Вишеструки и раздвојиви ефекти сензорне историје на перформансе радне меморије, 2. део

МЕГ аквизиција

Учесници су седели у МЕГ скенеру након што су добили упутства о специфичностима задатка. Завршили су један блок вежбања док су седели у скенеру пре почетка снимања МЕГ-а.

Магнетоенцефалографија (МЕГ) је модерна технологија која може да забележи активност људског мозга и неуронске сигнале. Широко се користи у неуронаучним истраживањима, дијагностици и лечењу неуролошких болести итд. Из перспективе памћења, магнетоенцефалографија нам може помоћи да дубље продремо у механизме људске меморије и функције можданих подручја.

Користећи магнетоенцефалографију, научници су дошли до неких открића о памћењу. На пример, открили су регионе мозга укључене у радну и дугорочну меморију, као што су префронтални кортекс, темпорални режањ и хипокампус. Поред тога, магнетоенцефалографија може открити абнормалности у можданој активности повезане са поремећајима памћења, као што је Алцхајмерова болест. Стога ова технологија има широке изгледе за примену у дијагностици и лечењу поремећаја памћења.

Осим што има значајан терапеутски потенцијал, магнетоенцефалографија такође може помоћи обичним људима да побољшају своје памћење. Разумевањем како наш мозак обрађује информације и складишти успомене, можемо боље разумети како да учимо и памтимо ефикасније. Научници су открили неке доказане технике тренинга памћења, као што су понављање и асоцијације, које нам могу помоћи да боље задржимо информације.

Укратко, магнетоенцефалографија је технологија блиско повезана са истраживањем памћења. Може да спроведе дубинско истраживање нашег механизма памћења и функција подручја мозга, помажући у решавању поремећаја памћења и побољшању памћења. Хајде да активно истражујемо и научимо да боље искористимо потенцијал магнетоенцефалографије да нам помогне да боље разумемо и користимо свој мозак. Види се да морамо побољшати памћење, а цистанцхе десертицола може значајно побољшати памћење, јер и цистанцхе десертицола може да регулише равнотежу неуротрансмитера, као што је повећање нивоа ацетилхолина и фактора раста. Ове супстанце су веома важне за памћење и учење. Поред тога, месо такође може побољшати проток крви и подстаћи испоруку кисеоника, што може осигурати да мозак добије довољно хранљивих материја и енергије, чиме се побољшава виталност и издржљивост мозга.

Кликните на сазнајте начине за побољшање функције мозга

Учесницима је наложено да задрже поглед на централној тачки за фиксирање и да минимизирају трептање током испитивања.

Неуромагнетни подаци су добијени коришћењем ВецторВиев система целе главе који укључује 204 планарна градиометра и 102 магнетометра (Електа Неуромаг Ои) у просторији са магнетним заштитом.

Током експеримента, положај главе учесника је континуирано праћен коришћењем индексних калемова постављених на четири тачке на глави. Јачина магнетног поља је узоркована брзином од 1000 Хз и пропусни опсег филтриран онлајн између 0,03 и 300 Хз. Поред тога, мерени су вертикални и хоризонтални електроокулограми помоћу електрода постављених изнад, испод и поред очију. Покрети очију су праћени помоћу ЕиеЛинк 1000 (СР Ресеарцх) ока за праћење на фреквенцији од 1000 Хз.

МЕГ претходна обрада података

Подаци су претходно обрађени ван мреже коришћењем Фиелдтрип (Оостенвелд ет ал., 2011), ОХБА софтверске библиотеке (ОСЛ) цртежа на СПМ8 (хттп://ввв.фил.ион.уцл.ац.ук/спам) и софтвера Електа.

Пре било какве претходне обраде, МЕГ подаци су визуелно прегледани да би се уклонили и интерполирали сви сензори који су показивали превелике нивое буке, а затим су уклоњени шумови и исправљени покрети помоћу Макфилтер Сигнал СпацеСепаратион (Таулу ет ал., 2004) пре уклањања независних компоненти повезаних са срчаним и артефакти трептаја ока.

Подаци су епохе око прве решетке и друге решетке (од 400 мс пре почетка решетке до 900 мс након почетка) и смањени на 200 Хз. Испитивања са великом варијансом у градиометрима или магнетометрима су идентификована и искључена коришћењем генерализованог ЕСД (екстремно студентизовано одступање; Роснер, 1983) теста на прагу значајности од 0,05.

