Клип деспосито сколько просмотров: клип «Despacito» набрал 7 миллиардов просмотров • ТНТ MUSIC — Здесь твоя музыка

Содержание

Обогнал Despacito. На YouTube сменился лидер по числу просмотров

https://radiosputnik.ria.ru/20201102/yutub-1582656889.html

Обогнал Despacito. На YouTube сменился лидер по числу просмотров

Обогнал Despacito. На YouTube сменился лидер по числу просмотров — Радио Sputnik, 02.11.2020

Обогнал Despacito. На YouTube сменился лидер по числу просмотров

Англоязычная версия клипа на детскую песню Baby Shark («Маленькая акула») стала самым просматриваемым роликом на YouTube, следует из данных видеохостинга. Радио Sputnik, 02.11.2020

2020-11-02T14:41

2020-11-02T14:41

2020-11-02T14:41

общество

технологии

youtube

луис фонси

андрей губин

/html/head/meta[@name=’og:title’]/@content

/html/head/meta[@name=’og:description’]/@content

https://cdn24.img.ria.ru/images/07e4/0b/02/1582647794_87:0:3728:2048_1920x0_80_0_0_3575df6d8de5d2bf88c9b183a4b5df09.jpg

МОСКВА, 2 ноября/ Радио Sputnik. Англоязычная версия клипа на детскую песню Baby Shark («Маленькая акула») стала самым просматриваемым роликом на YouTube, следует из данных видеохостинга. По данным YouTube, число просмотров в понедельник в 13:00 мск составило 7 039 528 852. Таким образом ролик Baby Shark обогнал предыдущего лидера по просмотрам – видео на песню Луиса Фонси Despacito.Создателем клипа является образовательный южнокорейский бренд Pinkfong, принадлежащий развлекательной компании SmartStudy. Видео под названием Baby Shark Dance было размещено в июне 2016 года.Ранее радио Sputnik сообщало, что продюсер Андрея Губина подтвердил исчезновение певца. Коротко и по делу. Только отборные цитаты в нашем Телеграм-канале.

https://radiosputnik.ria.ru/20201027/yutub-1581826763.html

Радио Sputnik

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

2020

Радио Sputnik

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

Новости

ru-RU

https://radiosputnik. ria.ru/docs/about/copyright.html

https://xn--c1acbl2abdlkab1og.xn--p1ai/

Радио Sputnik

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

https://cdn23.img.ria.ru/images/07e4/0b/02/1582647794_436:0:3167:2048_1920x0_80_0_0_6914fcc7737da0a218c932a0f05d3ec3.jpg

Радио Sputnik

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

Радио Sputnik

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

общество, технологии, youtube, луис фонси, андрей губин

Девушка недели: звезда клипа Despacito

Клип Despacito пуэрториканского поп-исполнителя Луиса Фонси преодолел историческую отметку в 5 миллиардов просмотров. При этом многие пересматривают видеоролик вовсе не ради песни, а ради жгучей главной героини.

Подпишитесь и читайте «Экспресс газету» в:

Красавицу зовут Сулейка Ривера, и в Пуэрто-Рико она уже больше 10 лет является чуть ли не главной национальной звездой. Выиграв на родине все возможные конкурсы красоты, 19-летняя девушка отправилась покорять международные горизонты и в 2006 году прибавила к списку своих наград корону конкурса «Мисс Вселенная».

Однако после победы на самом престижном в мире конкурсе красоты Сулейка Ривера надолго пропала с радаров. Как оказалось, девушка решила начать карьеру актрисы и долго пробовала себя в малоизвестных сериалах. Вскоре стало известно о романе девушки с баскетболистом NBA Хосе Хуаном Бареа, от которого в 2012 голу Ривера родила сына, однако через год после рождения ребенка пара рассталась.

Распрощавшись с семейной жизнью, Ривера вновь привела свое тело в идеальную форму и вернулась на обложки мужских журналов. А в 2016 году певец Луис Фонси обратился к ней с предложением сыграть роль девушки-мечты в клипе на песню Despacito. Это и был второй звездный час красотки — песня в купе с красивым видеорядом стала вирусной. Причем статистика показывает, что сильная половина человечества пересматривала клип музыканта лишь немного меньше, чем слабая. Так что заслуга Риверы в успехе видео, ставшего самым просматриваемым в истории YouTube, не меньше, чем у исполнителя.

Топ-10 инструментальных версий песни Despacito

23.08.17

 

Как все знают, клип на песню «Despacito» недавно стал самым популярным видео на сервисе YouTube, собрав более 3,3 млрд. просмотров за более чем полгода. Трек уже давно назвали хитом лета 2017 года.

 

Мы составили топ самых просматриваемых инструментальных версий этого хита на Youtube.

 

1. 2CELLOS. Популярный хорватский дуэт виолончелистов 2CELLOS на своем официальном YouTube-канале также представил кавер-версию популярной песни. Лука Шулич и Степан Хаусер, как обычно, делают ставку не только на качество музыки, но и на оригинальность ее подачи.

 

Количество просмотров: более 10 млн.

 

 

2. Jose Asuncion. Эта кавер-версия летнего хита исполняется на электроскрипке солистом музыкального мадридского театра Teatro Kapital Хосе Асунсьоном.

 

Количество просмотров: около 7 млн.

 

 

3. Si DESPACITO fuera SINFÓNICA. Как несложно догадаться, это версия от испанского симфонического оркестра. Звучит довольно интересно, хотя, согласитесь, ее сложно ставить в один ряд с моноинструментальными версиями.

 

Количество просмотров: около 4 млн.

 

 

4. Luis Graziatto. Романтичная и чувственная версия от саксофониста Луиса Грациатто стала популярной не только на Youtube — этот трек получил около 7 млн. просмотров на Facebook.

 

Количество просмотров: более 2,5 млн.

 

 

5. Peter Bence. Одна из довольно свежих версий (ей всего около месяца). Молодой музыкант Питер Бенс решил разыграть целую симфонию на фортепиано и специализированном устройстве под названием Loop Station (это рекордер для записи закольцованных музыкальных фраз и их воспроизведения в реальном времени).

 

Количество просмотров: более 2,4 млн.

 

 

6. V Minor. Секстет из заводных индийских парней V Minor исполнил Despacito с помощью таких инструментов: фисгармония, табла, гитары (аккустические, электро, бас), укулеле и клавишные. Кроме того, игра сопровождается исполнением фрагментов песни на хинди  😆

 

Количество просмотров: более 2,3 млн.

 

 

7. Andre Soueid. Еще одна свежая версия на электроскрипке от ливанского музыканта Андре Соэйда. Этот одаренный парень с 6 лет учился в Ливанской национальной консерватории, а с 2010 года играет в составе Ливанского восточного оркестра, для которого также составляет авторские композиции.

 

Количество просмотров: более 2,2 млн.

 

 

8. Praveen Prathapan & Janan Sathiendran. Очень оригинальная и отличающаяся от других версия с пометкой «индийская классическая» в исполнении двух британских музыкантов индийского происхождения Правеена Пратапана (флейта) и Джанана Сатиендрана (табла).

 

Количество просмотров: более 2 млн.

 

 

9. Peter Buka. Венгерский пианист Питер Бука — еще одно юное дарование. Парень с 8 начал играть, сейчас, в 20, он является студентом музыкальной академии и имеет довольно внушительный список наград национального масштаба.

 

Количество просмотров: более 1,6 млн.

 

 

10. DF trumpet. Любопытно, что для этого итальянского дуэта трубачей кавер-версия Despacito стала первым видео на их официальном канале и сходу получила довольно приличное количество просмотров. Видимо, благодаря динамике и красивому фону.  😀

 

Количество просмотров: более 950 тыс.

 

 

Экстра-позиция. B&B Project. Конечно же, мы не смогли пройти мимо кавера от украинских музыкантов B&B Project. Они использовали для своей инструментальной версии песни бандуру, баян и кахони. Желаем нашим музыкантам расширения границ популярности и миллиардных просмотров благодаря их индивидуальности и мастерству!

 

Количество просмотров: более 450 тыс.

 

   
Читайте также

Латиноамериканский хит Despacito стал первым видео на YouTube, набравшим 5 миллиардов просмотров

Летний танцевальный хит 39-летнего пуэрториканца Луиса Фонси (Luis Fon­si) и Дэдди Янки (Dad­dy Yan­kee) уже через полгода после релиза побил рекорды по прослушиванию и скачиванию во всех стриминговых сервисах, оставив позади даже вездесущего Джастина Бибера с песней Sor­ry. На данный момент клип стал первым видео на YouTube, набравшим 5 миллиардов просмотров.

Despaci­to настолько быстро набирает просмотры, что теперь на YouTube больше нет роликов с 4 миллиардами просмотров. 

Despaci­to, что можно перевести как «медленновато», нельзя назвать сложной композицией. Это чувственный реггетон, мелодия крепко врезается в память, слова, как водится, повествуют о любви и флирте — в общем, это летний хит, услышав который любой почувствует, как то, на чем мы сидим, начинает невольно двигаться в ритм.

К слову, в Малайзии власти запретили проигрывание композиции на государственных телеканалах и радиостанциях, так как поступали жалобы граждан о «непристойном» тексте песни. 


Источник: bbc.com

Певец и автор Despaci­to Луис Фонси находится в состоянии легкой эйфории, потому что, по его словам, он никак не ждал такой популярности. «Сумасшествие какое-то, — поведал Фонси. — Не хочу использовать слово «случайность», потому что я все-таки старался написать хит, однако такого точно не ожидал. Я просто хотел, чтобы люди танцевали». 

В январе, сразу после выхода, песня тут же стала хитом номер один в Латинской Америке, но в англоязычный мир попала после того, как Джастин Бибер выпустил свою версию Despaci­to (Remix).

Лучиан Грейндж, глава Uni­ver­sal Music Group, одного из гигантов музыкальной индустрии, рассказал, что успех Despaci­to говорит о демократизации музыкального рынка: «Возможность скачивания позволила любой композиции с другим ритмом, из другой культуры, на другом языке стать успешной».

Последний раз в сводном американском чарте Bill­board Hot 100 песня с испаноязычным припевом находилась на первом месте аж в 1996 году — это был зажигательный танец Macare­na испанского дуэта Los del Rio.

https://www.youtube.com/watch?v=gwWRjvwlLKg

Собственно, не один Джастин Бибер положил глаз на Despaci­to. Эту песню, кажется, поют уже все.

Не обошлось и без пародий.

Приз за лучший кавер на песню достается упорной перуанке, которая четыре года документировала на видео храп своего мужа Рауля Амадора Маркеса, из чего ее племянник потом сделал храп-версию.

У бывших лидеров, песни Уиза Халифы See You Again и композиции Эда Ширана Shape of You, по 3,4 миллиарда просмотров. 

