Görsel-Uzaysal Çalışma Belleği Sırasında Posteromedial Korteksten Bilgi Akışının Araştırılması: Bir Manyetoensefalografi Çalışması Bölüm 2

Gösterim aparatı ve kurulumu. Görsel uyaranlar MATLAB (versiyon R2014b) ve Psychtoolbox rutinleri (Brainard,1997; Pelli, 1997; Kleiner ve diğerleri, 2007) kullanılarak sunuldu.

Görsel uyarım, gözlerimiz aracılığıyla aldığımız ve hafızamız üzerinde önemli etkisi olan dış bilgilerdir. Araştırmalar görsel uyarımın hafıza üzerinde büyük etkisi olduğunu gösteriyor.

İlk olarak, görsel uyarım hafızada tutmayı ve hatırlamayı geliştirebilir. Görsel olarak dikkat çekici bir resim veya görüntü gördüğümüzde, beynimiz bunu daha spesifik bir anı olarak saklar ve anıyı geri getirmemiz gerektiğinde onu bulmak daha kolaydır. Buna parlak renkli ve benzersiz şekilli görüntüler de dahildir.

İkinci olarak, görsel uyarım aynı zamanda hafızanın kalıcılığını da artırabilir. Bazı araştırmalar, görselleri veya resimleri basit kelimeler veya rakamlardan daha kolay hatırladığımızı gösteriyor. Bu nedenle öğrenme veya araştırma materyalleri tasarlarken görselleri metinle birleştirmek hafızanın kalıcı olmasına yardımcı olacaktır.

Son olarak görsel uyarım aynı zamanda hafıza için çok önemli olan yaratıcılığımızı ve hayal gücümüzü de harekete geçirebilir. Beynimizi görsel girdilerle birleştirdiğimizde beynimize daha kolay yerleşen, hayal gücümüzü harekete geçiren yeni ve benzersiz anılar yaratabiliriz.

Genel olarak görsel uyarının hafıza üzerinde büyük etkisi vardır. Görsel olarak çarpıcı öğrenme materyalleri oluşturarak veya diğer görsel uyarım türlerini kullanarak beynimizin bilgiyi daha iyi öğrenmesine ve saklamasına yardımcı olabilir, yaratıcılığımızı ve hayal gücümüzü teşvik edebiliriz. Belleği geliştirmemiz gerektiği görülebilir ve Cistanche Deserticola hafızayı önemli ölçüde geliştirebilir çünkü Cistanche Deserticola, birçok benzersiz etkiye sahip olan geleneksel bir Çin tıbbi malzemesidir ve bunlardan biri hafızayı geliştirmektir. Kıymanın etkinliği asit, polisakkaritler, flavonoidler vb. dahil olmak üzere içerdiği çeşitli aktif bileşenlerden gelir. Bu bileşenler beyin sağlığını çeşitli şekillerde geliştirebilir.

Belleği güçlendirmek için ekleri bil'e tıklayın

MEG oturumları sırasında uyaranlar, Faraday kalkanının dışında bulunan InFocus IN5108 LCD arka projeksiyon sistemi (InFocus) tarafından özelleştirilmiş bir pencere aracılığıyla, katılımcının üzerinde bulunan ve 12 derecelik görüş açısına sahip bir ekrana yansıtıldı. Sırtüstü yatan katılımcılar ekranı 113 cm'den izlediler.

Psikofiziksel deney için uyaranlar, uyaranları 120 Hz'de yenilenen 60 x 33 cm Samsung SyncMasterSA950 Full HD 3D LED monitöre çekmek için AMD Radeon HD 7570 grafik kartını çalıştıran bir DellOptiPlex 9010 masaüstü bilgisayarda görüntülendi. Deneyler karanlık bir odada yapıldı ve katılımcılar oturup 64 cm mesafeden ekranı izlediler.

