시공간 작업 기억 중 후내측 피질로부터의 정보 흐름 탐구: 자기뇌파학 연구 2부
Jan 15, 2024
디스플레이 장치 및 설정. 시각적 자극은 MATLAB(버전 R2014b) 및 Psychtoolbox의 루틴(Brainard,1997; Pelli, 1997; Kleiner et al., 2007)을 사용하여 제시되었습니다.
시각적 자극은 우리가 눈을 통해 받아들이는 외부 정보로, 기억력에 중요한 영향을 미칩니다. 연구에 따르면 시각적 자극은 기억력에 큰 영향을 미칩니다.
첫째, 시각적 자극은 기억력 유지 및 인출을 향상시킬 수 있습니다. 시각적으로 인상적인 그림이나 이미지를 보면 우리의 뇌는 그것을 보다 구체적인 기억으로 저장하고, 기억을 검색해야 할 때 찾기가 더 쉽습니다. 여기에는 밝은 색상과 독특한 모양의 이미지가 포함됩니다.
둘째, 시각적 자극은 기억의 지속성을 향상시킬 수도 있습니다. 일부 연구에 따르면 우리는 단순한 단어나 숫자보다 이미지나 그림을 더 쉽게 기억한다고 합니다. 따라서 학습자료나 연구자료를 디자인할 때 이미지와 텍스트를 결합하는 것이 기억력 지속에 도움이 될 것입니다.
마지막으로, 시각적 자극은 우리의 창의성과 상상력을 자극할 수도 있는데, 이는 기억력에 매우 중요합니다. 우리의 뇌를 시각적 입력과 결합하면 우리 뇌에 더 쉽게 남고 상상력을 자극하는 새롭고 독특한 기억을 만들 수 있습니다.
일반적으로 시각적 자극은 기억력에 큰 영향을 미칩니다. 시각적으로 인상적인 학습 자료를 만들거나 다른 형태의 시각적 자극을 사용함으로써 우리는 두뇌가 지식을 더 잘 학습하고 유지하도록 돕고 창의성과 상상력을 자극할 수 있습니다. 기억력 향상이 필요함을 알 수 있는데, 시스탄체 데저티콜라는 기억력 향상이라는 독특한 효능이 많은 중국 전통 약재이기 때문에 기억력을 크게 향상시킬 수 있습니다. 다진 고기의 효능은 산, 다당류, 플라보노이드 등 포함된 다양한 활성 성분에서 비롯됩니다. 이러한 성분은 다양한 방식으로 뇌 건강을 증진할 수 있습니다.
MEG 세션 동안 자극은 패러데이 쉴드 외부에 위치한 InFocus IN5108 LCD 백 프로젝션 시스템(InFocus)에 의해 맞춤형 창을 통해 참가자 위에 위치한 화면에 12도 시야각의 디스플레이 너비로 투사되었습니다. 참가자들은 반듯이 누워서 113cm 거리에서 화면을 보았습니다.
정신물리학적 실험을 위해 AMD Radeon HD 7570 그래픽 카드를 구동하는 DellOptiPlex 9010 데스크탑 컴퓨터에 자극을 표시하여 120Hz로 새로 고쳐진 60 x 33cm Samsung SyncMasterSA950 Full HD 3D LED 모니터에 자극을 그렸습니다. 실험은 어두운 방에서 이루어졌으며 참가자들은 앉아서 64cm 거리에서 화면을 보았습니다.
시각적 자극과 과제. 정신물리학 및 MEG 세션 동안 참가자들은 시공간 작업 기억 작업을 완료했습니다. 우리는 이전에 사용된 작업 기억 도전 과제에 대한 과제와 자극을 기반으로 했습니다(Kochan et al., 2010, 2011).
우리 작업을 위해 우리는 이전 작업에서 사용된 추상 패턴 이미지 중 8개를 사용했습니다(그림 1A). 각 인코딩 및 검색 자극은 9개 위치 중 하나에서 이러한 8개 이미지 중 하나로 구성되었습니다(그림 1B).
각 이미지는 직경이 2.5도인 정사각형이었고, 9개 위치 각각은 화면 중심에서 4도의 시야각 위치에 중심을 두었습니다. 화면 중앙에는 어두운 회색 십자가(그림 1, 너비 1도 참조)가 항상 존재했습니다. 모든 이미지는 평균 회색 배경에 표시되었습니다.