Надо признать, пока мы делали материал, Despaci­to настолько въелась в кору головного мозга, что, кажется, останется с нами навсегда. А у вас? 

Смотрите также: Кто на самом деле написал музыку для заставки к передаче «В мире животных»

А вы знали, что у нас есть Instagram и Telegram?

Подписывайтесь, если вы ценитель красивых фото и интересных историй!

«Despacito» на YouTube проигрывали миллиарды раз, но вряд ли заработали деньги — Quartz

Poquito a poquito , «Despacito» Луиса Фонси и Дэдди Янки покорил музыкальные чарты и сердца многих слушателей по всему миру. над. Поп-песня в стиле реггетон, отчасти благодаря продуманному составу и успешной рекламной стратегии, стала самой популярной песней всех времен в июле, всего через несколько месяцев после выхода в начале этого года.

Он провел 16 недель на первом месте в чарте Billboard Hot 100, побив рекорд, ранее достигнутый только песней Мэрайи Кэри 1996 года.Это самый популярный музыкальный клип на YouTube за все время. Spotify сегодня окрестили трек «бесспорным гимном этого лета». Его правление вряд ли в ближайшее время будет свергнуто.

Итак, Фонси и Дэдди Янки сейчас одни из самых богатых музыкантов, верно?

Не совсем, если посмотреть на цифры. По данным лейбла Фонси, Universal Music, «Despacito» был воспроизведен 4,6 миллиарда раз на потоковых платформах, таких как Spotify, Apple Music и YouTube; хотя мы не знаем точного денежного соглашения, которое Universal заключила с каждой услугой для песни — большинство переговоров о музыкальных гонорарах не обнародуются, и они зависят от таких факторов, как популярность артистов и предыдущая работа — мы можем взять некоторых образованных догадки.

Имейте в виду, что 2,7 миллиарда потоковой передачи песни были получены с YouTube, веб-сайта с полностью бесплатным доступом и поддержкой рекламы, который музыкальная индустрия подвергала жесткой критике за то, что она слишком скупа на свои гонорары, которые все урезаны. от доходов от рекламы. Текущие оценки его ставок роялти за поток составляют около 0,0007 долларов США за воспроизведение.

Это означает, что Фонси и компания — помните, что он также должен разделить прибыль со своими авторами песен Эрикой Эндер, Дэдди Янки и Джастином Бибером, последний из которых появляется в популярной версии ремикса, — в лучшем случае заработал жалкие 3 доллара. .2 миллиона с YouTube.

А как насчет потоковых сервисов, предполагаемых спасителей музыки? В Spotify средняя выплата «за поток» правообладателям (например, авторам песен) колеблется от 0,006 до 0,0084 доллара. Принимая во внимание высокую оценку, это означает, что если бы «Despacito» гипотетически транслировался 4,6 миллиарда раз только на Spotify, он составил бы 38,6 миллиона долларов. (Если бы он достиг такого количества потоков в Apple Music, Amazon Music, Deezer, Tidal или любом музыкальном сервисе только по подписке, цифра была бы еще выше, потому что уровень бесплатного пользования Spotify, поддерживаемый рекламой, немного сокращает прибыль артистов. .)

На самом деле это было всего 1,9 миллиарда потоковых трансляций на этих сервисах, то есть было получено около 15 миллионов долларов. Добавьте к этому выплату YouTube в размере 3,2 миллиона долларов, и вы получите 18,2 миллиона долларов в общей сумме потоковых денег — это далеко не 38,6 миллиона долларов. И все это еще далеко от того, сколько сделал бы Despacito, если бы он вообще не транслировался, а продавался только в физических копиях или цифровых загрузках: каждая песня, купленная на iTunes за 1,29 доллара, приносит авторам примерно 0,20 доллара за штуку. Например, для того, чтобы песня добралась до 38 долларов, потребовалось всего 193 миллиона «прослушиваний».6 миллионов, а не 4,6 миллиарда.

И все же парадокс потоковой передачи состоит в том, что если бы бесплатного сервиса YouTube не существовало, возможно, люди вообще не слушали бы песню на платных потоковых сайтах. (Представьте, что вы взволнованно делитесь новым музыкальным открытием со своими друзьями, но добавляете очень заманчивую оговорку: «Оцените эту песню! Вам просто нужно заплатить 99 центов, чтобы сделать это!»)

За деньги, YouTube в настоящее время имеет три раза количество пользователей Spotify, Pandora и SoundCloud вместе взятых; его мощные рычаги влияния нельзя игнорировать, и художники, недовольные его ставками выплат, все равно не имеют другого выбора, кроме как их использовать.

Просмотр персонализированных видеоклипов, рекомендованных TikTok, активирует режим сети по умолчанию и вентральную тегментальную область

https://doi.org/10.1016/j.neuroimage.2021.118136Получение прав и контента

Аннотация

Широко используются передовые алгоритмы рекомендаций медиа-платформами, чтобы предлагать пользователям персонализированный контент. Хотя такие рекомендации для конкретных пользователей могут удовлетворить потребности пользователей в получении намеченной информации, у некоторых пользователей может развиться проблемная модель использования, проявляющаяся в нежелательном поведении, напоминающем зависимость.Используя популярную платформу для обмена видео и рекомендаций (TikTok) в качестве примера, настоящее исследование сначала охарактеризовало нежелательное поведение, связанное с использованием, с помощью анкеты, а затем исследовало, как лично рекомендованные видео модулируют активность мозга с помощью эксперимента фМРТ. Мы обнаружили, что больше нежелательных симптомов было связано с более низкой способностью к самоконтролю среди молодых людей, и около 5,9% пользователей TikTok могут иметь серьезные проблемы с использованием. Результаты фМРТ показали более высокую активацию мозга в субкомпонентах сети режима по умолчанию (DMN), вентральной тегментальной области и дискретных областях, включая латеральный префронтальный, передний таламус и мозжечок при просмотре персонализированных видео по сравнению с неперсонализированными.Анализ психофизиологического взаимодействия выявил более сильную связь между активированными субрегионами DMN и нервными путями, лежащими в основе слуховой и зрительной обработки, а также лобно-теменной сетью. Это исследование подчеркивает функциональную неоднородность DMN при просмотре персонализированных видео и может пролить свет на нейронную основу того, как алгоритмы рекомендаций могут удерживать внимание пользователя к предлагаемому контенту.

Ключевые слова

Проблемное использование TikTok

Сеть по умолчанию

Самоконтроль

Рекомендательная система

Персонализированные видео

Вентральная тегментальная область

Рекомендуемые статьиЦитирующие статьи (0)

© 2021 Авторы.Опубликовано Elsevier Inc.

Рекомендуемые статьи

Цитирование статей

Вот сколько денег Луис Фонси заработал примерно на 5 миллиардах потоков «Despacito»

Быть номером один — не совсем то, что было раньше.

Песня «Despacito» пуэрториканской звезды Луиса Фонси обогнала «Sorry» канадской поп-звезды Джастина Бибера и стала самой популярной песней в мире. По данным Universal Music, лейбл Фонси «Despacito», на котором также присутствуют Бибер и Дэдди Янки, играл 4 раза.3 миллиарда раз только на YouTube по состоянию на середину ноября. К июню этого года у него было 4,6 миллиарда прослушиваний на всех потоковых платформах — больше, чем у любой песни.

Despacito также является рекордсменом по количеству недель, проведенных на вершине чарта Billboard 100. А на церемонии вручения премии Latin Grammy Awards на этой неделе Фонси получил четыре высоких награды, в том числе награды за лучшую пластинку и лучшую песню.

Данные о самых популярных песнях, когда-либо транслируемых, недоступны, но Despacito значительно опережает «Sorry», которое уже было воспроизведено 4.38 миллиардов раз и «Shape of You» Эда Ширана, который занимает третье место с 4,08 миллиарда слушателей. Тем не менее, несмотря на то, что песня, в основном исполняемая на испанском языке Фонси, стала самой популярной в мире песней, 39-летний певец вряд ли заработал бы столько, сколько мегазвезда за свое время. продаж компакт-дисков.

Если предположить, что Фонси зарабатывал 0,008 доллара за поток — верхний предел отраслевых оценок, когда речь идет о гонорарах Spotify, — он получил бы гонорары в размере 36 долларов.8 миллионов по состоянию на это лето. Но реальная цифра, вероятно, будет намного меньше, учитывая, что почти 2,7 миллиарда потоков Despacito поступают с YouTube, где это четвертое по популярности видео за все время. В среднем YouTube платит значительно меньше, чем Apple Music и Spotify, потому что видеосайт делит доход от рекламы, а не платит за поток.

«Это фундаментальная проблема, с которой сталкивается стриминг», — говорит Марк Маллиган, управляющий директор лондонской компании MiDiA Research, добавляя, что музыкальная индустрия надеется, что YouTube «расширит свою роль так, чтобы доход соответствовал масштабу потребления.”

Финансовые последствия успеха Фонси осложняются тем, насколько его популярность связана с латиноамериканскими странами, такими как Бразилия и Мексика, которые являются вторым и третьим по величине рынками потокового вещания в мире соответственно. «Они очень важны, но большая часть потоковой музыки будет на бесплатных [платформах] из-за низкого уровня располагаемого дохода», — говорит Маллиган. «Они завышают индекс с точки зрения просмотров, но занижают индекс с точки зрения оплаты».

Также прочтите : секрет получения большой скидки на Apple Music

Это выражается в противоречивых отношениях с звукозаписывающими лейблами, хотя у них мало средств.Около 1,2 миллиарда человек активно используют YouTube для воспроизведения музыки, что делает его крупнейшим поставщиком потоковой музыки в мире. Действительно, хотя рост аудитории на платформе, принадлежащей Alphabet, замедлился, у нее все еще в три раза больше слушателей, чем у Spotify, Pandora и SoundCloud вместе взятых.

Конечно, Фонси вряд ли слишком беспокоит то, что он зарабатывал меньше непосредственно на музыке, чем артист его уровня мог бы получить десять лет назад. «Артисты все больше зарабатывают на таких вещах, как живые выступления и товары, — говорит Маллиган.«Они смотрят на стриминг как на способ построения бренда».

Эта история была обновлена ​​17 ноября 2017 года и добавлена ​​новость о победах Луиса Фонси на Latin Grammy 2017 года.

Байден играет «Despacito» на своем телефоне на мероприятии во Флориде в вирусном моменте

Байден осуждает Трампа за высказывания о ветеранах

Джо Байден разорвал президента Дональда Трампа за его заявленные высказывания, в которых во время предвыборного визита во вторник павшие солдаты назывались «лохами» к ключевому полю боя штата Флорида.(15 сентября)

AP

Кандидат в президенты от демократов Джо Байден, который изо всех сил пытается привлечь на свою сторону избирателей-латиноамериканцев, впервые появился во Флориде во вторник, на открытии Месяца латиноамериканского наследия.

