Üllatuse kogemine: selle mälule avaldatava mõju ajaline dünaamika, 2. osa

Statistiline analüüs

Ootusmoduleeritud dünaamilise kodeerimise hindamiseks kõrvutasime objektikomplektid (õunad, käärid jne). Igas komplektis oli neli seatud sündmust (sihtmärk; F1, kõige sarnasem; F2, keskmine sarnasus; ja F3, kõige vähem sarnane), millest igaühel oli juhuslikult määratud (1) ootustingimus, (2) esitluskoht komplektis ja (3) ) esitamise järjekord otsimisel (1–312 katset).

Inimese mälu on hämmastav. Kogemuste, õppimise ja koolituse kaudu saame oma mäluvõimet oluliselt parandada. Igapäevaelus peame sageli meeles pidama erinevat teavet, nagu telefoninumbrid, sünnipäevad, nimed, paroolid jne. Kõik need asjad nõuavad mälu.

Kui aga mäletame liiga palju asju või kui need pole õiges järjekorras esitatud, on meil raskusi või isegi loobume mäletamisest. See on esitlusjärjekorra ja mälu suhe.

Õige esitluse järjekord aitab meil teavet paremini meelde jätta. Näiteks kui tahame numbrite jada meelde jätta, võime proovida neid järjestada teatud mustri järgi, näiteks kasvavas või kahanevas järjekorras, paariskombinatsioonides jne. Need meetodid võivad aidata meil teabest paremini aru saada ja meelde jätta.

Uute teadmiste õppimisel on väga oluline ka esitlemise järjekord. Õpime uusi asju tõhusamalt, kui jagame uued teadmised väiksemateks tükkideks ja suurendame järk-järgult raskusi. Seda meetodit nimetatakse "hinneülesanneteks", mis aitab meil uusi teadmisi kiiresti omandada ja on vähem tõenäoline, et neid vahele jäetakse või segadusse ajatakse.

Igapäevaelus saame mälu parandamiseks kasutada ka õiget esitlusjärjekorda. Perekalendrid, memod ja nimekirjad aitavad meil oma elu paremini korraldada, et me ei unustaks enam olulisi asju ega jätaks tähtaegu maha.

Lühidalt, õige esitusjärjekord võib oluliselt parandada meie mäluvõimet. Õige paigutuse ja analüüsi abil saame teavet paremini mõista, seda meeles pidada ja oma tulevases elus rakendada. Kasutagem õiget esitluse järjekorda, et stimuleerida oma ajupotentsiaali, omandada rohkem teadmisi ning muuta meie elu täisväärtuslikumaks ja ilusamaks. On näha, et peame parandama mälu ja Cistanche deserticola võib oluliselt parandada mälu, sest Cistanche deserticola suudab reguleerida ka neurotransmitterite tasakaalu, näiteks tõsta atsetüülkoliini ja kasvufaktorite taset. Need ained on mälu ja õppimise jaoks väga olulised. Lisaks võib liha parandada ka verevoolu ja soodustada hapniku kohaletoimetamist, mis tagab aju piisava toitainete ja energia kättesaamise, parandades seeläbi aju elujõudu ja vastupidavust.

Klõpsake teada, kuidas ajufunktsiooni parandada

Käitasime nendel rühmitatud andmetel segaefektidega binaarse logistilise regressioonimudeli, kasutades praeguste ja eelnevate sündmuste ootusolekut ning esitluse asukohta otsingul ühismuutujana. Mudelid arvutati lme4 paketi abil (Bates et al., 2{ {4}}15) R-keskkonnas (R Development Core Team, 2008). Selliste mudelite parameetreid saab kasutada õige vastuse andmise tõenäosuse hindamiseks ("vana" sihtmärkide jaoks, "uus" fooliumide puhul) ja võtta arvesse ka iga osaleja ainulaadset pealtkuulamist (vastuse kallutatust). Mudeli iga ennustaja kalde (H0: b=0) hindamiseks kasutasime omnibussi x2 Waldtest (West et al., 2014), nagu on rakendatud autopaketis (Fox ja Weisberg, 2018).

Allpool kirjeldatud efektide ekstraheerimine ja joonistamine viidi läbi efektide (Fox, 2003), vahendite (Searle et al., 1980) ja ggplot2 (Wickham, 2009) pakettide abil. Tajumise sarnasuse ja ootusseisundi vahelise dünaamilise koostoime uurimiseks koostasime iga määratud sündmuse jaoks kolm huvipakkuvat mudelit, modelleerides iga sündmust eraldi eelneva sündmuste jada funktsioonina.

