Duyusal Geçmişin Çalışma Belleği Performansı Üzerindeki Çoklu ve Ayrılabilir Etkileri Bölüm 2

MEG edinimi

Katılımcılar, görevin özellikleri hakkında bilgilendirildikten sonra MEG tarayıcıya oturtuldu. MEG kaydı başlamadan önce tarayıcıda otururken bir alıştırma bloğunu tamamladılar.

Manyetoensefalografi (MEG), insan beyni aktivitesini ve sinir sinyallerini kaydedebilen modern bir teknolojidir. Sinirbilim araştırmalarında, nörolojik hastalıkların tanı ve tedavisinde vb. yaygın olarak kullanılmaktadır. Bellek açısından bakıldığında manyetoensefalografi, insan bellek mekanizmalarını ve beyin alanlarının işlevlerini daha derinlemesine incelememize yardımcı olabilir.

Bilim insanları manyetoensefalografiyi kullanarak hafızayla ilgili bazı keşifler yaptılar. Örneğin, prefrontal korteks, temporal lob ve hipokampus gibi çalışma ve uzun süreli hafızayla ilgili beyin bölgeleri buldular. Ek olarak manyetoensefalografi, Alzheimer hastalığı gibi hafıza bozukluklarıyla ilişkili beyin aktivitesindeki anormallikleri tespit edebilir. Bu nedenle bu teknolojinin hafıza bozukluklarının teşhis ve tedavisinde geniş uygulama olanakları vardır.

Önemli terapötik potansiyele sahip olmasının yanı sıra, manyetoensefalografi sıradan insanların hafızasını geliştirmesine de yardımcı olabilir. Beynimizin bilgiyi nasıl işlediğini ve anıları nasıl sakladığını anlayarak, nasıl daha etkili bir şekilde öğrenip hatırlayabileceğimizi daha iyi anlayabiliriz. Bilim adamları, bilgiyi daha iyi hatırlamamıza yardımcı olabilecek tekrarlama ve ilişkilendirme gibi kanıtlanmış bazı hafıza eğitimi tekniklerini keşfettiler.

Kısaca manyetoensefalografi, hafıza araştırmalarıyla yakından ilgili bir teknolojidir. Hafıza mekanizmamız ve beyin bölgesi fonksiyonlarımız hakkında derinlemesine bir araştırma yaparak hafıza bozukluklarının çözülmesine ve hafızanın iyileştirilmesine yardımcı olabilir. Beynimizi daha iyi anlamamıza ve kullanmamıza yardımcı olmak için manyetoensefalografinin potansiyelini aktif olarak keşfedelim ve daha iyi kullanmayı öğrenelim. Belleği geliştirmemiz gerektiği görülebilir ve Cistanche Deserticola hafızayı önemli ölçüde geliştirebilir, çünkü Cistanche Deserticola aynı zamanda asetilkolin ve büyüme faktörlerinin seviyelerini arttırmak gibi nörotransmitterlerin dengesini de düzenleyebilir. Bu maddeler hafıza ve öğrenme için çok önemlidir. Ayrıca et, kan akışını iyileştirebilir ve oksijen dağıtımını destekleyebilir, bu da beynin yeterli besin ve enerji almasını sağlayarak beyin canlılığını ve dayanıklılığını artırır.

Beyin fonksiyonunu iyileştirmenin yollarını bilin'e tıklayın

Katılımcılara, deneme boyunca merkezi sabitleme noktasına bakışlarını korumaları ve göz kırpmayı en aza indirmeleri talimatı verildi.

Nöromanyetik veriler, manyetik olarak korunan bir odada 204 düzlemsel gradiometre ve 102 manyetometre (Elekta Neuromag Oy) içeren tam kafalı bir VectorView sistemi kullanılarak elde edildi.

Deney boyunca katılımcıların baş pozisyonu, başın dört noktasına yerleştirilen indeks bobinleri kullanılarak sürekli olarak izlendi. Manyetik alan kuvveti 1000 Hz hızında örneklendi ve bant geçişi 0,03 ile 300 Hz arasında çevrimiçi olarak filtrelendi. Ayrıca gözlerin üstüne, altına ve yanına yerleştirilen elektrotlar kullanılarak dikey ve yatay elektro-okülogramlar ölçüldü. Göz hareketleri EyeLink 1000 (SR Research) göz takip cihazı kullanılarak 1000 Hz frekansında izlendi.