Но выступление Байдена на мероприятии, вероятно, запомнится больше по его вступительному музыкальному номеру, чем по содержанию речи после того, как бывший вице-президент вытащил свой телефон и сыграл испаноязычную поп-песню Despacito, когда он впервые вышел на сцену.

После того, как его представил Луис Фонси, исполнитель международного хита, Байден сказал: «Мне нужно сказать только одно», прежде чем приступить к пьесе.

«Ну вот, потанцуй немного, Джо. Давай», — подбодрил Фонси.

Байден подпрыгнул на открытии реггетонной сенсации 2017 года, прежде чем выключить его и положить телефон обратно в карман.

«Я скажу вам, что, если бы у меня был талант любого из этих людей, я был бы избран президентом путем аккламации», — сказал Байден, имея в виду Фонси, а также певца Рики Мартина и актрису Еву Лонгорию. который также выступал перед Байденом в Киссимми, Флорида.

Флорида 2020: Байден проигрывает американским кубинским избирателям во Флориде, и эта тенденция может склонить штат к Трампу

После того, как его представил Луис Фонси, Джо Байден вытащил свой телефон и начал играть в Despacito раньше своего отмечает начало Месяца латиноамериканского наследия в Киссимми, Флорида. pic.twitter.com/7R6hUZgLW1

— Сара Муха (@sarahmucha) 16 сентября 2020 г.

Момент быстро стал вирусным в социальных сетях. Критики обвинили Байдена в потворстве латиноамериканским избирателям, сторонники ответили, что критики не помещают момент в контекст, а другие сетовали на то, что люди не были сосредоточены на более существенных проблемах.

Я не могу сказать, какое сводничество было более неприятным … Хиллари говорит, что у нее в сумочке был острый соус, или Джо Байден играет 10 секунд Despacito.

— Тим Янг, 16 сентября 2020 г. JordanUhl) 16 сентября 2020 г.

Президент Дональд Трамп пошел в другом направлении и поделился отредактированным видео инцидента рано утром в среду, в котором «Despacito» заменен на N.Хит W.A. 1988 г. «—- Tha Police».

«Что все это значит?» — спросил Трамп в твите, поделившись видео, которое Twitter назвал «манипулируемыми СМИ».

Лейбл не помешал президенту поделиться видео во второй раз, примерно через девять часов после первого. На этот раз подпись Трампа гласила: «Китай пускает слюни. Они не могут в это поверить!»

Трамп обвинил Байдена в желании оправдать полицию, несмотря на заявления Байдена об обратном, а также в использовании заявления Н.Песня W.A. оказалась попыткой повторить обвинение. Не сразу было понятно, как Китай сыграл в отредактированном видео.

Многие сторонники Трампа в Твиттере указали, что Despacito, что переводится как «медленно», был неудачным выбором для Байдена, которого Трамп иногда высмеивал прозвищем «Медленный Джо».

Вы зарегистрированы для голосования ?: Проверьте свой статус или зарегистрируйтесь прямо сейчас

Байден и Трамп вовлечены в борьбу за Флориду, критическое поле битвы, где поддержка латиноамериканских сторонников может создать или сломать кандидата.На прошлой неделе опрос NBC News / Marist показал, что Трамп опережает Байдена на 50% -46% в этой ключевой демографической группе Саншайн-Стейт — группа, в которой Хиллари Клинтон выиграла почти 30 баллов в 2016 году. Среди всех избирателей Флориды опрос показал, что кандидатов с равным соотношением 48 %.

Это и другие опросы, указывающие на слабую поддержку Байдена среди латиноамериканцев, вызвали беспокойство среди стратегов-демократов и, возможно, помогли подтолкнуть миллиардера Майкла Блумберга к планам потратить не менее 100 миллионов долларов на поддержку Байдена в штате.

Опрос Монмутского университета, опубликованный во вторник, дал более солнечную картину перспектив Байдена во Флориде.Он показал, что он опережает Трампа в штате на 5 или 3 процентных пункта, в зависимости от уровня явки. И он обнаружил, что Байден вырос на 58% -32% среди зарегистрированных избирателей-латиноамериканцев из Флориды.

Советник кампании Трампа Стив Кортес написал в Твиттере, что игра «Despacito» свидетельствует о борьбе Байдена за связь с латиноамериканскими избирателями.

Когда в среду утром сенатор Марко Рубио из Флориды спросили, помог ли этот инцидент Байдену или повредил ему латиноамериканские избиратели, сенатор Марко Рубио, штат Флорида, усомнился в этом.

«Я не знаю, имеет ли это значение. Я имею в виду, он стоял рядом с парнем, который написал или исполнил песню, Луисом Фонси», — сказал Рубио.

«Вот итог: в конце концов, люди, которые собираются принять решение на этих выборах, которые, как оказалось, принадлежат к латиноамериканскому инакомыслию, особенно в центральной Флориде, это очень трудолюбивые люди», — продолжил Рубио. «Они хотят того, чего хотят все. Они хотят иметь возможность владеть домом. Им нужна работа, которая приносит достоинство».

Рубио утверждал, что Трамп был бы кандидатом, лучше способным обеспечить эти рабочие места для латиноамериканцев в своем штате.

В своем представлении к Байдену во вторник Фонси, который родился в Пуэрто-Рико, сказал, что «Despacito», редкий испаноязычный хит среди англоязычных американцев, «доказал мне, что в этой стране мы никогда не будем определены». по нашим отличиям.

«И кто бы ни был президентом, латиноамериканцам и латиноамериканцам всегда будет здесь место. Но насколько лучше было бы иметь президента, который прославлял наше сообщество, а не очернял его? »- спросил он.

Нейроанатомические и функциональные данные были собраны консорциумом WU-Minn Human Connectome Project (HCP) 28 .В предыдущем анализе набор данных фМРТ в состоянии покоя (rs-fMRI) для 1003 участников (возраст M = 28,7 лет, SD = 3,7 года; 534 женщины) использовался группой HCP для создания пространственных карт типичные мозговые сети, которые могут быть обнаружены у участников rs-fMRI с помощью процесса, включающего group-PCA и group-ICA 48,49 Наш анализ включал применение этих карт к набору данных HCP 7T, который содержал как mv-fMRI, так и rs- ФМРТ сканирование, и это было предметом всех наших собственных анализов.Хотя этот набор данных 7 T описан в другом месте 27,28,29,50 , вкратце он состоит из сканирований фМРТ 184 участников (возраст M = 29,4 года, SD = 3,4 года; 112 женщин). Каждый участник прошел четыре 15-минутных сеанса mv-fMRI и четыре 15-минутных rs-fMRI; Функциональные изображения были получены с использованием последовательности импульсов многополосной градиентной эхо-планарной визуализации (EPI) (TR 1000 мс, TE 22,2 мс, угол поворота 45 °, многополосный коэффициент 5, охват всего мозга 85 срезов толщиной 1,6 мм, разрешение в плоскости 1.6 × 1,6 мм 2 , FOV 208 × 208 мм 2 ) 51,52,53,54 . Во время каждого показа фильма участники смотрели три или четыре видеоклипа, перемежающихся 20-секундными периодами отдыха, а также проверочный ролик продолжительностью 84 секунды, повторяющийся в конце каждого просмотра (из-за его повторения мы не включали этот клип в наш анализ. ).

Кроме того, были собраны сканы с высоким разрешением T1-взвешенного и T2-взвешенного сканирования (TR 2400 мс и 3200 мс, TE 2,14 мс и 565 мс, угол поворота 8 ° и переменный, толщина 0,7 мм, разрешение в плоскости 0.7 × 0,7 мм 2 , FOV 224 × 224 мм 2 ) для группового анатомического совмещения. Сбор данных был одобрен наблюдательным советом Вашингтонского университета 27 и выполнен консорциумом медицинских работников, который также получил информированное согласие всех участников во время сбора данных. Доступ к этим наборам данных был предоставлен консорциумом HCP и подтвержден Советом по этике исследований в области здравоохранения Королевского университета. Ни один участник не был исключен из анализа.

Преобразование функциональных данных в 15-сетевое представление

Мы сопоставили 15 пространственных карт, полученных в результате разложения группы состояний покоя 3T-ICA, на состояние покоя каждого участника 7T и данные просмотра фильмов, используя функцию двойной регрессии FSL 48, 49 , метод, в котором известные пространственные конфигурации регрессируют относительно новых данных для преобразования 4D функциональных данных в набор временных рядов (по одному на пространственную карту, дополнительный рисунок 1a).

Несмотря на то, что группа HCP могла предоставить более крупные сетевые наборы (в диапазоне от 15 до 300 решений на основе мозговых сетей), мы заметили, что размер набора мало повлиял на оценки траектории, и поэтому выбрали самый простой из доступных (15 сетей). ) решение.Чтобы увеличить отношение сигнал / шум и ослабить краткосрочные колебания сети, мы временно сглаживали каждый результирующий временной ряд с помощью фильтра скользящего среднего (интервал = 5 с). Эта процедура дала сглаженные временные ряды для каждой мозговой сети, отражающие активацию этой сети с течением времени. Мы объединили эти временные ряды для создания отдельных матриц (время × сеть) для всех четырех mv-fMRI и всех четырех прогонов rs-fMRI для каждого участника (дополнительный рисунок 1b).

От представления сети к метасостояниям сети

При подготовке к использованию метрики расстояния Махаланобиса для данных мы применили алгоритм t -распределенное стохастическое вложение соседей ( t -SNE) для уменьшения размерности каждой матрицы от 15 измерений до 2 при настройке сложности по умолчанию 30 30 (рис.1c; Дополнительный рис. 1c). Мы обнаружили, что настройка недоумения мало повлияла на наш анализ, и поэтому выбрали то, что считается умеренным (и значением по умолчанию). Мы определяем сокращенное пространство как пространство метасостояний, поскольку каждая двумерная временная точка является представлением более высокого порядка (т. Е. Мета) конфигурации 15-сетевой активности, как в методе Миллера и его коллег 13 .

Примечательно, что в подходе Миллера и его коллег 13 они создали низкоразмерное (высшее) представление, сначала определив пространство возможных метасостояний как дискретное 5-мерное пространство состояний, где каждое измерение представляет собой отдельный групповой временной компонент ICA, полученный из функциональных данных участников (т.е., схемы подключения). Активность всего мозга выражалась как взвешенная комбинация этих компонентов с течением времени. Чтобы сопоставить каждую временную точку со своим пространством мета-состояний, они затем дискретизировали каждый вес в каждой временной точке в соответствии с ее квартилем со знаком. Напротив, наш подход основан на алгоритмах уменьшения размерности для обнаружения изменений в метасостоянии непосредственно из непрерывного представления 15-мозговой сети. Мы выбрали этот подход, потому что он обеспечивает гибкость в обозначении каждого метасостояния, отображая каждое из них в непрерывное двумерное пространство вместо дискретного 5-мерного пространства состояний.Как заметил греческий философ Гераклит: «Ни один человек никогда не ступит в одну и ту же реку дважды, потому что это не одна и та же река, и он не один и тот же человек», наш подход основан на весьма вероятной возможности того, что метасостояния постоянно развиваются. Наш подход также отличается тем, что использует опубликованные эталонные сети, полученные из статической группы из 1003 участников (т. Е. Набор данных 3 T, описанный выше 28,48,49 ), а не набор сетей, полученных из конкретного набора данных в соответствии с допрос.