Görsel uyaranlar ve görev. Psikofiziksel ve MEG oturumları sırasında katılımcılar görsel-uzaysal bir çalışma belleği görevini tamamladılar. Görevi ve uyaranları daha önce kullanılan bir çalışma belleği meydan okuma görevine dayandırdık (Kochan ve diğerleri, 2010, 2011).

Görevimiz için önceki çalışmada kullanılan 8 soyut desen görselini kullandık (Şekil 1A). Her kodlama ve geri alma uyaranı, 9 konumdan birinde bu 8 görüntüden birini içeriyordu (Şekil 1B).

Her görüntü kare şeklindeydi, çapı 2,5 derecelik görsel açıydı ve 9 konumun her biri, ekranın merkezinden 4 derecelik görsel açıya sahip bir konumda ortalanmıştı. Ekranın ortasında her zaman koyu gri bir çarpı işareti (bkz. Şekil 1, genişlik 1 derece) mevcuttu. Tüm görüntüler ortalama gri bir arka plan üzerinde sunuldu.

Her deneme Şekil 1C'de gösterilen sırayı takip etti. Kodlama sırasında, aynı süreye sahip dört uyaran sırayla sunuldu. Kodlama uyaranları her zaman dört farklı konumdaki dört farklı görüntüydü ve katılımcının bu dört görüntü kimliği ve konum birleşimini hatırlaması gerekiyordu.

Kodlama uyaranlarının ardından 800 ms (bakım süresi) boyunca dinamik beyaz gürültü sunuldu: gürültü modeli %20 kontrasttı, ortalama griye odaklanmıştı ve 120 Hz'de güncellendi.

Kodlama uyaranlarının neden olduğu görsel ardıl görüntüleri azaltmak için bakım sırasında dinamik gürültüyü dahil ettik. Bakım periyodundan sonra, bir geri alma uyaranı sunuldu ve katılımcılar, geri alma uyaranının bu deneme için kodlama uyaran setine dahil edilip edilmediğini belirtti.

Yanıtlarının ardından (düğmeye basılarak), katılımcılar geri bildirim aldılar: sabitleme çarpı işareti doğruysa yeşile, yanlışsa kırmızıya dönüştü.

200 ms'lik geri bildirimden sonra sabitleme çaprazı koyu griye döndü ve 300-800 ms'lik değişken bir deneme arası aralığın (denemeler arasında rastgele değişen) ardından bir sonraki deneme başladı. Hedefin mevcut/yok olmasına yanıt vermek için kullanılan düğmeler her blokta değiştirildi.

Katılımcılar görevi 72 denemeden oluşan bloklar halinde tamamladılar. MEG sinyallerine (aşağıda) dayalı sınıflandırıcı analizine yardımcı olmak için, her kodlama uyarısı için kullanılan uyaranlar, her blok içinde tamamen dengelendi.

9 konumdaki 8 görüntü 72 benzersiz uyaran verdi ve her deneme bloğu için bu 72 uyaranın her biri birinci, ikinci, üçüncü ve dördüncü kodlama uyaranları olarak birer kez kullanıldı.

Kodlama uyaranları setleri, tekrarlanan görüntüler veya konumlar olmadan, her zaman dört farklı konumda dört farklı görüntü içerecek şekilde seçildi. Rastgele seçilen bu denemelerin yarısını "hedef mevcut" denemeler ve geri kalanını da "hedef yok" denemeler olarak önceden tahsis ettik.

Her deneme için, "hedef var" denemesi (geri alma uyaranı kodlama uyaranlarından biriydi) veya "hedef yok" denemesi (kodlama sırasında geri getirme uyaranı dahil edilmedi) olarak belirlenmesine göre bir geri getirme uyaranı seçtik.

Kodlama uyaranlarından farklı olarak, geri getirme uyaranlarının her bloktaki 72 benzersiz uyaranın her birini içermesi gerekmiyordu, ancak tüm görüntüler ve konumlar blok boyunca eşit sayıda kullanıldı.

