Sensoorse ajaloo mitmekordne ja lahutatav mõju töömälu jõudlusele, 2. osa

MEG omandamine

Osalejad istusid MEG-skannerisse pärast seda, kui neile oli juhendatud ülesande spetsiifikat. Nad lõpetasid ühe harjutusploki skanneris istudes enne MEG-salvestuse algust.

Magnetoentsefalograafia (MEG) on kaasaegne tehnoloogia, mis suudab registreerida inimese ajutegevust ja närvisignaale. Seda on laialdaselt kasutatud neuroteaduslikes uuringutes, neuroloogiliste haiguste diagnoosimises ja ravis jne. Mälu vaatenurgast võib magnetoentsefalograafia aidata meil süveneda inimese mälumehhanismidesse ja ajupiirkondade funktsioonidesse.

Magnetoentsefalograafia abil on teadlased teinud mälu kohta mõningaid avastusi. Näiteks leidsid nad töö- ja pikaajalise mäluga seotud ajupiirkondi, nagu prefrontaalne ajukoor, oimusagara ja hipokampus. Lisaks saab magnetoentsefalograafia abil tuvastada mäluhäiretega, näiteks Alzheimeri tõvega seotud kõrvalekaldeid ajutegevuses. Seetõttu on sellel tehnoloogial laialdased kasutusvõimalused mäluhäirete diagnoosimisel ja ravimisel.

Lisaks märkimisväärsele ravipotentsiaalile võib magnetoentsefalograafia aidata ka tavainimestel oma mälu parandada. Mõistes, kuidas meie aju teavet töötleb ja mälestusi talletab, saame paremini aru, kuidas tõhusamalt õppida ja meelde jätta. Teadlased on avastanud mõned tõestatud mälutreeningu tehnikad, nagu kordamine ja seostamine, mis aitavad meil teavet paremini säilitada.

Lühidalt, magnetoentsefalograafia on mäluuuringutega tihedalt seotud tehnoloogia. See võib läbi viia meie mälumehhanismi ja ajupiirkonna funktsioonide põhjaliku uurimise, aidates lahendada mäluhäireid ja parandada mälu. Uurigem aktiivselt ja õppigem paremini ära kasutama magnetoentsefalograafia potentsiaali, et aidata meil oma aju paremini mõista ja kasutada. 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

Osalejaid juhendati, et nad hoiaksid oma pilku kesksel fikseerimispunktil ja minimeeriksid pilgutamist kogu katse vältel.

Neuromagnetilised andmed saadi terve peaga VectorView-süsteemi abil, mis sisaldas 204 tasapinnalist gradiomeetrit ja 102 magnetomeetrit (Elekta Neuromag Oy) magnetiliselt varjestatud ruumis.

Kogu katse vältel jälgiti osalejate pea asendit pidevalt, kasutades pea nelja punkti paigutatud indeksmähiseid. Magnetvälja tugevust võeti sagedusega 1000 Hz ja ribapääs filtreeriti võrgus vahemikus 0,03–300 Hz. Lisaks mõõdeti vertikaalseid ja horisontaalseid elektrookulogramme, kasutades elektroode, mis asetati silmade kohale, alla ja kõrvale. Silmade liikumist jälgiti EyeLink 1000 (SR Research) silmajälgijaga sagedusel 1000 Hz.

MEG andmete eeltöötlus

Andmeid töödeldi võrguühenduseta, kasutades Fieldtripi (Oostenveld et al., 2011), OHBA tarkvara raamatukogu (OSL) SPM8 (http://www.fil.ion.ucl.ac.uk/spam) ja Elekta tarkvara.

Enne mis tahes eeltöötlust kontrolliti MEG-andmeid visuaalselt, et eemaldada ja interpoleerida kõik andurid, mis kuvasid liigset müra, ning seejärel eemaldati müra ja korrigeeriti liikumist Maxfilter Signal SpaceSeparation (Taulu et al., 2004) abil enne südamega seotud sõltumatute komponentide eemaldamist. ja silmapilgutamise esemeid.

