Az érzékszervi történelem többszörös és disszociálható hatása a munkamemória teljesítményére 2. rész

MEG beszerzés

A résztvevők a MEG szkennerbe ültek, miután eligazították őket a feladat részleteiről. Egy gyakorlati blokkot teljesítettek a szkennerben ülve a MEG felvétel kezdete előtt.

A magnetoencephalográfia (MEG) egy modern technológia, amely képes rögzíteni az emberi agyi aktivitást és az idegi jeleket. Széles körben alkalmazzák idegtudományi kutatásokban, neurológiai betegségek diagnosztizálásában és kezelésében stb. Az emlékezet szempontjából a magnetoencephalográfia segíthet az emberi memória mechanizmusainak és az agyterületek funkcióinak mélyebb megismerésében.

A magnetoencephalográfia segítségével a tudósok néhány felfedezést tettek a memóriával kapcsolatban. Például olyan agyi régiókat találtak, amelyek részt vesznek a munka és a hosszú távú memóriában, mint például a prefrontális kéreg, a halántéklebeny és a hippocampus. Ezen túlmenően, a magnetoencephalográfia kimutathatja a memóriazavarokhoz, például az Alzheimer-kórhoz kapcsolódó agyi aktivitási rendellenességeket. Ezért ennek a technológiának széles körű alkalmazási lehetőségei vannak a memóriazavarok diagnosztizálásában és kezelésében.

Amellett, hogy jelentős terápiás potenciállal rendelkezik, a magnetoencephalográfia segíthet az átlagemberek memóriájának javításában is. Ha megértjük, hogy agyunk hogyan dolgozza fel az információkat és tárolja az emlékeket, jobban megérthetjük, hogyan tanuljunk és emlékezzünk hatékonyabban. A tudósok felfedeztek néhány bevált memóriatréning technikát, például az ismétlést és az asszociációt, amelyek segíthetnek jobban megőrizni az információkat.

Röviden, a magnetoencephalográfia az emlékezetkutatáshoz szorosan kapcsolódó technológia. Mélyrehatóan feltárhatja memóriamechanizmusunkat és agyterületünk funkcióit, segít megoldani a memóriazavarokat és javítani a memóriát. Aktívan fedezzük fel és tanuljuk meg jobban kiaknázni a magnetoencephalographiában rejlő lehetőségeket, hogy jobban megértsük és hasznosíthassuk agyunkat. 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

A résztvevőket arra utasították, hogy tartsák tekintetüket a központi rögzítési pontra, és minimalizálják a pislogást a vizsgálat során.

A neuromágneses adatokat 204 sík gradiométert és 102 magnetométert (Elekta Neuromag Oy) tartalmazó teljes fejű VectorView System segítségével szereztük be egy mágnesesen árnyékolt helyiségben.

A kísérlet során folyamatosan figyelték a résztvevők fejének helyzetét a fej négy pontján elhelyezett indextekercsekkel. A mágneses térerősséget 1000 Hz-es mintavételezési frekvenciával végeztük, és a sávszűrőt online 0,03 és 300 Hz között végeztük. Ezenkívül függőleges és vízszintes elektro-okulogramokat mértünk a szem felett, alatt és mellett elhelyezett elektródákkal. A szemmozgásokat EyeLink 1000 (SR Research) szemkövetővel figyeltük 1000 Hz frekvencián.

MEG adat előfeldolgozás

Az adatok offline előfeldolgozása Fieldtrip (Oostenveld et al., 2011), OHBA szoftverkönyvtár (OSL) SPM8-ra (http://www.fil.ion.ucl.ac.uk/spam) és Elekta szoftver segítségével történt.

Bármilyen előfeldolgozás előtt a MEG-adatokat szemrevételezéssel ellenőrizték, hogy eltávolítsák és interpolálják a túlzott zajszintet mutató érzékelőket, majd ezt követően zajtalanították, és mozgáskorrekciót végeztek a Maxfilter Signal SpaceSeparation (Taulu et al., 2004) segítségével, mielőtt eltávolították volna a szívvel kapcsolatos független összetevőket. és szemvillantású műtermékek.

Az adatokat az első rács és a második rács körül korszakoltuk (a rács kezdete előtti 400 ms-ról a kezdetet követő 900 ms-ra), és 200 Hz-re mintavételeztük. A gradiométerek vagy magnetométerek nagy varianciájával rendelkező kísérleteket általánosított ESD (extreme studentized deviation; Rosner, 1983) teszttel 0,05-ös szignifikancia küszöb mellett kizárták.

A kísérletek közötti torzítási elemzésekhez az osztályozót az összes nem elutasított kísérlet összes ingerbemutatójára betanítottuk. Mivel a nagy varianciájú kísérleteket (7.49 6 3.85%, átlagosan 6 SD, ami 45 6 23 ingerbemutatónak felel meg) kizártuk a további elemzésből, az osztályozót a fennmaradó 555 6 23 ingerprezentációkon gyakoroltuk.

A torzítások kiszámítása előtt eltávolítottuk az egyes blokkok első próbáját (2%), valamint azokat a kísérleteket, amelyek abszolút szögkülönbséggel rendelkeztek az előző próba célorientációjához képest 0,60 fokos (;33%), így 370 6 21 kísérletet kaptunk erre a célra. résztvevőnkénti elemzés.

A vizsgálaton belüli torzítási elemzésekhez az osztályozót minden olyan vizsgálatra betanítottuk, ahol a 2. inger bemutatásra került, kivéve azokat, amelyeket a nagy variancia miatt eltávolítottak, így 278 6 11 kísérlet maradt az elemzésben.

A torzítás kiszámításához ezek közül a kísérletek közül azokat választottuk ki, amelyeken az 1. inger is megjelent, és az 1. és 2. inger között 0,10 fokos abszolút szögkülönbséggel, 50 fokos abszolút szögkülönbséggel. Ezt követően a torzítást külön számítottuk ki a védő és frissíti a jelzéseket, ami a 62 6 5, illetve a 63 6 5 próbaverziót eredményezi.

Lineáris diszkriminanciaanalízis osztályozás

Az adatok további előfeldolgozása megtörtént. A magnetométerek magnitúdóit hozzávetőlegesen a gradiométerekhez igazították szorzással (20-as faktor), és tér-idő-dekódolásnak vetették alá (a kód elérhető a https://pypi.org/project/temp-dec/ címen; a korábban leírtak szerint, Wolff et al., 2017, 2020; Hajonides et al., 2021). Az összes 306 MEG érzékelő adatait egy 30-időpontból (150 ms) álló csúszóablakon keresztül egy 9180-dimenziós vektorba fűzték össze.

A dimenzionalitást főkomponens-analízissel csökkentettük, minden egyes időpontra külön-külön számítva, megtartva a variancia 90%-át (250 és 600 ms között ez körülbelül 209 6 39 komponens résztvevőnként, átlagosan 6 SD).

Ez az adatok zajtalanítását, az egyes dimenziók által kódolt egyedi variancia növelését szolgálta, és lehetővé tette az osztályozó számára a kovarianciamátrixok hatékonyabb kiszámítását. A prestimulus-bazelinezést nem alkalmazták a korábban bemutatott ingerekből származó stabil információ fenntartására.

A lineáris diszkriminanciaanalízis (LDA) osztályozó betanításához az adatokat {{0}}szeres rétegezett keresztellenőrzés segítségével betanító és tesztelő halmazokra osztottuk. A rácsszögeket egyenlő távolságban elhelyezett tájolású ládákba helyezték, így 10 különálló osztályt hoztak létre (0-18 fok, 18-36 fok, 36-54 fok, 54-72 fok, 72-90 fok, 90-108 fok, 108-126 fok, 126-144 fok, 144-162 fok, 162-180 fok). Az LDA osztályozó betanításához az adatokat betanítási és tesztelési készletekre osztották fel 10-fold stratified cross-validation segítségével.