İlk psikofiziksel oturumu hem katılımcıları görev konusunda eğitmek hem de görev zorluğunu performanslarına göre ayarlamak için kullandık. Psikofiziksel seans sırasında, kodlama ve geri çağırma uyaranlarının süresi denemeler arasında farklılık gösterdi.

Her denemede, kodlama uyaranlarının her biri aynı süreye sahipti ve geri çağırma uyaranı bunun iki katı uzunluktaydı. Her blokta 9 süre aralığı kullanıldı. Her katılımcı, kodlama sürelerinin 150-400 ms olduğu dört başlangıç ​​eğitim bloğunu tamamladı.

Dört görev bloğundan oluşan ikinci bir grup için daha kısa bir süre aralığı seçmek amacıyla her katılımcının ilk dört eğitim bloğundaki davranışını kullandık. Her katılımcının %75 doğru görev performansına ulaştığı süreyi tahmin etmek için bu ikinci dört blokluk setten elde edilen veriler kullanıldı. 1 katılımcıdan alınan örnek veriler Şekil 2A'da gösterilmektedir.

Her katılımcı için verilerini bir sigmoidal fonksiyonla (Denklem 1) eşleştiririz; burada doğru orantı (P), bir kesme parametresine (a, süreyi tanımlar, x, burada {{2}) göre kodlama süresiyle (10) değişir. }.75), bir eğim parametresi (b ) ve bir atlama oranı(r), aşağıdakilere göre:

MATLAB Tlingit fonksiyonunu kullanarak en uygun fonksiyonu bulduk (Şekil 2A'da kırmızıyla gösterilmiştir). Bu psikofiziksel verilere dayanarak, her katılımcı için MEG oturumu için tek bir kodlama uyaran süresi seçtik ve %75 oranında doğru bir genel performans hedefledik.

Bu hedef, hiçbir katılımcının tavan veya taban görev performansında olmamasını sağlamak ve Kochan ve diğerlerinin (2011) sonuçları PMC'nin özellikle zorlu görsel-uzaysal çalışma belleği zorluklarıyla ilgili olduğunu öne sürdüğünden, görevi her katılımcı için yeterince zorlayıcı hale getirmek için seçildi.

MEG oturumu sırasında her katılımcı, bu tek kodlama uyaran süresi ve bu değerin iki katı geri çağırma uyaran süresi ile 8 blok denemeyi tamamladı. Her katılımcı için kullanılan süreler ve MEG oturumundaki genel performansları Şekil 2B'de gösterilmektedir.

MEG ve MRI tarama protokolleri. MEG verileri, Macquarie Üniversitesi'nde 50 mm taban çizgisine sahip 160 koaksiyel birinci dereceden gradiometreden oluşan tam kafalı bir MEG sistemi (model PQ1160R-N2, KIT) ile toplandı (Kado ve diğerleri, 1999; Uehara ve diğerleri, 2003).

MEG ölçümlerinden önce katılımcının kafasına beş adet işaret bobini yerleştirildi. İşaretleyici konumları, nasion, sol ve sağ kulak kepçesi noktaları ve katılımcının kafa şekli, en az 2000 nokta kullanılarak bir kalem sayısallaştırıcı (Polhemus Fastrack) ile kaydedildi.

Her katılımcının MEG verileri, 90 dakikalık tek bir oturumda, 1000 Hz örnekleme frekansında toplandı. Her denemede katılımcılar bir Fiber Optik Yanıt Pedi (Güncel Tasarımlar) kullanarak yanıt verdiler.

MRI, Macquarie Üniversitesi Hastanesi'nde 3TSiemens Verio sistemi üzerinde gerçekleştirildi. MP-RAGE dizisini (dilim kalınlığı 1.0 mm, çözünürlük 1.0 1.0 mm) kullanarak 3D T1-ağırlıklı görüntüler elde ettik.