Обнаружение переходов метасостояния сети

Чтобы вывести из нашего представления t -SNE глобальную меру, чувствительную к изменениям в метасостоянии сети, мы вычислили расстояние Махаланобиса в позиции в этом пространстве с низкой размерностью t -SNE через последующие моменты времени. Матрицы ковариации были эмпирическими (т.е. рассчитанными на основе входной выборки). Результирующий вектор шагового расстояния для каждого прогона фМРТ каждого участника должен достигать пика в точках временного ряда, где происходят сдвиги в метасостоянии сети.Чтобы устранить потенциально расходящиеся результаты при повторных прогонах алгоритма t -SNE, мы повторили процесс уменьшения размерности и создания вектора шагового расстояния 100 раз для каждого участника и каждого функционального прогона. Затем мы взяли среднее значение по 100 векторам расстояния шагов для этого прогона (рис. 2a). Однако даже 95% доверительные интервалы были жестко ограничены.

Мы применили алгоритм поиска пика к каждому вектору среднего шага расстояния, чтобы определить моменты времени перехода, в которых расстояние шага удовлетворяло минимальному пороговому значению пика, равному 0.06, значение, при котором ~ 80% всех значений шагового расстояния попадает под 5-й процентиль связанного с переходом значения шагового расстояния. Установка значения протуберанца вместо применения фильтра верхних частот позволяет алгоритму учитывать шаговые расстояния в окрестности оцениваемого пика и приводит к более надежному выбору перехода. Чтобы найти метастабильные моменты времени, мы инвертировали сигнал и указали минимальную ширину пика 10; этот параметр гарантировал, что временные точки будут идентифицироваться только в пределах постоянно метастабильных периодов.Один из примеров идентифицированных переходов участника и метастабильных временных точек показан на рис. 2а с зелеными и черными треугольниками, соответственно. При этих параметрах среднее значение расстояния шага, связанное с точками времени перехода, составило 0,48 (5-й и 95-й процентили: [0,09, 1,79]). Медиана превышает 94% всех значений, тогда как нижняя граница превышает примерно 80% всех значений. Напротив, среднее расстояние между шагами, связанное с метастабильными временными точками, составляло 0,02 (5-й и 95-й процентили: [0.01, 0,03]), упав ниже примерно 94% всех значений.

Характеристики перехода в смоделированных реалистичных данных фМРТ

Мы использовали fmrisim из набора инструментов BrainIAK 55 для генерации набора данных шума, состоящего из фазовых рандомизированных данных участников для первого прогона фильма. Фазовые сдвиги выполнялись по вокселям для каждого участника (то есть случайные разные фазовые сдвиги вместо одинаковых для всех вокселей). После преобразования сигнала фМРТ в сетевое представление посредством двойной регрессии 15-сетевых пространственных карт ICA, мы следовали методу, описанному в нашей статье (т.е., выполнили 100 итераций алгоритма t -SNE, вычислили расстояния Махаланобиса). Конечный вектор расстояния шага для каждого участника шума состоял из вектора среднего шага расстояния по этим 100 итерациям.

Проверяя отдельные итерации t -SNE на данных шума, мы замечаем, что результаты часто состоят из нескольких длинных смежных кластеров (т. Е. Нескольких более мелких переходов), в отличие от нескольких смежных кластеров, которые мы видим в t -СНЭ прогнозы реальных данных, которые приводят к многочисленным идентифицированным переходам.Кроме того, сравнивая вектор среднего шага шумового шага участника с его вектором реального среднего шага, мы замечаем, что реальные данные дают переходы, которые более согласованы при повторных запусках алгоритма t -SNE (дополнительный рисунок 2). Эти результаты подчеркивают важность выполнения повторяющегося шага алгоритма t -SNE для стабилизации переходов, которые впоследствии идентифицируются.

Векторы признаков фильма

Чтобы связать идентифицированные нами нейронные переходы с опытом участников, мы исследовали, как переходы отображаются на хорошо охарактеризованные особенности фильма (события, под-события, фрагменты, семантические, визуальные и слуховые), а также на каждый из них. зарегистрированное движение головы участника во время сканирования.Подсобытия напрямую описывают, что актер или несколько актеров делают или говорят («он спускается по лестнице», «они едут в машине») или описывают движение важных объектов («метеорит падает на землю» »,« По улице едет машина »). Мы определили событие как значимый кластер подсобытий, который описывает более крупную всеобъемлющую цель, достигаемую суммой ее частей (т.е. мелкозернистые и крупнозернистые события 34 ). Вырезы относятся к границам между двумя отдельными снимками камеры.Два оценщика использовали инструмент кодирования видео (Datavyu 56 ), чтобы независимо определить границы, разграничивающие события и подсобытия, затем встретились, чтобы обсудить любые различия в своих оценках и согласовать временные точки границ событий. Используя этот подход, оценщики создали согласованные сегменты границ событий и под-событий для всех четырех прогонов фильма (14 клипов). Только один эксперт зарегистрировал сокращения, так как объективный характер положения камеры мало что обсуждалось. Из 14 клипов, найденных во время четырех просмотров, оценщики определили в среднем 7.5 событий, 37,3 дополнительных события и 46,2 фрагментов на клип. Для каждой зарегистрированной функции был создан бинаризованный временной ряд с началом, распределенным по ближайшему временному интервалу 1 с (соответствует TR 1000 мс, в течение которого был собран каждый объем фМРТ).

Группа HCP предоставила два типа меток характеристик для стимулов фильма: метки семантических категорий, которые описывают семантические характеристики высокого уровня, содержащиеся в каждую 1-секундную эпоху фильма 57 , и метки энергии движения, которые описывают низкие -уровневые особенности строения тех же эпох 58 .Было 859 семантических признаков и 2031 канал энергии движения, которые выражали изменения семантического содержания и энергии движения каждой эпохи, соответственно. Суммируя все семантические характеристики и взяв их производную, мы получили меру общей величины изменения семантического содержания в каждую эпоху. Точно так же мы суммировали все каналы энергии движения и взяли ее производную, чтобы получить меру общей величины изменения характеристик восприятия в каждую эпоху. Мы также взяли абсолютное значение производной вектора слуховой амплитуды для каждого просмотра фильма в качестве меры изменения громкости.Наконец, чтобы исключить возможность того, что переходы являются артефактом движения, мы получили для каждого участника относительное среднеквадратичное изменение положения головы 59 , соответствующее вектору движения головы во времени.

Распутывание границ событий и функций фильма

Несмотря на то, что векторы признаков, полученные выше, были коррелированы, мы вывели из них набор независимых векторов признаков путем цензуры эпох, в которых присутствовали границы событий и под-событий, а также срезы.Это было сделано путем отбрасывания значений в 3-секундном окне вокруг границ объектов и гарантировано, что видимые эффекты в объектах более низкого уровня не будут объяснены корреляцией с объектами более высокого уровня. Границы событий подвергали цензуре все остальные векторы; границы под-событий подвергали цензуре все векторы, кроме событий; и отсечения цензурировали все векторы, кроме событий и подсобытий (рис. 3b). Чтобы предотвратить ложные эффекты, связанные с началом клипа при просмотре фильма, мы также подвергли цензуре первые 6 секунд каждого клипа как для не прошедших цензуру, так и для цензурированных векторов признаков.

Особенности видео и движения при переходе по сравнению с метастабильностью

Для каждого перехода и метастабильной точки, обнаруженных в данных mv-fMRI, мы затем вычислили средний уровень каждой функции, учитывающей отставание функции гемодинамического ответа (HRF) (рабочий назад на основе канонического HRF 35 , выборка из окна функций за 3–6 секунд до каждого перехода и метастабильной точки). Затем мы усреднили все приступы одного типа для каждого участника. Таким образом, каждый участник в конечном итоге имел два значения для каждого вектора признаков: одно, представляющее среднее значение вектора признаков в момент перехода, и аналогичное значение в метастабильный момент времени.

Мы провели тест t , сравнивая эти два значения между участниками для каждого признака, и использовали каждую полученную статистику t для вычисления доли дисперсии, которая была объяснена в векторе признаков (т.е. наличие перехода. Затем мы использовали непараметрический анализ начальной загрузки, чтобы получить 95% доверительный интервал для каждой функции 60 . Используя разницу значений характеристик переходного и базового уровней участников в качестве входных данных, этот подход создает выборочное распределение среднего значения путем повторной выборки 1000 раз с заменой между участниками.Затем статистика t , соответствующая верхней и нижней границам каждого CI, была преобразована в значения эта-квадрата (рис. 3a).

Сравнение реальных и смоделированных данных

Мы также использовали набор данных фазового рандомизированного шума, описанный ранее, для проведения вторичного анализа, исследующего связь между шумовыми переходами и характеристиками фильма. Эти результаты обеспечивают базовое сравнение с реальными значениями в квадрате эта, которые мы получили, которые описывают выравнивание переходов к функциям.Мы не обнаружили существенной связи между переходами и особенностями фильма.

Производительность альтернативных подходов к внедрению

Выявив надежное предсказание различных функций, мы затем попытались определить, насколько важен наш конкретный подход к внедрению (то есть t -SNE) для идентификации переходов, которые сильно отображаются на свойствах фильма. С этой целью мы получили пять дополнительных наборов переходных и метастабильных временных точек: один с использованием нередуцированных (время × сеть) представлений данных mv-fMRI каждого участника (рис.1b), второй и третий набор с использованием двумерного представления их данных mv-fMRI, полученных с помощью анализа основных компонентов (PCA) и анализа независимых компонентов (FastICA), четвертый набор с использованием метода, описанного Миллером и его коллегами 13 , и пятый, использующий подход скрытой марковской модели (HMM), описанный Baldassano и его коллегами 16 .

Для метода Миллера и его коллег мы начали с регрессии пространственных карт ICA, соответствующих разложению на 50 сетей, в функциональные данные, чтобы получить представление активности мозга во времени с 50 сетями и сопоставить размерность их исходных входных данных.Затем мы рассчитали попарные корреляции между 44-секундным временным окном активности в каждой сети. Этот процесс повторялся для всех временных рядов, сдвигая временное окно с шагом 1 с. В результате активность мозга данного участника во временном окне была выражена как набор парных корреляций между каждой из сетей (то есть паттерн связности). Затем мы применили FastICA, чтобы получить 5-мерное представление активности во времени, где каждый из 5 компонентов представляет определенный шаблон подключения.После дискретизации весов каждого компонента в каждом временном окне в соответствии с его квартилем со знаком, полученные 5-мерные представления использовались для получения соответствующих векторов расстояния между шагами, а также временных точек перехода и метастабильности.