Näiteks sihtmärgid, millele eelnes F1, modelleeriti eraldi sihtmärkidest, millele eelnes F2. Mälu tugevuse erinevustest tingitud mõjude kõrvaldamiseks kaasasime sellesse mudelisse ainult need sündmused, mille eelmine vastus oli õige (st F1 sündmustele järgnenud sihtmärkide puhul kaasasime ainult CR1-le järgnenud sihtmärgid). Sarnaseid tulemusi täheldati kõigi katsete kaasamisel mudelisse (vt GitHubi hoidlast analüüside käitamiseks ja arvude genereerimiseks vajalikku koodi). Seega sisaldas iga mudel praeguste ja eelmiste sündmuste ootusseisundit, samuti esitamise järjekorda kovariaadina. Kood ja andmed on saadaval siin:https://github.com/frdarya/DynamicExpectation.

2. katse

Osalejad

Kokku 25 osalejat (kaheksa meest, vanuses 18–33, keskmine=25, SD=4.2) andsid teadliku nõusoleku ja osalesid uuringus. Osalejatel oli normaalne või normaalseks korrigeeritud nägemine ja neil ei olnud neuroloogilisi või psühhiaatrilisi häireid. Kõik protseduurid kiitis heaks Manchesteri ülikooli teaduseetika komitee. Üks osaleja jäeti kõigist analüüsidest välja, kuna reeglite õppimise ülesande käigus ei õnnestunud õppida näpunäidet.

Eksperimentaalne disain

Sarnast paradigma ja ootustega manipuleerimist kasutati katses 2, välja arvatud järgmised erandid: kodeerimisfaasis esitati iga objekt kolm korda järjest. Iga objekt oli ekraanil 2000 ms, iga esitluse vahel oli värisev fikseerimisrist (250–750 ms). Esimese ja teise ettekande ajal paluti osalejatel teha semantiline otsus objekti kohta, kas see on inimese loodud või looduslik ning kas seda leidub tõenäolisemalt siseruumides või väljas. Nende küsimuste järjekord oli juhuslik. Kolmanda esitluse ajal paluti osalejatel alati objekti hoolikalt uurida, keskendudes detailidele. Pärast kolmandat esitlust oli pikemaks perioodiks (800–1200 ms) veel üks värisev fikseerimisrist, et luua iga objekti eraldavad miniplokid.

Reeglite õppimise ülesanne oli identne katses 1 kasutatuga, välja arvatud vihje pikem vastuse esitamise aeg (1 s asemel 3 s) ja värinaline fikseerimisrist (250–750 ms) iga katse vahel (vt laiendatud andmeid joonis 1). 1-1 käitumuslike ja laiendatud andmete jaoks Joon. 1-2 forfMRI tulemused reegli õppimisülesandest). Enne otsinguülesannet lahendasid osalejad 2 minuti jooksul aritmeetilisi ülesandeid (mitte skaneeritud).

Otsimisel kasutasime kolme asemel igas komplektis kahte fooliumi sarnasuse taset (F1 ja F2). Skanneri aja optimeerimise huvides ei kasutatud F3 objekte, kuna need ei andnud katses1 huvipakkuvaid efekte. Iga otsimiskatse algas väriseva fikseerimisristiga (250–750 ms), millele järgnes vihje esitlus 1000 ms ja seejärel määratud sündmus (sihtmärk, F1 või F2) 3000 ms. Kõigis skannitud ülesannetes kasutasime 30% katsetest kaudseid lähtejooni (fikseerimisristid 3500 ms kodeerimise ja reeglite õppimise ülesannete puhul, 4500 ms otsimisel).

Käitumisstatistika analüüs

Pärast 1. katse analüüsi ja tulemusi ahendasime sihtmärgid ja F1 sündmused ning modelleerisime õige otsuse tegemise tõenäosuse (löögid ja õiged tagasilükkamised), mis põhinevad praeguse seatud sündmuse ootusolekul ja eelmise määratud sündmuse ootusolekul.