MEG veri analizi: kaynağın yeniden yapılandırılması. Freesurfer 6.0'dan (Dale ve diğerleri, 1999; Fischl ve diğerleri, 1999) otomatik bölümleme işlemleri, gri/beyaz madde ve pial/gri madde sınırlarını tanımlamak için her katılımcının yapısal MR'sine uygulandı.

MEG sinyallerini önceden işlemek ve kaynak yeniden yapılandırmasını gerçekleştirmek için beyin fırtınası (neuroimage.usc.edu/brainstorm, Ocak 2019 versiyonu) (Tadel ve diğerleri, 2011) kullanıldı. Anatomik görüntüleri ve Freesurfer segmentasyonunu içe aktardık ve her katılımcının spial/gri sınırına (kortikal yüzey) dayalı olarak kafa modellerini tanımladık.

MRI'ya dayalı anatomiyi MEG oturumundan kaydedilen nazion, preauriküler noktalar ve kafa şekli verilerine göre hizalayarak MEG veri setlerini kafa modeline hizaladık. Blok sırasında ölçülen kafa konumunda kortikal yüzeylerine çoklu küre modeli (Huang ve diğerleri, 1999) uygulayarak 8 blok denemenin her biri için ileri bir model oluşturduk.

MEG verileri Brainstorm'da çentik filtreleme (50, 100 ve 150 Hz) ve ardından bant geçiren filtreleme (0,2–200 Hz) ile önceden işlendi. Kardiyak ve göz kırpma artefaktları, sinyal alanı projeksiyonu kullanılarak kaldırıldı: Kalp ve göz kırpma olayları, Brainstorm'daki varsayılan filtreler kullanılarak tanımlandı, manuel olarak doğrulandı ve daha sonra kayıtlardan çıkarılan bu gürültü bileşenlerine karşılık gelen az sayıda temel fonksiyonu tahmin etmek için kullanıldı (Uusitalo ve Ilmoniemi, 1997).

Bu işlevsel verilerden, her deneme için iki dönem çıkardık: (1) temel aktivitenin bir ölçüsü (ilk kodlama uyaranının başlangıcına göre 100 ila 1 ms) ve (2) uyarılmış yanıt (0) –4000 ms). Her blok için gürültü kovaryansını tahmin etmek için temel ölçümleri kullandık ve ardından çağrılan verilere minimum norm kaynağı yeniden yapılandırması uyguladık.
Her kaynağın yeniden yapılandırılması için, 15,000 köşe kortikal yüzeyi kullandık (standart ağ, Freesurfer segmentasyonundan alınan atlas bilgileri ile). Kaynak modelindeki dipol yönelimleri kortikal yüzeye normal olacak şekilde sınırlandırıldı, gürültü kovaryansı medyan özdeğer kullanılarak düzenlendi ve diğer tüm seçenekler varsayılan değerlerine ayarlandı.

ROI'ler. Dört ROI tanımladık: Freesurfer segmentasyon işlemi sırasında her katılımcının anatomisiyle uyumlu atlas verilerine dayanarak oksipital korteks (OC), centrotemporalkorteks (VTC), PMC ve PFC. ROI'lerimizi tanımlamak için Freesurfer'ın Destrieux atlasını kullandık (bkz. Destrieux ve diğerleri, 2010).

ROI'lerimiz Destrieux ve ark.'dan aşağıdaki parselasyonları içeriyordu. (2010, Tablo 1): OC, OC'nin tamamını içeriyordu (indeksler 2, 11, 19, 20, 22, 42, 44, 51, 57, 58, 59); VTC, alt temporal girusları ve sulkusları içeriyordu (indeksler 37, 72); PMC, singulat girus ve sulkus'un orta-arka kısmını, precuneus'u, singulat sulkusun marjinal dalını ve subparietal sulkusu (endeks 8, 30, 46, 71) içermekteydi ve PFC, tüm PFC'yi (indeks 1, 5, 6, 24, 31, 62, 63, 64, 70).

