده (تحلیل سطح ـ اول) و بار دیگر برای تمام شرکت‌کنندگان (تحلیل سطح ـ دوم)؛ و درنهایت تعیین نواحی فعال در هر بلوک.

طبق نتایج مقایسۀ مقدار بیشینۀ فعال‎سازی بلوک‌ها، شدت فعال‌سازی به‌ترتیب در مشتق + وند و مشتق نسبت به سایر بلوک‌ها است. در نتایج تحلیل سطح ـ اول کمترین میزان فعال‌سازی در پردازش اسم‌های بسیط و بیشترین میزان مربوط به پردازش اسم‌مشتق + وند جمع بوده است. با توجه به توزیع فعال و شدت فعال‌سازی، تفاوت‌های معنی‌دار پردازشی به این گونه صورت‌بندی می‌شود: نواحی فعال در اسم بسیط (+وند) به پردازش زبان یا درک کلمات، در اسم مشتق (+ وند) به پردازش پیچیدگی‌های صرفی و در اسم مرکب (+ وند) به پردازش واحدهای معنایی یا نحوی پیچیده‌تر مربوط‌اند. اضافه شدن وند جمع می‌تواند به جابه‌جایی مکانی نواحی به سمت بخش‌های بالایی و قدامی منجر ‌شود. مقایسۀ همۀ کنتراست‌ها با حالت استراحت در هر دو تحلیل سطح ـ اول و سطح ـ دوم نواحی فعال در تکلیف ‌fMRI را نشان می‌دهد. فعالیت لوب پیشانی، به‌عنوان منطقه‌ای مهم در پردازش زبان، در همۀ بلوک‌ها دیده می‌شود. فعالیت بیشتر لوب گیجگاهی[74] چپ و راست و نیز شکنج دوکی‌شکل در بلوک‌های مشتق و مرکب می‌تواند به‌دلیل اهمیت این نواحی در پردازش کلمات پیچیده باشد. فعالیت بارز مخچه در بلوک‌های مرکب ممکن است حاکی از پردازش شناختی پیچیدۀ این نوع اسم باشد.

خلاصۀ تفاوت‌های معنی‌دار کلمات هدف در تحلیل سطح ـ دوم به این شرح است: نواحی فعال در اسم بسیط به نواحی حرکتی، در اسم مشتق به نواحی پردازش زبانی پیچیده و در اسم مرکب به نواحی پردازشی احساسی و شناختی پیوند می‌خورد. پردازش داده‌های اسم‌های مشتق و مرکب در مناطق وسیعی از مغز دیده می‌شود و نه‌تنها بخش‌های مربوط به زبان که بخش های مربوط به حافظه مانند آمیگدال[75] و هیپوکامپ را دربرمی‌گیرد. به نظر می‌رسد زبان در مغز یک شبکۀ انتزاعی گسترده است که بخش‌های گوناگون شناخت، حافظه، احساس و حرکت را به یکدیگر و به نواحی فعال در پردازش زبانی متصل می‌کند.

وجود وند تغییراتی را در نواحی فعال‌شده نشان می‌دهد. این تغییرات به شرح زیر است:

·       بسیط + وند > استراحت: در نواحی پیشانی میانی، پیش‌مرکزی و پس‌مرکزی چپ (3، 4 و 6) یک خوشۀ بزرگ 78 وکسلی دیده می‌شود که در مقایسه با بسیط > استراحت بسیار برجسته است. بنابراین، به نظر می‌رسد که وجود وند در کنار این نوع اسم‌ها شدت فعال‎سازی در نواحی حسی اولیه و حرکتی را افزایش می‌دهد.

·       مشتق + وند > استراحت: میزان فعالیت لوب پیشانی میانی و فوقانی چپ (9 و 10) در این کنتراست (خوشۀ 52) در مقایسه با کنتراست مشتق < استراحت (خوشۀ 39) بیشتر است. در نتیجه، پیچیدگی صرفی و ساختاری مانند وجود وند می‌تواند شدت فعال‌سازی را افزایش دهد.