За анализе пристрасности између покушаја, обучили смо класификатор на свим презентацијама стимулуса из свих неодбачених испитивања. Пошто смо искључили огледе са високом варијансом (7.49 6 3.85%, средња вредност 6 СД, што одговара 45 6 23 презентацијама стимулуса) из даље анализе, класификатор се обучавао на преосталим 555 6 23 презентацијама стимулуса.

Пре израчунавања пристрасности, уклонили смо први оглед сваког блока (2%) и огледе са апсолутном угаоном разликом са циљном оријентацијом на претходном огледу од .60 степени (;33%), што је резултирало 370 6 21 покушајима за ово анализа по учеснику.

За анализе пристрасности у оквиру испитивања, обучили смо класификатор за све огледе у којима је представљен стимулус 2 осим за оне који су уклоњени због велике варијансе, остављајући 278 6 11 покушаја у анализи.

За прорачун пристрасности, међу овим огледима одабрали смо оне на којима је такође био представљен стимулус 1, и са апсолутном угаоном разликом од .10 степени и, 50 степени између стимулуса 1 и 2. Након тога, пристрасност је израчуната посебно за огледе са заштитом и знаке за ажурирање, што доводи до покушаја 62 6 5 и 63 6 5, респективно.

Класификација линеарне дискриминантне анализе

Подаци су додатно обрађени. Магнитуде магнетометара су биле приближно усклађене са градиометрима множењем (фактор 20) и подвргнуте просторно-временском декодирању (код доступан на хттпс://пипи.орг/пројецт/темп-дец/; као што је претходно описано, Волфф ет ал., 2017, 2020; Хајонидес ет ал., 2021). Подаци са свих 306 МЕГ сензора преко клизног прозора од 30-временских тачака (150 мс) су спојени у 9180-димензионални вектор.

Димензионалност је смањена коришћењем анализе главне компоненте, израчунате посебно за сваку временску тачку, уз одржавање 90% варијансе (између 250 и 600 мс, ово је било око 209 6 39 компоненти по учеснику, просечно 6 СД).

Ово је служило за уклањање шума података, повећање јединствене варијансе кодиране сваком димензијом и омогућавање класификатору да ефикасније израчуна матрице коваријансе. Престимулусбаселининг није примењен да би се одржале стабилне информације из претходно представљених стимулуса.

Да би се обучио класификатор линеарне дискриминантне анализе (ЛДА), подаци су подељени у скупове за обуку и тестирање коришћењем {{0}}струко стратификоване унакрсне валидације. Углови решетке су групирани у једнако распоређене орјентационе корпе, стварајући 10 различитих класа (0–18 степени, 18–36 степени, 36–54 степени, 54–72 степени, 72–90 степени, 90–108 степени, 108–126 степени, 126–144 степени, 144–162 степени, 162–180 степени). Да би се обучио ЛДА класификатор, подаци су подељени у скупове за обуку и тестирање коришћењем 10-струко стратификоване унакрсне провере.

На основу скупа за обуку, ЛДА класификатор пројектује податке у нискодимензионални простор (од девет димензија; број класа минус 1) који максимално одваја податке од 10 класа. Подаци из скупа за тестирање су затим пројектовани у исти {{ 3}}димензионални простор. Добили смо 10 ЛДА растојања за свако испитивање у скупу тестова израчунавањем његове еуклидске удаљености од средње вредности сваке класе скупа за обуку у нискодимензионалном простору.

Ове удаљености су нам омогућиле да проценимо вероватноћу да било које дато испитивање одговара свакој од десет класа. Ово је поновљено за сваки преклоп унакрсне валидације и сваку временску тачку. Инстимулус декодирајуће анализе, представљени угао је коришћен за класификацију.

У анализама унакрсног декодирања, ЛДА класификатори су обучени на оријентацијским бинама једног догађаја (нпр. представљена решетка), али су докази класификатора поравнати око бинова друге оријентације (нпр. циљна оријентација у претходном испитивању). Добијене репрезентативне криве сличности су конволвиране са косинусом.

Да бисмо тестирали који сензори су најзначајније допринели вероватноћи класификатора уочених у нашим мултиваријантним методама, такође смо извршили анализу декодирања рефлектора (Криегескорте ет ал., 2006).