Bu dört ROI, Şekil 3 ve 4'ün sağ üst köşesindeki göstergede şişirilmemiş bir kortikal yüzey üzerinde gösterilmektedir. Tüm ROI'ler, kortikal yüzeyin sürekli kısımlarını içermektedir: bu şekil açıklamalarındaki PMC'nin iki ayrı kısmı sulkus içinde birleştirilmiştir. Her ROI için, ROI içinde yer alan 15000 kaynağın alt kümesine karşılık gelen MEG verilerini çıkardık ve bu veri kümelerini aşağıdaki analizlerde kullandık.

Sınıflandırma analizleri. Her yatırım getirisi için, deneme süresi boyunca her 5 ms'lik bir aralıkta bir dizi çok değişkenli model sınıflandırma analizi gerçekleştirdik. Her sınıflandırma, tek bir zaman dilimindeki tek bir ROI'den gelen kaynak verilerinin, iki sınıftaki denemeler arasında ayrım yapmak için ne kadar iyi kullanılabileceğini sordu: örneğin, Konum 1'e karşı Konum 2'deki ilk kodlama uyaranıyla yapılan denemeler.

Her bir uyaranın (dört kodlama uyaranı 1 1 geri alma uyaranı) konumunu ve görüntüsünü ayırt etmek için sınıflandırıcıları (doğrusal destek vektör makinesi) eğittik: 9 konum için 36 ikili karşılaştırma vardı; ve 8 görüntü için 28 ikili karşılaştırma vardı. Bu sınıflandırmalar için, ilgilenilen boyutta aynı değere sahip ancak diğer boyutta farklı değerlere sahip denemelerin ortalamasını alarak "sözde denemeler" oluşturduk.

Sözde denemeler her zaman aynı uyarıcıya ilişkin ilginin alakasız boyutuna göre dengeleniyordu. İlk kodlama uyaranı için uyaran konumunu sınıflandırırken, her sahte deneme, ilk kodlama uyaranının aynı konumda olduğu 8 denemenin ortalamasıydı: her uyaran görüntüsü için bir deneme. Benzer şekilde, uyaran görüntülerini sınıflandırmaya yönelik sahte denemeler, bu uyaranın konumu boyunca dengelendi.

Sonuçlarımızın sahte denemelere belirli bir deneme atamasına bağlı olmadığından emin olmak için, her ikili sınıflandırma için 20 set sözde deneme oluşturduk, her set için denemelerin rastgele atamasını güncelledik ve bunlar arasında sınıflandırma performansının ortalamasını aldık. Her durumda, sınıflandırıcıyı verilerin %90'ı üzerinde eğittik ve döngüsellikten kaçınmak için performansını uzatılan veriler (%10) üzerinde test ettik.

Bu işlemi 10 kez tekrarladık (10-kat çapraz doğrulama) böylece sahte denemelerin her bölümü test setine bir kez dahil edildi; daha sonra bunlar arasında sınıflandırıcı performansının ortalamasını aldık.

Uyaranların süresi katılımcılar arasında farklılık gösterdiğinden (kodlama uyaranları için 180-320 ms), katılımcılar arasında sınıflandırıcı doğruluğunun ortalamasını alırken, ilk önce verilerini her uyaranın başlangıcında hizaladık; bu, Şekil 3-6'da zaman bölmelerinin (gölgeli) olduğu anlamına gelir. ortalamanın 11 katılımcıyı kapsadığı gri renkte). Bu şekillerde x ekseni 320 ms'lik bir uyaran için etiketlenmiştir.

İstatistiksel testler. Sınıflandırıcı performansının şansın önemli ölçüde üstünde olup olmadığını değerlendirmek için, parametrik olmayan boş dağılımlar oluşturmak amacıyla permütasyon testi ve önyükleme kombinasyonunu kullandık.

Her katılımcı için orijinal MEG deneme verilerini aldık ancak deneme etiketlerini katılımcının verileri içindeki denemeler arasında rastgele karıştırdık. Bu karıştırılmış etiket verilerini kullanarak, sözde denemeler ve 10-katlı çapraz doğrulama dahil olmak üzere, orijinal verilerle aynı sınıflandırma analizlerini gerçekleştirdik.