·       مرکب + وند > استراحت: افزون بر نواحی فعال در کنتراست مرکب > استراحت، بخش‌هایی از مخچۀ (کروس 2 و لوبول 7ب) چپ نیز فعال شده‌اند. این بخش‌ها در بلوک مرکب غیرفعا‌ل‌اند یا فعالیت کمتری دارند. این تفاوت می‌تواند نقش مخچه را در پردازش‌های پیچیدگی‌های صرفی/تصریفی زبان برجسته کند.

·       تغییر شدت فعال‌سازی: مقدار بیشینۀ z در خوشه‌های متعلق به کنتراست‌های دارای وند، به‌طور خاص در دو گروه مشتق + وند و مرکب + وند، بیشتر از خوشه‌های کنتراست‌های بدون وند است. برای نمونه، این مقدار در مشتق + وند حدود 26/9 است که بیشتر از 45/7 گروه مشتق است.

یافته‌های این پژوهش نتایج مطالعات پیشین را تأیید می‌کنند. نتایج مقایسۀ مقدار بیشینۀ فعال‌سازی بلوک‌ها، افزون بر تأیید مراحل یک و دو تحلیل، با مطالعاتی همسویی دارد که بیشترین میزان فعال‌سازی را در لوب پیشانی، لوب گیجگاهی، مخچه و اینسولا گزارش داده‌اند (Feng et al., 2020; Meykadeh & Sommer, 2024; Momenian et al., 2018; Moseley & Pulvermüller, 2014; Ranjan & Singh, 2025; Russo et al., 2021; Ullman, 1998). براساس نتایج مربوط به کنتراست‌های اسم مشتق، پیچیدگی ساختواژی کلمات مشتق می‌تواند شدت فعال‌سازی را افزایش دهد (Pliatsikas et al., 2014). یافته‌های مربوط به کنتراست مرکب + وند > استراحت نتایج مطالعه‌ای را تأیید می‌کند که بر روی اسم در زبان ایتالیایی انجام شده است (Russo et al., 2021). افزایش مقدار z در کنتراست‌های دارای وند با نتایج پژوهشی دربارۀ زبان فنلاندی همسو است (Lehtonen et al., 2006; Pliatsikas et al., 2014) و نشان می‌دهد که وند به‌عنوان واحد پردازشی مستقل بار شناختی بیشتری ایجاد می‌کند. این یافته با مدل دومسیرۀ ساخت‌واژه[76] (Clahsen, 2006) قابل‌توضیح است. در این مدل، واژه‌های بسیط و ذخیره‌شده به پردازش کمتری نیاز دارند، اما واژه‌های دارای پسوند نیازمند فعال‌سازی مسیر قاعد‌محورند[77] که موجب افزایش شدت و گسترۀ فعالیت نورونی می‌شود. افزون‌بر این، وجود وند در کنار اسم‌های بسیط، مشتق و مرکب باعث گسترش دامنۀ شبکه‌های فعال مغزی (از قشر حسی ـ حرکتی تا مخچه و قشر پیشانی) و نیز افزایش شدت فعال‌سازی می‌شود. طبق این الگو، پردازش وند در زبان فارسی تنها یک عملیات صرفی ساده نیست، بلکه فرایندی شناختی، ترکیبی و قابل‌پیش‌بینی است که به تعامل شبکه‌های اجرایی، حسی ـ حرکتی و مخچه‌ای نیاز دارد (Kim et al., 2024). چنین نتیجه‌ای با نظریۀ ترکیب‌پذیری[78]، مدل دومسیره در صرف و مدل بازنمایی صرفی قابل‌پیش‌بینی[79] همسویی دارد (Brooks & Cid de Garcia, 2015; Kim et al., 2024).

در مجموع، یافته‌‌های هر سه مرحله در پژوهش حاضر با یکدیگر و با مطالعات پیشین همخوانی دارد. با استناد به نتایج این پژوهش می‌توان گفت که وجود وند تصریفی جمع در کنار اسم در فارسی موجب گسترش دامنۀ فعال‌سازی و افزایش شدت آن می‌شود. این تغییر در نواحی مربوط به پردازش زبانی و شناختی شدیدتر است.

تعارض منافع

تعارض منافع وجود ندارد.

