Bölüm 1:Öğrenme Sırasında Hafızayı Yeniden Etkinleştirmenin Etkisi Nedir?

İletişim: Audrey Hu Whatsapp/hp: 0086 13880143964 E-posta:audrey.hu@wecistanche.com

Lütfen Bölüm 2 için buraya tıklayın

Robert J. Molitor,1,2 Katherine R. Sherrill,2 Neal W. Morton,2 Alexandra A. Miller,3 ve Alison R. Preston1,2,3

1Department of Texas, University of Texas at Austin, Austin, Texas 78712, 2Center for Learning and Memory, University of Texas at Austin, Austin, Texas 78712 ve 3Department of Neuroscience, University of Texas at Austin, Austin, Texas 78712

Cistanche takviyesi: hafızayı geliştirin

Önceki deneyimlerle örtüşen olaylar, mevcut anıların yeniden etkinleştirilmesini tetikleyebilir. Bununla birlikte, bu tür yeniden etkinleştirme, hipokampal devre içinde farklı temsili sonuçlara sahip olabilir. Hipokampal fonksiyonun hesaplamalı teorileri, dentat girus ve CA2,3'ün (DG/CA2,3) oldukça benzer anıları ayırt etmeye eğilimli olduğunu, oysa CA1'in ilgili olayları örtüşen nöral kodlarla temsil ederek bütünleştirebileceğini öne sürer. Burada, hipokampal alt alanlarda farklılaşmış veya bütünleşik temsillerin oluşumunun güçlerine bağlı olup olmadığını test ettik.hafızaöğrenme sırasında yeniden etkinleştirme. Her iki cinsiyetten insan katılımcıları ilişkilendirmeleri öğrendi (AB çiftleri, yüz şekli veya sahne şekli) ve daha sonra örtüşen ilişkilendirmeleri (BC şekil-nesne çiftleri) kodlarken fMRI taramasına tabi tutuldu. Hem öğrenmeden önce hem de sonra, katılımcılar örtüşen anıların (A ve C görüntüleri) dolaylı olarak ilişkili öğelerini tek başına görüntülerken tarandı. Örtüşen çift (BC) öğrenimi sırasında ilk çift hatıraların (A öğeleri) yeniden etkinleştirilmesini ve dolaylı olarak ilişkili için öğrenme ile ilgili temsili değişimi ölçmek için çok değişkenli model analizleri kullandık.hafızaHipokampal alt alanlardaki elementler. Örtüşen çift kodlaması sırasında önceki anılar güçlü bir şekilde yeniden etkinleştirildiğinde, DG/CA2,3 ve dolaylı olarak ilişkili görüntüler (A ve C) için alt temsiller, desen farklılaşmasıyla tutarlı olarak daha az benzer hale geldi. Eşzamanlı,hafızayeni öğrenme sırasında yeniden etkinleştirme CA1'de entegrasyonu teşvik etti, burada dolaylı olarak ilgili temsillerhafızaögeler öğrendikten sonra daha benzer hale geldi. Üstelik,hafızareaktivasyon ve subiculum temsili daha hızlı ve daha doğru çıkarım (AC) kararlarını öngördü. Bu veriler, yeni öğrenme sırasında ilgili anıların yeniden etkinleştirilmesinin, hipokampal alt alanlarda, hesaplama teorileri doğrultusunda çözülebilir kodlama stratejilerine yol açtığını göstermektedir.

Anahtar Sözcükler: çağrışımsal bellek; Bölümsel hafıza; yüksek çözünürlüklü fMRI; hipokampal alt alanı; desen ayrımı

hafıza cistanche kapsüllerini geliştirin

Önem Beyanı

epizodik esneklikhafızahem benzer olayları birbirinden ayıran detayları hem de aralarındaki ortak noktaları hatırlamamızı sağlar. Burada, yeni öğrenme sırasında geçmiş deneyimlerin yeniden etkinleştirilmesinin, bu ikisine hizmet edebilecek sinirsel temsillerin oluşumunu nasıl desteklediğini test ettik.hafızafonksiyonlar. Öğrenme sırasında belleğin yeniden etkinleştirilmesinin, hipokampusun dentat girus/CA2,3 ve subiculum alt alanlarındaki örtüşen anılar için farklı temsillerin oluşumunu teşvik ederken, aynı anda CA1 alt alanında ilgili olayların entegre temsillerinin oluşumuna yol açtığını bulduk. Üstelik,hafızaolaylar arasında dolaylı ilişkiler çıkarsama yaparken reaktivasyon ve subiculum temsili başarıyı öngördü. Bu bulgular gösteriyor kihafızayeniden etkinleştirme, hipokampal devrede örtüşen olayların nasıl temsil edileceğini etkileyen önemli bir öğrenme sinyalidir.

giriiş

Hipokampus, katkıda bulunan birçok alt alandan oluşur.hafızaişleme ve temsil. Hesaplamalı modeller, dentat girus ve CA2,3'ün (DG/CA2,3) anatomik özelliklerinin, bu alt alanları model ayrımı veya seyrek ateşleme yoluyla oldukça benzer kortikal girdilerin otomatik ortogonalizasyonu için ideal hale getirdiğini öne sürer (Marr, 1971; Schapiro ve ark. ., 2017). Buna karşılık, CA1'in özelliklerinin aracılık ettiği öne sürülmüştür.hafızaortak özellikleri kodlayan örtüşen temsillerin entegrasyonu veya oluşumu

Şekil 1. Deneysel tasarım. Davranışsal görevin bir şeması. Katılımcılar önce bireysel olarak sunulan resimlere (yüzler, sahneler ve yeni nesneler) maruz bırakıldılar ve bunlar daha sonra ilişkisel öğrenme (A ve C öğeleri) yoluyla dolaylı olarak ilişkilendirilecekti. Ardından, katılımcılar ilk çiftleri (yüz şekli veya sahne şekli AB ilişkileri) ilişkilendirmeyi öğrendi ve örtüşen çiftleri (şekil-nesne BC ilişkileri) öğrenirken tarandı. Katılımcılar, aynı öğeleri ön-maruziyetten (A ve C öğeleri) görüntülerken, bir maruziyet sonrası aşamada tekrar tarandı. Katılımcılar daha sonra bölümler arası bir çıkarım görevini tamamladılar. Son olarak, katılımcılar bloke edilmiş bir tasarımda bireysel olarak sunulan yüzleri, sahneleri, nesneleri ve şekilleri görüntüledikleri bir yerelleştirme görevini tamamladılar. B, Görsel benzerlik manipülasyonu. Çiftler arasında paylaşılan B öğesinin benzerliği parametrik olarak manipüle edildi. Bu örnekte, en üstteki şekil ilk AB çiftlerinde görülürken, alt sıra örtüşen BC çiftlerini öğrenirken görülebilen farklı şekil morflarını temsil eder. Örtüşen ikili öğrenimi sırasında sunulan bağlantılı B öğesi, ilk (AB) ikili öğrenimi sırasında sunulan B öğesiyle tam eşleşme, yüksek benzerlik veya düşük benzerlik biçimi veya yeni (ör. örtüşmeyen) bir öğe olabilir. C, Yanıp sönen öğeler için kullanılan şekil uyaranlarının öznel benzerliği. Bağımsız bir katılımcı örneği, 5 puanlık bir Likert ölçeği (1=hiç benzemiyor, 5=çok benzer) kullanarak yan yana sunulan ana şekiller ve şekil morfları arasındaki görsel benzerliği derecelendirdi. pp , 0.05 (eşleştirilmiş t testleri). Hata çubukları 6 SEM'i gösterir.

