Working memory (WM) refers to a memory system with limited energy for short-term maintenance and plays an important role in cognitive functions. At present, research regarding WM mostly focuses on the coordination between neural signals in the signal microelectrode channel. However, how neural signals coordinate the coding of WM at the network level is rarely studied. Cross-frequency coupling (CFC) reflects the coordinated effect between different frequency components (e.g., theta and gamma) of local field potentials (LFPs) during WM. In this study, we try to map the changes that occur in the brain networks during WM at the level of CFC between theta-gamma of LFPs. First, a 16-channel brain network by using the CFC between theta-gamma of LFPs during WM was constructed. Then, the dynamic properties of the brain network during WM were analyzed based on graph theory. Experimental results show that the LFPs power increased at the WM state than at resting stat, but decreased across learning; the CFC between theta-gamma increased with learning days and phase-amplitude coupling (PAC) in the WM state was higher than that in free choice state and rest state; the changes of average degree, average shortest path length and global efficiency had significant difference on learning days. We can indicate that the CFC between theta-gamma in the network plays an important role in the WM formation. Furthermore, correct storage of WM information will not change local information transmission and the small-world attribute, while, it can increase the network connection and efficiency of information transmission.

中文翻译：

---

基于交叉频率耦合算法的脑网络在工作记忆中的动态特性

工作记忆（WM）是指能量有限的短期维护记忆系统，在认知功能中起重要作用。目前，有关WM的研究主要集中在信号微电极通道中神经信号之间的协调。但是，很少研究神经信号如何在网络级别协调WM的编码。跨频耦合（CFC）反映了WM期间局部场电势（LFP）的不同频率分量（例如，θ和γ）之间的协同作用。在这项研究中，我们尝试绘制WM期间LFPθ-γ之间CFC级别的大脑网络中发生的变化的图。首先，通过在WM期间LFP的θ-γ之间使用CFC构建了16通道的大脑网络。然后，基于图论分析了WM过程中脑网络的动态特性。实验结果表明，在WM状态下，LFP的功率比静止状态下的功率增加，但在整个学习过程中却降低；WM状态下θ-γ之间的CFC随学习日的增加而增加，相幅耦合（PAC）高于自由选择状态和静止状态。在学习日，平均程度，平均最短路径长度和整体效率的变化具有显着差异。我们可以表明，网络中theta-gamma之间的CFC在WM形成中起着重要作用。此外，正确存储WM信息不会改变本地信息传输和小世界属性，但可以增加网络连接和信息传输效率。实验结果表明，在WM状态下，LFP的功率比静止状态下的功率增加，但在整个学习过程中却降低；WM状态下θ-γ之间的CFC随学习日的增加而增加，相幅耦合（PAC）高于自由选择状态和静止状态。在学习日，平均程度，平均最短路径长度和整体效率的变化具有显着差异。我们可以表明，网络中theta-gamma之间的CFC在WM形成中起着重要作用。此外，正确存储WM信息不会改变本地信息传输和小世界属性，但可以增加网络连接和信息传输效率。实验结果表明，在WM状态下，LFP的功率比静止状态下的功率增加，但在整个学习过程中却降低；WM状态下θ-γ之间的CFC随学习日的增加而增加，相幅耦合（PAC）高于自由选择状态和静止状态。在学习日，平均程度，平均最短路径长度和整体效率的变化具有显着差异。我们可以表明，网络中theta-gamma之间的CFC在WM形成中起着重要作用。此外，正确存储WM信息不会改变本地信息传输和小世界属性，但可以增加网络连接和信息传输效率。WM状态下θ-γ之间的CFC随学习日的增加而增加，相幅耦合（PAC）高于自由选择状态和静止状态。在学习日，平均程度，平均最短路径长度和整体效率的变化具有显着差异。我们可以表明，网络中theta-gamma之间的CFC在WM形成中起着重要作用。此外，正确存储WM信息不会改变本地信息传输和小世界属性，但可以增加网络连接和信息传输效率。WM状态下θ-γ之间的CFC随学习日的增加而增加，相幅耦合（PAC）高于自由选择状态和静止状态。在学习日，平均程度，平均最短路径长度和整体效率的变化具有显着差异。我们可以表明，网络中theta-gamma之间的CFC在WM形成中起着重要作用。此外，正确存储WM信息不会改变本地信息传输和小世界属性，但可以增加网络连接和信息传输效率。平均最短路径长度和整体效率在学习日上有显着差异。我们可以表明，网络中theta-gamma之间的CFC在WM形成中起着重要作用。此外，正确存储WM信息不会改变本地信息传输和小世界属性，但可以增加网络连接和信息传输效率。平均最短路径长度和整体效率在学习日上有显着差异。我们可以表明，网络中theta-gamma之间的CFC在WM形成中起着重要作用。此外，正确存储WM信息不会改变本地信息传输和小世界属性，但可以增加网络连接和信息传输效率。