MEG veri ön işleme

Veriler, Fieldtrip (Oostenveld ve diğerleri, 2011), SPM8 (http://www.fil.ion.ucl.ac.uk/spam) ve Elekta yazılımı üzerinde çizim yapan OHBA yazılım kitaplığı (OSL) kullanılarak çevrimdışı olarak önceden işlendi.

Herhangi bir ön işleme öncesinde MEG verileri, aşırı düzeyde gürültü sergileyen sensörleri çıkarmak ve enterpolasyon yapmak için görsel olarak incelendi ve ardından kardiyak sistemle ilgili bağımsız bileşenleri çıkarmadan önce Maxfilter Signal SpaceSeparation (Taulu ve diğerleri, 2004) kullanılarak gürültü giderildi ve hareket düzeltildi. ve göz açıp kapayıncaya kadar geçen eserler.

Veriler, birinci ızgaranın ve ikinci ızgaranın çevresinde (ızgara başlangıcından 400 ms önce, başlangıçtan sonra 900 ms'ye kadar) ve 200 Hz'ye alt örneklendi. Gradyometrelerde veya manyetometrelerde yüksek varyansa sahip denemeler, 0,05 anlamlılık eşiğinde genelleştirilmiş bir ESD (aşırı öğrencileştirilmiş sapma; Rosner, 1983) testi kullanılarak tanımlandı ve hariç tutuldu.

Denemeler arası önyargı analizleri için sınıflandırıcıyı, reddedilmeyen tüm denemelerdeki tüm uyarıcı sunumları konusunda eğittik. Yüksek varyansa sahip denemeleri (%7.49 6 3.85, ortalama 6 SD, 45 6 23 uyaran sunumuna karşılık gelen) daha ileri analizlerden hariç tuttuğumuz için, sınıflandırıcı geri kalan 555 6 23 uyaran sunumu üzerinde eğitildi.

Önyargıları hesaplamadan önce, her bloğun ilk denemesini (%2) kaldırdık ve önceki denemede hedef oryantasyonu ile 0,60 derecelik (;%33) mutlak açısal farka sahip denemeleri kaldırdık, bunun için 370 6 21 denemeyle sonuçlandı Katılımcı başına analiz.

Deneme içi yanlılık analizleri için sınıflandırıcıyı, yüksek varyans nedeniyle kaldırılanlar hariç, uyarıcı 2'nin sunulduğu tüm denemeler üzerinde eğittik ve analizde 278 6 11 deneme bıraktık.

Önyargı hesaplaması için, bu denemeler arasından uyaran 1'in de sunulduğu, uyaran 1 ve 2 arasında 0,10 derece ve ,50 derecelik mutlak açı farkı olan denemeleri seçtik. Daha sonra, koruma ve uyaran denemeleri için önyargı ayrı ayrı hesaplandı. ipuçlarını günceller, bu da sırasıyla 62 6 5 ve 63 6 5 denemeyle sonuçlanır.

Doğrusal diskriminant analizi sınıflandırması

Veriler ayrıca ön işleme tabi tutuldu. Manyetometrelerin büyüklükleri çarpma yoluyla yaklaşık olarak gradiometrelerle eşleştirildi (faktör 20) ve uzay-zamansal kod çözmeye tabi tutuldu (kod https://pypi.org/project/temp-dec/ adresinde mevcuttur; daha önce açıklandığı gibi, Wolff ve diğerleri, 2017, 2020; Hajonides ve diğerleri, 2021). 30-Zaman noktalarının (150 ms) kayan penceresindeki 306 MEG sensörün tamamından gelen veriler, 9180-boyutlu bir vektörde birleştirildi.

Boyutsallık, her zaman noktası için ayrı ayrı hesaplanan temel bileşen analizi kullanılarak azaltıldı, varyansın %90'ı korundu (250 ile 600 ms arasında, bu katılımcı başına yaklaşık 209 6 39 bileşendi, ortalama 6 SD).

Bu, verilerin gürültüsünü gidermeye, her boyut tarafından kodlanan benzersiz varyansı artırmaya ve sınıflandırıcının kovaryans matrislerini daha etkili bir şekilde hesaplamasına olanak sağlamaya hizmet etti. Daha önce sunulan uyaranlardan gelen stabil bilgileri korumak için Prestimulus temellendirmesi uygulanmadı.