سپا‌سگزاری

پژوهشگر صمیمانه قدردان همراهی ارزشمند خانم‌ها شقایق کریمی علویجه و ندا محمدی مبارکه است.


[1]. clinical

[2]. language-specific

[3]. typological

[4]. temporal lobe

[5]. Akbarian, M.

[6]. metaphorical

[7]. frontal cortex

[8]. basal ganglia

[9]. Mariën, P.

[10]. right cerebellum

[11]. left medial temporal lobe

[12]. left superior temporal lobe

[13]. left inferior temporal lobe

[14]. superior temporal gyrus

[15]. prefrontal cortex

[16]. gyrus angular

[17]. anterior temporal cortex

[18]. Broca's area

[19]. Wernicke's area

[20]. left middle inferior frontal gyrus

[21]. inferior parietal gyrus

[22]. left superior temporal gyrus

[23]. insula

[24]. central and precentral areas

[25]. cognitive load

[26]. bilingualism

[27]. Meykadeh, S.

[28]. number

1. non-invasive

[30]. preprocessing

[31]. inclusion criteria

[32]. exclusion criteria

[33]. Edinburgh Handedness Inventory

[34]. demographic report

[35]. Hollingshead Four-Factor Index of Socioeconomic Status

[36]. Praat

[37]. Audacity

[38]. noise

[39]. normalization

[40]. loudness normalization

[41]. dynamic range compression

[42]. PsychoPy

[43]. mental task

[44]. double-blind

[45]. Siemens Magnetom Prisma 3T MRI system

[46]. 20‑channel head coil

[47]. functional images

[48]. Echo‑Planar Imaging (EPI)

[49]. Nipype workflow

[50]. Blood Oxygenation Level Dependent (BOLD)

[51]. degree of freedom

[52]. Frame-Wise Displacement (FD)

[53]. noise regressors

[54]. voxels

[55]. brain mask

[56]. interpolation

[57]. fitting

[58]. General Linear Model (GLM)

[59]. Montreal Neurological Institute (MNI) standard space

[60]. Automated Anatomical Labeling (AAL) map

[61]. Brodmann atlas

[62]. Second Level Analysis (SLA)

