Meglepetés tapasztalása: A memóriára gyakorolt ​​hatás időbeli dinamikája 2. rész

Statisztikai analízis

Az elvárás-modulált dinamikus kódolás értékeléséhez objektumkészleteket (alma, olló stb.) gyűjtöttünk össze. Mindegyik halmazban négy halmazesemény volt (cél; F1, leginkább hasonló; F2, közepes hasonlóság; és F3, legkevésbé hasonló), mindegyik véletlenszerűen hozzárendelt (1) elvárási feltétellel, (2) a készleten belüli bemutatási pozícióval és (3) ) a lehíváskor bemutatás sorrendje (1–312 próba).

Az emberi memória csodálatos. Tapasztalattal, tanulással és képzéssel nagymértékben javíthatjuk memóriaképességünket. A mindennapi életben gyakran emlékeznünk kell különféle információkra, például telefonszámokra, születésnapokra, nevekre, jelszavakra stb. Ezek a dolgok mind memóriát igényelnek.

Ha azonban túl sok dologra emlékszünk, vagy nem a megfelelő sorrendben jelennek meg, akkor nehézségekbe ütközünk, vagy akár fel is adjuk az emlékezést. Ez a kapcsolat a prezentáció rendje és az emlékezet között.

A prezentáció megfelelő sorrendje segíthet abban, hogy jobban emlékezzünk az információkra. Például, ha meg akarunk jegyezni egy számsort, megpróbálhatjuk azokat egy bizonyos minta szerint rendezni, például növekvő vagy csökkenő sorrendben, páros kombinációk stb.

Az új ismeretek elsajátításánál nagyon fontos a bemutatás sorrendje is. Hatékonyabban tanulunk meg új dolgokat, ha az új ismereteket kisebb darabokra bontjuk, és fokozatosan növeljük a nehézséget. Ezt a módszert "osztályozott feladatoknak" nevezik, amely segíthet gyorsan elsajátítani az új ismereteket, és kevésbé valószínű, hogy kihagyjuk vagy összekeverjük.

A mindennapi életben a helyes előadási sorrendet is használhatjuk a memória fejlesztésére. A családi naptárak, feljegyzések és listák mind-mind segíthetnek abban, hogy jobban megszervezzük életünket, hogy többé ne felejtsünk el fontos dolgokat, és ne mulassunk el határidőket.

Röviden: az előadás helyes sorrendje nagymértékben javíthatja memóriaképességünket. Megfelelő elrendezéssel és elemzéssel jobban megérthetjük az információkat, emlékezhetünk rájuk és alkalmazhatjuk jövőbeli életünkben. Használjuk a megfelelő prezentációs sorrendet agyi potenciálunk serkentésére, több tudás elsajátítására, életünk teljesebbé és szebbé tételére. Látható, hogy javítanunk kell a memórián, a Cistanche deserticola pedig jelentősen javíthatja a memóriát, mert a Cistanche deserticola szabályozhatja a neurotranszmitterek egyensúlyát is, például növelheti az acetilkolin és a növekedési faktorok szintjét. Ezek az anyagok nagyon fontosak a memória és a tanulás szempontjából. Ezen túlmenően a hús javíthatja a véráramlást és elősegítheti az oxigénszállítást, ami biztosítja, hogy az agy elegendő tápanyagot és energiát kapjon, ezáltal javítva az agy vitalitását és állóképességét.

Kattintson az ismerje meg az agyműködés javításának módjait

Ezeken a csoportosított adatokon egy vegyes hatású bináris logisztikus regressziós modellt futtattunk, az aktuális és az előző halmaz események várható állapotát, valamint a lekérdezéskori megjelenítési pozíciót kovariánsként használva. A modelleket az lme4 csomag segítségével számítottuk ki (Bates et al., 2{ {4}}15) R környezetben (R Development Core Team, 2008). Az ilyen modellek paraméterei felhasználhatók a helyes válaszadás valószínűségének felmérésére (célpontoknál "régi", fóliáknál "új"), és figyelembe vehetik az egyes résztvevők egyedi elfogását (válasz torzítása). A modellben szereplő egyes prediktorok meredekségének felmérésére (H0: b=0) egy omnibus x2 Waldtesztet (West et al., 2014) használtunk, ahogyan az autós csomagban (Fox és Weisberg, 2018) megvalósult.