ilgili bölümler arasında (Eichenbaum ve diğerleri, 1999; Schlichting ve Preston, 2015; Schapiro ve diğerleri, 2017). Elektrofizyolojik araştırmalar, alt alanlar arasında bu tür temsili ayrışmaları ortaya koymaktadır: DG/CA2,3 toplulukları, bir ortamın algısal özelliklerinde yalnızca küçük değişikliklerle farklı ateşleme kalıpları ortaya çıkarırken, CA1 faaliyet kalıpları, ortamlar algısal olarak farklılaştıkça kademeli olarak değişir (Leutgeb ve ark., 2004, 2007). İnsanlardaki paralel çalışma, DG/CA2,3 aktivasyonundaki değişikliklerin, oldukça benzer nesne görüntüleri veya benzer bir bağlamı paylaşan nesneler arasında ayrım yaptığını, oysa CA1 yanıtlarının ayırmadığını göstermiştir (Bakker ve diğerleri, 2008; Lacy ve diğerleri, 2011; Dimsdale). -Zucker ve diğerleri, 2018). Hipokampal devrenin çıktı yapısı olan Subiculum (O'Mara ve diğerleri, 2001), hem model farklılaşmasına (Potvin ve diğerleri, 2009) hem de entegrasyona (Schapiro ve diğerleri, 2012) katkıda bulunabilir.

Bununla birlikte, bu tür önceki çalışmalar nasıl olduğunu dikkate almamıştır.hafızaYeniden etkinleştirme, hipokampus içinde ayrıştırılabilir temsil stratejilerini harekete geçirerek, temsil öğreniminin dış duyusal girdi ile dış duyusal girdi arasındaki basit bir dönüşümün ötesine geçmesine izin verir.hafızaçıktı. Klasik hesaplamalı öğrenme modelleri şunları önermektedir:hafızatemsiller, uyaranlar aynı sonucu öngördüğünde meydana gelen entegrasyon ve uyaranlar farklı sonuçları öngördüğünde farklılaşma ile, çevresel ipuçlarına yanıt olarak olası sonuçları tahmin etmek için ayarlanmalıdır (Rumelhart ve diğerleri, 1986). Bununla birlikte, son fMRI bulguları, uyaranlar ortak bir ilişki veya sonucu paylaştığında farklılaşmanın da meydana gelebileceğini göstermektedir (Schlichting ve diğerleri, 2015; Favila ve diğerleri, 2016; Zeithamova ve diğerleri, 2018). Bu çalışmalarda, ortak bir sonucu paylaşan uyaranlar için hipokampal temsiller, farklı sonuçları olan uyaranlardan daha belirgindi. Bu tür bir ayrım, DG/CA2,3'te seyrek kodlama yoluyla harici girdinin otomatik olarak ayrılmasıyla açıklanamaz; daha ziyade, hipokampal alt alanlarda yeni bir teorik bakış açısı önermektedir (Ritvo ve diğerleri, 2019). Ayrıca, entegrasyon ve farklılaşmanın bellek yeniden etkinleştirmesine yanıt olarak birbirini dışlayan sonuçlar olmayacağını, ancak yeniden etkinleştirmenin bunun yerine DG/ CA2,3 ve CA1'de tamamlayıcı farklılaştırılmış ve entegre temsillerin eşzamanlı oluşumuna yol açacağını varsaydık.

Bu tahminleri test etmek için, bir ilişkisel çıkarım görevinde örtüşen olaylar arasındaki algısal benzerliği parametrik olarak manipüle ettik (Şekil 1). Katılımcılar ilk çiftleri inceledi ve üst üste binen çiftleri öğrenirken yüksek çözünürlüklü fMRI kullanılarak tarandı. test ettikhafızaöğrenilmiş çiftler ve çiftler arasındaki dolaylı ilişkilerin çıkarsanan bilgisi için, davranışsal bir entegrasyon endeksi olarak hizmet eden çıkarım performansı (Shohamy ve Wagner, 2008; Zeithamova ve diğerleri, 2012). Kritik olarak, nasıl nicelleştirdikhafızaörtüşen olay öğrenimi sırasında yeniden etkinleştirme, hipokampal alt alan temsilini etkiledi.

cistanche sağlık yararları: hafızayı geliştirmek

Malzemeler ve yöntemler

Katılımcılar

Otuz iki sağ elini kullanan kişi (15 kadın, yaş 18-31, ortalama=21.5 yıl) Teksas Üniversitesi'ndeki Kurumsal İnceleme Kurulu tarafından onaylanan bir protokole uygun olarak bilgilendirilmiş onay verdikten sonra katıldı. Austin. Katılımcılara 25$/s tazminat ödenmiştir. 6 katılımcının verileri analizlerden çıkarıldı: Aşırı baş hareketi nedeniyle 2 katılımcı, deneyden çekilen 1 katılımcı, eksik tarama oturumları olan 2 katılımcı (pozlama sonrası ve/veya lokalizasyon aşamaları taranmadı) ve 1 katılımcı için ön-pozlama ve lokalizör aşamalarının analizini engelleyen fonksiyonel taramalardaki görüntü artefaktları. Geri kalan katılımcılar (n=26, 14 kadın) analizlere dahil edildi. Nihai örneklem büyüklüğünü, benzer paradigmalar ve analitik yaklaşımlar kullanan ilgili çalışmalara dayanarak belirledik (Zeithamova ve diğerleri, 2012; Schlichting ve diğerleri, 2015; Dimsdale-Zucker ve diğerleri, 2018). Ayrıca, bu örneklem büyüklüğü, ayrı bir katılımcı grubundan (n=30, 22 kadın, { {23}}yıl, ortalama=18.9yıl; kısmi h kare (h2)=0.280 ile sonuçlanan tekrarlanan ölçümler ANOVA).