У овој анализи, узнемирено је разматрана мала група сензора и на тај начин су били у могућности да мапирају приближни локус уоченог ефекта. Тачније, одабрали смо податке са сваког сензора плус његових 47 најближих суседа (укључујући магнетометре и градиометре) и извршили исту анализу класификације као што је горе описано.

Израчунавање резултата неуралне асиметрије као мере неуронске пристрасности

За пристрасност у оквиру испитивања, проценили смо обраду друге решетке и размотрили само испитивања са две ставке. Класификатор је обучен за све презентације друге решетке и генерисане су вероватноће бин за свако испитивање. За анализе између покушаја, анализирали смо оријентацијску обраду и прве и друге решетке у тренутном испитивању. Из тог разлога смо обучили класификатор за сва испитивања и генерисали бин предвиђања за сва испитивања.

Након тога, на основу резултата из анализе пристрасности перформанси, одабрали смо испитивања у којима је угаона удаљеност између индукатора и оријентације решетке на екрану довела до значајне пристрасности у понашању на нивоу групе.

У случају одбојне пристрасности унутар испитивања, индуктор је била оријентација прве решетке на истом огледу. За анализе између покушаја, индуктор је била циљна оријентација пријављена у претходном испитивању (осим контролних анализа, где је непријављена оријентација коришћена као циљ). Као зависну променљиву, разматрали смо процене вероватноће за сваку оријентацијску бину, где очекујемо највећу вероватноћу за угаону корпу која има нулти помак у односу на представљену оријентацију и опадајућу вероватноћу за бинове са већим угаоним растојањима од представљене оријентације.

Засебно смо проценили процене вероватноће за испитивања у којима је оријентација индуктора била у смеру казаљке на сату (ЦВ) наспрам супротном од казаљке на сату (ЦЦВ) у вези са тренутном оријентацијом. За оба испитивања ЦВ и ЦЦВ, ми смо одвојено усредсредили доказе из оријентационих посуда ЦВ (72 степена до 18 степена) и доказе из посуда ЦЦВ (18 степени до 72 степена).

Резултати асиметрије су израчунати добијањем разлике између две групе угаоних бинова (ЦВминус ЦЦВ). Коначно, израчунали смо укупни резултат неуронске пристрасности одузимањем резултата асиметрије у испитивањима са ЦВ у односу на ЦЦВ индукторе.

Атрактивне неуронске пристрасности резултирале су позитивним резултатом (тј. испитивања са ЦВ угаоним растојањима су довела до више ЦВ доказа, ЦЦВ угаоне удаљености довеле су до више ЦЦВ доказа), док су одбојне неуралне пристрасности резултирале негативним резултатом (тј. ЦВ угаоне удаљености довеле су до мање ЦВ доказа него ЦЦВ суђења, и обрнуто).

Статистичко тестирање

Статистички тестови су израчунати користећи и ЈАСП (ЈАСП тим, 2020) и Сципи (Виртанен ет ал., 2020).

Тестирали смо временску серију доказа косинусних класификатора у односу на нулу користећи тест пермутације заснован на кластерима, који се бави проблемом вишеструког поређења (користећи МНЕ; Грамфорт ет ал., 2013). Веран 100,000 итерација.

Групе са групама временских тачака које се значајно разликују од нуле приказане су на релевантним сликама помоћу хоризонталних линија. Тестирање пермутације засновано на кластерима је такође примењено на пристрасност перформанси преко угаоне удаљености између представљене оријентације и оријентације индуктора.

Да бисмо тестирали значај наших анализа пристрасности, генерисали смо дистрибуцију мешања након фазе декодирања. Када су огледи сортирани на основу релативне оријентације претходног испитивања/стимулуса, насумично смо променили ову угаону удаљеност и поново израчунали пристрасност. Израчунали смо пристрасност за све учеснике и усредсредили овај резултат. Овај процес је поновљен 10,000 пута, а резултујућа дистрибуција је оцењена з.

Иста трансформација з-скора је примењена на уочени резултат пристраности када није примењено насумично окретање знакова. Овај з резултат би се затим могао користити за добијање (двостране) п-вредности оригиналног ефекта у односу на дистрибуцију мешања (у свим пријављеним временским просецима, коришћене су временске тачке између 250 и 600 мс).

Сви тестови су били двострани осим ако није другачије наведено.