Az alábbiakban közölt hatások kinyerése és ábrázolása az effektusok (Fox, 2003), az eszközök (Searle et al., 1980) és a ggplot2 (Wickham, 2009) csomagok felhasználásával történt. Az észlelési hasonlóság és az elvárt állapot közötti dinamikus kölcsönhatás vizsgálatához minden eseményhalmazhoz három érdekes modellt dolgoztunk ki, amelyek mindegyikét külön-külön modelleztük az előző eseménysorozat függvényében.

Például az F1 előtti célokat külön modellezték az F2 előtti célpontoktól. A memória erősségének különbségeiből adódó hatások kiküszöbölése érdekében csak azokat az eseményeket vettük bele ebbe a modellbe, amelyekre az előző válasz helyes volt (azaz az F1 eseményeket követő célpontok esetében csak a CR1-et követő célpontokat). Hasonló eredményeket figyeltek meg, amikor az összes kísérletet belefoglalta a modellbe (lásd a GitHub adattárat az elemzések futtatásához és az ábrák generálásához szükséges kódért). Így minden modell tartalmazta a jelenlegi és a korábbi seteventek elvárási státuszát, valamint a kovariáns visszakeresési sorrendjét. A kód és az adatok itt érhetők el:https://github.com/frdarya/DynamicExpectation.

2. kísérlet

Résztvevők

Összesen 25 résztvevő (nyolc férfi, 18–33 éves, átlagosan=25, SD=4.2) adott tájékozott beleegyezését és vett részt a vizsgálatban. A résztvevőknek normális vagy normálisra korrigált látásuk volt, és nem szerepeltek neurológiai vagy pszichiátriai rendellenességben. Minden eljárást jóváhagyott a Manchesteri Egyetem Kutatási Etikai Bizottsága. Egy résztvevőt kizártak az összes elemzésből, mert nem tudta megtanulni a cue-outcoming kontingenciát a szabálytanulási feladat során.

Kísérleti terv

Hasonló paradigmát és elvárásmanipulációt alkalmaztunk a 2. kísérletben is, a következő kivételekkel: a kódolási fázisban minden objektumot háromszor egymás után mutattak be. Minden objektum 2000 ms-ig volt a képernyőn, az egyes prezentációk között vibrált rögzítési kereszt (250–750 ms). Az első és a második előadás során a résztvevőket arra kérték, hogy hozzanak szemantikai döntést az objektumról, hogy mesterséges vagy természetes-e, és hogy nagyobb valószínűséggel található-e bent vagy a szabadban. A kérdések sorrendje véletlenszerű volt. A harmadik előadás során a résztvevőket mindig arra kérték, hogy alaposan tanulmányozzák a tárgyat, a részletekre összpontosítva. A harmadik bemutatót követően egy újabb, hosszabb ideig (800-1200 ms) tartó, vibráló fixáló keresztet hoztak létre, hogy az egyes objektumokat elválasztó miniblokkokat hozzanak létre.

A szabálytanulási feladat megegyezett az 1. kísérletben használttal, kivéve a jelzés hosszabb válaszbemutató idejét (1 mp helyett 3 mp), valamint az egyes próbák között egy vibráló rögzítési keresztet (250–750 ms) (lásd a Kibővített adatok 1. ábráját). 1-1 a viselkedési és kiterjesztett adatokhoz Fig. 1-2 forfMRI eredmények a szabálytanulási feladatból). A visszakeresési feladat előtt a résztvevők 2 percig számtani feladatokat oldottak meg (nem szkennelve).

A visszakereséskor három helyett két fóliahasonlósági szintet (F1 és F2) használtunk minden készletben. A szkennerben eltöltött idő optimalizálása érdekében az F3 objektumokat nem használtuk, mivel ezek nem mutattak semmilyen érdekes hatást a kísérletben1. Minden visszakeresési próba egy vibráló rögzítési kereszttel (250–750 ms) kezdődött, ezt követte a jelzés bemutatása 1000 ms-ig, majd a beállított esemény (cél, F1 vagy F2) 3000 ms-ig. Az összes beolvasott feladatnál a kísérletek 30%-ában implicit alapvonalakat használtunk (rögzítési keresztek 3500 ms kódolási és szabálytanulási feladatoknál, 4500 ms visszakeresésnél).

Viselkedési statisztikai elemzés

Az 1. kísérlet elemzését és eredményeit követően összecsuktuk a célokat és az F1 eseményeket, és modelleztük a helyes döntés (találatok és helyes elutasítások) valószínűségét az aktuális beállított esemény várható állapota és az előző beállított esemény várható állapota alapján.