[63]. Shapiro–Wilk test

[64]. Kruskal–Wallis test

[65]. whole‑brain approach

[66]. voxel

[67]. cluster

[68]. Heschl

[69]. hippocampus

[70]. para-hippocampus

[71]. fusiform

[72]. lateral orbitofrontal cortex

2. superior occipital lobe

[74]. temporal lobe

[75]. amygdala

[76]. Dual-Route Model of Morphology

[77]. rule-based

[78]. compositionality

[79]. Predictive Morphological Representation Model

References
Akbarian, M., Purmohammad, M., Talesh Jafadide, A. R., & Khosrowabadi, R. (2025). Neural representation of olfactory vocabulary in women's brain processing of conceptual metaphors based on functional magnetic resonance imaging data. Advances in Cognitive Sciences, 27(1), 91-104. https://doi.org/10.30514/icss.27.1.91
Bird, H., Howard, D., & Franklin, S. (2000). Why Is a verb Like an inanimate object? Grammatical category and semantic category deficits. Brain and Language, 72(3), 246-309. https://doi.org/10.1006/brln.2000.2292
Bozic, M., & Schwarz, J. (2025). fMRI in morphology research. In Reference module in social sciences. Elsevier.
Brooks, T. L., & Cid de Garcia, D. (2015). Evidence for morphological composition in compound words using MEG. Frontiers in Human Neuroscience, 9, Article 215. https://doi.org/10.3389/fnhum.2015.00215
Cappa, S. F., & Perani, D. (2003). The neural correlates of noun and verb processing. Journal of Neurolinguistics, 16(2-3), 183-189. https://doi.org/10.1016/S0911-6044(02)00013-1
Clahsen, H. (2006). Dual-mechanism morphology. Encyclopedia of language and linguistics (2nd ed., Vol. 4, pp. 1-5). Elsevier.
Esteban, O., Markiewicz, C. J., Blair, R. W., Moodie, C. A., Isik, A. I., Erramuzpe, A., … Gorgolewski, K. J. (2019). fMRIPrep: A robust preprocessing pipeline for functional MRI. Nature Methods, 16(1), 111-116. https://doi.org/10.1038/s41592-018-0235-4
Feng, S., Qi, R., Yang, J., Yu, A., & Yang, Y. (2020). Neural correlates for nouns and verbs in phrases during syntactic and semantic processing: An fMRI study. Journal of Neurolinguistics, 53, Article 100860. https://doi.org/10.1016/j.jneuroling.2019.100860
Friederici, A. D., Fiebach, C. J., Schlesewsky, M., Bornkessel, I. D., & von Cramon, D. Y. (2006). Processing linguistic complexity and grammaticality in the left frontal cortex. Cerebral Cortex, 16(12), 1709-1717. https://doi.org/10.1093/cercor/bhj106
Friedmann, N., Wenkert-Olenik, D., & Gil, M. (2000). From theory to practice: Treatment of agrammatic production in Hebrew based on the Tree Pruning Hypothesis. Journal of Neurolinguistics, 13(4), 250-254. http://language-brain.com/dl.php?f=Friedmann_Wenkert_Gil_2000_treatment.pdf
Friston, K. (2012). Ten ironic rules for non-statistical reviewers. Neuroimage, 61(4), 1300-1310. https://doi.org/10.1016/j.neuroimage.2012.04.018
Glasser, M. F., Sotiropoulos, S. N., Wilson, J. A., Coalson, T. S., Fischl, B., Andersson, J. L., … Jenkinson, M. (2013). The minimal preprocessing pipelines for the Human Connectome Project. NeuroImage, 80, 105-124. https://doi.org/10.1016/j.neuroimage.2013.04.127
Glosser, G., & Donofrio, N. (2001). Differences between nouns and verbs after anterior temporal lobectomy. Neuropsychology, 15(1), 39-47. https://doi.org/10.1037/0894-4105.15.1.39
Gor, K. (2018). The neural correlates of case and inflection in the processing of morphologically complex words: An fMRI study of Russian nouns. International Journal of Psychophysiology, 131, S12. https://doi.org/10.1016/j.ijpsycho.2018.07.038
Kim, J., Kim, S., & Nam, K. (2024). Neural dynamics of processing inflectional morphology: an fMRI study on Korean inflected verbs. Brain Sciences, 14(8), 752. https://doi.org/10.3390/brainsci14080752
Krashen, S. D. (1973). Lateralization, language learning, and the critical period: Some new evidence. Language Learning, 23(1), 63-74.
Lehtonen, M., Vorobyev, V. A., Hugdahl, K., Tuokkola, T., & Laine, M. (2006). Neural correlates of morphological decomposition in a morphologically rich language: An fMRI study. Brain and Language, 98(2), 182-193. https://doi.org/10.1016/j.bandl.2006.04.011
Mariën, P., Ackermann, H., Adamaszek, M., Barwood, C. H. S., Beaton, A., Desmond, J., … Ziegler, W. (2014). Consensus paper: Language and the cerebellum: An ongoing enigma. The Cerebellum, 13(3), 386-410. https://doi.org/10.1007/s12311-013-0540-5