uyaran

Uyaranlar 58 tanıdık olmayan yüz (yarı erkek, yarı kadın, tamamı beyaz), 58 tanıdık olmayan sahne (yarı doğal, yarı insan yapımı), MATLAB'de oluşturulan 671 siyah şekil (daha fazla bilgi için bkz. Yeni kodlama sırasında görsel benzerlik manipülasyonu) ve 74 roman nesneler (Hsu ve diğerleri, 2014; Schlichting ve diğerleri, 2015). Uyaranların bir alt kümesi, çağrışımsal çıkarım görevinde kullanılan üç maddeden (A, B, C) oluşan 32 üçlü reklamda organize edildi (Şekil 1A). A öğeleri, cinsiyete göre eşit olarak bölünmüş yüzlerden (16) ve doğal ve yapay olarak eşit olarak bölünmüş sahnelerden (16) oluşuyordu; tüm B öğeleri şekillerdi (56); tüm C öğeleri yeni nesnelerdi (32). Yerelleştirici görevinde başka bir uyaran alt kümesi (42 yüz, 42 sahne, 42 nesne ve 42 şekil) kullanıldı ve ilişkisel çıkarım görevi sırasında görülmedi. Üçlülere ve yerelleştirici görevine uyaranların atanması, katılımcılar arasında rastgele yapıldı. Uyaranlar MATLAB'da Psychtoolbox kullanılarak sunuldu (Brainard, 1997; Pelli, 1997; Kleiner ve diğerleri, 2007).

cistanche tozu

Görev prosedürü

İlk çift (AB) öğrenme. Katılımcılar, dört çalışma-test bloğu boyunca ilk çiftleri (AB) öğrendi. Çalışma aşamasında, 32 başlangıç ​​çiftinin her biri, 0.5 s intertrial interval (ITI) ile 3.5 s için sunuldu. A öğesi (yüz veya sahne) her zaman solda sunuldu ve B öğesi (şekil) her zaman sağda sunuldu. Tüm çiftleri inceledikten sonra, katılımcılar bir 3-alternatif zorunlu seçim testi kullanılarak test edildi. Katılımcılar, ekranın üst kısmındaki A öğesiyle işaretlendi ve uygun B öğesi ile iki folyo arasında seçim yapmak zorunda kaldı. Folyolar diğer üçlülerden gelen şekillerdi, öyle ki katılımcılar kararlarını şekillerin tanıdıklığına dayandıramadılar. Katılımcıların her denemede yanıt vermesi için 10 s vardı. Katılımcının yanıtından sonra, her deneme sonunda 1 saniye boyunca düzeltici geri bildirim sağlanmıştır. Test denemeleri 0,5 s ITI ile ayrıldı. Anatomik görüntüler bu aşamada toplandı.

Yeni kodlama sırasında görsel benzerlik manipülasyonu. Olay öğelerinin benzerliğinin nasıl etkilediğini incelemekhafızayeniden etkinleştirme ve davranış, ilişkisel çıkarım görevindeki bağlantı elemanının (şekil veya B öğesi) görsel benzerliği parametrik olarak manipüle edildi (Şekil 1B). Görsel benzerliği, hipokampal alt alan tepkilerinin olaylar arasında görsel özellik örtüşmesiyle modüle edildiğini gösteren önceki çalışmalara dayanarak değiştirdik (Leutgeb ve diğerleri, 2004, 2007; Bakker ve diğerleri, 2008; Lacy ve diğerleri, 2011). Toplam dört koşul vardı: tam eşleşme, yüksek benzerlik, düşük benzerlik ve yeni. Tam eşleşme koşulunda, katılımcılar ilk çiftleri (AB) ve örtüşen çiftleri (BC) öğrenirken tam olarak aynı bağlantı B şeklini gördüler. Yüksek ve düşük benzerlik koşullarında, örtüşen çiftlerde görülen her şekil, ilk çiftlerden birinden bir şeklin parametrik morfuydu. "Üst" şekiller, bir dairenin çevresine dağıtılmış 16 nokta alınarak, her noktayı rastgele çevirerek ve ardından spline enterpolasyonu kullanılarak kenarlar oluşturmak için bitişik noktaları birleştirerek oluşturuldu. Yüksek ve düşük benzerlik koşullarındaki şekiller, iki ebeveynli şekiller alınarak ve farklı ağırlıklar kullanılarak karşılık gelen köşelerin koordinatlarının ortalaması alınarak oluşturulmuştur. Yüksek benzerlik şekilleri bir ebeveyn şekline yüzde 80 ve diğer ebeveyne yüzde 20 ağırlık verirken, düşük benzerlik şekilleri bir ebeveyne yüzde 70 ve diğerine yüzde 30 ağırlık verdi. Yeni durumda, katılımcılar yeni bir nesneyle eşleştirilmiş yeni bir şekil gördüler ve bu çiftleri ilk çiftlerle örtüşmeyen hale getirdi. Böylece yeni çiftler, ilişkisel öğrenme için bir temel olarak hizmet etti. Her katılımcı, görsel benzerlik koşulu başına sekiz üçlü çalıştı.

Yüksek ve düşük benzerlik öğeleri arasındaki öznel benzerlikteki farklılıklar, 9 katılımcıdan oluşan bağımsız bir örneklemde (8 kadın, yaş 18-22yaş, ortalama{3}}.4 yıl) doğrulandı. Bu örnekteki katılımcılar, 180 denemede 5 puanlık bir Likert ölçeği (1=hiç benzer değil, 5=çok benzer) kullanarak yan yana sunulan ana şekiller ve şekil morfları arasındaki görsel benzerliği derecelendirdi. . Tam eşleşmeler, yüksek benzerlik morflarından daha benzer olarak derecelendirildi (t(8) {{10}}.255, p , 0.001, Cohen's d=2.085), yüksek benzerlik morfları, düşük benzerlik morflarından (t(8)=9.312, p,0.001, d=3.104) daha benzer olarak derecelendirildi ve düşük benzerlik morfları, yenilerden daha benzer olarak derecelendirildi öğeler (t(8)=10.021, p,0.001, d=3.340). Bu yaklaşımı kullanarak öznel benzerliği ölçmek için bir uyarı, karşılaştırmanın birhafızabileşen. İki şeklin sunumu arasına bir gecikme eklersek, gözlemlenen öznel benzerlik fonksiyonunun (Şekil 1C) farklı olması mümkündür; örneğin, yüksek ve düşük benzerlik koşulları arasındaki öznel benzerlik farklılıkları daha az belirgin olabilirdi. Bu ölçüm uyarısı, öznel benzerlik yargılarının kendi yorumunu etkileyebilirken, merkezi davranışsal ve sinirsel analizlerimizin yorumlanması üzerinde daha az etkiye sahiptir. farklılıkları gözlemliyoruz-hafızaişlemeyi farklı şekilde etkileyen dört benzerlik koşulunu gösteren benzerlik koşulları (yüksek ve düşük koşullar dahil) arasındaki performans ve yeniden etkinleştirme (bkz. Sonuçlar). Ayrıca, öğrenmeyle ilgili temsili değişimi değerlendiren sinirsel analizlerimiz, yalnızca yüksek benzerlik koşuluna odaklanır ve diğer benzerlik koşullarıyla karşılaştırmalara dayanmaz (bkz. Öğrenmeden önce ve sonra bireysel öğelerin maruz kalması).