Az 1. kísérletnélküli kísérletként, a memóriaerősség zavarának kiküszöbölése érdekében, csak a helyes válaszokat vettük fel (lásd a GitHub adattárat a hasonló eredményekért, amikor minden kísérletet tartalmaz, valamint a célok és az F1 külön elemzését). Az F2 fóliák korrekcióit is modelleztük a korábbi seteventek függvényében, ahogy az 1. kísérletnél is történt.

fMRI felvétel és statisztikai elemzés

Az MR-vizsgálatot 3T MRI-szkennerrel (Philips, Achieva) végezték. A vizsgálat során a mozgás minimalizálása érdekében hab ékeket és puha párnákat használtak a résztvevő fejének stabilizálására. Először T1-súlyozott képeket (mátrix mérete: 256 256, 160 szelet, 1 mm-es voxel izotróp) gyűjtöttünk, miközben a résztvevők a szkennerben pihentek. Gradiens echoplanarimaging (EPI) szekvenciát használtunk a T2* képek összegyűjtésére a BOLDjelhez. Az AC-PC vonallal párhuzamosan 40, a teljes agyat lefedő szeletet (mátrixméret 80 80, voxelméret 3 x 3 3,5 mm3) kaptunk minden egyes kötethez (TR=2.5s, TE=35 ms) .

A résztvevők három feladatot hajtottak végre a szkennerben (313 kötet kódolása; szabálytanulás 143 kötetben; visszakeresés 534 kötet) és egy disztraktor feladatot, amelyet nem szkenneltek. Az fMRI adatok előfeldolgozása és elemzése SPM12 (Statistical ParameterMapping, Wellcome Center for Human Neuroimaging, UniversityColle London https://www.humaneuroimaging.com) segítségével történt. ://www.fil.ion.ucl.ac.uk/spm/software/spm12/). A képeket hatparaméteres merevtest transzformációval igazították át az átlagos képhez, sinc interpolációval újraszeletelték, és a szeletidőt középre korrigálták. szelet.

A T1 anatómiai képeket a megfelelő átlagos EPI-képhez társítottuk. A Montreal Neurologic Institute (MNI) sablonhoz való térbeli normalizálást az SPM12-ben implementált DARTEL eszköztár segítségével végezték el (Ashburner, 2007). Anizotrop 8 mm-es FWHM Gauss-kernelt használtunk a normalizált EPI adatok simítására egyváltozós elemzésekhez.

Az alacsony frekvenciájú zaj eltávolítása érdekében az adatokat felüláteresztő szűréssel végeztük 128 s-os cut-off segítségével. Két a priori érdeklődésre számot tartó régió (ROI), a bilaterális hippocampus és egy középagyi ROI, amely csak a substantia nigrát (SN) és a ventrális tegmentumot tartalmazza. területet (VTA) használták. A hippocampus maszkot a Harvard-Oxford anatómiai atlaszból vették (küszöbérték 25%-os valószínűséggel; Desikan et al., 2006). A középagy maszkját a középagy valószínűségi atlaszából vettük (Murty et al., 2014).

Minden résztvevő funkcionális adatait a visszakeresésből az általános lineáris modell (GLM) keretrendszer segítségével elemezték a kanonikus hemodinamikai válaszfüggvényt modellező eseményhez kapcsolódó tervezésben. A hat mozgási paramétert, amelyet az újraigazítás során előállítottak, zavaró regresszorként használták. A visszamaradt mozgási műtermékek minimalizálása érdekében az ArtRepair eszköztárat (http://cibsr.stanford.edu/tools/human-brain-project/artrepair-software.html) használták további kellemetlen regresszorok létrehozására minden résztvevő számára.

Az idősorokat felüláteresztő szűréssel távolították el az alacsony frekvenciájú zajok (128-scutoff). Tekintettel a fent bemutatott ROI-kra (kétoldali hippocampus és SN/VTA) vonatkozó a priori hipotézisünkre, kis volumenkorrekciós (SVC) megközelítést alkalmaztunk ezekre a régiókra, a ROI mennyiségére (a klaszterképző kezdeti küszöbére) korrigált családi hibával (FWE) p, 0.001).