Bu işlemi 10 kez tekrarladık, deneme etiketlerini her seferinde rastgele karıştırdık ve her seferinde her sınıflandırma için 10 şans oranı sınıflandırıcı performansı tahmini elde ettik. Bu süreç hesaplama açısından yoğun olduğundan, tüm bu süreci 10000 kez tekrarlamadık, bunun yerine dağılımın Monte Carlo tahminini kullandık (Efron ve Tibshirani, 1994), bu 10 tahmini rastgele örnekleyerek (değiştirmelerle) her katılımcının her yatırım getirisi için ortalama 10,000 tahminden oluşan bir örnek oluşturmak.

Bu yeniden örnekleme prosedürünü her ikili karşılaştırma için ayrı ayrı, her zaman örneğinde gerçekleştirdik, böylece her durumda orijinal 10 tahminin farklı kombinasyonları vardı. Bu, gözlemlenen sınıflandırıcı performansının karşılaştırılacağı 10,000 veri kümesinden oluşan boş bir dağılımla sonuçlandı. Sonuç şekillerinde, boş değerlerin merkezi %95'lik aralığını, karşılık geldikleri sonuçlarla birlikte gri gölgeli bir bölge olarak çiziyoruz.

Her durumda, orijinal verilerde olduğu gibi boş veri kümeleri üzerinde tüm analizleri gerçekleştirdik (örneğin, katılımcılar arasında ortalama alma dahil) ve ardından her zaman örneği için değerleri ayrı ayrı sıraladık; bunlardan merkezi %95'in sınırlarını 251'den 9750'ye kadar değer olarak tanımladık.

P değerleri oluşturmak için gözlemlenen değeri ilgili boş dağılımla karşılaştırdık. Örneğin, sınıflandırıcı performansının şansın üzerinde olup olmadığını değerlendirmek için (tek taraflı test), p-değerini, gözlemlenen ortalamanın üzerinde olan eşdeğer boş ortalamaların oranı olarak tanımladık (Maris ve Oostenveld, 2007).

Zaman dilimleri arasında çoklu karşılaştırmaları düzeltmek için, bu p değerlerine q, 0.05 (Benjamini ve Hochberg, 1995) yanlış keşif oranı (FDR) düzeltmesini uyguladık. Sıfır dağılımına dayalı parametrik olmayan testlere ek olarak, MEG kod çözme çalışmalarına (Teichmannet) giderek daha fazla uygulanan geleneksel frekans yaklaşımına (Kass ve Raftery, 1995; Morey ve Wagenmakers, 2014) bir alternatif olan bir Bayes faktörü (BF) analizini kullandık. diğerleri, 2021).

Bir BF, rakip hipotezler için kanıtları karşılaştırır; burada alternatif hipotez lehine orta dereceli (BF .3) veya güçlü (BF .10) kanıtların veya lehine en azından orta dereceli (BF, 1/3) kanıtların olduğu yerleri rapor ederiz. sıfır hipotezi. Tüm BF analizlerini bir MATLAB paketi kullanarak uyguladık (Krekelberg, 2021).

Bilgi akışı analizi (IFA). 9 konumun (36 çift) ve 8 görüntünün (28 çift) her birinin, 5 uyaranın her biri için (4 kodlama uyaranı ve geri alma uyaranı) ikili sınıflandırmasından, (36 1 28) için zaman içinde sınıflandırıcı doğruluğuna sahip olduk. 5=320 sınıflandırma. Her bir uyaranın sunumundan bir sonraki uyaranın en erken sunumuna kadar geçen süreye karşılık gelen 5 farklı dönem içerisinde (veya uyaranın geri getirilmesi durumunda deneme verilerinin sonuna kadar), en son uyarandan elde edilen 64 sınıflandırıcı doğruluk değerini kullandık. her zaman bölmesinde bir farklılık matrisi (DSM) olarak.