A betanítási halmaz alapján az LDA osztályozó az adatokat egy alacsony dimenziós térbe vetíti (kilenc dimenzióból; ​​az osztályok száma mínusz 1), amely maximálisan elválasztja az adatokat a 10 osztálytól. Ezután a tesztkészlet adatait ugyanabba a {{ 3}}dimenziós tér. A tesztkészletben minden egyes kísérlethez 10 LDA távolságot kaptunk úgy, hogy kiszámítottuk annak euklideszi távolságát az egyes tréningkészletek osztályátlagaiból az alacsony dimenziós térben.

Ezek a távolságok lehetővé tették, hogy megbecsüljük annak valószínűségét, hogy egy adott tesztvizsgálat megfelel a tíz osztály mindegyikének. Ezt megismételtük minden keresztellenőrzési hajtásnál és minden időpontnál. Instimulus dekódolási elemzések, a bemutatott szöget használtam az osztályozáshoz.

A keresztdekódolási elemzésekben az LDA osztályozókat egy esemény orientációs tárolóira (pl. bemutatott rács) képezték ki, de az osztályozó bizonyítékokat egy másik orientációjú tárolók köré (pl. célorientáció az előző kísérletben) helyezték el. Az így kapott reprezentációs hasonlósági görbéket koszinuszos konvolúcióval konvolváltuk.

Annak tesztelésére, hogy mely érzékelők járultak hozzá a legjelentősebben a többváltozós módszereinkben megfigyelt osztályozási valószínűséghez, keresőfény-dekódolási elemzést is lefuttattunk (Kriegeskorte et al., 2006).

Ebben az elemzésben a szenzorok egy kis csoportját vették figyelembe, és ezáltal fel tudták térképezni a megfigyelt hatás hozzávetőleges helyét. Pontosabban, minden egyes érzékelőtől és a 47 legközelebbi szomszédtól (beleértve a magnetométereket és a gradiométereket is) kiválasztottuk az adatokat, és a fent leírtakkal megegyező osztályozási elemzést futtattunk.

A neurális aszimmetria pontszámának kiszámítása az idegi torzítás mértékeként

A vizsgálaton belüli torzítások esetében a második rács feldolgozását értékeltük, és csak a kételemes kísérleteket vettük figyelembe. Az osztályozót betanították a második rács összes bemutatására, és minden kísérlethez létrehozták a bin valószínűségeket. A kísérletek közötti elemzésekhez a jelenlegi kísérletben mind az első, mind a második rács orientációs feldolgozását elemeztük. Emiatt az osztályozót minden kísérletnél áttanították, és bin előrejelzéseket generált az összes kísérlethez.

Ezt követően a teljesítmény torzítási elemzések eredményei alapján olyan kísérleteket választottunk ki, amelyekben az indukálószer és a kijelzőn látható rács orientáció közötti szögtávolság jelentős viselkedési eltéréshez vezetett csoportszinten.

A kísérleten belüli taszító torzítás esetében az induktor az első rács iránya volt ugyanabban a kísérletben. A kísérletek közötti elemzéseknél az induktor az előző kísérletben közölt célorientáció volt (kivéve a kontrollanalíziseket, ahol a nem bejelentett orientációt használták célként). Függő változóként a valószínűségbecsléseket vettük figyelembe minden tájolási tálcára, ahol a legnagyobb valószínűséget arra a szöges tálcára várjuk, amelyik nulla eltolással van a bemutatott tájoláshoz képest, és csökkenő valószínűséget a bemutatott orientációhoz képest nagyobb szögtávolságú tálcák esetében.

Külön értékeltük a valószínűségi becsléseket azon vizsgálatok esetében, amelyekben az induktor orientációja az óramutató járásával megegyező (CW) és az óramutató járásával ellentétes (CCW) volt az aktuális orientáció tekintetében. Mind a CW, mind a CCW vizsgálatok esetében külön átlagoltuk a CW (72 fok és 18 fok közötti szögű) orientációs tálcákból származó bizonyítékokat és a CCW tárolók bizonyítékait (18 fok és 72 fok között).

Az aszimmetria pontszámokat úgy számítottuk ki, hogy megkaptuk a különbséget a két szögtartó csoport (CWmínusz CCW) között. Végül kiszámítottuk az általános neurális torzítási pontszámot úgy, hogy kivontuk az aszimmetria pontszámokat a CW és a CCW induktorokkal végzett kísérletekben.

A vonzó neurális torzítások pozitív pontszámot eredményeztek (azaz a CWangular távolságokkal végzett kísérletek több CW bizonyítékot eredményeztek, a CCW szögtávolságok több CCW bizonyítékot), míg a taszító idegi torzítások negatív pontszámot eredményeztek (azaz a CW szögtávolságok kevesebb CW bizonyítékot eredményeztek, mint CCW kísérletek, és fordítva).

Statisztikai tesztelés

A statisztikai teszteket a JASP (JASP Team, 2020) és a Scipy (Virtanen és mtsai, 2020) segítségével is számítottuk.

Klaszter alapú permutációs teszttel teszteltük a koszinuszkonvolúciós osztályozó bizonyítékok nullával szembeni idősorát, amely a többszörös összehasonlítási problémát kezeli (MNE segítségével; Gramfort et al., 2013). Weran 100,000 iteráció.

A nullától jelentősen eltérő időpontcsoportokat tartalmazó klasztereket a vonatkozó ábrákon vízszintes vonalakkal jelöljük. Klaszter alapú permutációs tesztelést is alkalmaztunk a teljesítmény torzítására a bemutatott orientáció és az induktor orientáció közötti szögtávolságon keresztül.

A torzítási elemzéseink jelentőségének tesztelésére a dekódolási szakasz után keverési eloszlást hoztunk létre. Amikor a kísérleteket az előző kísérlet/inger relatív orientációja alapján rendeztük, véletlenszerűen megfordítottuk ezt a szögtávolságot, és újraszámítottuk a torzítást. Kiszámoltuk az összes résztvevő torzítását, és átlagoltuk ezt a pontszámot. Ezt a folyamatot 10,000 alkalommal megismételték, és az eredményül kapott eloszlást z-pontszámmal értékelték.

Ugyanezt a z-score transzformációt alkalmaztuk a megfigyelt torzítási pontszámra, amikor nem alkalmaztunk véletlenszerű előjelváltást. Ez a z pontszám ezután felhasználható az eredeti hatás (kétirányú) p-értékének a keverési eloszláshoz viszonyított meghatározására (az összes közölt időátlagban 250 és 600 ms közötti időpontokat használtunk).

Minden teszt kétoldalas volt, hacsak másképp nem jelezzük.

Eredmények

Hibaarányok

A résztvevők pontosan reprodukálták a célorientációt (átlagos válaszhiba 11.73 6 0,70 fok SEM; átlagos SD 17.61 61.07 fok SEM; lásd a táblázatot 1 a feltétel szerinti teljesítményhez). A válaszhibákra vonatkozó, kétszeres méréses ANOVA kimutatta a jelzés típusának fő hatásait (F(1,19)=16.49, p, 0.001, h2=0.374) és számos bemutatott ingerek (F(1,19)=29.78, p, 0.001,h2=0.075).

A jelzés típusa szignifikáns volt mindkét egy- vagy kételemes kísérletnél, az abszolút hiba magasabb volt az első jelentésnél, mint a második jelentésnél mindkét kételemes kísérletnél (t(19)=3.972,p, {{6} }.001, d=0.888; lásd 1. táblázat) és egytételes kísérletek (t(19) =3.948, Bonferroni-korrigált p, 0,001, d {{ 18}}.883). Ezzel szemben számos bemutatott tétel elsősorban a jelentés első feltételeit érintette.

A hiba magasabb volt az első két jelentésben, mint az első egy tételes kísérletnél (t(19)=5.665, p, 0.001, d=1.267), de nem szignifikánsan eltérnek a második kéttételes és a második egytételes kísérletek jelentése között (t(19)=1.885, p=0.075,d=0.421), ami jelentős kölcsönhatás a két tényező között (F(1,19)=10.90, p=0.004, h2=0.026).

A keverékmodellezést használó elemzések (Bays et al., 2009) megerősítették, hogy a nem jelzett rács-orientációra adott válaszokból eredő hibák ritkán fordulnak elő (a cserearány 0.033 6 0.01 kételemes kísérleteknél; lásd még Huang , 2020).

Visszataszító teljesítmény torzítások a próbák során

Elemeztük a vizsgálaton belüli torzításokat a viselkedési teljesítményben, felmérve, hogy a jelentett orientációt szisztematikusan úgy számolták-e be, hogy ugyanazon vizsgálat során közelebb vagy távolabb van-e a nem célpont irányultságtól (lásd Anyagok és módszerek).

Az elemzéseket két tételes kísérletekre korlátoztuk. A 2A. ábra az első és a második rácstájolás közötti összes abszolút szögtávolság teljesítményét mutatja az első és a második jelentési kísérleteknél. Az első jelentési jelzésekkel végzett kísérletekben nem volt jelentős torzítás a zavaró második rácstájolás irányában vagy attól távol, ami nem volt releváns az aktuális feladat (t(19)=0.74, p=0.467).

Ezzel szemben a jelentés második jelzéseivel végzett kísérletek jelentős torzításokat mutattak ki az eredetileg kódolt első rácsiránytól eltérően (t(19)=2.33, p=0.031; a 2B. ábrán látható). A taszító torzító jelentés második kísérletét egy klaszter alapú permutációs teszttel erősítették meg, amely szignifikáns klasztert mutatott (p=0,012), amikor a két orientáció közötti szögtávolság 10 fok és 49 fok között volt (2A. ábra).

Vonzó teljesítményeltolódás a kísérletek között

Ezt követően értékeltük a kísérletek közötti torzítást a jelenlegi próba válaszaiban az előző kísérletben jelzett irány felé (3. ábra). A teljesítmény torzítást a jelenlegi és az előző kísérlet célrácsa közötti szögkülönbségek függvényében értékeltük.

Az elemzés figyelembe vette a célrács helyzetét az aktuális kísérletben (első vagy második), valamint az aktuális próba elemeinek számát (egy elem vagy két elem). A következetesség kedvéért minden olyan kísérletet nevezünk, ahol a résztvevők az első rácsos orientációról számolnak be, az első kísérletekről, és a kísérletekről, ahol a résztvevők a második orientációról számolnak be, a második kísérletről, függetlenül a bemutatott rácsok számától.

Ismét kiszámítottuk a célpontok közötti szögtávolságok torzításának összegét a jelenlegi és az előző kísérletekben (3A, B ábra). Az előző részben leírt taszító torzítással ellentétben azt találtuk, hogy minden feltétel vonzó teljesítmény-elfogultságot mutatott (minden p, 0.05 a kétoldalú statisztikai tesztekben). A vonzó soros előfeszítés az induktor és az áramirány közötti kis és közepes szögtávolságok esetén volt a legkifejezettebb (0-60 fok).

A szögtávolságok torzításainak összegén végzett ismételt mérésű ANOVA a jelzéstípus hatását jelezte, nagyobb torzításokkal a jelentés első kísérleteiben (F(1,19)=5.706, p=0.027, h2=0.172), de nem a próba során bemutatott rácsok számától (F(1,19)=0.980, p=0.335, h{15}} .007). A két tényező nem hatott kölcsönhatásba (F(1,19)=0.377, p=0.547,h2=0.002). Ez azt mutatja, hogy az elfogultság erősebb volt az első tétel felidézésekor, amely időben közelebb volt kódolva az előző próbálkozáshoz.

For more information:1950477648nn@gmail.com