Feltáróbb teljes agyi elemzésekhez nem paraméteres permutáció alapú (n=5000) megközelítést alkalmaztunk a jelentős klaszterek azonosítására az SnPM eszköztár segítségével (https://warwick.ac.uk/fac/sci/statistics/staff /academic-research/Nichols/software/snpm/). A kezdeti klaszterképző küszöbértéket p, 0.005 használtuk, és a nemparaméteres p, 0,05 mellett szignifikáns klasztereket jelentettek. Az SPM és SnPM küszöb nélküli csoportszintű T-térképei itt érhetők el:https://neurovault.org/collections/TTDMPHLE/.

Az előző esemény kontextuális elvárása és az aktuális esemény kontextuális elvárása közötti interakció viselkedési hatásának tesztelésére összecsuktuk a célokat és az F1-et, és besoroltuk őket a bemutatási sorrend (amelyik az első volt) és a várakozási állapotuk alapján. Az F2 eseményeket külön feltételként modellezték.

Ebben az elemzésben összehasonlítjuk az aktuális tételt a jelenlegi és a korábbi elvárt állapot között (pl. EprevUcurr . EprevEcurr). Kísérleti tervünk alapján négy olyan paraméter van, amelyek interakciói tovább vizsgálhatók: beállított esemény (cél, F1, F2), kontextuális elvárás (várt vagy váratlan), adott memóriareakció (helyes vagy helytelen) és bemutatási sorrend ezeken belül (első, második). , vagy utolsó). Ez 36 feltételt eredményez; ezeket azonban nem lehetett együtt modellezni, mert a résztvevők többségénél nem volt elegendő számú próbatartó (n, 7).

Ezért három különálló modellt dolgoztunk ki; Az első modellben az elvárás fő hatását vizsgáltuk, függetlenül a beállított eseménytől vagy felismerési döntéstől. A második modellben az elvárások által meghatározott események sikeres memóriainterakcióit vizsgáltuk úgy, hogy összecsuktuk a kísérleteket a prezentációs sorrendben, és minden eseményre csak a helyes válaszokat modelleztük (az összes helytelen választ külön regresszorként modelleztük). A harmadik modellben az elvárás, a beállított esemény és a megjelenítési sorrend kölcsönhatását vizsgáltuk, függetlenül a felismerési válaszoktól.

Eredmények

Két kísérletet végeztünk, az 1. kísérletben a viselkedési válaszokat vizsgáltuk, a 2. kísérletben pedig hasonló paradigmát alkalmaztunk, miközben az fMRI adatokat gyűjtöttük. Mindkét kísérletben a viselkedési feladatunk három szakaszból állt (a kísérleti tervezést lásd az 1. ábrán): az objektumképek kódolását követően a résztvevők szabálytanuló feladatot hajtottak végre, amelyben megtanulták a jelzés és az objektum kategóriája közötti esetlegességet (ember- készült vagy természetes). Ezután a visszakereséskor ugyanazokat a jeleket mutatták be, majd egy régi (cél) vagy új (fólia) objektumot.

A fóliákat paraméteresen manipulálták hasonló objektumokkal, az F1, F2 és F3 célponthoz való hasonlóság csökkenő sorrendjében. A résztvevőket megkérték, hogy hozzanak egy régi/új felismerési döntést. A visszakeresési kísérletek egyharmadában megsértették az előre meghatározott jel- és tárgykategória-kontingenciát. Az elvárás-modulált kódolás és az észlelési hasonlóságra való érzékenységének felmérésére vegyes hatású logisztikus regressziót alkalmaztunk, hogy modellezzük a választ (helyes/helytelen felismerés) minden egyes meghatározott eseményre (célok és hasonló fóliák) a halmaz előző eseményének függvényében (pl. , ha először egy F1-et mutatnak be, majd később egy célpontot, akkor ezeket F1prev Targetcurr).

Ezen túlmenően minden egyes eseményhez az előző jelzés által meghatározott elvárási státusz társult (a szabálykövető eseményeket vártnak, a szabálysértő eseményeket pedig váratlannak jelölték). Mindegyik modell tartalmazott egy interakciót az aktuális és a korábbi események várható állapota között, hogy megvizsgálja a dinamikus változásokat (pl. hogyan befolyásolja egy korábbi váratlan fólia az aktuálisan várt cél felismerését; lásd az 1C. ábrát; a részletekért lásd az Anyagok és módszerek című részt).