В частности, для каждого внедрения (15-мерное для нередуцированных временных рядов, 2-мерное для подходов PCA и ICA и 5-мерное для метода Миллера и его коллег) мы рассчитали расстояние Махаланобиса для последующих временных точек и применили пик -поисковый алгоритм определения временных точек перехода; Стратегия выбора порога минимального выступа пика и параметры нахождения пика для метастабильных временных точек остались неизменными.

Для подхода HMM мы подгоняем HMM к 15-сетевому представлению мозговой активности, которое сегментирует данные по количеству событий, ожидаемых от сегментации событий кино-стимулов, проведенных человеком-оценщиком. На этом этапе создается матрица вероятностей со строкой для каждой временной точки и столбцом для каждого события. Элементы этой матрицы отражают вероятность того, что определенный момент времени принадлежит этому событию. Чтобы точно определить переход между событием k 1 и k , мы определили момент перехода, в котором вероятность события k превосходит вероятность события k 1 .Напротив, мы сочли момент времени, в который наблюдалось максимальное значение вероятности в событии k (то есть максимум в соответствующем столбце), как метастабильный.

Как и выше, мы использовали эти пять дополнительных наборов переходных и метастабильных моментов времени, чтобы получить долю дисперсии, которая объяснялась в не прошедших цензуру векторах признаков наличием перехода для каждого подхода к внедрению (рис. 3b). Переходы, полученные непосредственно из 15-мерных (время × сеть) представлений, предсказывали умеренную долю дисперсии в событиях, но не для низкоуровневых функций, основанных на событиях, таких как подсобытия или сокращения.Переходы на основе PCA, ICA, метода Миллера и HMM показали худшие результаты, чем переходы t -SNE для всех категорий функций. Мы интерпретируем высокие показатели t -SNE в прогнозировании характеристик (особенно семантических) как отражающие его уникальную способность извлекать из данных важную локальную и глобальную структуру.

В соответствии с этой идеей, поскольку размерность увеличивается, метрики расстояния теряют свою полезность, поскольку расстояния до ближайшей и самой дальней точки от любой контрольной точки приближаются к равенству 61 .Зимек и его коллеги 62 далее показали, что если измерения коррелированы, а не независимы и одинаково распределены, то рассмотрение подмножеств измерений может улучшить характеристики показателей расстояния, таких как евклидово расстояние. Это, вероятно, объясняет плохое предсказание нередуцированных признаков в нашем анализе и поддерживает использование алгоритма уменьшения размерности, поскольку пространственные сети в 15-мерных представлениях (время × сеть), которые мы представили для анализа, не были независимыми друг от друга.Замена Евклидова расстояния Махаланобисом может дополнительно учесть остаточные корреляции между уменьшенными размерами 32 .

Несмотря на это, в нашем анализе плохая производительность PCA и ICA сигнализировала о том, что подход к уменьшению размерности также имеет значение. PCA и ICA — это линейные методы, которые стремятся сохранить глобальную структуру, тогда как t -SNE может сбалансировать компромисс между локальной и глобальной структурой. Изучив переменные нагрузки для результатов PCA, мы заметили, что два основных компонента были сильно отнесены к визуальным сетям, которые, вероятно, объясняли существенные глобальные различия, но за счет чувствительности к изменениям в сетях, связанных с концептуальной обработкой более высокого уровня.В результате переходы на основе PCA выполнялись сопоставимо с нередуцированными переходами в визуальной категории и коррелированных категориях (например, слуховых), но хуже в семантических категориях. Повышенная ограниченность, которая является результатом дополнительного требования статистической независимости, налагаемого для компонентов ICA, может объяснить, почему он работает даже хуже, чем PCA.

Переходы, полученные на основе метода Миллера и его коллег, не были связаны с изменениями функций. Поскольку мы ищем моментальные изменения в реконфигурации сети, одно из возможных объяснений заключается в том, что размер временного окна, используемого для корреляции между 50 сетями (44 с), был слишком длинным, чтобы быть чувствительным к изменениям, связанным с функциями, в определенный момент времени.Таким образом, мы протестировали наименьшее временное окно, которое можно было оценить (3 с), но все же обнаружили, что никакие особенности не были связаны с переходом по сравнению с метастабильными временными точками (все p s> 0,28). Временное окно в 2 с невозможно оценить, поскольку значения парной корреляции равны -1 или +1, что отражает линейную взаимосвязь между двумя точками. Более того, уменьшение размерности за счет разделения 50-сетевых парных корреляций на 5 паттернов связности может не обеспечить достаточной гибкости для захвата различных психических состояний, связанных с просмотром фильмов.

Из протестированных нами методов внедрения переходы на основе HMM уступали только нашему подходу на основе t -SNE при согласовании с изменениями функций и предсказывали умеренную долю дисперсии по всем функциям, кроме слуховых. Кроме того, важным ограничением, характерным для этого метода, было то, что количество переходов, которые должны быть размещены при каждом прогоне фМРТ, должно было быть заранее определено. Это может быть выполнено двумя способами: с одной стороны, можно использовать информацию о стимуле для определения ожидаемого количества событий (как мы это сделали), хотя это, возможно, представляет собой форму подглядывания в анализах, таких как текущий, где цель состоит в том, чтобы восстановить свойства стимула.Кроме того, эта стратегия также невозможна там, где нет руководства на основе стимулов (например, во время фМРТ в состоянии покоя). Другой способ предварительного определения количества переходов — выполнить оптимизацию на уровне группы. Однако этот подход предполагает, что заранее определенное количество событий присутствует в данных каждого участника, тогда как могут быть индивидуальные различия в количестве границ событий. Вне ограниченных ситуаций, когда все участники видят один и тот же стимул, может быть мало общей структуры в типе или времени состояний для участников (также как в rs-fMRI).Эти соображения ограничивают применение методов, основанных на HMM, ситуациями, в которых существуют априорные факторы (например, известный стимул, общая структура группы или предшествующее воздействие). Напротив, наша цель состояла в том, чтобы только сначала проверить нашу технику в среде, где стимул может быть хорошо охарактеризован, с намерением впоследствии применить его в основном в ситуациях, когда нет доступных априорных значений.

Эти моменты сделали, в качестве дальнейшего шага проверки было полезно учитывать, что в той мере, в какой наш подход на основе t -SNE и ранее проверенный подход на основе HMM успешны в выявлении когнитивно значимых границ событий, переходов, которые мы Идентификация с использованием подхода t -SNE должна иметь некоторую согласованность с переходами на основе HMM.С этой целью мы вычислили долю переходов на основе HMM, которые были обнаружены в пределах 3-секундного окна переходов на основе t -SNE для каждого участника и запуска фильма. В среднем 40% переходов на основе HMM были обнаружены в переходах на основе t -SNE, подтверждая, что, хотя мы не смогли достичь такого же уровня производительности обнаружения признаков с помощью HMM, тем не менее он проиндексировал аналогичную нейрокогнитивную конструкцию. Более низкий процент может быть результатом принудительного размещения переходов в подходе на основе HMM, тем самым идентифицируя моменты времени перехода, которые могут не соответствовать фактическому изменению психического состояния.

Сопоставление активности сетевого узла и функций фильмов

Мы регрессировали таймсерии каждого фильма в таймсерии 15 сетевых узлов каждого участника, чтобы исследовать прогностическую силу отдельных сетей. Это дало 184 скорректированных значения в квадрате R для каждой из 6 функций фильма. Наивысшее среднее скорректированное значение в квадрате R было для семантического признака (среднее R 2 = 0,0033), сигнализируя о том, что отдельные сети не были значимыми предикторами какого-либо признака.

Сопоставление активности сетевого узла и переходов

Мы импортировали переходы и метастабильные временные точки, идентифицированные в состоянии покоя, и относительное движение головы из остальных прогонов. Далее мы использовали ту же стратегию, что и при анализе художественных фильмов. В частности, мы рассудили, что если движение головы участников вызывает переходы, то среднее значение относительного движения головы в момент перехода должно быть значительно больше, чем среднее значение в метастабильный момент времени.Мы получили значение, представляющее эту метастабильную разницу движений головы для каждого участника, а затем загрузили эти значения в анализ начальной загрузки, сравнивая его с нулевой гипотезой нуля. Мы не обнаружили значимой связи между переходами и движением головы в состоянии покоя, средняя разница расстояний между переходами и метастабильными шагами = -0,00, BSR = -1,10, p = 0,273, 95% ДИ: [-0,00, 0,00].

Влияние структуры события на выравнивание группы переходов

Визуальный осмотр выявил значительную структуру переходов между участниками во время просмотра фильма (рис.2b), дополняя предыдущие данные о локальной координации мозговой активности, когда участники смотрели хорошо снятые фильмы. Чтобы формализовать это наблюдение, мы проверили более высокое групповое выравнивание при просмотре фильмов, чем в остальных. Для каждого участника и каждого прогона мы использовали преобразование Фишера корреляции между логарифмом их вектора шагового расстояния и логарифмом медианного группового сигнала (за исключением вектора шагового расстояния рассматриваемого участника). Чтобы избежать потенциальных эффектов, возникающих в результате начала и смещения пробега, мы исключили первые и последние пять эпох из векторов шагового расстояния.Затем мы сравнили все значения группового выравнивания из четырех прогонов mv-fMRI с нулем. Тот же самый анализ начальной загрузки был проведен для всех значений группового выравнивания для четырех прогонов rs-fMRI.

Чтобы предоставить альтернативный способ тестирования влияния повествовательных событий на переходы, мы коррелировали количество событий в каждом фрагменте ролика со степенью группового выравнивания переходов для этого клипа. Для каждого клипа мы разделили количество событий в этом клипе на его продолжительность в минутах.Для каждого участника мы получили соответствие клипа путем преобразования Фишера корреляции между логарифмом их вектора шагового расстояния и логарифмом медианного группового сигнала (за исключением вектора шагового расстояния рассматриваемого участника). Это повторялось для каждого клипа в прогоне фильма, а не для всего фильма; таким образом, у каждого участника был вектор, описывающий соответствие их клипа, причем каждый элемент соответствовал значению соответствия для конкретного клипа.Мы рассчитали корреляцию Пирсона между событиями в минуту и ​​вектором соответствия для каждого участника, в результате чего получили распределение из 184 коэффициентов корреляции. Мы загрузили это распределение в анализ начальной загрузки (как описано ранее, когда мы использовали эту стратегию для получения 95% доверительных интервалов) с 1000 выборками, чтобы проверить, значительно ли отличается корреляция между событиями в минуту и ​​групповым выравниванием от 0.