Andmed koguti esimese ja teise võre ümber (400 ms-lt enne resti algust kuni 900 ms-ni pärast algust) ja diskreetimissagedus vähendati 200 Hz-ni. Gradiomeetrite või magnetomeetrite suure dispersiooniga katsed tuvastati ja välistati, kasutades üldistatud ESD (äärmuslik üliõpilaste kõrvalekalle; Rosner, 1983) testi 0,05 olulisuse lävel.

Katsetevaheliste eelarvamuste analüüside jaoks koolitasime klassifikaatorit kõigi tagasilükkamata uuringute kõigi stiimuliesitluste jaoks. Kuna jätsime edasisest analüüsist välja suure dispersiooniga katsed (7.49 6 3.85%, keskmine 6 SD, mis vastab 45 6 23 stiimulite esitlustele), oli klassifikaator treenitud ülejäänud 555 6 23 stiimuli esitluste osas.

Enne kallutatuse arvutamist eemaldasime iga ploki esimese katse (2%) ja katsed absoluutse nurga erinevusega eelmise katse sihtorientatsiooniga 0,60 kraadi (;33%), mille tulemuseks oli 370 6 21 katset selle kohta analüüs osaleja kohta.

Katsesiseste kallutatud analüüside jaoks koolitasime klassifikaatorit kõigis katsetes, kus stiimul 2 esitati, välja arvatud need, mis eemaldati suure dispersiooni tõttu, jättes analüüsi 278 6 11 katset.

Nihke arvutamiseks valisime nendest katsetest need, millel oli ka stiimul 1 ja mille absoluutne nurkade erinevus stiimulite 1 ja 2 vahel oli 0,10 kraadi ja 50 kraadi. Seejärel arvutati nihe eraldi katsete jaoks, millel oli kaitse- ja värskendage vihjeid, mille tulemuseks on vastavalt 62 6 5 ja 63 6 5 prooviversioon.

Lineaarse diskriminantanalüüsi klassifikatsioon

Andmeid töödeldi edasi. Magnetomeetrite magnituudid sobitati ligikaudu gradiomeetritega korrutamise teel (tegur 20) ja allutati ajaruumilisele dekodeerimisele (kood on saadaval aadressil https://pypi.org/project/temp-dec/; nagu eelnevalt kirjeldatud, Wolff et al., 2017, 2020; Hajonides et al., 2021). Kõigi 30-ajapunktide (150 ms) libiseva akna 306 MEG anduri andmed ühendati 9180-mõõtmeliseks vektoriks.

Mõõtmelisust vähendati põhikomponendi analüüsi abil, mis arvutati iga ajapunkti jaoks eraldi, säilitades 90% dispersioonist (vahemikus 250–600 ms, see oli umbes 209 6 39 komponenti osaleja kohta, keskmine 6 SD).

See vähendas andmete müra, suurendas iga mõõtme kodeeritud unikaalset dispersiooni ja võimaldas klassifikaatoril kovariatsioonimaatrikse tõhusamalt arvutada. Eelnevalt esitatud stiimulitest pärineva stabiilse teabe säilitamiseks ei rakendatud eelstimulatsiooni.

Lineaarse diskriminantanalüüsi (LDA) klassifikaatori treenimiseks jagati andmed koolitus- ja testimiskomplektideks, kasutades {{0}}kordset kihilist ristvalideerimist. Võrenurgad koondati võrdsete vahedega orientatsioonikastidesse, luues 10 erinevat klassi (0–18 kraadi, 18–36 kraadi, 36–54 kraadi, 54–72 kraadi, 72–90 kraadi, 90–108 kraadi, 108–126 kraadi, 126–144 kraadi, 144–162 kraadi, 162–180 kraadi). LDA klassifikaatori koolitamiseks jaotati andmed koolitus- ja testimiskomplektideks, kasutades 10-fold stratified cross-validation.