Doğrusal bir diskriminant analizi (LDA) sınıflandırıcısını eğitmek için veriler, {{0}}kat katmanlı çapraz doğrulama kullanılarak eğitim ve test kümelerine bölündü. Izgara açıları, 10 farklı sınıf (0–18 derece, 18–36 derece, 36–54 derece, 54–72 derece, 72–90 derece, 90–108 derece, 108–126 derece) oluşturularak eşit aralıklı yönlendirme bölmelerine yerleştirildi. 126–144 derece, 144–162 derece, 162–180 derece). Bir LDA sınıflandırıcısını eğitmek için veriler, 10-fold stratifiedcross-validation kullanılarak eğitim ve test kümelerine bölündü.

Eğitim setine dayalı olarak LDA sınıflandırıcısı, verileri 10 sınıftan maksimum düzeyde ayıran düşük boyutlu bir alana (dokuz boyutlu; sınıf sayısı eksi 1) yansıtır. Test setinden elde edilen veriler daha sonra aynı {{ 3}}boyutlu uzay. Düşük boyutlu uzayda her eğitim seti sınıfının ortalamasından Öklid mesafesini hesaplayarak test setindeki her deneme için 10 LDA mesafesi elde ettik.

Bu mesafeler, herhangi bir test denemesinin on sınıfın her birine karşılık gelme olasılığını tahmin etmemizi sağladı. Bu, her çapraz doğrulama katı ve her zaman noktası için tekrarlandı. Uyaran kod çözme analizlerinde, sınıflandırma için sunulan açı kullanıldı.

Çapraz kod çözme analizlerinde, LDA sınıflandırıcıları bir olayın yönelim kutuları (örn. sunulan ızgara) üzerinde eğitildi, ancak sınıflandırıcı kanıtları başka bir yönelimdeki kutular etrafında hizalandı (örn. önceki denemedeki hedef yönelimi). Ortaya çıkan temsili benzerlik eğrileri bir kosinüs ile evrildi.

Çok değişkenli yöntemlerimizde gözlemlenen sınıflandırıcı olasılıklarına hangi sensörlerin en önemli şekilde katkıda bulunduğunu test etmek için ayrıca bir projektör kod çözme analizi de yaptık (Kriegeskorte ve diğerleri, 2006).

Bu analizde, küçük bir sensör grubu ayrıntılı olarak ele alındı ​​ve bu sayede gözlemlenen etkinin yaklaşık yerinin haritasını çıkarabildik. Daha spesifik olarak, her sensörden ve ona en yakın 47 komşusundan (manyetometreler ve gradiometreler dahil) veri seçtik ve yukarıda açıklananla aynı sınıflandırma analizini yürüttük.

Nöral önyargının bir ölçüsü olarak nöral asimetri puanının hesaplanması

Deneme içi önyargılar için ikinci ızgaranın işlenmesini değerlendirdik ve yalnızca iki maddeli denemeleri değerlendirdik. Sınıflandırıcı, ikinci ızgaranın tüm sunumları konusunda eğitildi ve her deneme için kutu olasılıkları oluşturuldu. Denemeler arası analizler için, mevcut denemedeki hem birinci hem de ikinci ızgaranın oryantasyon işlemini analiz ettik. Bu nedenle sınıflandırıcıyı tüm denemeler için eğittik ve tüm denemeler için kutu tahminleri oluşturduk.

Daha sonra, performans yanlılığı analizlerinden elde edilen sonuçlara dayanarak, indükleyici arasındaki açısal mesafe ile ekrandaki ızgara yöneliminin grup düzeyinde önemli bir davranışsal yanlılığa yol açtığı denemeleri seçtik.

Deneme içi itici yanlılık durumunda, tetikleyici aynı denemedeki ilk ızgaranın yönelimiydi. Denemeler arası analizler için, tetikleyici önceki denemede rapor edilen hedef yönelimiydi (hedef olarak raporlanmayan yönelimin kullanıldığı kontrol analizleri hariç). Bağımlı bir değişken olarak, her bir yönlendirme bölmesi için olasılık tahminlerini dikkate aldık; burada sunulan yönelime göre sıfır ofseti olan açısal bölme için en yüksek olasılığı ve sunulan yönlendirmeye daha büyük açısal mesafelere sahip bölmeler için azalan olasılıkları bekliyoruz.