Эффекты пика параметры порогового и временного сглаживания

Чтобы оценить важность этих настроек параметров, мы протестировали влияние изменения значений минимальной выпуклости пиков (MPP) и интервалов временного сглаживания на анализ характеристик фильма.Мы получили наборы переходных и метастабильных моментов времени из 11 значений MPP: [0,01, 0,02,…, 0,11]. Эти временные точки были введены в анализ художественных фильмов. Результаты показаны на дополнительном рисунке 3a, где результаты исходного, умеренного значения MPP (0,06) представлены средней полосой в каждом кластере из 11 столбцов. Поскольку мы стремились идентифицировать нейронные переходы, которые соответствовали новой мысли, которая, как мы предложили, аналогична границам событий и изменениям семантического содержания в фильмах, мы уверены, что согласованность между переходами и событиями оставалась стабильной для значений MPP.Кроме того, в семантическом признаке сила выравнивания увеличивается по мере приближения значений к фактическому значению MPP (0,06), но затем остается стабильной для значений, превышающих фактическое значение MPP.

Сглаживание происходит в конфигурации с 15 сетевыми операциями непосредственно перед тем, как это представление используется в качестве входных данных в алгоритме уменьшения размерности. Первоначально мы использовали 5-секундный интервал, так как это близко к времени до пика функции гемодинамического ответа. Однако, чтобы проверить этот параметр, мы вывели представления пространства метасостояний для данных, сглаженных со следующими интервалами: [1 с, 3 с, 5 с, 7 с, 9 с].Из этих пяти наборов данных мы получили пять наборов временных точек перехода и метастабильности. Как и выше, эти временные точки были введены в анализ характеристик фильма. Результаты показаны на дополнительном рис. 3b, причем результаты для исходного диапазона (диапазон = 5 с) представлены средней полосой в каждой группе из 5 столбцов.

Мы также определили скорость перехода для каждого из этих пяти участков. Односторонний дисперсионный анализ показал, что существует значительная разница в средней скорости перехода между промежутками. Выбранный нами диапазон также часто (но не всегда) был оптимальным с точки зрения обнаружения сигнала.Однако последующие попарные t -тесты между выбранным нами интервалом (5 с) и каждым из других интервалов не выявили значимых различий (все p s> 0,27).

В заключение, исследование пространства параметров подтвердило, что наш выбор этого окна сглаживания был желателен с точки зрения согласования наших мер с характеристиками, но не выявил достоверной разницы в результатах анализа относительно отсутствия временного сглаживания (т. Е. , размах = 1 с).

Пространственные корреляты переходов по сравнению с метастабильными точками времени

Используя начало перехода и базовой линии, мы затем выполнили воксельный анализ конъюнкции, в котором мы стремились идентифицировать стабильные пространственные корреляты переходов метасостояния сети, которые могут быть обнаружены во время отдыха. и фильм идет.С помощью этого анализа мы хотели узнать, может ли какой-либо набор предикторов перехода связать активность мозга, для которой мы имеем представление о психологической значимости (mv-fMRI), с активностью мозга, для которой у нас нет (rs-fMRI). С этой целью мы отобрали среднее изображение фМРТ в начале перехода и базовой линии для каждого участника таким же образом, как и с векторами признаков выше, но без поправки на задержку HRF (поскольку на предиктор и зависимые переменные повлияла такая же задержка). В этом случае, однако, мы создали средние значения переходов для участников и метастабильных временных точек не только для прогонов mv-fMRI, но также (отдельно) для прогонов rs-fMRI.Мы также пространственно сглаживали каждое изображение, используя гауссовское ядро ​​на полуширине 6 мм (на нижней границе оптимальных параметров для преодоления межсубъектной изменчивости 63 ).

Корреляция между личностными характеристиками и ментальной динамикой

Медицинский работник провел инвентаризацию пяти фабрик невротизма / экстраверсии / открытости (NEO-FFI 64 ). Мы использовали баллы участников по каждому аспекту человеческой личности (невротизм, экстраверсия / интроверсия, уступчивость, открытость и добросовестность) как коррелирующие со средней скоростью перехода на rs-fMRI и соответствием (специфичным для mv-fMRI).Хотя у нас была направленная гипотеза о взаимосвязи между невротизмом и двумя нашими измерениями психической динамики, корреляции между другими чертами и измерениями психической динамики считались исследовательскими. Мы использовали подход бутстрап-корреляции с 1000 выборок, чтобы оценить корреляцию между невротизмом, скоростью перехода и конформностью.

Движение головы и переходы в состоянии покоя

Ранее мы показали, что не было никакой связи между движением головы и переходами во время просмотра фильма.Чтобы гарантировать, что это также имело место в наших данных о состоянии покоя, учитывая, что движение может быть выше во время сканирования в состоянии покоя 65 , мы повторили ту же стратегию анализа признаков для движения головы и переходов в состоянии покоя и не обнаружили разницы между средними значениями. движение головы во время перехода по сравнению с покоем, BSR = -1,10, p = 0,273, 95% ДИ: [-0,00, 0,00].

Корреляция других личностных черт со скоростью перехода

Для ясности и полноты мы приводим результаты, описывающие взаимосвязь между скоростью перехода и каждой личностной чертой (дополнительный рис.6). Чтобы максимизировать статистическую мощность, мы провели этот анализ, используя большой набор данных 3 T. Чтобы рассмотреть потенциальные взаимосвязи между чертами, мы изолировали каждую черту, контролируя все другие черты в описательном анализе. При этом мы заметили, что открытость отрицательно связана со скоростью перехода, что, возможно, отражает взаимосвязь, которая была продемонстрирована между этой чертой и транслиминальностью 66 , определяемой как «склонность психологического материала переходить пороговые значения в сознание или выходить из него» 67 .Основываясь на нашем определении мысли как содержащей преходящее когнитивное состояние, больший объем материального перехода в сознание должен соответствовать большему объему мыслей. Основываясь на представленных здесь идеях, это, в свою очередь, должно привести к более высокой скорости перехода. Однако следует предупредить, что наша интерпретация является спекулятивной и постфактум. Поэтому мы предполагаем, что это наблюдение лучше всего рассматривать как доказательство в поддержку генерации гипотез для будущих исследований.

Влияние половых различий в невротизме на скорость перехода

Поскольку хорошо известно, что в разных культурных контекстах невротизм, как правило, выше у женщин, чем у мужчин 68 , мы организовали набор данных 7T по полу и оценили разницу в наклоне корреляций, установленных для мужчин и женщин (ни один участник не был отмечен как «другой»).Мы обнаружили, что нейротизм был связан с более высокой частотой перехода у женщин, чем у мужчин, r diff = 0,28, 95% ДИ: [0,00, 0,57]. Однако этот паттерн не пережил трансляцию в набор данных 3 T, r diff = 0,08, 95% ДИ: [-0,05, -0,21], что дает смешанные доказательства половой специфичности наших результатов.

Влияние эмоциональности клипа на показатели умственной динамики

Восприятие смещено в сторону возбуждающих стимулов 38 .Таким образом, эмоционально возбуждающий киностимулятор должен усиливать контроль со стороны стимула над восприятием участников и, таким образом, уменьшать скорость спонтанных, независимых от стимулов познаний. Мы реализовали эту гипотезу следующим образом: клипы с более высоким рейтингом возбуждения будут связаны с более низкой скоростью перехода и большей согласованностью переходов между участниками.

Чтобы установить рейтинг возбуждения для видеоклипов, мы собрали ответы 12 студентов-первокурсников-психологов, которые смотрели в случайной последовательности 14 видеоклипов, представленных во время mv-fMRI.После просмотра каждого клипа участники оценивали возбуждение от клипа. Мы использовали эти рейтинги, чтобы установить средний рейтинг возбуждения для каждого видеоклипа. В результате получился вектор из 14 средних оценок возбуждения.

Возвращаясь к данным мозга, мы построили параллельный вектор скорости перехода из 14 клипов для каждого участника mv-fMRI. Затем мы рассчитали корреляцию между вектором возбуждения и вектором скорости перехода каждого участника. В результате был получен коэффициент корреляции для каждого участника, который описывал взаимосвязь между уровнем возбуждения, связанного с каждым клипом, и результирующей скоростью перехода участников.Вводя это распределение коэффициентов в бутстрап-анализ, мы обнаружили, что более высокое возбуждение надежно связано с меньшим количеством переходов, среднее значение r = -0,16, BSR = -8,83, p <0,001.

Мы также получили вектор соответствия из 14 клипов, описывающий степень сходства между вектором шагового расстояния участника и группой для каждого клипа. Мы рассчитали корреляцию между вектором возбуждения и вектором соответствия каждого участника. Распределение значений корреляции, описывающих взаимосвязь между возбуждением и соответствием, вводилось в бутстрап-анализ.Мы обнаружили, что более высокое возбуждение было связано с большим соответствием, среднее значение r = 0,10, BSR = 4,73, p <0,001.

В совокупности наш анализ подтвердил нашу гипотезу о том, что большее количество эмоциональных стимулов лучше захватит и удержит внимание зрителя, что приведет к меньшему количеству переходов в целом (то есть более низкой скорости перехода) и большему сходству с группой (то есть конформности). Любопытно, что эта интерпретация также согласуется с нашим наблюдением, что миндалевидное тело связано с метастабильностью во время просмотра фильмов.

Загрузочные доверительные интервалы

Мы использовали метод начальной загрузки для определения доверительных интервалов, описательной статистики и статистических оценок на протяжении всего анализа.

Мы использовали метод начальной загрузки для определения стабильности векторов шагового расстояния при нескольких запусках алгоритма t -SNE и для нахождения 95% доверительных интервалов для значений в квадрате эта в анализе психологической релевантности.

Для векторов шагового расстояния мы передали векторы шагового расстояния, полученные в результате всех 100 итераций, в анализ начальной загрузки.Затем для каждой временной точки 100 значений из каждой итерации подвергались повторной выборке с заменой и записывались средние значения этой выборки. Этот процесс повторной выборки повторяли 1000 раз для построения выборочного распределения среднего для каждой временной точки. Доверительные интервалы вокруг каждого элемента вектора среднего шага расстояния участника выводятся из значений 5-го и 95-го процентилей соответствующего распределения выборки.

Для значений в квадрате эта мы сначала получили вектор для каждой характеристики, описывающий разницу между средним переходом и метастабильными значениями характеристик в момент времени внутри участника (т.е.е., 184 элемента, представляющих разницу для каждого участника). Векторы переходной метастабильной разности для каждой функции были введены в анализ начальной загрузки для получения 95% доверительных интервалов вокруг средней разницы. Затем эти границы заменили среднее значение в вычислениях в квадрате эта для получения соответствующих значений в квадрате эта на границах доверительного интервала.