Treeningkomplekti põhjal projitseerib LDA klassifikaator andmed madalamõõtmelisse ruumi (üheksa mõõtmega; klasside arv miinus 1), mis eraldab maksimaalselt andmed 10 klassist. Seejärel projitseeritakse testkomplekti andmed samasse {{ 3}}dimensiooniruum. Saime testikomplekti iga katse jaoks 10 LDA kaugust, arvutades selle eukleidilise kauguse igast treeningkomplekti klassi keskmisest madalamõõtmelises ruumis.

Need vahemaad võimaldasid meil hinnata tõenäosust, et iga antud katsekatse vastab igale kümnele klassile. Seda korrati iga ristvalideerimise voldi ja iga ajapunkti puhul. Stiimuli dekodeerimise analüüsid, klassifitseerimiseks kasutati esitatud nurka.

Ristdekodeerimise analüüsides koolitati LDA klassifikaatoreid ühe sündmuse (nt esitletud võre) orientatsioonikastide järgi, kuid klassifikaatorid olid joondatud teise orientatsiooniga prügikastide ümber (nt eelmise katse sihtmärgi orientatsioon). Saadud esindusliku sarnasuse kõverad kõverdati koosinusega.

Et testida, millised andurid aitasid meie mitme muutujaga meetodites täheldatud klassifikaatori tõenäosustele kõige olulisemalt kaasa, viisime läbi ka prožektori dekodeerimise analüüsi (Kriegeskorte et al., 2006).

Selles analüüsis peeti väikeseks andurite rühmaks ja suutsid seeläbi kaardistada täheldatud efekti ligikaudse asukoha. Täpsemalt valisime andmed igalt andurilt ja selle 47 kõige lähemal asuvalt naabrilt (kaasa arvatud magnetomeetrid ja gradiomeetrid) ja teostasime sama klassifikatsioonianalüüsi, nagu eespool kirjeldatud.

Neuraalse asümmeetria skoori arvutamine neuraalse kõrvalekalde mõõtmiseks

Katsesisese eelarvamuse korral hindasime teise resti töötlemist ja arvestasime ainult kaheosalisi katseid. Klassifikaatorit koolitati teise resti kõigi esitusviiside kohta ja iga katse jaoks genereeriti prügikasti tõenäosused. Katsetevaheliste analüüside jaoks analüüsisime praeguses katses nii esimese kui ka teise resti orientatsioonitöötlust. Sel põhjusel treenis klassifikaatorit kõigis katsetes ja genereeris kõigi katsete jaoks prügikasti ennustused.

Seejärel valisime jõudluse eelarvamuste analüüside tulemuste põhjal katsed, milles indutseerija ja ekraanil oleva võre orientatsiooni vaheline nurk põhjustas rühma tasandil olulise käitumishäire.

Katsesisese tõrjuva kallutatuse korral oli indutseerijaks sama katse esimese resti orientatsioon. Katsetevaheliste analüüside puhul oli indutseerijaks eelmises katses teatatud sihtorientatsioon (välja arvatud kontrollanalüüsid, kus sihtmärgina kasutati teatamata orientatsiooni). Sõltuva muutujana kaalusime iga orientatsioonikasti tõenäosuse hinnanguid, kus eeldame suurimat tõenäosust nurgelise kasti jaoks, millel on nullnihe esitatud orientatsiooni suhtes, ja vähenevat tõenäosust konteinerite puhul, mille nurk on esitatud orientatsiooni suhtes suurem.

Hindasime eraldi tõenäosuse hinnanguid katsete jaoks, milles indutseerija orientatsioon oli praeguse orientatsiooni osas päripäeva (CW) versus vastupäeva (CCW). Nii CW kui ka CCW katsete puhul keskmistasime eraldi orientatsioonikastide CW (72 kraadi kuni 18 kraadi) ja CCW salve (18 kraadi kuni 72 kraadi) tõendid.