Esimese katsena lisati mälu tugevuse segaduse kõrvaldamiseks ainult õiged vastused (vt GitHubi hoidlast sarnaste tulemuste saamiseks kõigi katsete puhul ning sihtmärkide ja F1 eraldi analüüside kohta). F2-kilede parandusi modelleeriti ka eelmiste sündmuste funktsioonina, nagu tehti katses 1.

fMRI omandamine ja statistiline analüüs

MR-skaneerimine viidi läbi 3T MRI skanneriga (Philips, Achieva). Skaneerimise ajal liikumise minimeerimiseks kasutati osaleja pea stabiliseerimiseks vahtkiilusid ja pehmeid padjandeid. Esiteks koguti T1-kaalutud kujutised (maatriksi suurus: 256 256, 160 viilu, voksli suurus 1 mm isotroopne), samal ajal kui osalejad puhkasid skanneris. T2* kujutiste kogumiseks BOLD-signaali jaoks kasutati gradient-ehhoplanarimaalpildi (EPI) järjestust. Iga ruumala kohta saadi 40 AC-PC joonega paralleelset viilu, mis katavad kogu aju (maatriksi suurus 80 80, voksli suurus 3 x 3,5 mm3) (TR=2.5s, TE=35 ms) .

Osalejad täitsid skanneris kolm ülesannet (kodeeris 313 köidet; reeglite õppimine 143 köidet; otsimine 534 köidet) ja distraktori ülesande, mida ei skannitud. fMRI andmeid eeltöödeldi ja analüüsiti SPM12 abil (Statistical ParameterMapping, Wellcome Center for Human Neuroimaging, UniversityColle London https ://www.fil.ion.ucl.ac.uk/spm/software/spm12/). Kujutised joondati ümber keskmise kujutise järgi, kasutades kuue parameetriga jäiga keha teisendust, lõigati ümber sinc-interpolatsiooni abil ja viiluaeg korrigeeriti keskele. viil.

T1 anatoomilised kujutised registreeriti vastava keskmise EPI kujutisega. Ruumiline normaliseerimine Montreali Neuroloogiainstituudi (MNI) malliga viidi läbi SPM12-s rakendatud DARTEL-i tööriistakasti abil (Ashburner, 2007). Normaliseeritud EPI andmete silumiseks ühemõõtmeliste analüüside jaoks kasutati anisotroopset 8 mm FWHM Gaussi tuuma.

Madalsagedusliku müra eemaldamiseks filtreeriti andmed kõrgpääsfiltri abil, kasutades piirväärtust 128 s. Kaks a priori huvipakkuvat piirkonda (ROI), kahepoolne hipokampus ja keskaju ROI, mis hõlmas ainult mustandit (SN) ja ventraalset tegmentumi ala (VTA). Hipokampuse mask võeti Harvardi-Oxfordi anatoomilisest atlasest (lävi 25% tõenäosusega; Desikan et al., 2006). Keskaju mask võeti keskaju tõenäosuslikust atlasest (Murty et al., 2014).

Iga osaleja funktsionaalseid andmeid otsinguseansist analüüsiti üldise lineaarse mudeli (GLM) raamistiku abil, mis oli seotud kanoonilise hemodünaamilise reaktsioonifunktsiooni modelleerimisega. Iga seansi ümberjoonimisel saadud kuut liikumisparameetrit kasutati häirivate regressoridena. Jääkliikumise artefaktide minimeerimiseks kasutati ArtRepairi tööriistakasti (http://cibsr.stanford.edu/tools/human-brain-project/artrepair-software.html), et luua iga osaleja jaoks täiendavaid häirivaid regressereid.

Aegridad kõrgpääsfiltriti, et eemaldada madalsageduslik müra (128-scutoff). Arvestades meie a priori hüpoteesi ülaltoodud ROIde kohta (kahepoolne hipokampus ja SN/VTA), kasutati nende piirkondade jaoks väikese mahu korrigeerimise (SVC) lähenemisviisi, mida korrigeeriti ROI mahu (algne klastri moodustamise lävi) perekonnapõhise vea (FWE) järgi. p, 0.001).

Uurimuslikumate kogu aju analüüside jaoks kasutati mitteparameetrilist permutatsioonipõhist (n=5000) lähenemisviisi oluliste klastrite tuvastamiseks SnPM-i tööriistakasti abil (https://warwick.ac.uk/fac/sci/statistics/staff /academic-research/Nichols/software/snpm/). Kasutati algset klastri moodustamise läve p, 0.005 ja teatatakse klastrid, mis on olulised mitteparameetrilise p 0,05 juures. SPM-i ja SnPM-i künniseta rühmataseme T-kaardid on saadaval siin:https://neurovault.org/collections/TTDMPHLE/.