Örtüşen çift (BC) öğrenme. Katılımcılar ilk çiftleri öğrendikten sonra, örtüşen çiftleri öğrenirken tarandı. Bu aşama yine dört çalışma-test bloğundan oluşuyordu. Çalışma aşaması sırasında, 32 çift olayla ilgili bir tasarım kullanılarak sunuldu, çiftler 3,5 saniye boyunca sunuldu ve ardından 8,5 saniyelik ITI fiksasyon yapıldı. C öğesi (nesne) her zaman solda, B öğesi (şekil) her zaman sağda sunuldu. Her çalışma aşamasından sonra, katılımcılar, taranmamış bir 3-alternatif zorunlu seçim testi kullanılarak BC çiftleri üzerinde test edildi. Katılımcılar, ekranın üst kısmındaki C öğesiyle işaretlendi ve uygun B öğesi ile iki folyo arasında seçim yapmak zorunda kaldı. Bu aşamada geri bildirim yapılmadı. Katılımcıların her test denemesinde yanıt vermesi için 10 s vardı ve denemeler 0,5 s ITI ile ayrıldı.

Öğrenmeden önce ve sonra bireysel öğelere maruz kalma. İlk çiftleri öğrenmeden önce ve örtüşen çiftleri öğrendikten sonra, katılımcılara yüksek benzerlik koşulundan bireysel olarak sunulan A ve C öğeleri (yüzler, sahneler ve nesneler) uygulandı. Bu maruz kalma aşamaları, her uyaran için sunum sayısını en üst düzeye çıkarmak ve görevle ilgili aktivasyon modellerinin tahminini geliştirmek için tek bir görsel benzerlik koşuluyla sınırlıydı (bkz. Öğrenmeden önce ve sonra bireysel uyaran modellerinin tahmini). Tek bir benzerlik koşulu kullanmak, temsili değişimi hesaplarken görsel benzerliğin etkilerini kontrol etmemize de izin verdi. Yüksek görsel benzerlik koşulu kullanıldı çünkü insanlarda önceki çalışmalar, görsel olarak oldukça benzer uyaranların DG/CA2,3 ve CA1'de farklı tepkiler ortaya çıkardığını göstermiştir (Lacy ve diğerleri, 2011).

Her maruz bırakma çalışmasında, öğeler 3 saniyelik bir ITI ile 1 saniye boyunca sunulurken katılımcılar tarandı. Her bir öğe ekrandayken, katılımcılar uyaran başlangıcından sonra üst üste binen siyah çarpı işaretinin rengi yeşile mi yoksa maviye mi 100-200msn sonra değiştirdiğini düğmeye basarak belirterek bir değişiklik saptama görevini tamamladılar (Kriegeskorte ve diğerleri, 2008; Schlichting ve diğerleri). al., 2015). Her bir madde için her çalışma için dört tekrar ve maruziyet öncesi ve sonrası aşamaların her birinde toplam dört çalışma yapılmıştır. Denemeler, bir üçlü içindeki öğeler, diğer üçlülerden en az iki serpiştirilmiş öğeyle birlikte sunulacak şekilde sözde rasgele hale getirildi. Ek olarak, analizde öğe düzeyinde aktivasyon tahminini iyileştirmek için denemelerin yüzde 20'si boştu (yani, nesne veya değişiklik saptama görevi yoktu); bu boş denemeler, madde sunum denemeleri arasına rastgele yerleştirildi. Deneme sırası ve zamanlaması, maruziyet öncesi ve maruziyet sonrası aşamalarda aynıydı. Değişiklik algılama görevinin doğruluğu, katılımcıların göreve dikkat etmesini sağlamak için izlendi, ancak daha fazla dikkate alınmadı.

Aynı zamanda, tam eşleşme, düşük benzerlik ve ilk taranan ön-maruziyet çalışmasından önce meydana gelen yeni koşullardan alınan öğeler için taranmamış bir ön-maruziyet aşaması da vardı. Bu aşamanın amacı, ikili öğrenmeden önce A ve C maddelerinin tam eşleşme, düşük benzerlik ve yeni koşullardaki aşinalıklarını yüksek benzerlik koşulundaki maddelerle eşitlemekti. ITI'nin 0.5 s olması ve boş deneme olmaması dışında, taranmamış maruziyet, taranan maruziyet aşamalarına benzerdi.

İlişkisel çıkarım (AC) testi. Maruziyet sonrası aşamanın ardından, katılımcılara ortak bir ortak (B) paylaşan A ve C maddeleri arasındaki dolaylı ilişkiler hakkında sürpriz bir test verildi. Çıkarım testi tarayıcının içinde yapıldı ancak taranmadı. Bu aşamada, katılımcılara C öğesi (nesne) ile ipucu verildi ve aynı kategorideki A öğeleri (yani üç yüz veya üç sahne) arasından seçim yapabildiler. Yüz denemelerinde, katılımcılara, işaret edilen nesneye en çok sahip olacak kişiyi seçmeleri talimatı verildi. Sahne denemelerinde, ipucu verilen nesneyi büyük olasılıkla bulacakları yeri seçmeleri istendi. Kritik olarak, hiçbir noktada katılımcılara görsel benzerlik manipülasyonu veya öğrenme genelinde örtüşme hakkında açıkça talimat verilmedi. Katılımcılara yanıt vermeleri için 10 sn süre verildi. Herhangi bir geri dönüş yapılmadı.