Bu DSM'leri, her bir ROI çifti arasındaki Granger nedensel ilişkilerini test etmek için kullandık (IFA; bu ve benzer analizler için, bkz. İnce ve diğerleri, 2015; Goddard ve diğerleri, 2016, 2022; Karimi-Rouzbahani, 2018; Kietzmann ve diğerleri, 2019).

İlk ROI'nin geçmişi, ikinci ROI'nin gelecekteki performansını tek başına ikinci ROI'nin geçmişinden daha iyi tahmin etmek için kullanılabiliyorsa, ROI A'nın ikinci bir ROI'deki sınıflandırma performansı modeline "Granger nedeni" olduğu söylenir (B). Her zaman dilimi için ROI A'dan ROI B'ye (IFA.B) bilgi akışını (IF) tanımlamak için Denklem 2'deki kısmi korelasyonları (Spearman's r) kullanarak basitleştirilmiş (özel bir durum) Granger nedenselliğinin kayan pencere analizini gerçekleştirdi. (T).

burada DSM(loc,t), uyaranın başlangıcından sonra t zamanındaki ROI lokasyonundaki kaynaklara dayalı DSM'dir ve DSM(loc,t,d,w), tüm zaman aralıklarında ortalaması alınan, ROI lokasyonundaki kaynaklara dayalı DSM'dir. Uyaran başlangıcından sonra td ms'den t-(d 1 w) ms'ye. FF ve FB'yi 30 örtüşen pencere için hesapladık: 5 pencere genişliği için (w= 10, 20, 30, 40 veya 50 ms) 6 gecikmenin her biri için(d=50, 60, 70, 80) , 90 veya 100). Önceki çalışmada olduğu gibi (Goddard ve diğerleri, 2022), w ve d değerlerinde sonuçlar genel olarak benzer olduğundan, IFA.B değerlerinin tüm w ve d değerlerinde ortalaması alındı.

IFA.B ve IFB'yi raporlamaya ek olarak. Her bir ROI çifti için, ROI A ve ROI B arasındaki bilgi akışının bir yönün diğerine hakim olduğu zamanları değerlendirmek için Denklem 3'te gösterildiği gibi bunlar arasındaki farkı bildirdik.

Her bilgi akışının önemli ölçüde .0 olup olmadığını ve her farkın sıfırdan önemli ölçüde farklı olup olmadığını değerlendirmek için, deneme etiketlerinin karıştırılmasıyla oluşturulan 10000 veri kümesinin her birinde bilgi akışı analizleri tekrarlandı (yukarıda açıklanmıştır) .

Her ROI çifti için bu, gözlemlenen değerlerin karşılaştırılacağı bilgi akışı (IF) ve farkların (Diff) boş dağılımlarını oluşturdu. Bunları, yukarıda sınıflandırıcı performansı için açıklanana benzer bir yöntemle sıfır dağılımının merkezi %95'ini tanımlamak için kullandık. Benzer şekilde, bu boş dağılımlardan da p değerleri elde ettik: IF için, gözlemlenen değerin sıfırdan büyük olup olmadığını sorduk (yukarıdaki gibi tek taraflı test); ve Diff için, p-değerini gözlemlenenden daha büyük mutlak değere sahip boş değerlerin oranı olarak tanımlayarak (iki taraflı test) gözlenen farkın mutlak değerinin genlik açısından sıfır dağılımının mutlak değerinden daha büyük olup olmadığını sorduk.

Daha önce olduğu gibi, zaman noktaları arasındaki çoklu karşılaştırmaları düzeltmek için bu p değerlerine q, 0.05'lik bir FDR düzeltmesi uyguladık. Bu analizleri tamamlamak için, gözlemlenen etkilerin göreceli gücünün bir indeksi olarak bir BF analizi gerçekleştirdik.

For more information:1950477648nn@gmail.com