Asümmeetria hinded arvutati kahe nurkkastide rühma (CWmiinus CCW) erinevuse saamisel. Lõpuks arvutasime üldise neuraalse nihke skoori, lahutades asümmeetria skoori CW ja CCW indutseerijatega tehtud katsetes.

Atraktiivsed neuraalsed nihked andsid tulemuseks positiivse skoori (st CWangulaarsete kaugustega tehtud katsed andsid rohkem CW tõendeid, CCW nurkkaugused andsid rohkem CCW tõendeid), samas kui tõrjuvad närvi nihked andsid tulemuseks negatiivse tulemuse (st CW nurkkauguste tulemuseks oli vähem CW tõendeid kui CCW katsed ja vastupidi).

Statistiline testimine

Statistilised testid arvutati nii JASP (JASP Team, 2020) kui ka Scipy (Virtanen et al., 2020) abil.

Testisime koosinuskonvoldeeritud klassifikaatori tõendite aegrida nulliga, kasutades klastripõhist permutatsioonitesti, mis lahendab mitme võrdlusprobleemi (kasutades MNE-d; Gramfort et al., 2013). Weran 100,000 iteratsiooni.

Nullist oluliselt erinevate ajapunktide rühmadega klastrid on näidatud vastavatel joonistel horisontaalsete joontega. Klastripõhist permutatsiooni testimist rakendati ka jõudluse nihutamiseks esitatud orientatsiooni ja indutseerija orientatsiooni vahelise nurkkauguse ulatuses.

Meie eelarvamuste analüüside olulisuse testimiseks lõime pärast dekodeerimisetappi segajaotuse. Kui katsed sorteeriti eelmise katse/stiimuli suhtelise orientatsiooni alusel, pöörasime selle nurkkauguse juhuslikult ümber ja arvutasime kõrvalekalde ümber. Arvutasime kõigi osalejate eelarvamuse ja arvutasime selle skoori keskmise. Seda protsessi korrati 10,000 korda ja saadud jaotusele määrati z-skoor.

Sama z-skoori teisendus rakendati täheldatud nihkeskoorile, kui juhuslikku märkide ümberpööramist ei rakendatud. Seda z-skoori saab seejärel kasutada algse efekti (kahepoolse) p-väärtuse saamiseks segamisjaotuse suhtes (kõigis teatatud aja keskmistes kasutati ajapunkte vahemikus 250–600 ms).

Kõik testid olid kahepoolsed, kui pole öeldud teisiti.

Tulemused

Veamäärad

Osalejad olid täpsed sihtmärgi orientatsiooni reprodutseerimisel (keskmine vastuse viga 11.73 6 0,70 kraadi SEM; keskmine SD 17.61 61.07 kraadi SEM; vt tabelit 1 tingimustepõhise toimivuse jaoks). Korduv kahekordne ANOVA vastusevea kohta näitas vihje tüübi (F(1,19)=16.49, p, 0.001, h2=0.374) ja mitme esitatud stiimulid (F(1,19)=29.78, p, 0.001,h2=0.075).

Märgi tüüp oli oluline nii ühe- kui ka kaheelemendilise katse puhul, absoluutne viga oli suurem esimese aruande korral kui aruande teisel katsel mõlema kahe üksuse katse puhul (t(19)=3.972,p, {{6} }.001, d=0.888; vt tabel 1) ja ühepunktilised katsed (t(19) =3.948, Bonferroni korrigeeritud p, 0,001, d {{ 18}}.883). Seevastu mitmed esitatud punktid mõjutasid peamiselt aruande esimesi tingimusi.

Viga oli suurem kahe esimese aruande kohta kui esimese ühe üksuse katse korral (t(19)=5.665, p, 0.001, d=1.267), kuid mitte oluliselt erinevad aruande teisest kaheosalisest katsest ja teisest üheosalisest katsest (t(19)=1.885, p=0.075, d=0.421), mis toob kaasa märkimisväärse kahe teguri vastastikmõju (F(1,19)=10.90, p=0.004, h2=0.026).

Analüüsid, milles kasutati segude modelleerimist (Bays et al., 2009) kinnitasid, et vihjeteta võre orientatsiooni vastustest tulenevaid vigu esines harva (vahetusmäär 0.033 6 0.01 kahe elemendiga katsetes; vt ka Huang , 2020).

Katsete ajal tõrjuv jõudluse eelarvamus

Analüüsisime katsesiseseid kõrvalekaldeid käitumuslikus toimimises, hinnates, kas teatatud orientatsioonist teatati süstemaatiliselt, et see on samas uuringus mittesihtmärgi orientatsioonile lähemal või sellest kaugemal (vt Materjalid ja meetodid).

Piirasime analüüsid kahe punktiga katsetega. Joonisel 2A on näidatud kõigi absoluutsete nurkkauguste nihe esimese ja teise võre orientatsiooni vahel esimese ja teise aruande katse korral. Katsetes, kus kasutati aruande esimeste näpunäidetega, ei esinenud olulist nihet segava teise resti orientatsiooni suunas või sellest eemale, mis ei olnud asjakohane käsil olev ülesanne (t(19)=0.74, p=0.467).

Seevastu katsed aruande teise vihjega näitasid olulisi kõrvalekaldeid algselt kodeeritud esimese resti orientatsioonist eemal (t(19)=2.33, p=0.031; illustreeritud joonisel 2B). Tõrjuva nihke aruande teist katset kinnitati klastripõhise permutatsioonitestiga, mis näitas olulist kobarat (p=0,012), kui nurkkaugus kahe orientatsiooni vahel oli 10 kraadi ja 49 kraadi vahel (joonis 2A).

Atraktiivne jõudluse kõrvalekalle katsete vahel

Järgmisena hindasime praeguse katse vastuste vahelist eelarvamust eelmises katses näidatud orientatsiooni suunas (joonis 3). Hindasime jõudluse kallutatust praeguse ja eelmise katse sihtvõre vaheliste nurkade erinevuste funktsioonina.

Analüüsis võeti arvesse ka sihtvõre asukohta praeguses katses (esimene või teine) ja üksuste arv praeguses katses (üks või kaks elementi). Järjepidevuse huvides nimetame kõiki katseid, kus osalejad teatavad esimese resti orientatsiooni aruande esimestest katsetest ja katseid, kus osalejad teatavad teisest orientatsioonist, teist katset, olenemata esitatud restide arvust.

Jällegi arvutasime praeguses ja eelmistes katsetes sihtmärkide vaheliste nurkade vahekauguste summa (joonis 3A, B). Erinevalt eelmises jaotises kirjeldatud tõrjuvast kallutatusest leidsime, et kõik tingimused näitasid atraktiivset toimivuse kallutatust (kõik p, 0.05 kahepoolsetes statistilistes testides). Atraktiivne jadanihe oli kõige selgem induktori ja voolu orientatsiooni (0–60 kraadi) vahelise väikese kuni keskmise nurkkauguse korral.

Korduv mõõtmine ANOVA nurkkauguste nihkete summal näitas näpunäidete tüübi mõju, kusjuures aruande esimestel katsetel esines suuremaid kõrvalekaldeid (F(1,19)=5.706, p=0.027, h2=0.172), kuid mitte katses esitatud võrete arvust (F(1,19)=0.980, p=0.335, h2 =0 .007). Need kaks tegurit ei mõjutanud (F(1,19)=0.377, p=0.547,h2=0.002). See näitab, et kallutatus oli tugevam esimese üksuse meenutamisel, mis kodeeriti ajaliselt lähemale eelmisele prooviversioonile.

For more information:1950477648nn@gmail.com