Yerelleştirici. Çıkarım testinden sonra katılımcılar bir yerelleştirici görevinde tarandı. Bu görevde, katılımcılar deneyde kullanılan dört uyaran kategorisinden bir dizi uyaranı görüntülediler: yüzler, sahneler, şekiller ve nesneler. Uyaranlar bloke edilmiş bir tasarımda sunuldu ve her blok, her biri 0.5 s ITI ile 2.5 saniye boyunca sunulan sekiz görüntüden oluşuyordu. Her uyaran bloğu sırasında, katılımcılar bir gerihafızatekrarlanan bir uyaranı algılamak zorunda oldukları görev. Her blokta bir tekrarlanan uyaran vardı. Katılımcıların göreve dikkat etmelerini, ancak daha fazla dikkate alınmamasını sağlamak için tek arka görevdeki doğruluk izlendi. Bloklar 8 sn sabitleme ile ayrıldı. Katılımcılar, her çalıştırmada uyarıcı türü başına iki blok olacak şekilde, yerelleştirici görevinin üç çalıştırmasını tamamladılar.

fMRI veri toplama ve ön işleme

Veriler 3T Siemens Skyra ile toplanmıştır. Toplam 15 fonksiyonel tarama (TR=2000 ms, TE=30 ms, çevirme açısı=73 derece , 1,7 mm izotropik vokseller, EPI, çok bantlı hızlanma faktörü{{8}) vardı. }) ön-maruz kalma, örtüşen ikili çalışma, pozlama sonrası ve yerelleştirici aşamaları boyunca. Üç alan haritası (TR=589 ms, TE{{10}} ms/7.46ms, 1.5 1.5 2 mm voksel, çevirme açısı{{16} } derece) manyetik alandaki bozulmaları düzeltmek için toplanmıştır: bir tanesi ön-pozlama taramalarını düzeltmek için ön-pozlama aşamasından hemen önce, biri çalışma ve maruziyet sonrası taramaları düzeltmek için örtüşen çiftli çalışma aşamasından önce ve bir tanesi de yerelleştirici taramaları AT1-ağırlıklı 3D MPRAGE hacmi toplandı (TR=1900 ms, TE=2.43ms, çevirme açısı=9 derece , 1 mm izotropik vokseller) hizalamayı ve normalleştirmeyi kolaylaştırmak için fonksiyonel verileri bir anatomik şablona Hipokampal uzun eksene dik hizalanmış iki koronal T2-ağırlıklı yapısal tarama toplanmıştır (TR=13150 ms, TE=82 ms, düzlemde 0,4 mm, -düzlem) ve daha sonra alt alan segmentasyonu için ortalaması alınır.

Fonksiyonel ve anatomik görüntüler, FMRIB Yazılım Kitaplığı sürüm 5.0.9 (FSL: http://fsl.fmrib.ox.ac.uk/fsl/) ve Gelişmiş Normalleştirme Araçları (ANTS) sürüm 2.1 ( Avants ve diğerleri, 2011). Fonksiyonel taramalar, FSL'de MCFLIRT kullanılarak hareket düzeltildi ve ardından ANTS'de afin dönüşümler kullanılarak son örtüşen çift çalışmasına kaydedildi. Beyin dışı yapılar, FSL'de BET kullanılarak fonksiyonel taramalardan ve MPRAGE'den çıkarıldı. Ek veri işleme, FSL'nin bir parçası olan FEAT (FMRI Uzman Analiz Aracı) sürüm 6.00 kullanılarak gerçekleştirildi. Tüm fonksiyonel görüntülere aşağıdaki istatistik işleme uygulandı; MPRAGE ile ortak kayıt ve FUGUE kullanarak alan haritasına dayalı EPI düzeltme (Jenkinson, 2003); 4B veri setinin tamamının tek bir çarpımsal faktörle genel ortalama yoğunluk normalizasyonu; yüksek geçişli zamansal filtreleme (s =64 s ile Gauss ağırlıklı en küçük kareler düz çizgi uydurma). Örtüşen çift öğrenme ve yerelleştirici taramalarına FWHM 4 mm'lik bir Gauss çekirdeği kullanılarak uzamsal yumuşatma uygulandı.

cistanche ne için kullanılır: hafızayı geliştirmek

ROI'ler

Anatomik ROI'ler, reaktivasyon analizi için tüm beyin gri maddesini ve nöral kodlama analizi için hipokampal alt alanları içeriyordu. MPRAGE ile FSL'nin bir parçası olan FAST (Zhang ve diğerleri, 2001) kullanılarak doğal uzayda her katılımcı için bir tam beyin gri madde maskesi oluşturuldu. Gri madde maskeleri daha sonra ANTS'de doğrusal dönüşümler kullanılarak fonksiyonel çözünürlüğe taşındı. Hipokampus içinde, CA1 alt alanlarındaki aktivasyon paternleri, birleşik bir DG/CA2,3 bölgesi ve subikulum analiz edildi. Hipokampal alt alanlar, doğal uzayda hipokampusun başında ve gövdesinde, maskeleri, segmentlere ayrılmış alt alanlara sahip açık kaynaklı bir şablondan (Schlichting ve diğerleri, 2019) doğrusal olmayan SyN kullanarak her katılımcının ortalama T2 koronal görüntüsüne ters normalize ederek tanımlandı. ANTS'deki dönüşümler. Bu prosedürün manuel izleme ile karşılaştırılabilir sonuçlar sağladığı gösterilmiştir (Schlichting ve diğerleri, 2019). Daha sonra maskeler, hipokampus dışındaki vokselleri çıkarmak ve yerleşik protokollere dayalı olarak doğru segmentasyon sağlamak için her katılımcı için manuel olarak incelendi ve düzenlendi (West ve Gundersen, 1990; Duvernoy, 1998; Mai ve diğerleri, 2007). Son olarak, alt alan maskeleri, önce doğrusal dönüşümler kullanılarak ortalama koronal görüntünün MPRAGE'ye kaydedilmesi ve ardından daha önce hesaplanmış dönüşümün işlevsel alana uygulanmasıyla fonksiyonel taramaların alanına dönüştürüldü.

Niceleme ve istatistiksel analiz

kod çözmehafızaörtüşen olay öğrenme sırasında yeniden etkinleştirme. Örtüşen çift öğrenmesi sırasında ilk çiftlerle ilgili kodlama modellerinin yeniden etkinleştirilmesini ölçmek için PyMVPA'da bir model sınıflandırma analizi kullandık (Hanke ve diğerleri, 2009). Katılımcılar, örtüşen çiftleri (BC şekil-nesne çiftleri) öğrenirken ilgili bilgileri (yani, AB çiftlerinden A yüz ve sahne öğeleri) yeniden etkinleştirmişse, o zaman yerelleştirici verileri üzerinde eğitilmiş bir model sınıflandırıcı, bilgi kategorisine (her ikisi de) duyarlı olmalıdır. (Polyn ve diğerleri, 2005; Kuhl ve diğerleri, 2011; Zeithamova ve diğerleri, 2012). Böylece, örüntü sınıflandırıcıyı yerelleştirici aşamasından gelen verilerle eğittik ve ardından sınıflandırıcıyı örtüşen çift öğrenme aşamasına uyguladık. operasyonel hale getirdikhafızaÖrtüşen BC çiftleriyle ilgili ilk AB çiftlerinden A öğelerinin kategorisi (yani yüz veya sahne) için sınıflandırıcı kanıtı olarak yeniden etkinleştirme.