1. kísérlet

A célok memóriáját a megelőző váratlan hasonló halmaz események modulálják

Az F1-es eseményeket követő célok esetében az F1 elvárás jelentős főhatásait találtuk (b=0.659, X2(1)=4.63, p =0.031 ), valamint egy marginális interakció a cél elvárása és az előző F1 elvárási állapota között (b =0.939, X2(1)=3.65, p=0.056; 2A ábra). A későbbi kontraszttesztek felfedték, hogy a várt célpontok nagyobb valószínűséggel emlékeztek meg egy váratlan F1 után, mint a várt F1 beállított esemény (z=2.15, p=0.031). Továbbá, ha az előző F1-beállítás eseménye váratlan volt, a következő várt célpontokat nagyobb valószínűséggel emlékszik helyesen a váratlan célpontokhoz képest (z=2.37, p=0.017). Az F2 és F3 beállított eseményeket követő célpontok vizsgálatakor nem figyeltünk meg szignifikáns prediktorokat (minden ps 0,127).

A hasonló fóliák helyes elutasítását az előző célpontok várakozási állapota módosítja

A célokat követő F1-es eseményeknél kölcsönhatást találtunk a két esemény várható állapota között (b=0.79, X2(1)=5.29, p=0.0 21. ábra; 2B. ábra), kontrasztokkal, amelyek az F1-események (CR1) helyesebb elutasítását mutatják a várt F1-hez, mint a nem várt célpontokat követő váratlan F1-eseményekhez (z= 2.65, p= 0).{29}} 08) és kismértékben kevesebb korrekciós elutasítás váratlan F1 esetén, amikor az előző cél váratlan volt, összehasonlítva a várt időponttal (z= 1.95, p= 0.0507; 2. ábra, középső panel). Az összes többi hatás nem volt szignifikáns (allps 0,255). Az F2 és F3 halmaz eseményeket követő F1 események vizsgálatakor nem figyeltünk meg szignifikáns prediktorokat (allps . 0,274).

A várakozási sorrend modulációja csökken, ahogy az észlelési hasonlóság csökken

Az F2 eseményeket nem befolyásolták a korábbi célok (minden ps . 0.171), F1s (minden ps . 0.197) vagy F3s (minden ps . 0.174) innentől ugyanaz a készlet.

Hasonlóképpen, az F3 eseményekre adott válaszokat nem módosították az előző beállított események (célok: minden ps . 0.484, F1s: minden ps . 0.148, F2s: minden ps . 0 .321).

A célpontok és leginkább hasonló fóliáik analóg várakozási sorrend hatást mutatnak

Tekintettel a célpontokra és az F1 eseményekre egymástól függetlenül megfigyelt hasonló hatásokra, a kettőt összecsuktuk, hogy megvizsgáljuk, hogy ezek a hatások kiegészítik-e egymást (vagyis van-e kölcsönhatás a jelenlegi és a korábbi várakozási állapot között; 2C. ábra). Bár a találatok és a helyes elutasítások nem feltétlenül ugyanazon mnemonikus folyamat termékei, ebben a paradigmában lehetőséget adnak annak vizsgálatára, hogy az észlelési terhelés (hasonlóság formájában) hogyan hat egymásra a dinamikus elvárásmodulációkkal.

Az aktuális beállított esemény (cél vagy F1) és az előző beállított esemény (F1 vagy célpont) közötti mnemonikus összehasonlítás képezi a legnagyobb terhelést vagy interferenciát a kódolt objektummal kapcsolatban, amikor a résztvevő felismerési döntést hoz. Ezért, ha észlelési folyamatok vesznek részt egy váratlan eseménnyel való találkozáskor, az egyes beállított eseményeknél megfigyelt hatásoknak meg kell ismétlődniük. Szignifikáns fő hatást találtunk az előző esemény várható állapotának (b=0.341, X2(1)=4.9,p=0.027), valamint jelentős interakciót az aktuális és a korábbi események várható állapota között (b =0.682, X2(1)=6.5, p=0.01).

A későbbi kontraszttesztek feltárták, hogy amikor az előző beállított esemény váratlan volt, a várt eseményekre több helyes választ figyeltek meg, mint a váratlan eseményeket (UprevEcurr . UprevUcurr; z=3.1,p=0.002). Az UprevUcurr számszerűen kisebb volt, mint az EprevUcurr, de ez a hatás nem érte el a statisztikai szignifikanciát (p=0.116). Ezenkívül a vártnál több várt eseményt követő aktuálisan várható eseményekre (EprevEcurr, UprevEcurr; z {{6) több helyes válasz érkezett. }}.22, p=0.027).

For more information:1950477648nn@gmail.com