모든 시험은 그림 1C에 설명된 순서를 따랐습니다. 인코딩하는 동안 동일한 지속 시간으로 4개의 자극이 순차적으로 제시되었습니다. 인코딩 자극은 항상 4개의 서로 다른 위치에 있는 4개의 서로 다른 이미지였으며 참가자는 이미지 정체성과 위치의 이러한 4가지 결합을 기억해야 했습니다.
인코딩 자극에 따라 동적 백색 잡음이 800ms(유지 기간) 동안 표시되었습니다. 잡음 패턴은 평균 회색을 중심으로 120Hz에서 업데이트된 20% 대비였습니다.
인코딩 자극으로 인해 발생하는 시각적 잔상을 줄이기 위해 유지 관리 중에 동적 노이즈를 포함했습니다. 유지 관리 기간이 끝난 후 인출 자극이 제시되었고 참가자는 인출 자극이 해당 시도에 설정된 인코딩 자극에 포함되어 있는지 여부를 표시했습니다.
버튼 누르기를 통해 응답한 후 참가자들은 피드백을 받았습니다. 고정 십자가가 정확하면 녹색으로, 틀리면 빨간색으로 변경되었습니다.
200ms의 피드백 후 고정 십자가는 어두운 회색으로 돌아왔고, 300-800ms의 가변 시험 간 간격(시행에 따라 무작위로 다름) 후에 다음 시험이 시작되었습니다. 대상 존재/부재에 응답하는 데 사용되는 버튼이 각 블록에서 교체되었습니다.
참가자들은 72개의 시도 블록으로 작업을 완료했습니다. MEG 신호(아래)를 기반으로 한 분류자 분석을 지원하기 위해 각 인코딩 자극에 사용된 자극은 각 블록 내에서 완전히 균형을 이루었습니다.
9개 위치의 8개 이미지는 72개의 고유한 자극을 제공했으며 모든 시도 블록에 대해 이 72개의 자극은 첫 번째, 두 번째, 세 번째 및 네 번째 인코딩 자극으로 각각 한 번씩 사용되었습니다.
인코딩 자극 세트는 반복되는 이미지나 위치 없이 항상 4개의 서로 다른 위치에 4개의 서로 다른 이미지를 포함하도록 선택되었습니다. 우리는 무작위로 선택된 이러한 시험의 절반을 "표적 존재" 시험으로 사전 할당하고 나머지는 "표적 없음" 시험으로 사전 할당했습니다.
각 시험에 대해 "대상 존재" 시험(인출 자극이 인코딩 자극 중 하나임) 또는 "대상 부재" 시험(인코딩 중에 검색 자극이 포함되지 않음)으로 지정되었는지 여부에 따라 검색 자극을 선택했습니다.
인코딩 자극과 달리 검색 자극은 모든 블록에 72개의 고유한 자극을 각각 포함할 필요는 없었지만 모든 이미지와 위치는 블록 전체에서 동일한 횟수로 사용되었습니다.
우리는 초기 정신물리학 세션을 사용하여 참가자를 작업에 대해 교육하고 성과에 따라 작업 난이도를 보정했습니다. 정신물리학 세션 동안 인코딩 및 검색 자극의 지속 시간은 시험에 따라 다양했습니다.
각 시도에서 인코딩 자극은 각각 동일한 기간을 가졌으며 검색 자극은 이보다 두 배 더 길었습니다. 각 블록 전체에 걸쳐 9개의 기간 범위가 사용되었습니다. 각 참가자는 인코딩 기간이 150~400ms인 4개의 초기 훈련 블록을 완료했습니다.
우리는 처음 4개의 훈련 블록에서 각 참가자의 행동을 사용하여 작업 블록의 두 번째 세트에 대해 더 작은 범위의 기간을 선택했습니다. 이 두 번째 4개 블록 세트의 데이터를 사용하여 각 참가자가 75% 올바른 작업 수행에 도달한 기간을 추정했습니다. 참가자 1명의 샘플 데이터는 그림 2A에 표시되어 있습니다.
각 참가자에 대해 시그모이드 함수(식 1)를 사용하여 데이터를 맞춥니다. 여기서 올바른 비율(P)은 절편 매개변수(a, 기간 정의 x, 여기서p {{2})에 따라 인코딩 기간(10)에 따라 달라집니다. }.75), 기울기 매개변수(b) 및 감율(r)은 다음에 따라 결정됩니다.