ölçtükhafızaçok adımlı bir prosedür kullanarak yeniden etkinleştirme. İlk olarak, örtüşen çift öğrenme sırasında A öğeleri hakkındaki bilgilerin eski haline getirildiği bölgeleri belirlemek için tüm beyin ışıldak (Kriegeskorte ve diğerleri, 2006) çalıştırdık. Her ışıldak küresinde (yarıçap=3 voksel, hacim=123 voksel), nöral kalıpları yüzler, sahneler, nesneler ve şekillerle ilişkili yerelleştirici fazdan ayırt etmek için doğrusal bir destek vektör makinesi eğitildi. Hemodinamik gecikmeyi hesaba katmak için, her bir fonksiyonel görüntü, deneme etiketleri alınarak ve 4 s (iki TR) ile zaman kaydırılarak etiketlendi. Eğitilmiş sınıflandırıcı daha sonra, aynı zamanda 4 s zaman kaydırmalı olan örtüşen çift öğrenme aşamasından sinir modellerine uygulandı. Deneme düzeyinde yeniden etkinleştirme tahminleri, her bir çiftin sunumuna karşılık gelen iki TR için her üçlünün A öğesiyle ilişkili kategori için sınıflandırıcı kanıtı (örneğin, yüz-şekil-nesne üçlüleri için yüzler için sınıflandırıcı kanıtı) alınarak çıkarıldı. Sınıflandırıcı kanıt değerleri iki gruba ayrıldı: bir yeniden etkinleştirme seti

ve bir temel set. Yeniden etkinleştirme seti, tam eşleşme, yüksek benzerlik ve düşük benzerlik denemelerinden elde edilen sınıflandırıcı kanıt değerlerini içeriyordu. Temel set, yeni durumdaki denemelerden alınan yüz ve olay yeri kanıt değerlerini içeriyordu. Yeni durumdaki şekil-nesne çiftleri, daha önce öğrenilen çiftlerin hiçbiriyle örtüşmediğinden, yüz veya sahne anılarının yeniden etkinleştirilmesini sağlamamalıdır. Nihai yeniden etkinleştirme indeksi, yeniden etkinleştirme seti için ortalama kanıt ile temel setin ortalaması arasındaki fark alınarak her alanda hesaplandı.

Bu yeniden etkinleştirme indeksinin önemini test etmek için, gerçek yeniden etkinleştirme indeksini her ışıldak küresindeki bir boş dağılımla karşılaştırdık. Sıfır dağılımı, yeniden etkinleştirme ve temel kümeler arasında sınıflandırıcı kanıt değerleri karıştırılarak ve ardından her yinelemede yeniden etkinleştirme indeksi yeniden hesaplanarak 1000 yinelemede oluşturuldu. Her ışıldak küresinin merkez vokseli, gözlenen yeniden etkinleştirme indeksinden (yani, p-değeri) daha büyük veya ona eşit yeniden etkinleştirme endeksleri ile boş dağılımın oranını bildirdi. Katılımcılar arasında yeniden etkinleştirme bölgelerini belirlemek için, bireysel katılımcı ışıldak haritaları, önem testi için bir grup şablonuna normalleştirildi. p-değeri görüntüleri z-istatistik görüntülerine dönüştürüldü ve daha sonra ANTS'de doğrusal olmayan SyN dönüşümleri kullanılarak MNI 152 anatomik şablonuna (fonksiyonel taramaların çözünürlüğüne yeniden örneklendi, 1.7 mm izotropik vokseller) çarpıtıldı. Voxelwise, parametrik olmayan permütasyon testi, Randomise in FSL kullanılarak 5000 iterasyondan fazla yapıldı (Winkler ve diğerleri, 2014). Önemli kümeler, p,0.01'lik (düzeltilmemiş) bir voksel eşiği ve p, 0.05'lik bir küme eşiği uygulanarak tanımlandı. Eşikler, AFNI (Cox, 1996) işlevi 3dClustSim kullanılarak ve uzamsal Otomatik Korelasyon İşlevine dayalı 3dFWHMx kullanılarak çalışma aşamasından türetilen düzgünlük tahminleri kullanılarak hesaplandı. Küme kapsamı, ikinci en yakın komşu kümeleme ile iki taraflı eşikleme kullanılarak belirlendi.

Yeniden etkinleştirme önleminin tek bir uyaran kategorisi tarafından yönlendirilmediğini doğrulamak için, yeniden etkinleştirmenin bir post hoc analizde A öğesinin uyaran kategorisine (yüz veya sahne) göre değişip değişmediğini test etmek için projektör kümelerini daha da sorguladık. Yeniden etkinleştirme ışıldak analizinde tanımlanan önemli kümeler, ikili maskelere dönüştürüldü ve ANTS kullanılarak yerel uzaya ters normalleştirildi. Ardından, her katılımcı için her işlevsel ROI'de yeniden etkinleştirme analizi tekrarlandı. Her bir bölgedeki yeniden aktivasyonun uyaran kategorisinin bir fonksiyonu olarak farklılık gösterip göstermediğini değerlendirmek için faktör olarak bölge ve uyaran kategorisi ile tekrarlanan ölçümler ANOVA'yı kullandık.

İlk projektör analizimiz, yeniden etkinleştirmenin taban çizgisinin üzerinde gerçekleştiği bölgeleri lokalize ederken, yeniden etkinleştirme gücünün görsel benzerlikle değiştiği bölgeleri belirlemek için bağımsız bir projektör de çalıştırdık. Bu ışıldak, genel yeniden etkinleştirmeyi ölçen analize benzer bir yaklaşım kullandı, ancak tam eşleşme koşulu ve diğer benzerlik koşulları (yani, yüksek benzerlik koşulu ve düşük benzerlik koşulunun birleşimi) arasındaki yeniden etkinleştirme için sınıflandırıcı kanıtlarını karşılaştıran ek bir seviyeyle. Benzerliğin etkisi, tam eşleşme koşulu için ortalama kanıt ile yüksek ve düşük benzerlik koşulları için ortalama kanıt arasındaki farkın birleştirilmesiyle her bir alanda hesaplanmıştır. Bu fark daha sonra, sınıflandırıcı kanıt değerlerinin tam eşleşme ve benzerlik morf koşulları boyunca karıştırılmasıyla 1000'den fazla yinelemeyle oluşturulan her ışıldak küresindeki boş bir dağılımla karşılaştırıldı. Grup şablonuna normalleştirme, istatistiksel test ve küme düzeltmesi, temel hattın üzerinde yeniden etkinleştirmeyi tanımlayan ışıldak ile aynıydı.