Начальная описательная статистика

Мы выполнили аналогичную процедуру, описанную выше, для начальной загрузки средних значений соответствия во время просмотра фильма, соответствия в состоянии покоя, средней корреляции между событиями в минуту и ​​соответствия (внутри участника).В частности, входные данные (например, значения соответствия в фильмах участников) были повторно дискретизированы с заменой 1000 раз. Среднее значение для каждой выборки было записано для построения выборочного распределения среднего, из которого мы могли получить бутстрэпированное среднее значение, а также доверительные интервалы.

Загрузочные корреляции

Мы использовали метод начальной загрузки для определения корреляций между скоростью перехода во время просмотра фильма и в состоянии покоя, а также между скоростью перехода, конформностью и невротизмом.Как и в предыдущем случае, это повлекло за собой повторную выборку с заменой пар значений (например, скорости перехода фильма и отдыха) между участниками. Корреляция между переменными для каждой выборки была записана, чтобы построить выборочное распределение корреляции, из которого мы могли получить значение начальной корреляции, доверительные интервалы и значения p . Выбросы определяются как значения, превышающие три медианных стандартных отклонения, и удаляются из анализа 69 .

Методология анализа конъюнкций

Чтобы оценить области, вызванные переходом, по сравнению с метастабильными временными точками как в задаче, так и в отдыхе, мы сначала вычитали метастабильность из переходных изображений независимо для фильма и отдыха, так что изображение разницы в кино и изображение разницы в отдыхе было доступно каждому участнику.Мы замаскировали эти изображения с помощью маски серого вещества, выполняя сравнения только для тех вокселей с вероятностью не менее 50% быть серым веществом на основе анатомического атласа MNI в том же пространстве 70 . Опять же, мы использовали непараметрический анализ начальной загрузки, но на этот раз получили изображение коэффициента начальной загрузки (BSR) для каждого из изображений фильма и остальных изображений (см., Например, ссылку 71 ). Поскольку коэффициент начальной загрузки аппроксимирует z -распределение 72 , мы использовали кумулятивную функцию распределения, чтобы преобразовать ее в карту воксельной статистики p- .Для каждого из фильмов и отдыха мы установили порог результирующей карты на P <0,001 и подавили сверхпороговые воксели в соответствующих p -картах, которые не удовлетворяли минимальному порогу протяженности кластера в 250 вокселей (1024 мм 3). ).

Чтобы выполнить анализ конъюнкции, мы установили пороговое значение как для фильма, так и для остальных p -карт при p <0,05, установив все вокселы выше этого значения на бесконечность, и вычислили произведение p -карт.Результирующая карта конъюнкции p представляет вероятность получения сверхпорогового результата не только на карте A, но также и на карте B. Из-за начального шага пороговой обработки он имел подразумеваемое пороговое значение p- , равное 0,0025. Как и в случае однозадачного анализа, мы затем дополнительно подавили надпороговые вокселы в соединении p -map, которые не удовлетворяли минимальному порогу протяженности кластера в 250 вокселей (1024 мм 3 ). Мы выбрали эти пороговые значения вокселов и экстентов, чтобы достичь баланса между частотой ошибок типа I и типа II 73 .

Статистика и воспроизводимость

В большинстве анализов использовались данные из набора данных 7 T Human Connectome Project Young Adult, который включал большую выборку и однозначно содержал как данные отдыха, так и видео. Таким образом, большинство анализов невозможно было повторить. Анализы, изучающие взаимосвязь между скоростью перехода и отдыхом и невротизмом, были повторены во втором (3 T) наборе данных, как указано в разделе «Результаты».

Сводка отчетов

Дополнительная информация о дизайне исследования доступна в Сводке отчетов по исследованиям природы, связанной с этой статьей.

Еженедельный пульс MCU: Д’Эспозито дразнит бесконечную войну, Стэн демонстрирует свой щит

Еще одна неделя отдыха означает, что вам предстоит еще один еженедельный пульс, любезно предоставленный MCUExchange! На этой неделе у нас был бразильский CCXP, а в свою очередь — Guardians of the Galaxy: Vol. 2 трейлер и некоторые еще не выпущенные Человек-паук: Возвращение домой кадров. Вот некоторые вещи, которые могли быть пропущены на этой неделе:

Когда мы приближаемся к финалу середины сезона, действие на Agents of S.H.I.E.L.D. , безусловно, набирает обороты. На прошлой неделе мы видели, как агентов Коулсона и Фитца отправили в другое измерение вместе с Робби Рейесом. Все еще работают над завершением второй половины сезона, поэтому продюсер Marvel TV Джеффри Коло опубликовал в Твиттере краткий обзор какой-то боевой станции, которую мы увидим в шоу позже в этом сезоне.

Снова снимаем что-то секретное на @Marvel #AgentsofSHIELD # Скоро pic.twitter.com/ZUl3cGP5bs

— Джеффри Коло (@GeoffreyColo)

29 ноября 2016

Источник: Twitter.

Мстители: Война бесконечности начал производственный процесс, и ожидается, что съемки начнутся в любой момент. Предположительно, чтобы начать съемки, на прошлой неделе руководители Marvel устроили небольшую встречу, на которой со-президент Marvel Луи Д’Эспозито написал в Твиттере картинку из комикса Infinity War .

Я на самой крутой встрече #AvengersInfinityWar. pic.twitter.com/RvRL1Y6EmH

— Луи Д’Эспозито (@ louisde2)

30 ноября 2016

Источник: Twitter.

Даже если Доктор Стрэндж начинает сворачивать свою театральную работу, мы все равно время от времени получаем новые фрагменты и фрагменты информации. На встрече Meet & Greet, посвященной Доктору Стрэнджу, недавно проведенной в Disney, они действительно приложили все усилия, чтобы показать детали в реквизите. На рисунке ниже вы увидите различные рекламные материалы, в том числе газету Daily Bugle с рекламой Нельсона и Мердока в правом верхнем углу.

Было много слухов вокруг Доктор Стрэндж и Оскара, так как многие люди задаются вопросом, станет ли этот фильм первым фильмом MCU, получившим премию Оскар. Сценарист Уилл Госс опубликовал в Твиттере инфографику об актерском составе и членах съемочной группы, а также о соответствующих наградах, за которые они будут претендовать.

Это немного странно. pic.twitter.com/IPmLHcyqAX

— Уилл Госс (@williambgoss)

1 декабря 2016

Комикс.com личность Брэндон Дэвис написал в Твиттере изображение Доктора Стрэнджа , режиссера Скотта Дерриксона в ночь выхода фильма. По словам Дэвиса, на показе фильма Дерриксон сказал аудитории: «Однажды кто-нибудь снимет плохой фильм Marvel, но это не буду я!».

В выпуске «Ночь Доктора Стрэнджа» @scottderrickson сказал @Kevfeige: «Однажды кто-нибудь снимет плохой фильм Marvel, но это не буду я!» рис.twitter.com/Uygnp8CHsk

— Брэндон Дэвис (@BrandonDavisBD)

3 декабря 2016

Источники: Reddit и Twitter.

С выходом первого трейлера Стражи Галактики: Том. 2 , как я рассказал выше, начался маркетинг для второго входа во франшизу Guardians. Как вы можете видеть в твите ниже, официальный аккаунт Guardians в твиттере опубликовал загадочное сообщение «I Am Groot».

Настроение.# Понедельник pic.twitter.com/UPf1XyJSCJ

— Хранители Галактики (@Guardians)

28 ноября 2016

Вместе с отцом Криса Пратта , страдавшим рассеянным склерозом, скончавшимся во время съемок сериала Мир юрского периода в 2014 году, актер признал, что у него никогда не было надлежащего времени, чтобы осмыслить свои чувства, чего не происходило, пока он не начал съемка Стражи Галактики: Том. 2 .

«По правде говоря, я вскрыл несколько ран, которые заживали в течение некоторого времени.И я не хотел », — сказал Пратт британскому GQ. «Но я знал, что на данный момент это было правильно… Есть раны, которые никогда не будут полностью исцелены. Вероятно, история была бы лучше, если бы это была какая-то эмоциональная вещь, с которой я не имел дела … Когда мы сталкиваемся со смертью одного из родителей, иногда ты чувствуешь сожаление, что не полностью воспринял то, что у тебя было ».

Источники: Twitter и Comicbook.com.

Социальные сети Luke Cage по очереди делятся небольшими роликами с различными персонажами шоу.В ролике этой недели, показанном ниже, показан полицейский детектив Мисти Найт в роли актрисы Симон Миссик . Хотя у Мисти Найт и Железного кулака есть история в Marvel Comicsverse, Миссик не будет появляться в шоу Netflix Immortal Weapon. Тем не менее, она была подтверждена для сериала The Defenders , который появится на Netflix позже в следующем году.

Источник: Instagram.

Бывший художник комиксов Marvel Митч Герадс поделился нарисованным рядом изображением панели с изображением Карателя и актера Джона Бертала , который играет персонажа в MCU, одетого в ту же футболку, которая может быть видно ниже.

ЭТО. ЯВЛЯЕТСЯ. ДИКИЙ. @jonnybernthal — рок в моем стиле!

* Следует отметить, что оригинальная рубашка принадлежит @PaoloMRivera + @MarkWaid от DD. pic.twitter.com/Y3hL7IKqX1

— Митч Герадс (@MitchGerads)

29 ноября 2016

Источник: Twitter.

Человек-паук: Возвращение домой находится на стадии постпродакшна, и пока мы все еще ждем первых публично выпущенных кадров из предстоящего фильма, режиссер Джон Уоттс продолжает делиться закулисными клипами на его аккаунт в Instagram.На видео ниже Уоттс работает с актером Томом Холландом , который играет супергероя-паутины в MCU.

Источник: Instagram.

Что-то совершенно новое, что дебютировало на этой неделе, было первым Marvel Funko Short, анимационным веб-сериалом, демонстрирующим наших любимых персонажей MCU, борющихся с преступностью, в качестве их очаровательного Funko POP! аналоги болвана. Первый короткометражный фильм можно увидеть ниже.

Источник: Youtube.

Актер «Зимний Солдат» Себастьян Стэн любит своего персонажа ровно настолько, чтобы получить индивидуальный реквизит, демонстрирующий знаки отличия его персонажа. В своем посте в Instagram Стэн поделился изображением, на котором он держит щит, похожий на Капитана Америку, но вместо белого на синем, он полностью серебряный, за исключением звезды Зимнего солдата посередине. Реквизит был изготовлен компанией Shield Labs из Индепенденса, штат Миссури, и если вы поклонник реплик реквизита, мы обязательно приглашаем вас проверить их в Интернете.

Источник: Instagram.