Meykadeh, S., Golfam, A., Batouli, S. A. H., & Sommer, W. (2021). Overlapping but language-specific mechanisms in morphosyntactic processing in highly competent L2 acquired at school entry: fMRI evidence from an alternating language switching task. Frontiers in Human Neuroscience, 15, Article 728549. https://doi.org/10.3389/fnhum.2021.728549
Meykadeh, S., & Sommer, W. (2024). The auditory sentence processing and the planum temporale: Evidence from functional magnetic resonance mapping in bilinguals. Advances in Cognitive Sciences, 26(2), 31-46. https://doi.org/10.30514/icss.26.2.31
Meykadeh, S., Sommer, W., & Batouli, S. A. H. (2024). The cerebellum and grammatical agreement in bilinguals: Evidence from grammaticality judgments using fMRI. Language Science, 10(18), 309-342. https://doi.org/10.22054/ls.2023.74871.1591
Momenian, M., Nilipour, R., Samar, R. G., Oghabian, M. A., & Cappa, S. (2016). Neural correlates of verb and noun processing: An fMRI study of Persian. Journal of Neurolinguistics, 37, 12-21. https://doi.org/10.1016/j.jneuroling.2015.07.003
Momenian, M., Nilipour, R., Samar, R. G., Cappa, S. F., & Golestani, N. (2018). Morpho-syntactic complexity modulates brain activation in Persian-English bilinguals: An fMRI study. Brain and Language, 185, 9-18. https://doi.org/10.1016/j.bandl.2018.07.001
Moseley, R. L., & Pulvermüller, F. (2014). Nouns, verbs, objects, actions, and abstractions: Local fMRI activity indexes semantics, not lexical categories. Brain and Language, 132, 28-42. https://doi.org/10.1016/j.bandl.2014.03.001
Ogawa, S., Menon, R. S., Tank, D. W., Kim, S. G., Merkle, H., Ellermann, J. M., & Ugurbil, K. (1993). Functional brain mapping by blood oxygenation level-dependent contrast magnetic resonance imaging. A comparison of signal characteristics with a biophysical model. Biophysical Journal, 64(3), 803-812. https://doi.org/10.1016/s0006-3495(93)81441-3
Pliatsikas, C., Wheeldon, L., Lahiri, A., & Hansen, P. C. (2014). Processing of zero-derived words in English: An fMRI investigation. Neuropsychologia, 53, 47-53. https://doi.org/10.1016/j.neuropsychologia.2013.11.003
Ranjan, A., & Singh, V. P. (2025). Chapter Ten - Language processing in the brain: An fMRI study. In A. Gupta, B. C. Neelapu, & S. S. Rana (Eds.), Advances in Computers (Vol. 136) (pp. 493-564): Elsevier. https://doi.org/10.1016/bs.adcom.2024.03.003
Rolls, E. T., Huang, C. C., Lin, C. P., Feng, J., & Joliot, M. (2020). Automated anatomical labelling atlas 3. Neuroimage, 206, Article 116189. https://doi.org/10.1016/j.neuroimage.2019.116189
Russo, A. G., Esposito, F., Laudanna, A., Mancuso, A., Di Salle, F., Elia, A., & De Martino, M. (2021). The neural substrate of noun morphological inflection: A rapid event-related fMRI study in Italian. Neuropsychologia, 151, Article 107699. https://doi.org/10.1016/j.neuropsychologia.2020.107699
Slioussar, N., Kireev, M. V., Chernigovskaya, T. V., Kataeva, G. V., Korotkov, A. D., & Medvedev, S. V. (2014). An ER-fMRI study of Russian inflectional morphology. Brain and Language, 130, 33-41. https://doi.org/10.1016/j.bandl.2014.01.006
Ullman, M. T. (1998). Evidence that lexical memory is part of the temporal lobe declarative memory, and that grammatical rules are processed by the frontal/basal-ganglia procedural system. Brain and Language, 1-65.
van der Auwera, J. (1985). [Review of the book Syntax: A functional-typological introduction (Vol. I), by T. Givón]. Journal of Linguistics, 21(2), 503-509. https://doi.org/10.1017/S0022226700010434
Wei, X., Adamson, H., Schwendemann, M., Goucha, T., Friederici, A. D., & Anwander, A. (2023). Native language differences in the structural connectome of the human brain. Neuroimage, 270, Article 119955. https://doi.org/10.1016/j.neuroimage.2023.119955
Whiteside, S. P. (1993). [Review of the book The speech chain: The physics and biology of spoken language by P. B. Denes & E. N. Pinson (2nd ed)]. Journal of the International Phonetic Association, 23(2), 98-101. https://doi.org/10.1017/S0025100300004904
Williams, R. J., McMahon, K. L., Hocking, J., & Reutens, D. C. (2014). Comparison of block and event‐related experimental designs in diffusion‐weighted functional MRI. Journal of Magnetic Resonance Imaging, 40(2), 367-375. https://doi.org/10.1002/jmri.24353
Zilles, K. (2018). Brodmann: a pioneer of human brain mapping-his impact on concepts of cortical organization. Brain, 141(11), 3262-3278. https://doi.org/10.1093/brain/awy273
 
Language Science Studies
Volume 13, Issue 23
September 2026
Pages 227-252