우리는 MATLAB functionTlingit을 사용하여 가장 적합한 함수(그림 2A에 빨간색으로 표시)를 찾았습니다. 이 정신물리학적 데이터를 기반으로 우리는 MEG 세션의 각 참가자에 대해 단일 인코딩 자극 기간을 선택하여 75% 정확한 전체 성능을 목표로 했습니다.
Kochan et al.(2011)의 결과는 PMC가 시공간 작업 메모리 문제를 요구하는 데 특히 관여한다는 것을 시사하므로 참가자가 천장이나 바닥 작업 수행에 있지 않도록 하고 각 참가자에게 작업을 충분히 어렵게 만들기 위해 이 목표를 선택했습니다.
MEG 세션 동안 각 참가자는 이 단일 인코딩 자극 기간과 이 값의 두 배인 검색 자극 기간을 사용하여 8블록의 시험을 완료했습니다. 각 참가자에 사용되는 기간과 MEG 세션 전반의 전반적인 성능은 그림 2B에 표시됩니다.
MEG 및 MRI 스캐닝 프로토콜. MEG 데이터는 MacquarieUniversity에서 50mm 기준선을 갖는 160개의 동축 1차 경도계로 구성된 머리 전체 MEG 시스템(모델 PQ1160R-N2, KIT)을 사용하여 수집되었습니다(Kadoet al., 1999; Uehara et al., 2003).
MEG 측정 전에 5개의 마커 코일을 참가자의 머리에 배치했습니다. 마커 위치, 내시온, 왼쪽 및 오른쪽 귀앞점, 참가자 머리 모양을 펜 디지타이저(Polhemus Fastrack)를 사용하여 최소 2000개 점을 사용하여 기록했습니다.
각 참가자의 MEG 데이터는 1000Hz의 샘플링 주파수에서 90분의 단일 세션에서 수집되었습니다. 각 시험에서 참가자들은 광섬유 응답 패드(현재 디자인)를 사용하여 응답했습니다.
MRI는 맥쿼리 대학 병원에서 3TSiemens Verio 시스템을 사용하여 촬영되었습니다. MP-RAGE 시퀀스(슬라이스 두께 1.0mm, 해상도 1.0 1.0mm)를 사용하여 3D T1-가중 이미지를 획득했습니다.
MEG 데이터 분석: 소스 재구성. Freesurfer 6.0(Dale et al., 1999; Fischl et al., 1999)의 자동 분할 프로세스를 각 참가자의 구조적 MR에 적용하여 회색/백질 및 pial/회색질 경계를 정의했습니다.
Brainstorm(neuroimage.usc.edu/brainstorm, 2019년 1월 버전)(Tadel et al., 2011)은 MEG 신호를 전처리하고 소스 재구성을 수행하는 데 사용되었습니다. 우리는 해부학적 이미지와 Freesurfersegmentation을 가져왔고 각 참가자의 나선형/회색 경계(피질 표면)를 기반으로 머리 모델을 정의했습니다.
우리는 MRI를 기반으로 한 해부학적 구조를 MEG 세션에서 기록된 코, 귀앞 점 및 머리 모양 데이터에 정렬하여 MEG 데이터 세트를 머리 모델에 정렬했습니다. 우리는 블록 동안 측정된 머리 위치의 피질 표면에 다중 구체 모델(Huang et al., 1999)을 적용하여 8개의 시도 블록 각각에 대한 전방 모델을 생성했습니다.
MEG 데이터는 노치 필터링(50, 100 및 150Hz)과 대역통과 필터링(0.2~200Hz)을 사용하여 Brainstorm에서 전처리되었습니다. 심장 및 눈 깜박임 인공물은 신호 공간 투영을 사용하여 제거되었습니다. 심장 및 눈 깜박임 이벤트는 Brainstorm의 기본 필터를 사용하여 식별하고 수동으로 확인한 다음 녹음에서 제거된 이러한 잡음 구성 요소에 해당하는 소수의 기본 기능을 추정하는 데 사용되었습니다(Uusitalo 및 일모니에미, 1997).
이러한 기능적 데이터에서 우리는 각 시도에 대해 두 가지 시대를 추출했습니다. (1) 기준 활동 측정(첫 번째 인코딩 자극의 시작에 대해 100 ~ 1ms) 및 (2) 유발된 반응(0 –4000ms). 우리는 기본 측정값을 사용하여 각 블록의 잡음 공분산을 추정한 다음 유발된 데이터에 최소 표준 소스 재구성을 적용했습니다.
각 소스 재구성에 대해 우리는 15,000 정점 피질 표면(Freesurfer 분할에서 가져온 아틀라스 정보가 있는 표준 메시)을 사용했습니다. 소스 모델의 쌍극자 방향은 피질 표면에 수직이 되도록 제한되었고, 잡음 공분산은 중앙 고유값을 사용하여 정규화되었으며, 다른 모든 옵션은 기본값으로 설정되었습니다.
ROI. 우리는 Freesurfer 세분화 과정에서 각 참가자의 해부학적 구조에 맞춰 정렬된 아틀라스 데이터를 기반으로 후두엽 피질(OC), 중심측두엽 피질(VTC), PMC 및 PFC의 네 가지 ROI를 정의했습니다. 우리는 Freesurfer의 Destrieux 지도책을 사용하여 ROI를 정의했습니다(Destrieuxet al., 2010 참조).
우리의 ROI에는 Destrieux et al.의 다음 구획이 포함되었습니다. (2010, 표 1): OC에는 전체 OC(지수 2, 11, 19, 20, 22, 42, 44, 51, 57, 58, 59)가 포함되었습니다. VTC에는 하측두회와 고랑(지수 37, 72)이 포함되었습니다. PMC에는 대상이랑과 고랑의 중후부, 설전, 대상고랑의 변연분지, 두정하 고랑(지수 8, 30, 46, 71)이 포함되었고, PFC에는 전체 PFC(지수 1, 5, 5)가 포함되었습니다. 6, 24, 31, 62, 63, 64, 70).
이 4개의 ROI는 그림 3과 4의 오른쪽 상단에 있는 범례의 팽창되지 않은 피질 표면에 표시됩니다. 모든 ROI는 피질 표면의 연속 부분으로 구성되었습니다. 이 그림 범례에서 PMC의 두 개별 부분은 고랑 내에서 결합되었습니다. 각 ROI에 대해 ROI 내에 위치한 15개 000 소스의 하위 집합에 해당하는 MEG 데이터를 추출하고 아래 분석에서 이러한 데이터 세트를 사용했습니다.
분류 분석. 각 ROI에 대해 우리는 시험 기간 동안 각 5ms 빈 내에서 일련의 다변량 패턴 분류 분석을 수행했습니다. 각 분류는 단일 시간 저장소에 있는 단일 ROI의 소스 데이터를 사용하여 두 클래스의 시험을 구별하는 데 얼마나 잘 사용될 수 있는지 물었습니다. 예를 들어 위치 1과 위치 2의 첫 번째 인코딩 자극을 사용한 시험입니다.
우리는 각 자극(4개의 인코딩 자극 1 1 검색 자극)의 위치와 이미지를 구별하기 위해 분류기(선형 지원 벡터 머신)를 훈련했습니다. 9개 위치에 대해 36개의 쌍 비교가 있었습니다. 8개의 이미지에 대해 28개의 쌍별 비교가 있었습니다. 이러한 분류를 위해 관심 차원에서는 값이 동일하지만 다른 차원에서는 값이 다른 시험을 평균화하여 "의사 시험"을 만들었습니다.
유사 시험은 동일한 자극에 대해 관련 없는 관심 차원에 걸쳐 항상 균형을 이루었습니다. 첫 번째 인코딩 자극에 대한 자극 위치를 분류할 때 각 의사 시도는 첫 번째 인코딩 자극이 동일한 위치에 있는 8번의 시도(각 자극 이미지에 대한 1번의 시도)의 평균이었습니다. 마찬가지로, 자극 이미지를 분류하기 위한 의사 시험은 해당 자극의 위치 전반에 걸쳐 균형을 이루었습니다.
우리의 결과가 의사 시험에 대한 특정 시험 할당에 의존하지 않도록 하기 위해 모든 쌍별 분류에 대해 20세트의 의사 시험을 생성하고 각 세트에 대한 시험의 무작위 할당을 업데이트하고 이들에 대한 분류 성능을 평균화했습니다. 각 경우에 우리는 데이터의 90%에 대해 분류기를 훈련하고 순환성을 피하기 위해 보유 데이터(10%)에 대한 성능을 테스트했습니다.
이 프로세스를 10번 반복하여(10-겹 교차 검증) 의사 시행의 모든 파티션이 테스트 세트에 한 번 포함되었습니다. 그런 다음 이들에 대한 분류기 성능을 평균화했습니다.
자극의 지속 시간은 참가자마다 다르므로(인코딩 자극의 경우 180~320ms) 참가자 전체에 걸쳐 분류기 정확도를 평균화할 때 먼저 각 자극 시작 시 데이터를 정렬했습니다. 즉, 그림 3~6에는 시간 구간(음영 처리됨)이 있습니다. 회색) 평균에는 11명의 참가자가 포함됩니다. 이 그림에서 x축은 320ms 자극에 대해 표시되어 있습니다.
통계 테스트. 분류기 성능이 우연보다 훨씬 높은지 평가하기 위해 순열 테스트와 부트스트래핑을 조합하여 비모수적 널 분포를 생성했습니다.
각 참가자에 대해 원래 MEG 시험 데이터를 가져왔지만 참가자 데이터 내의 시험 전체에 걸쳐 시험 라벨을 무작위로 섞었습니다. 이 섞인 레이블 데이터를 사용하여 의사 시험 및 10-겹 교차 검증을 포함하여 원본 데이터와 동일한 분류 분석을 수행했습니다.
우리는 이 과정을 10번 반복하여 매번 시험 라벨을 무작위로 섞었고, 그 결과 매번 각 분류에 대해 10개의 확률 분류기 성능 추정치가 나왔습니다. 이 프로세스는 계산 집약적이므로 이 전체 프로세스를 10000번 반복하지 않고 대신 분포의 Monte Carlo 추정을 사용하여(Efron and Tibshirani, 1994) 이 10개의 추정을 무작위로 샘플링했습니다(대체 포함). 각 참가자의 각 평균 ROI에 대한 10개의 샘플000 추정치를 생성합니다.
우리는 각 쌍별 비교에 대해 각 시간 샘플에서 개별적으로 이 리샘플링 절차를 수행하여 각 경우에 원래 10개의 추정치의 서로 다른 조합이 있었습니다. 이로 인해 관찰된 분류기 성능을 비교할 수 있는 10개000 데이터 세트의 null 분포가 발생했습니다. 결과 수치에서 null 값의 중앙 95% 범위를 해당 결과와 함께 회색 음영 지역으로 표시합니다.
각각의 경우에 우리는 원본 데이터(예: 참가자 간 평균 포함)와 마찬가지로 null 데이터 세트에 대한 모든 분석을 수행한 다음 각 시간 샘플에 대해 값을 별도로 정렬했습니다. 이로부터 중앙 95%의 경계를 251번째부터 9750번째 값으로 정의했습니다.
p 값을 생성하기 위해 관찰된 값을 관련 null 분포와 비교했습니다. 예를 들어, 분류기 성능이 확률보다 높은지(단측 검정) 평가하기 위해 p-값을 관찰된 평균보다 높은 등가 널 평균의 비율로 정의했습니다(Maris and Oostenveld, 2007).
시간 구간에 따른 다중 비교를 수정하기 위해 우리는 q, 0.05(Benjamini and Hochberg, 1995)의 FDR(false discovery rate) 수정을 이러한 p 값에 적용했습니다. 널 분포를 기반으로 한 비모수적 테스트 외에도 MEG 디코딩 연구에 점점 더 많이 적용되고 있는 전통적인 빈도주의 접근법(Kass and Raftery, 1995; Morey and Wagenmakers, 2014)에 대한 대안인 Bayes Factor(BF) 분석을 사용했습니다(Teichmannet al., 2021).
BF는 경쟁 가설에 대한 증거를 비교합니다. 여기서 우리는 대체 가설을 지지하는 중간(BF . 3) 또는 강한(BF . 10) 증거가 있거나 적어도 중간(BF, 1/3) 증거가 선호되는 곳을 보고합니다. 귀무 가설의. 우리는 MATLAB 패키지(Krekelberg, 2021)를 사용하여 모든 BF 분석을 구현했습니다.
정보 흐름 분석(IFA). 9개 위치(36쌍)와 8개 이미지(28쌍)의 쌍별 분류에서 각 5개 자극(4개 인코딩 자극 및 검색 자극)에 대해 (36 1 28)에 대한 시간 경과에 따른 분류기 정확도를 얻었습니다. 5=320 분류. 각 자극의 제시부터 다음 자극의 가장 빠른 제시까지의 시간(또는 검색 자극의 경우 시험 데이터가 끝날 때까지)에 해당하는 5개의 개별 시대 내에서 가장 최근 자극의 분류기 정확도 값 64개를 사용했습니다. 각 시간 bin에서 DSM(비유사성 행렬)으로 사용됩니다.
우리는 이러한 DSM을 사용하여 각 ROI 쌍 간의 Granger 인과 관계를 테스트했습니다(IFA; 이 분석과 유사한 분석은 Ince et al., 2015; Goddard et al., 2016, 2022; Karimi-Rouzbahani, 2018; Kietzmann et al., 2019).
ROI A는 첫 번째 ROI의 과거를 사용하여 두 번째 ROI 단독의 과거보다 두 번째 ROI의 미래 성능을 더 잘 예측할 수 있는 경우 두 번째 ROI(B)의 분류 성능 패턴을 "그랜저 원인"이라고 합니다. 각 시간 구간에 대해 ROI A에서 ROI B(IFA.B)로의 정보 흐름(IF)을 정의하기 위해 방정식 2의 부분 상관 관계(Spearman's r)를 사용하여 Granger 인과 관계의 단순화된(특수 사례)에 대한 슬라이딩 윈도우 분석을 수행했습니다. (티).
여기서 DSM(loc,t)는 자극 개시 후 t ms 시점에 ROI loc의 소스를 기반으로 한 DSM이고, DSM(loc,t,d,w)는 모든 시간 구간에 걸쳐 평균을 낸 ROI loc의 소스를 기반으로 한 DSM입니다. 자극 개시 후 td ms부터 t-(d 1 w) ms까지. 30개의 중첩 창에 대해 FF와 FB를 계산했습니다. 즉, 6개의 지연(d= 50, 60, 70, 80) 각각에 대해 5개의 창 너비(w= 10, 20, 30, 40 또는 50ms)에 대해 계산했습니다. , 90 또는 100). 이전 연구(Goddard et al., 2022)와 마찬가지로 결과는 w와 d 값에 걸쳐 대체로 유사했기 때문에 wereport IFA.B 값은 w와 d의 모든 값에 걸쳐 평균화되었습니다.
IFA.B 및 IFB를 보고하는 것 외에도 각 ROI 쌍에 대해 방정식 3에 표시된 대로 이들 간의 차이를 보고하여 ROI A와 ROI B 사이의 정보 흐름이 한 방향에서 다른 방향으로 지배되는 시간을 평가합니다.
각 정보 흐름이 .0인지 여부와 각 차이가 0과 크게 다른지 여부를 평가하기 위해 셔플링 시험 레이블에서 생성된 10,000 데이터 세트 각각에 대한 정보 흐름 분석을 반복했습니다(위에 설명됨). .
각 ROI 쌍에 대해 관찰된 값을 비교할 정보 흐름(IF) 및 차이(Diff)의 null 분포가 생성되었습니다. 우리는 분류기 성능에 대해 위에서 설명한 것과 유사한 방법으로 이를 사용하여 null 분포의 중앙 95%를 정의했습니다. 마찬가지로 우리는 이러한 null 분포에서 p 값을 얻었습니다. IF의 경우 관찰된 값이 null보다 큰지 여부를 물었습니다(위와 같은 단측 테스트). Diff의 경우 관찰된 차이의 절대값이 널분포의 절대값보다 진폭이 더 큰지 여부를 물었고, p-값을 관찰된 것보다 절대값이 더 큰 널값의 비율로 정의했습니다(양측 테스트).
이전과 마찬가지로 우리는 이러한 p 값에 q, 0.05의 FDR 수정을 적용하여 시점에 따른 다중 비교를 수정했습니다. 이러한 분석을 보완하기 위해 우리는 관찰된 효과의 상대적 강도를 나타내는 지표로 BF 분석을 수행했습니다.
For more information:1950477648nn@gmail.com