Mevcut yönelimle ilgili olarak indükleyici yöneliminin saat yönünde (CW) ve saat yönünün tersine (CCW) olduğu denemeler için olasılık tahminlerini ayrı ayrı değerlendirdik. Hem CW hem de CCW denemeleri için, CW oryantasyon kutularından (72 dereceden 18 dereceye kadar) ve CCW kutularından (18 dereceden 72 dereceye kadar) elde edilen kanıtların ortalamasını ayrı ayrı aldık.

Asimetri puanları, iki açısal kutu grubu (CWeksi CCW) arasındaki fark elde edilerek hesaplandı. Son olarak, CW'ye karşı CCW indükleyicileri ile yapılan denemelerdeki asimetri puanlarını çıkararak genel bir nöral önyargı skoru hesapladık.

Çekici nöral önyargılar pozitif bir puanla sonuçlandı (yani, CW açısal mesafeleri olan denemeler daha fazla CW kanıtıyla sonuçlandı, CCW açısal mesafeleri daha fazla CCW kanıtıyla sonuçlandı), oysa itici nöral önyargılar negatif bir puanla sonuçlandı (yani CW açısal mesafeleri daha az CW kanıtıyla sonuçlandı) CCW denemeleri ve tam tersi).

İstatistiksel testler

İstatistiksel testler hem JASP (JASP Team, 2020) hem de Scipy (Virtanen ve diğerleri, 2020) kullanılarak hesaplandı.

Çoklu karşılaştırma sorununu ele alan küme tabanlı bir permütasyon testi kullanarak kosinüs evrişimli sınıflandırıcı kanıtlarının zaman serisini sıfıra karşı test ettik (MNE kullanarak; Gramfort ve diğerleri, 2013). Weran 100,000 yineleme.

Sıfırdan önemli ölçüde farklı zaman noktası gruplarına sahip kümeler, ilgili şekillerde yatay çizgiler kullanılarak gösterilmiştir. Sunulan yönlendirme ile indükleyici yönlendirme arasındaki açısal mesafe boyunca performans yanlılığına da küme bazlı permütasyon testi uygulandı.

Önyargı analizlerimizin önemini test etmek için kod çözme aşamasından sonra bir karıştırma dağılımı oluşturduk. Denemeler önceki denemenin/uyarıcının göreceli yönelimine göre sıralandığında, bu açısal mesafeyi rastgele işaretlerle çevirdik ve önyargıyı yeniden hesapladık. Tüm katılımcılar için önyargıyı hesapladık ve bu puanın ortalamasını aldık. Bu işlem 10000 kez tekrarlandı ve ortaya çıkan dağılım z-puanı ile değerlendirildi.

Aynı z-puanı dönüşümü, rastgele işaret çevirme uygulanmadığında gözlemlenen yanlılık puanına da uygulandı. Bu z puanı daha sonra karıştırma dağılımına göre orijinal etkinin (iki kuyruklu) p değerini elde etmek için kullanılabilir (rapor edilen tüm zaman ortalamalarında, 250 ile 600 ms arasındaki zaman noktaları kullanılmıştır).

Aksi belirtilmedikçe tüm testler iki taraflıydı.

Sonuçlar

Hata oranları

Katılımcılar hedef yönlendirmeyi yeniden oluşturmada doğruydu (ortalama yanıt hatası 11.73 6 0.70 derece SEM; ortalama SD 17.61 61.07 derece SEM; bkz. Tablo) Koşullu performans için 1). Yanıt hatası üzerine ikiye iki tekrarlı ölçümlü ANOVA, işaret türünün (F(1,19)=16.49, p, 0.001, h2=0.374) ve birkaçının ana etkilerini gösterdi. sunulan uyaranlar (F(1,19)=29.78, p, 0.001,h2=0.075).

İpucu türü hem tek maddeli hem de iki maddeli denemeler için anlamlıydı; mutlak hata, her iki iki maddeli deneme için de birinci rapordaki ikinci denemelerdekinden daha yüksekti (t(19)=3.972,p, {{6} }.001, d=0.888; bkz. Tablo 1) ve tek maddeli denemeler (t(19) =3.948, Bonferroni düzeltmeli p, 0.001, d {{ 18}}.883). Buna karşılık, sunulan bazı maddeler öncelikle raporun ilk koşullarını etkiledi.

İlk iki rapordaki hata, rapordaki ilk tek öğeli denemelerden daha yüksekti (t(19)=5.665, p, 0.001, d=1.267) ancak anlamlı düzeyde değildi ikinci iki maddeli rapor ile ikinci tek maddeli denemeleri raporlayanlar arasında farklılık gösterir (t(19)=1.885, p=0.075,d=0.421), bu da anlamlı bir iki faktör arasındaki etkileşim (F(1,19)=10.90, p=0.004, h2=0.026).

Karışım modellemeyi kullanan analizler (Bays ve diğerleri, 2009), işaretlenmemiş ızgara yönlendirmesine verilen yanıtlardan kaynaklanan hataların nadir olduğunu doğruladı (iki öğeli denemelerde takas oranı 0.033 6 0.01; ayrıca bkz. Huang) , 2020).

Denemelerdeki itici performans önyargıları

Davranışsal performanstaki deneme içi önyargıları, bildirilen yönelimin sistematik olarak aynı denemede hedef dışı yönelime daha yakın mı yoksa ondan daha uzak mı olarak raporlanıp raporlanmadığını değerlendirerek analiz ettik (bkz. Malzemeler ve Yöntemler).

Analizleri iki maddeli denemelerle sınırladık. Şekil 2A, birinci rapor ve ikinci denemeleri rapor etmek için birinci ve ikinci ızgara yönelimi arasındaki tüm mutlak açısal mesafeler için performans sapmasını gösterir. İlk ipuçlarını raporlayan denemelerde, müdahale eden ikinci ızgara yönelimine doğru veya bu yönden uzaklaşan anlamlı bir önyargı yoktu; elimizdeki görev (t(19)=0.74, p=0.467).

Buna karşılık, ikinci ipuçlarını raporlayan denemeler, başlangıçta kodlanan birinci ızgara yöneliminden (t(19)=2.33, p=0.031; Şekil 2B'de gösterilmektedir) uzakta önemli sapmalar ortaya çıkardı. İtici önyargı raporunun ikinci denemeleri, iki yönelim arasındaki açısal mesafe 10 derece ile 49 derece arasında olduğunda anlamlı bir küme (p=0.012) gösteren küme bazlı bir permütasyon testi kullanılarak doğrulandı (Şekil 2A).

Denemeler arasında çekici performans yanlılığı

Daha sonra, mevcut denemede önceki denemede işaret edilen yönelime yönelik yanıtlar üzerindeki denemeler arası önyargıyı değerlendirdik (Şekil 3). Performans yanlılığını, mevcut ve önceki denemedeki hedef ızgara arasındaki açısal farklılıkların bir fonksiyonu olarak değerlendirdik.

Analiz ayrıca mevcut denemedeki hedef ızgarasının konumunu (birinci veya ikinci) ve mevcut denemedeki öğe sayısını (bir öğe veya iki öğe) de dikkate aldı. Tutarlılık adına, sunulan ızgaraların sayısına bakılmaksızın, katılımcıların ilk ızgara oryantasyon raporunu rapor ettiği tüm denemeleri ilk denemeler ve katılımcıların ikinci oryantasyon raporunu rapor ettiği denemeleri ikinci denemeler olarak adlandırıyoruz.

Yine mevcut ve önceki denemelerdeki hedefler arasındaki açısal mesafelerdeki sapmanın toplamını hesapladık (Şekil 3A, B). Önceki bölümde açıklanan itici önyargının aksine, tüm koşulların çekici bir performans önyargısı gösterdiğini bulduk (iki taraflı istatistiksel testlerde tümü p, 0.05). Çekici seri önyargı, indükleyici ile akım yönelimi (0-60 derece) arasındaki küçük ila orta dereceli açısal mesafeler için en belirgindi.

Açısal mesafeler boyunca sapmaların toplamı üzerinde tekrarlanan ölçüm ANOVA'sı, işaret tipinin bir etkisini gösterdi; rapordaki ilk denemelerde daha büyük sapmalar meydana geldi (F(1,19)=5.706, p=0.027, h2=0.172), ancak bir denemede sunulan takdirlerin sayısı değil (F(1,19)=0.980, p=0.335, h2 =0 .007). İki faktör etkileşime girmedi (F(1,19)=0.377, p=0.547,h2=0.002). Bu, önceki denemeye zaman açısından daha yakın kodlanmış olan ilk öğeyi geri çağırırken yanlılığın daha güçlü olduğunu göstermektedir.

For more information:1950477648nn@gmail.com