Мы оценили все 9 версий Despacito от худшего к лучшему

Безусловно, самым значительным моментом в поп-культуре 2017 года стала огромная, огромная популярность «Despacito», испаноязычного флейта от пуэрториканских музыкантов Луиса Фонси и Дэдди Янки. Я не говорю это легкомысленно — в конце концов, 2017 год принес нам катастрофу на Фестивале Огня, близнецов Бейонсе и причудливую эпизодическую роль Эда Ширана в «Игре престолов ».

Но «Despacito» — это глобальное явление, которое оставляет все остальное на своем пути. На этой неделе песня собрала 4,6 миллиарда прослушиваний на потоковых платформах и стала самой популярной песней всех времен, превзойдя «Sorry» Джастина Бибера. Это абсурдное количество воспроизведений для песни, которая вышла только в январе, но это лишь один из многих ее рекордов, побитых в этом году.

«Despacito» — первая песня на испанском языке, которая возглавила музыкальные чарты США Billboard с тех пор, как «Macarena» выпустила ее еще в 1996 году.В июне его просмотрели на YouTube два миллиарда, что стало самым быстрым видео в истории сайта, достигшим этого рубежа.

Я каждый раз слышу Despacito pic.twitter.com/NyFPaKjw5Z

— Girl Codes (@WeAreGirICodes) 12 июля 2017 г.

Оригинальная версия песни имела головокружительный успех в чартах латиноамериканской музыки, но когда Бибер вскочил на борт и добавил свой куплет, а также свою довольно хорошую попытку испанского хука, она взорвалась по всему миру.

Оригинальный ‘Despacito’ и ремикс Бибера, безусловно, самые популярные, но на самом деле Фонси зачислено семи различных официальных версий песни, включая переработку сальсы, ремикс Major Lazer и перевод на португальский язык, поскольку а также несколько менее официальная версия меренге доминиканского художника Энтони Сантоса и оркестровая композиция двух хорватских виолончелистов.

Другие ремиксы не транслировались так часто, как версия Бибера, но некоторые из них превосходны.Другие… менее хороши. Чтобы расширить ваши познания в «Despacito», мы просмотрели все девять версий песни и дали рекомендации, стоят ли они вашего времени (внимание: большинство из них).


Хорошо, мы должны начать с оригинала. Он составляет основу каждого ремикса, поэтому, чтобы понять, почему разные версии работают (или не работают), мы сначала должны углубиться в то, что делает «Despacito» таким смехотворно запоминающимся.

Одна из причин, по которой поп-музыка так… популярна, заключается в том, что наш мозг запрограммирован на то, чтобы реагировать на определенные виды звуков и паттернов.На самом деле я понятия не имею, является ли это хотя бы отдаленно точным с научной точки зрения, но для меня это имеет смысл (как еще вы объясните Pitbull?).

‘Despacito’ был составлен так, чтобы поразить все различные части нашего мозга, которые заставляют нас так радостно реагировать на треск. Есть заманчивый гитарный рифф, знакомый латинский фьюжн-ритм, который вызывает лучшее из Энрике Иглесиаса и Рики Мартина, громкий припев, который заставляет вас подпевать (даже если люди, не говорящие по-испански, обычно знают только одно слово: «despacito») и стихотворение в стиле реггетон от Daddy Yankee, которое навевает воспоминания об огромном хите Дона Омара «Danza Kudero».

«В конце концов, это — это идеальная поп-песня, так что кого это волнует»

Похоже, песня, которую мы слышали всю жизнь, но в ней достаточно яркости и свежести, чтобы по-настоящему взволновать нас. Не имеет значения даже то, что большинство из нас не знает, о чем поет Фонси. Песня просто звучит так хорошо, как .

На самом деле, учитывая, что все лирики посвящены ебле, языковой барьер, вероятно, помог песне охватить более широкую аудиторию, которую в противном случае отпугнули бы ее довольно откровенные образы.

Поскольку «Despacito» создавалась как идеальная поп-песня, она (очень) иногда может казаться слишком искусной. Переходы слишком… безупречны. Но, в конце концов, это — это идеальная поп-песня, так что кого это волнует.

Рекомендация: Послушайте еще 4,6 миллиарда раз.


Ремикс Джастина Бибера — самая популярная версия песни, превосходящая оригинал во всем мире, но особенно в странах, не говорящих по-испански.И по очень уважительной причине.

Он сохраняет все, что делало оригинал таким хорошим, добавляет новый куплет Бибера и бросает его на вершину припева с запыхавшимся «Des… pa…». cito », то есть, я просто скажу, невероятно горячо.

Есть причина, по которой самой популярной песней за все время до «Despacito» была «Sorry» Бибера. Парень умеет петь и абсолютно убивает свои гостевые пятна. Будь то «Cold Water» Мэйджора Лазера, «I’m The One» диджея Халеда или даже «2U» Дэвида Гетты, Бибер крадет шоу, когда он на крючке.

«Despacito» уже была идеальной поп-песней, но добавив в нее величайшего приглашенного вокалиста нашей эпохи, она стала трансцендентальной.

Рекомендация: Не ебать людей, которые не ебутся с этой песней.


Вы знаете, чего не хватало в оригинальной версии Despacito? Рога.

Это быстрая переработка с использованием классических ударных инструментов сальсы, таких как бонго, с добавлением нескольких хлопков в ладоши и, конечно же, соло на трубе.Невозможно не любить сальсу, а это веселая, джазовая версия песни.

Это не так хорошо, как оригинал, и нет Бибера, но это занимательно.

Рекомендация: С помощью этого воссоздайте сцену сальсы из Step Up 2 .


В конце концов мы собирались выпустить нехорошую версию, и, к сожалению, мы здесь. Просто непонятно, почему существует эта версия песни или почему она была выпущена.

По сути, это оригинальная версия песни, но без Daddy Yankee и с более медленным и большим битом.Кто об этом просил? Куплеты Daddy Yankee в оригинальной песне сильно контрастируют с более медленными и мелодичными элементами Фонси. Различные компоненты хорошо сочетаются друг с другом, причем Янки также немного призывал и отвечал во время припева.

Когда вы убираете это, становится намного скучнее. Похоже, кавер-группа U2 немного успела записать что-то на испанском, но на полпути перестала это делать.

Рекомендация: Нет причин когда-либо слушать эту песню.


Никогда не слышали о МОСКА? Ни то, ни другое, но, судя по всему, он колумбийский продюсер, который каким-то образом закончил ремикс на «Despacito» с Major Lazer.

На первый взгляд ремикс Major Lazer на эту песню звучит как блестящая идея. На самом деле, похоже, что майор Лазер и Бибер должны были участвовать с самого начала. Дипло вызывает много ненависти, но он, несомненно, один из лучших продюсеров, и его песни со Skrillex и Bieber, а также пара очень хороших альбомов Major Lazer продемонстрировали его широкую палитру.

Так что заставить его переделать «Despacito», добавив немного танцевальной атмосферы, звучит здорово, не так ли? Что ж, если бы он это сделал, это было бы здорово. Но он этого не сделал. К сожалению, это невероятно хлипкий ремикс.

Ударные стали на ступеньку выше, но в остальном песня в основном та же, за исключением высоких басов. Капля кажется очень неуместной в песне, и если вы не очень-очень мунтируете в клубе, когда она играет, вы не получите от нее удовольствия.

Учитывая, насколько тусклым является ремикс, это еще более удивительно: очевидно, что для его создания потребовалось четыре человека (три парня Major Lazer + один MOKSA).

Это просто невероятно слабый способ попытаться оседлать волну «Despacito». Мы заслуживаем лучшего.

Рекомендация: Пропустите, но если у вас ночь ностальгии по дабстепу и вы приняли огромное количество МДМА, вы можете получить удовольствие от этого.


Эта песня — именно то, что написано на лейбле.Это «Despacito», но его поет на португальском языке бразильский певец Исраэль Новаес.

Больше особо нечего сказать. Если вы говорите по-португальски, я думаю, вам это понравится? Остальной мир отлично справился с испанской версией, но неплохо для португальцев, получивших свою собственную версию.

Рекомендация: Послушайте, если вы говорите по-португальски. Или нет. С оригиналом все в порядке, даже если вы не понимаете, что говорит Фонси.


Возникшая в Доминиканской Республике в 19 веке, меренге в настоящее время является одной из самых популярных форм музыки и танцев в Латинской Америке.Так что, если должна была быть версия песни для сальсы, имеет смысл сделать и версию для меренге.

Merengue известен своими более быстрыми аранжировками, и это определенно самая быстрая версия «Despacito». Если вы увлекаетесь меренге, вам это обязательно понравится. В нем есть все элементы классической меренге… но это «Despacito». Если вы не увлекаетесь меренге … вам следует заняться меренге. Латинская музыка — это круто, и это одна из лучших латинских песен, получившая классическую трактовку домоника 19 века.

Рекомендация: Обязательно попробуйте, он станет вашими воротами в чудесный мир меренге.


2CELLOS, как следует из названия, — это хорватский дуэт виолончелей, специализирующийся на оркестровых аранжировках известных песен, потому что, очевидно, для этого есть рынок.

Ранее они исполняли каверы на «Smooth Criminal» Майкла Джексона, «Thunderstruck» AC / DC и «Supermassive Black Hole» Muse. После того, как эти песни испортились, они решили обратить свое внимание на «Despacito».

Это просто два парня, которые играют на своих виолончелях и исполняют инструментальную часть «Despacito». Ни больше ни меньше. Всего за пару недель он набрал более пяти миллионов просмотров на YouTube, так что похоже, что по крайней мере некоторым людям это необъяснимо нравится.

Комментарии на YouTube полны людей, которые говорят такие вещи, как «Я так горжусь тем, что я хорват», но непонятно, почему для национальной гордости страны хорошо, когда эти два человека испортили самую популярную песню в мире.

Рекомендация: Хорваты: Очевидно, это необходимо послушать. Все остальные: игнорируйте это.


Непонятно, что делает эту версию «городской». На самом деле, очень сложно сказать, чем эта версия отличается от оригинала.

На заднем плане несколько слабых синтезаторов, но кажется, что это все. Реквизит тому, кто создан Sky, за то, что ему удалось выпустить официальный ремикс, фактически ничего не делая.

Рекомендация: По сути, это оригинальная песня, так что вы тоже можете ее послушать.


# 9 — Despacito подвиг. 2CELLOS [Оркестровая версия]
# 8 — Despacito (Versión Pop) [Версия без папы Янки]
# 7 — Despacito (Major Lazer & MOSKA Remix) [The Major Lazer Version]
# 6 — Despacito (Versión Urbana) feat . Небо [«Городская» версия]
# 5 — Despacito (Versión Portugués) подвиг. Израиль Новаес [Португальская версия]
# 4 — Despacito feat. Энтони Сантос и Марк Би [Версия на меренге]
# 3 — Despacito feat.Виктор Мануэль [Версия сальсы]
# 2 — Despacito feat.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *