Aistihistorian moninaiset ja hajoavat vaikutukset työmuistin suorituskykyyn Osa 2
Dec 19, 2023
MEG:n hankinta
Osallistujat istuivat MEG-skannerissa sen jälkeen, kun heille oli annettu ohjeita tehtävän yksityiskohdista. He suorittivat yhden harjoituslohkon istuessaan skannerissa ennen MEG-tallennusta.
Magnetoenkefalografia (MEG) on moderni tekniikka, joka voi tallentaa ihmisen aivojen toimintaa ja hermosignaaleja. Sitä on käytetty laajalti neurotieteen tutkimuksessa, neurologisten sairauksien diagnosoinnissa ja hoidossa jne. Muistin näkökulmasta magnetoenkefalografia voi auttaa syventymään ihmisen muistimekanismeihin ja aivoalueiden toimintoihin.
Magnetoenkefalografiaa käyttämällä tiedemiehet ovat tehneet joitain löytöjä muistista. He löysivät esimerkiksi aivoalueita, jotka osallistuivat työ- ja pitkäaikaismuistiin, kuten etuotsakuoren, ohimolohkon ja hippokampuksen. Lisäksi magnetoenkefalografia voi havaita aivotoiminnan poikkeavuuksia, jotka liittyvät muistihäiriöihin, kuten Alzheimerin tautiin. Siksi tällä tekniikalla on laajat sovellusmahdollisuudet muistihäiriöiden diagnosoinnissa ja hoidossa.
Sen lisäksi, että magnetoenkefalografialla on huomattava terapeuttinen potentiaali, se voi myös auttaa tavallisia ihmisiä parantamaan muistiaan. Ymmärtämällä, kuinka aivomme käsittelevät tietoa ja tallentaa muistoja, voimme paremmin ymmärtää, kuinka oppia ja muistaa tehokkaammin. Tutkijat ovat löytäneet joitain todistettuja muistinharjoittelutekniikoita, kuten toistoa ja assosiaatiota, jotka voivat auttaa meitä säilyttämään tietoja paremmin.
Lyhyesti sanottuna magnetoenkefalografia on muistitutkimukseen läheisesti liittyvä tekniikka. Se voi tutkia syvällisesti muistimekanismimme ja aivoalueen toimintoja, auttaa ratkaisemaan muistihäiriöitä ja parantamaan muistia. Tutkikaamme aktiivisesti ja oppikaamme hyödyntämään paremmin magnetoenkefalografian mahdollisuuksia auttaaksemme meitä ymmärtämään ja hyödyntämään aivojamme paremmin. Voidaan nähdä, että meidän on parannettava muistia, ja Cistanche deserticola voi merkittävästi parantaa muistia, koska Cistanche deserticola voi myös säädellä välittäjäaineiden tasapainoa, kuten nostaa asetyylikoliinin ja kasvutekijöiden tasoa. Nämä aineet ovat erittäin tärkeitä muistille ja oppimiselle. Lisäksi liha voi myös parantaa verenkiertoa ja edistää hapen toimitusta, mikä voi varmistaa, että aivot saavat riittävästi ravinteita ja energiaa, mikä parantaa aivojen elinvoimaa ja kestävyyttä.
Napsauta tietää tapoja parantaa aivojen toimintaa
Osallistujia opastettiin pitämään katseensa keskeisessä kiinnityspisteessä ja minimoimaan räpäyttäminen koko kokeen ajan.
Neuromagneettiset tiedot hankittiin käyttämällä kokopäätä VectorView-järjestelmää, joka sisälsi 204 tasogradiometriä ja 102 magnetometriä (Elekta Neuromag Oy) magneettisesti suojatussa huoneessa.
Koko kokeen ajan tarkkailtiin osallistujien pään asentoa jatkuvasti käyttämällä indeksikeloja, jotka oli sijoitettu pään neljään pisteeseen. Magneettikentän voimakkuus näytteitettiin taajuudella 1000 Hz ja kaistanpäästösuodatettiin verkossa välillä 0,03 - 300 Hz. Lisäksi mitattiin pysty- ja vaakasuuntaiset elektrookulogrammit käyttämällä elektrodeja, jotka asetettiin silmien yläpuolelle, alapuolelle ja viereen. Silmien liikkeitä seurattiin EyeLink 1000 (SR Research) -silmäseurantalaitteella 1000 Hz:n taajuudella.
MEG-tietojen esikäsittely
Tiedot esikäsiteltiin offline-tilassa Fieldtripillä (Oostenveld et al., 2011), OHBA-ohjelmistokirjastolla (OSL) SPM8:lla (http://www.fil.ion.ucl.ac.uk/spam) ja Elekta-ohjelmistolla.
Ennen esikäsittelyä MEG-tiedot tarkastettiin visuaalisesti liiallista kohinaa näyttävien antureiden poistamiseksi ja interpoloimiseksi, minkä jälkeen ne poistettiin kohinasta ja liikekorjattiin Maxfilter Signal SpaceSeparationilla (Taulu et al., 2004) ennen kuin sydämeen liittyvät riippumattomat komponentit poistettiin. ja silmiä räpäyttävät esineet.
Tiedot kerättiin ensimmäisen ja toisen hilan ympäriltä (400 ms:sta ennen hilan alkamista 900 ms:iin alkamisen jälkeen) ja näytteistettiin 200 Hz:iin. Kokeet, joissa oli suuri varianssi joko gradiometreissä tai magnetometreissä, tunnistettiin ja suljettiin pois käyttämällä yleistettyä ESD-testiä (extreme studentized deviation; Rosner, 1983) 0,05:n merkitsevyyskynnyksellä.
Kokeiden välisiä harhaanalyysejä varten koulutimme luokittelijan kaikista ärsykeesityksistä kaikista ei-hylätyistä kokeista. Koska jätimme pois kokeet, joilla oli suuri varianssi (7.49 6 3.85 %, keskiarvo 6 SD, mikä vastaa 45 6 23 ärsykeesityksiä), luokittelija harjoitettiin jäljellä olevien 555 6 23 ärsykeesittelyjen suhteen.
Ennen poikkeamien laskemista poistimme kunkin lohkon ensimmäisen kokeen (2 %) ja kokeet, joiden absoluuttinen kulmaero edellisen kokeilun kohdesuunnassa oli 0,60 astetta (;33 %), mikä johti 370 6 21 kokeeseen tälle analyysi osallistujaa kohti.
Kokeilun sisäisiä harhaanalyysejä varten koulutimme luokittelijan kaikissa kokeissa, joissa ärsyke 2 esitettiin, lukuun ottamatta niitä, jotka poistettiin suuren varianssin vuoksi, joten analyysiin jäi 278 6 11 koetta.
Poikkeaman laskentaa varten valitsimme näistä kokeista ne, joissa ärsyke 1 oli myös esiintynyt ja joiden absoluuttinen kulmaero oli 0,10 astetta ja,50 astetta ärsykkeiden 1 ja 2 välillä. Myöhemmin poikkeama laskettiin erikseen kokeita varten suoja- ja päivittää vihjeitä, mikä johtaa 62 6 5- ja 63 6 5-kokeisiin, vastaavasti.
Lineaarisen erotteluanalyysin luokitus
Tietoja esikäsiteltiin edelleen. Magnetometrien magnitudit sovitettiin likimäärin gradiometreihin kertomalla (tekijä 20) ja alistettiin spatiotemporaaliseen dekoodaukseen (koodi saatavilla osoitteessa https://pypi.org/project/temp-dec/; kuten aiemmin on kuvattu, Wolff et al., 2017, 2020; Hajonides et al., 2021). Data kaikista 306 MEG-anturista 30-aikapisteiden (150 ms) liukuvassa ikkunassa ketjutettiin 9180-ulotteiseksi vektoriksi.
Dimensiota pienennettiin käyttämällä pääkomponenttianalyysiä, joka laskettiin erikseen kullekin ajankohdalle, säilyttäen 90 % varianssista (250-600 ms, tämä oli noin 209 6 39 komponenttia osallistujaa kohti, keskiarvo 6 SD).
Tämä auttoi poistamaan kohinaa tiedoista, lisäämään kunkin ulottuvuuden koodaamaa ainutlaatuista varianssia ja mahdollistamaan luokittelijan laskemaan kovarianssimatriiseja tehokkaammin. Prestimulusbaselinointia ei sovellettu pitämään yllä stabiileja tietoja aiemmin esitetyistä ärsykkeistä.
Lineaarisen erotteluanalyysin (LDA) luokittelijan kouluttamiseksi tiedot jaettiin koulutus- ja testaussarjoiksi käyttämällä {{0}}kertaista kerrostettua ristiinvalidointia. Ritiläkulmat yhdistettiin tasavälein sijaitseviin suuntauslaatikoihin, jolloin muodostui 10 erillistä luokkaa (0-18 astetta, 18-36 astetta, 36-54 astetta, 54-72 astetta, 72-90 astetta, 90-108 astetta, 108-126 astetta, 126–144 astetta, 144–162 astetta, 162–180 astetta). LDA-luokittajan kouluttamiseksi tiedot jaettiin harjoitus- ja testaussarjoiksi käyttämällä 10-kertaista stratifiedcross-validaatiota.
Koulutusjoukon perusteella LDA-luokitin projisoi tiedot matalaulotteiseen avaruuteen (yhdeksän ulottuvuuden; luokkien lukumäärä miinus 1), joka erottaa tiedot maksimaalisesti 10 luokasta. Testijoukon tiedot projisoitiin sitten samaan {{ 3}}ulotteinen tila. Saimme 10 LDA-etäisyyttä jokaiselle testisarjan kokeelle laskemalla sen euklidisen etäisyyden jokaisesta harjoitussarjan luokkakeskiarvosta pieniulotteisessa avaruudessa.
Nämä etäisyydet antoivat meille mahdollisuuden arvioida todennäköisyyttä, että mikä tahansa testikoe vastasi jokaista kymmentä luokkaa. Tämä toistettiin jokaiselle ristiinvalidointikerrokselle ja jokaiselle aikapisteelle. Instimulus-dekoodausanalyysit, esitettyä kulmaa käytettiin luokittelussa.
Ristiindekoodausanalyyseissä LDA-luokittajia koulutettiin yhden tapahtuman suuntauslaatikoihin (esim. esitetty ritilä), mutta luokittelijat asetettiin toisensuuntaisten laatikoiden ympärille (esim. kohdesuuntaus edellisessä kokeessa). Tuloksena saadut edustavat samankaltaisuuskäyrät konvoloitiin kosinin kanssa.
Testaaksemme, mitkä anturit vaikuttivat merkittävimmin monimuuttujamenetelmissämme havaittuihin luokittelutodennäköisyyksiin, suoritimme myös valonheittimen dekoodausanalyysin (Kriegeskorte et al., 2006).
Tässä analyysissä tarkasteltiin edelleen pientä ryhmää antureita ja pystyivät siten kartoittamaan havaitun vaikutuksen likimääräisen paikan. Tarkemmin sanottuna valitsimme tiedot jokaisesta anturista sekä sen 47 lähimmästä naapurista (magnetometrit ja gradiometrit mukaan lukien) ja suoritimme saman luokitusanalyysin kuin edellä on kuvattu.
Neuraalisen epäsymmetrian pistemäärän laskeminen hermostoharhaisuuden mittana
Kokeen sisäisten harhojen osalta arvioimme toisen ritilän prosessoinnin ja tarkastelimme vain kahden kohteen kokeita. Luokittelija koulutettiin toisen ritilän kaikkiin esityksiin, ja säiliön todennäköisyydet luotiin jokaiselle kokeelle. Kokeiden välisiä analyysejä varten analysoimme sekä ensimmäisen että toisen hilan orientaatiokäsittelyä nykyisessä kokeessa. Tästä syystä koulutettiin luokitin kaikissa kokeissa ja loi bin-ennusteita kaikille kokeille.
Myöhemmin suorituskyvyn harhaanalyyseistä saatujen tulosten perusteella valitsimme kokeita, joissa kulmaetäisyys indusoijan ja näytön hilan suunnan välillä johti merkittävään käyttäytymispoikkeamaan ryhmätasolla.
Kokeen sisäisen repulsiivisen poikkeaman tapauksessa induktori oli ensimmäisen hilan suunta samassa kokeessa. Kokeiden välisissä analyyseissä induktori oli edellisessä kokeessa raportoitu kohdeorientaatio (paitsi kontrollianalyyseissä, joissa kohteena käytettiin ilmoittamatonta suuntausta). Riippuvaisena muuttujana harkitsimme todennäköisyysarvioita kullekin suuntaussäiliölle, jossa odotamme suurimman todennäköisyyden kulmikkaalle säiliölle, jolla on nollasiirtymä esitettyyn orientaatioon, ja pienenevän todennäköisyydet säiliöille, joilla on suurempi kulmaetäisyys esitettyyn orientaatioon.
Arvioimme erikseen todennäköisyysarvioita kokeille, joissa induktorisuunta oli myötäpäivään (CW) ja vastapäivään (CCW) nykyisen orientaation suhteen. Sekä CW- että CCW-kokeissa laskesimme erikseen keskiarvot suuntauslaatikoista CW (72 astetta - 18 astetta) ja CCW-astioiden todisteista (18 astetta 72 astetta).
Epäsymmetriapisteet laskettiin saamalla ero kahden kulma-astioiden ryhmän välillä (CWminus CCW). Lopuksi laskemme yleisen hermoston poikkeaman pistemäärän vähentämällä epäsymmetriapisteet kokeissa CW:tä vastaan CCW-indusoitteilla.
Houkuttelevat hermopoikkeamat johtivat positiiviseen pistemäärään (eli kokeet CWangular-etäisyyksillä johtivat enemmän CW-todisteita, CCW-kulmaetäisyydet johtivat enemmän CCW-todisteita), kun taas vastenmieliset hermopoikkeamat johtivat negatiiviseen tulokseen (eli CW-kulmaetäisyydet johtivat vähemmän CW-todistusta kuin CCW-kokeet ja päinvastoin).
Tilastollinen testaus
Tilastolliset testit on laskettu käyttäen sekä JASP:tä (JASP Team, 2020) että Scipyä (Virtanen ym., 2020).
Testasimme kosinikonvoloidun luokittelijan todisteiden aikasarjaa nollaa vastaan käyttämällä klusteripohjaista permutaatiotestiä, joka ratkaisee monivertailuongelman (käyttäen MNE:tä; Gramfort et al., 2013). Weran 100,000 iteraatiota.
Klusterit, joiden aikapisteiden ryhmät eroavat merkittävästi nollasta, on merkitty asiaankuuluvissa kuvissa vaakasuorin viivoin. Klusteripohjaista permutaatiotestausta sovellettiin myös suorituskyvyn poikkeamiseen esitetyn orientaation ja induktorisuunnan välisen kulmaetäisyyden poikki.
Testaaksemme harhaanalyyseidemme merkitystä loimme sekoitusjakauman dekoodausvaiheen jälkeen. Kun kokeet lajiteltiin edellisen kokeen/ärsykkeen suhteellisen suunnan perusteella, käänsimme satunnaisesti tämän kulmaetäisyyden ja laskemme harhan uudelleen. Laskimme kaikkien osallistujien harhan ja laskemme tämän pisteen keskiarvon. Tämä prosessi toistettiin 10,000 kertaa, ja tuloksena oleva jakauma sai z-pisteet.
Samaa z-pistemuunnosta sovellettiin havaittuun harhapistemäärään, kun satunnaista etumerkkien kääntämistä ei käytetty. Tätä z-pistettä voitiin sitten käyttää alkuperäisen vaikutuksen (kaksisuuntaisen) p-arvon saamiseksi suhteessa sekoitusjakaumaan (kaikissa raportoiduissa aikakeskiarvoissa käytettiin aikapisteitä välillä 250 ja 600 ms).
Kaikki testit olivat kaksipuolisia, ellei toisin mainita.
Tulokset
Virheiden määrä
Osallistujat toistivat tarkasti kohdesuunnan (keskimääräinen vastausvirhe 11.73 6 0,70 astetta SEM; keskiarvo SD 17.61 61.07 astetta SEM; katso taulukko 1 ehtokohtaisen suorituskyvyn osalta). Kaksi kertaa kahdella toistuva ANOVA vastausvirheestä osoitti vihjetyypin tärkeimmät vaikutukset (F(1,19)=16.49, p, 0.001, h2=0.374) ja useita esitetyt ärsykkeet (F(1,19)=29.78, p, 0.001,h2=0.075).
Vihjetyyppi oli merkittävä molemmissa yhden tai kahden kohteen kokeissa, ja absoluuttinen virhe oli suurempi raportissa ensimmäisessä kuin raportissa toisessa kokeessa molemmissa kahden kohteen kokeissa (t(19)=3.972,p, {{6} }.001, d=0.888; katso taulukko 1) ja yhden kohteen kokeet (t(19) =3.948, Bonferroni-korjattu p, 0,001, d {{ 18}}.883). Sen sijaan useat esitetyt asiat vaikuttivat ensisijaisesti raportin ensimmäisiin ehtoihin.
Virhe oli suurempi raportoinnissa kahdessa ensimmäisessä kuin raportoinnissa ensimmäisissä yhden kohteen kokeissa (t(19)=5.665, p, 0.001, d=1.267), mutta ei merkittävästi eroaa toisen kahden tuotteen ja toisen yhden kohteen kokeen välillä (t(19)=1.885, p=0.075,d=0.421), mikä johtaa merkittävään kahden tekijän välinen vuorovaikutus (F(1,19)=10.90, p=0.004, h2=0.026).
Analyysit, joissa käytettiin sekoitusmallinnusta (Bays et al., 2009) vahvistivat, että virheet, jotka johtuivat vastauksista hila-asennuksiin, jotka eivät ole ilmaistuja, olivat harvinaisia (vaihtosuhde 0.033 6 0.01 kahden kohteen kokeissa; katso myös Huang , 2020).
Vastenmielinen suoritusharha kokeissa
Analysoimme kokeen sisäisiä käyttäytymissuorituskykyjä arvioimalla, raportoitiinko raportoitu suuntaus systemaattisesti lähempänä tai kauempana ei-kohdesuuntausta samassa kokeessa (katso Materiaalit ja menetelmät).
Rajoitimme analyysit kahden kohteen kokeisiin. Kuva 2A näyttää kaikkien absoluuttisten kulmaetäisyyksien ensimmäisen ja toisen hilan suunnan välisen raportin ensin ja raportin toisen kokeen. Kokeissa, joissa ilmoitettiin ensimmäisistä vihjeistä, ei ollut merkittävää poikkeamaa häiritsevää toista hilasuuntaa kohti tai siitä poispäin, mikä ei ollut relevanttia käsillä oleva tehtävä (t(19)=0.74, p=0.467).
Sitä vastoin kokeet raportin toisilla vihjeillä paljastivat merkittäviä poikkeavuuksia alun perin koodatusta ensimmäisen hilan suunnasta (t(19)=2.33, p=0.031; kuvattu kuvassa 2B). Repulsive Biasin -raportin toiset kokeet vahvistettiin käyttämällä klusteripohjaista permutaatiotestiä, joka osoitti merkittävän klusterin (p=0.012), kun kulmaetäisyys näiden kahden suunnan välillä oli 10 asteen ja 49 asteen välillä (kuva 2A).
Houkutteleva suorituskyvyn harha kokeiden välillä
Seuraavaksi arvioimme kokeiden välisen harhan vastauksissa nykyisessä kokeessa kohti suuntausta, joka osoitti edellisessä tutkimuksessa (kuva 3). Arvioimme suorituskyvyn poikkeaman nykyisen ja edellisen kokeen kohderitilän välisten kulmaerojen funktiona.
Analyysissä tarkasteltiin myös kohderitilän sijaintia nykyisessä kokeessa (ensimmäinen tai toinen) ja kohteiden lukumäärä nykyisessä kokeessa (yksi esine tai kaksi kohdetta). Johdonmukaisuuden vuoksi me kutsumme kaikkia kokeita, joissa osallistujat raportoivat ensimmäisen hilan suuntautumisraportin ensimmäisistä kokeista ja kokeita, joissa osallistujat raportoivat toisen suuntautumisraportin toisista kokeista riippumatta esitettyjen ritilöiden lukumäärästä.
Jälleen laskemme harhan summan kohteiden välisten kulmaetäisyyksien välillä nykyisessä ja edellisessä kokeessa (kuvat 3A, B). Toisin kuin edellisessä osiossa kuvattu vastenmielinen harha, havaitsimme, että kaikki olosuhteet osoittivat houkuttelevaa tehokkuusharhaa (kaikki p, 0.05 kaksipuolisissa tilastollisissa testeissä). Houkutteleva sarjapoikkeama oli selkein pienillä tai keskisuurilla kulmaetäisyyksillä induktorin ja virran suunnan välillä (0–60 astetta).
Toistuva ANOVA-mittaus kulmaetäisyyksien poikkeamien summalla osoitti merkkityypin vaikutuksen, ja suurempia harhoja esiintyi raportin ensimmäisissä kokeissa (F(1,19)=5.706, p=0.027, h2=0.172), mutta ei kokeessa esitettyjen ritilöiden lukumäärästä (F(1,19)=0.980, p=0.335, h2 =0 .007). Nämä kaksi tekijää eivät olleet vuorovaikutuksessa (F(1,19)=0.377, p=0.547,h2=0.002). Tämä osoittaa, että harha oli vahvempi, kun palautettiin ensimmäinen kohde, joka koodattiin ajallisesti lähempänä edellistä kokeilua.
For more information:1950477648nn@gmail.com