Eelneva sündmuse kontekstuaalse ootuse ja praeguse sündmuse kontekstuaalse ootuse vahelise interaktsiooni käitumusliku mõju testimiseks ahendasime sihtmärgid ja F1 ning klassifitseerisime need esitlusjärjekorra (mis oli esimene) ja nende ootuse oleku alusel. F2 sündmused modelleeriti eraldi tingimusena.

Selles analüüsis võrdleme praegust üksust praeguse ja eelmise ootusseisundi vahel (nt EprevUcurr . EprevEcurr). Arvestades meie eksperimentaalset ülesehitust, on neli parameetrit, mille interaktsioone saab lähemalt uurida: määratud sündmus (sihtmärk, F1, F2), kontekstuaalne ootus (oodatud või ootamatu), antud mäluvastus (õige või vale) ja esitlusjärjekord nendes komplektis (esimene, teine või viimane). Tulemuseks on 36 tingimust; neid ei saanud aga koos modelleerida, kuna enamiku osalejate jaoks oli ebapiisav arv proovikaste (n, 7).

Seetõttu töötasime välja kolm eraldi mudelit; Esimeses mudelis uurisime ootuse peamist mõju, sõltumata määratud sündmusest või äratundmisotsusest. Teises mudelis uurisime ootuste seatud sündmuste edukaid mälu interaktsioone, alandades katsed esitluse järjekorras ja modelleerides iga sündmuse jaoks ainult õigeid vastuseid (kõiki valed vastused modelleeriti eraldi regressorina). Kolmandas mudelis uurisime ootuste, määratud sündmuse ja esitlusjärjestuse koostoimet, sõltumata äratundmisvastustest.

Tulemused

Tegime kaks katset, katses 1 uuriti käitumuslikke reaktsioone ja katses 2 kasutati fMRI andmete kogumise ajal sarnast paradigmat. Mõlemas katses sisaldas meie käitumisülesanne kolme etappi (eksperimentaalset kavandamist vt joonis 1): pärast objekti kujutiste kodeerimist sooritasid osalejad reeglite õppimise ülesande, mille käigus nad õppisid märguande ja objekti kategooria vahelist juhuslikkust (mees- valmistatud või looduslik). Seejärel esitati otsimisel samad märgid, millele järgnes vana (sihtmärk) või uus (foolium)objekt.

Kilesid manipuleeriti parameetriliselt sarnaste objektidega F1, F2 ja F3 sihtmärgiga sarnasuse kahanevas järjekorras. Osalejatel paluti teha vana/uus äratundmisotsus. Ühes kolmandikus otsimiskatsetest rikuti eelnevalt kindlaksmääratud kiide ja objektikategooria ettenägematust. Ootusmoduleeritud kodeeringu ja selle tundlikkuse tajumise sarnasuse hindamiseks kasutasime segaefektidega logistilist regressiooni, et modelleerida vastust (õige/vale äratundmine) igale määratud sündmusele (sihtmärgid ja sarnased fooliumid) selle komplekti eelneva sündmuse funktsioonina (nt. , kui kõigepealt esitatakse F1 ja hiljem atarget, märgitakse need F1prev Targetcurr).

Lisaks seostati iga komplekti sündmus ootusolekuga, mille määras eelnev vihje (reeglitele vastavad sündmused märgiti oodatuks ja reeglit rikkuvad ootamatud). Iga mudel sisaldas ka interaktsiooni praeguse ja eelmiste sündmuste ootusseisundi vahel, et uurida dünaamilisi muutusi (nt kuidas eelmine ootamatu foolium mõjutab praeguse eeldatava sihtmärgi äratundmist; vt joonis 1C; üksikasju vaadake jaotisest Materjalid ja meetodid).