Öğrenmeden önce ve sonra bireysel uyaran kalıplarının tahmini. A (yüzler, sahneler) ve C (yeni 3D nesneler) uyaranlarının her biri tarafından ortaya çıkarılan nöral aktivasyon paternlerinin tahminlerini, en küçük kareler-ayrı yaklaşımı olan bir GLM kullanarak, maruz kalma öncesi ve sonrası aşamalardan elde ettik (Mumford ve diğerleri, 2012). ) her katılımcının yerel alanında. Taranan maruz kalma aşamalarından 16 nesnenin her biri (yani, yüksek benzerlik koşulundan sekiz A öğesi ve sekiz C öğesi), maruz kalma öncesi ve maruz kalma sonrası aşamaların her çalışmasında ayrı ayrı yinelemeli olarak modellenmiştir (Schlichting ve diğerleri, 2015).

cistanche tubolosa özü: hafızayı geliştirin

Nesne sunumları 1 saniyelik bir olay olarak modellendi ve her nesne için regresör, bir tarama çalışmasında dört tekrarın hepsini içeriyordu. 16 nesne regresörünün her biri, kanonik çift C HRF ile kıvrıldı. Daha sonra geçici filtreleme uygulandı. GLM'ler ek kafa karıştırıcı regresörleri içeriyordu: hareket parametreleri, bunların zamansal türevleri, çerçevesel yer değiştirme ve DVARS (Power ve diğerleri, 2012; Schlichting ve Preston, 2014; Schlichting ve diğerleri, 2015). Kafa hareketinin çerçevesel yer değiştirme için 0,5 mm'yi ve DVARS için BOLD sinyalinde yüzde 0,5 değişikliği aştığı zaman noktaları için ek hareket regresörleri eklendi (Power ve diğerleri, 2012). Her bir A ve C öğesi için, her bir ön-maruziyet ve maruziyet sonrası çalıştırma için, katılımcı başına toplam 128 istatistik görüntüsü olmak üzere, beta görüntüleri oluşturulmuştur.

Hipokampal alt alan nöral benzerliğinde öğrenme ile ilgili değişiklikleri ölçmek. Desen farklılaştırma vehafızahipokampustaki entegrasyon, PyMVPA'da uygulanan bir temsili benzerlik analizi (Kriegeskorte ve diğerleri, 2008) kullanılarak endekslendi (Hanke ve diğerleri, 2009). Projektörler, her katılımcının doğal alanında anatomik olarak tanımlanmış DG/CA2,3, CA1 ve subiculum içinde ayrı ayrı çalıştırıldı. Her projektör küresi içinde (yarıçap=2 voksel, hacim=33 voksel) (Schapiro ve diğerleri, 2012), A'ya karşılık gelen 128 istatistik görüntüsü için ikili Pearson korelasyon değerleri hesaplanarak benzerlik matrisleri üretildi. ve Fisher's z'ye dönüştürülen ön-maruziyet ve pozlama sonrası çalışmalarda C öğeleri. Daha sonra, öğrenme nedeniyle örüntü benzerliğinde meydana gelen değişiklik, karşılık gelen hücrelerdeki maruziyet sonrası benzerlik değerlerinden maruziyet öncesi benzerlik değerleri çıkarılarak ölçülmüştür.

Model benzerliğindeki değişiklik (bundan sonra D olarak anılacaktır) hesaplandıktan sonra, değerin triad içi karşılaştırma için mi yoksa triadlar arası karşılaştırma için mi olduğuna bağlı olarak D değerleri sıralandı. Bu iki değer seti, olay çakışması olmadan tekrarlanan maruziyeti basitçe yansıtan bir temele göre öğrenme (üçlü içi karşılaştırma seti) nedeniyle olay örtüşmesinden temsili değişimin nasıl etkilendiğini belirlememize izin verdi (üçlüler arası karşılaştırma seti). Daha da önemlisi, BOLD sinyalinde otokorelasyondan ortaya çıkabilecek yanlılığı azaltmak için yalnızca çapraz çalışma korelasyonlarını yansıtan D değerleri kullanıldı (Mumford ve diğerleri, 2012).

Öğrenme sırasında yeniden etkinleştirmenin temsili değişim üzerindeki etkisini değerlendirmek için, üçlü D değerleri,hafızaörtüşen çiftlerin öğrenilmesi sırasında yeniden etkinleştirme. Her katılımcı için, yeniden etkinleştirme ışıldak analizinde (bkz. Şekil 3A) tanımlanan bölgeler ağı boyunca ortalama yeniden etkinleştirme indeksi alınarak, çalışma bloklarının ortalaması alınarak her üçlü için yeniden etkinleştirme gücü hesaplandı. Üçlüler daha sonra ortalama yeniden etkinleştirme değerleri üzerinde bir medyan bölünme kullanılarak daha güçlü yeniden etkinleştirme üçlülerine ve daha zayıf yeniden etkinleştirme üçlülerine bölündü. Böylece, üçlü D karşılaştırmaları ayrıca her ışıldak küresinde üçlü D grubu içinde daha güçlü bir yeniden etkinleştirme ve üçlü D grubu içinde daha zayıf bir yeniden etkinleştirme olarak sınıflandırıldı. Son olarak, üç özet değer oluşturmak için tüm D kümelerinin ortalaması alındı: daha güçlü yeniden etkinleştirme üçlüleri için ortalama üçlü içi benzerlik değişikliği (Dİçinde daha güçlü), daha zayıf yeniden etkinleştirme üçlüleri için ortalama üçlü içi benzerlik değişikliği (DWithin daha zayıf) ve üçlemeler arası ortalama benzerlik değişikliği (karşısında). Nöral kodlamanın yeniden etkinleştirme gücünün bir fonksiyonu olarak değişip değişmediğini belirlemek için bu özet değerleri karşılaştırdık.