Резултати

Стопе грешака

Учесници су били тачни у репродукцији циљне оријентације (средња грешка одговора 11.73 6 0.70 степен СЕМ; средња вредност СД 17.61 61.07 степени СЕМ; видети табелу 1 за перформансе на основу услова). АНОВА две по две поновљене мере на грешку одговора је показала главне ефекте типа знака (Ф(1,19)=16.49, п, 0,001, х2=0.374) и неколико представљени стимулуси (Ф(1,19)=29.78, п, 0.001,х2=0.075).

Тип знака је био значајан за оба покушаја са једном или две ставке, са апсолутном грешком већом у првом извештају него у извештају у другом покушају за оба покушаја са две ставке (т(19)=3.972,п, {{6} }.001, д=0.888; видети табелу 1) и огледи са једном ставком (т(19) =3.948, Бонферони-исправљено п, 0,001, д {{ 18}}.883). Насупрот томе, неколико представљених ставки првенствено је утицало на прве услове извештаја.

Грешка је била већа на прва два извештаја него на првим испитивањима са једном ставком (т(19)=5.665, п, 0.001, д=1.267), али није значајно разликују између извештаја о другом покушају са две ставке и извештају о другим покушајима са једном ставком (т(19)=1.885, п=0.075,д=0.421), што доводи до значајног интеракција између два фактора (Ф(1,19)=10.90, п=0.004, х2=0.026).

Анализе које су користиле моделирање мешавине (Баис ет ал., 2009) потврдиле су да су грешке које потичу од одговора на неиспуњену оријентацију решетке ретке (стопа замене од 0.033 6 0.01 на огледима са две ставке; види такође Хуанг , 2020).

Одбојне предрасуде у погледу перформанси унутар суђења

Анализирали смо пристрасности у понашању у оквиру испитивања процењујући да ли је пријављена оријентација систематски пријављивана као ближа или даље од нециљне оријентације у истом испитивању (погледајте Материјали и методе).

Ограничили смо анализе на испитивања са две ставке. Слика 2А приказује пристрасност перформанси за све апсолутне угаоне растојања између прве и друге оријентације решетке за прве и друге покушаје извештаја. У испитивањима са првим знаковима извештаја, није било значајне пристрасности према или даље од ометајуће оријентације друге решетке која није била релевантна за задатак који је при руци (т(19)=0.74, п=0.467).

Насупрот томе, испитивања са другим сигналима у извештају су открила значајне одступања од првобитно кодиране прве оријентације решетке (т(19)=2.33, п=0.031; илустровано на слици 2Б). Друга испитивања извештаја о одбојном пристрасности су потврђена коришћењем теста пермутације заснованог на кластерима, показујући значајан кластер (п=0.012) када је угаона удаљеност између две оријентације била између 10 степени и 49 степени (слика 2А).

Атрактивна пристрасност перформанси између покушаја

Затим смо проценили пристрасност између испитивања одговора у тренутном испитивању према оријентацији која је назначена у претходном испитивању (слика 3). Оценили смо пристрасност перформанси као функцију угаоних разлика између циљне решетке на тренутном и на претходном испитивању.

Анализа је такође разматрала положај решетке мете у тренутном огледу (први или други) и број ставки у тренутном огледу (једна или две ставке). Ради конзистентности, називамо сва испитивања у којима учесници пријављују прве покушаје са оријентацијом на решетки и испитивања у којима учесници пријављују други извештај о оријентацији, без обзира на број представљених решетки.

Поново смо израчунали сумоф пристрасности преко угаоних растојања између циљева у актуелним и претходним испитивањима (слика 3А, Б). За разлику од одбојне пристрасности описане у претходном одељку, открили смо да су сви услови показали атрактивну пристрасност перформанси (сви п, 0.05 у двостраним статистичким тестовима). Атрактивна серијска пристрасност била је најизраженија за мала до средња угаона растојања између индуктора и струјне оријентације (0–60 степени).

АНОВА поновљених мерења на збиру пристрасности преко угаоних растојања указала је на ефекат типа знака, са већим пристрасностима које се јављају у првим испитивањима извештаја (Ф(1,19)=5.706, п=0.027, х2=0.172), али не и од броја решетки представљених у огледу (Ф(1,19)=0.980, п=0.335, х2 =0 .007). Два фактора нису била у интеракцији (Ф(1,19)=0.377, п=0.547,х2=0.002). Ово показује да је пристрасност била јача при призивању прве ставке, која је била кодирана ближе претходном испитивању.

For more information:1950477648nn@gmail.com