1. katse

Sihtmärkide mälu moduleeritakse eelnevate ootamatute sarnaste sündmustega

F1 komplekti sündmustele järgnevate sihtmärkide puhul leidsime F1 ootuse olulised põhimõjud (b=0.659, X2(1)=4.63, p =0.031 ), samuti marginaalne interaktsioon sihtmärgi ootuse ja eelmise F1 ootusseisundi vahel (b =0.939, X2(1)=3.65, p=0.056; joonis 2A). Hilisemad kontrasttestid näitasid, et eeldatavad sihtmärgid jäeti pärast ootamatut F1 suurema tõenäosusega meelde, võrreldes oodatava F1 komplekti sündmusega (z=2.15, p=0.031). Lisaks, kui eelmine F1 seadistuse sündmus oli ootamatu, jäeti järgmised eeldatavad sihtmärgid tõenäolisemalt meelde, võrreldes ootamatute sihtmärkidega (z=2.37, p=0.017). F2 ja F3 komplekti sündmustele järgnenud sihtmärkide uurimisel ei täheldanud me olulisi ennustajaid (kõik ps 0,127).

Sarnaste fooliumide õiget tagasilükkamist moduleerib eelnevate sihtmärkide ootusseisund

Sihtmärkidele järgnevate F1 sündmuste puhul leidsime kahe sündmuse ootusoleku vahelise interaktsiooni (b=0.79, X2(1)=5.29, p=0.0 21; joonis 2B), kontrastidega, mis näitavad F1 sündmuste (CR1) õigemaid tagasilükkamisi eeldatava F1 puhul kui ootamatute F1 sündmuste pärast ootamatuid sihtmärke (z= 2.65, p= 0.0 08) ja veidi vähem parandusi ootamatu F1 puhul, kui eelmine sihtmärk oli ootamatu, võrreldes oodatuga (z= 1.95, p= 0.0507; joonis 2, keskmine paneel). Kõik muud mõjud ei olnud olulised (allps 0,255). F2 ja F3 komplekti sündmustele järgnenud F1 sündmuste uurimisel ei täheldanud me olulisi ennustajaid (allps 0,274).

Ootusjärjestuse modulatsioon väheneb tajumise sarnasuse vähenedes

Eelmised sihtmärgid (kõik ps . 0.171), F1s (kõik ps . 0.197) ega F3s (kõik ps . 0.174) ei mõjutanud F2 sündmusi. sama komplekt.

Samamoodi ei moduleerinud vastuseid F3 sündmustele ühegi eelneva määratud sündmusega (sihtmärgid: kõik ps . 0.484, F1s: kõik ps . 0.148, F2s: kõik ps . 0 .321).

Sihtmärkidel ja nende kõige sarnasematel fooliumidel on analoogsed ootusjärjestuse efektid

Arvestades sarnaseid mõjusid, mida täheldati sihtmärkide ja F1 sündmuste puhul sõltumatult, alandasime need kaks kokku, et uurida, kas need mõjud täiendavad üksteist (st kas praeguse ja eelmise ootuse oleku vahel on koostoime; joonis 2C). Kuigi tabamused ja õiged tagasilükkamised ei pruugi olla sama menemoonilise protsessi tulemused, annavad need selles paradigmas võimaluse uurida, kuidas tajukoormus (sarnasuse kujul) interakteerub dünaamiliste ootuste modulatsioonidega.

Praeguse seatud sündmuse (sihtmärk või F1) ja selle eelmise seatud sündmuse (vastavalt F1 või sihtmärk) vaheline mnemooniline võrdlus moodustab suurima koormuse ehk häire kodeeritud objekti suhtes, kui osaleja teeb äratundmisotsuse. Seega, kui tajuprotsessid on seotud ootamatu sündmusega, peaksid iga määratud sündmuse puhul täheldatud mõjud individuaalselt korduma. Leidsime eelmise sündmuse ootusoleku olulise peamise mõju (b=0.341, X2(1)=4.9,p=0.027), samuti olulise interaktsiooni praeguste ja eelmiste sündmuste ootusoleku vahel (b =0.682, X2(1)=6.5, p=0.01).

Hilisemad kontrastsuse testid näitasid, et kui eelmine määratud sündmus oli ootamatu, täheldati ootamatute sündmustega võrreldes õigemaid vastuseid (UprevEcurr . UprevUcurr; z=3.1,p=0.002). UprevUcurr oli arvuliselt väiksem kui EprevUcurr, kuid see mõju ei saavutanud statistilist olulisust (p=0.116). Lisaks oli oodatavatele sündmustele järgnenud ootamatutele sündmustele (EprevEcurr, UprevEcurr; z {{6) rohkem õigeid vastuseid. }}.22, lk=0.027).

For more information:1950477648nn@gmail.com