Nöral kodlama, dört projektör kontrastı kullanılarak değerlendirildi (Schlichting ve diğerleri, 2015) (bkz. Şekil 4B). İki analiz, var olan hipokampal vokselleri tanımladı.hafızayeniden etkinleştirme gücünden bağımsız olarak tüm triadlar arasında entegrasyon veya farklılaşma. IntegrationOverall, (daha güçlü içinde - DAcross) 1 (daha zayıf içinde - DAcross içinde) olarak hesaplandı; bu, tüm yeniden etkinleştirme derecelerinde öğrendikten sonra triad içi benzerliğe kıyasla triad içi benzerlikten daha fazlasını yansıtıyor. DifferentiationOverall, (DAcross – DWithin daha güçlü) 1 (DAcross – DWithin daha zayıf) olarak hesaplandı; bu, tüm yeniden etkinleştirme derecelerinde triad içi benzerliğe kıyasla triad içi benzerliğin daha az olduğunu yansıtıyor. İki ek analiz, nöral kodlamanın yeniden etkinleştirme kuvvetinin bir fonksiyonu olarak değiştiği vokselleri tanımladı (IntegrationReactivation ve DifferentiationReactivation). Entegrasyon Yeniden Etkinleştirme ışıldak, daha güçlü yeniden etkinleştirme üçlüleri için entegrasyonun büyük ölçüde gerçekleştiği vokselleri tanımladı. EntegrasyonYeniden etkinleştirme (daha güçlü içinde – Dİçinde daha zayıf) olarak hesaplandı. Buna karşılık, Farklılaştırma Yeniden Etkinleştirme ışıldak, daha güçlü yeniden etkinleştirme üçlüleri için daha büyük ölçüde farklılaşmanın meydana geldiği vokselleri tanımladı. FarklılaşmaYeniden etkinleştirme (zayıf içinde – Dİçinde daha güçlü) olarak hesaplandı.

Bu hesaplamaların her birinin önemi, hesaplanan benzerlik değişim değerlerinin her ışıldak küresindeki bir boş dağılımla karşılaştırılmasıyla belirlendi. Boş dağılım, hücreleri daha güçlü, daha zayıf ve kümeler arasında karıştırarak ve ardından her yineleme için ilgi istatistiğini yeniden hesaplayarak 1000'den fazla yinelemede oluşturuldu. Her ışıldak küresinin merkez vokseli, gözlemlenen benzerlik değişikliğinden daha büyük veya buna eşit değerlerle (yani, p-değeri) boş dağılımın oranını bildirdi. Önemli kümeler, yeniden etkinleştirme ışıldaklarıyla aynı yöntem kullanılarak tanımlandı, ancak z-istatistik görüntülerinin grup düzeyinde analiz için yeniden örneklenmiş MNI şablonu yerine işlevsel çözünürlüklü bir hipokampal şablona çarpıtılması dışında. Normalleştirilmiş ışıldak haritaları daha sonra kümelerin her hipokampal alt alana özel olmasını sağlamak için küme düzeltmesinden önce her anatomik hipokampal alt alan şablonu tarafından maskelendi.

Post hoc analizler, bu ışıldak analizinden tanımlanan her bir alt alanda gözlemlenen temsili değişimin yönünü daha da sorguladı. Bu post hoc analizlere yönelik önemli bir uyarı, projektör kontrastlarına dayalı olarak belirli etkiler sergilemek üzere önceden seçilmiş voksel setlerini karşılaştırdıkları için tamamen tarafsız olmadıklarıdır. Bu nedenle, takip analizlerimiz, daha güçlü ve daha zayıf yeniden etkinleştirme öğeleri için iç değerleri doğrudan karşılaştırmadı. Post hoc analizlerimiz bunun yerine, öğrenme ile ilgili entegrasyon ve farklılaşma derecesini ölçmek için DWithin değerlerini DAcross değerleriyle karşılaştırmanın yanı sıra, maruz kalma öncesi ve maruz kalma sonrası aşamalarda nöral benzerlikte küresel kaymalar olup olmadığını test etmek için DAcross değerlerinin büyüklüğüne odaklandı.

Bu post hoc analizler için, yerel uzayda her katılımcı için DG/CA2,3, CA1 ve subiculum'daki benzerlik değişimi hesaplandı. Grup ışıldak analizleri tarafından tanımlanan ışıldak kümeleri, maskelere dönüştürüldü ve ANTS'de doğrusal olmayan dönüşümler kullanılarak her bir katılımcının yerel alanına ters normalleştirildi. Her katılımcı için yerel uzay kümeleri daha sonra çekirdek olarak 3 3 3 mm'lik bir kutu kullanılarak FSL ile genişletildi. Katılımcı yerel alanına dönüştürüldüğünde kümelerin kendi alt alanlarıyla sınırlı kalmasını sağlamak için her küme, her bir bireysel katılımcı için tanımlanan anatomik alt alan maskeleri kullanılarak maskelendi. Bir katılımcı, temsili benzerlik analizi için yeterli sayıda voksel olmadan yerel uzayda bir CA1 kümesine sahipti (,10 voksel) ve bu alt alanın sonraki analizinden hariç tutuldu. Kalan katılımcılar için, öğrenme sırasında daha güçlü yeniden etkinleştirme ile ilişkili üçlüler, öğrenme sırasında daha zayıf yeniden etkinleştirme ile ilişkili olanlar ve üçlü taban çizgisi için her küme içindeki ortalama benzerlik değişimini ayrı ayrı hesapladık.

Sinirsel ölçümler ve davranış arasındaki ilişkiyi ölçmek. Davranış ile sinirsel yeniden etkinleştirme ve temsili değişim ölçümlerimiz arasındaki ilişki, çıkarım testindeki performansa uyması için bir Doğrusal Balistik Akümülatör (LBA) modeli kullanılarak değerlendirildi (Morton ve diğerleri, 2020). Her katılımcı ve alt alan (CA1, DG/CA2,3 ve alt alan) için, her üçlü için öğrenmeden öğrenme sonrasına (D) A ve C öğeleri arasındaki benzerlik değişiminin z puanını hesapladık. Ayrıca her katılımcı için triadlar arasında A öğesinin yeniden etkinleştirilmesinin z puanını da hesapladık. Daha sonra, triadlar arasındaki değişkenliğin öngörücüleri olarak benzerlik değişikliğini ve yeniden etkinleştirmeyi kullanarak AC çıkarım testi sırasında davranışsal tepkileri ve tepki sürelerini uydurmak için LBA modelini kullandık. Sinirsel ölçümler ve AC çıkarım performansı arasındaki ilişkiyi yansıtan ortalama eğim parametrelerini tahmin etmek için çok seviyeli bir Bayes yaklaşımı kullandık. D ölçümleri için pozitif eğimler, öğrenmeden sonra A ve C öğeleri arasındaki daha büyük benzerlik değerlerinin daha hızlı ve daha doğru çıkarımla ilişkilendirildiğini gösterir. Yeniden etkinleştirme ölçüsü için pozitif eğimler, daha büyük yeniden etkinleştirmenin daha hızlı ve daha doğru çıkarımla ilişkili olduğunu gösterir.