Osa 1: Kontekstimuistin koodaus ja haku Aikadynamiikkaa moduloi huomio koko aikuisen eliniän ajan

ali.ma@wecistanche.com

Soroush Mirjalili, Patrick Powell, Jonathan Strunk, Taylor James ja Audrey Duarte

https://doi.org/10.1523/ENEURO.0387-20.2020 Psykologian laitos, Georgia Institute of Technology, Atlanta, GA 30318

Cistanche tubulosa -annos parantaa muistia

Abstrakti

Episodiset muistot ovat moniulotteisia, sisältäen yksinkertaisia ​​ja monimutkaisia ​​ominaisuuksia. Kuinka onnistuneesti koodaamme ja palautamme nämä ominaisuudet ajoissa, säilyykö tämä ajallinen dynamiikka yli iän, jopa vähäisissä olosuhteissamuistisuorituskykyä, eikä huomion roolia näissä ajallisissa dynamiioissa tunneta. Tässä tutkimuksessa sovelsimme aikaresoluutioista monimuuttujadekoodausta värähtelevään elektroenkefalografiaan (EEG) aikuisen elinikänäytteessä tutkiaksemme onnistuneen koodauksen ajallista järjestystä ja yksinkertaisten ja monimutkaisten havaintokontekstin ominaisuuksien tunnistamista. Koodauksen aikana osallistujat tutkivat kuvia mustavalkoisista objekteista, joissa oli sekä värillisiä (matala/yksinkertainen) että kohtausominaisuuksia (korkea taso/monimutkainen) kontekstiominaisuuksilla, ja myöhemmin tehtiin konteksti.muistipäätöksiä molempien ominaisuuksien osalta. Huomiovaatimuksia manipuloitiin siten, että osallistujat tarkastelivat kohteen ja joko värin tai kohtauksen välistä suhdetta jättäen huomiotta muun kontekstin ominaisuuden. Hierarkkisten visuaalisten havaintojen mallien mukaisesti yksinkertaiset visuaaliset ominaisuudet (värit) koodattiin onnistuneesti aikaisemmin kuin monimutkaiset ominaisuudet (kohtaukset). Nämä ominaisuudet tunnistettiin onnistuneesti käänteisessä ajallisessa järjestyksessä. Tärkeää on, että tämä ajallinen dynamiikka riippui sekä siitä, olivatko nämä kontekstin piirteet huomion keskipisteessä, että säilyivätkö ne iän yli ikään liittyvästä kontekstista huolimatta.muistihäiriöt. Nämä uudet tulokset tukevat ajatusta, että episodinenmuistojakoodataan ja haetaan peräkkäin, mikä riippuu todennäköisesti mediaalisen ohimolohkon (MTL) sisään- ja ulostuloreiteistä ja huomion vaikutuksista, jotka vääristävät aktiivisuutta näissä reiteissä iän yli.

Avainsanat: ikääntyminen; huomio; kontekstimuisti; episodinen muisti; monimuuttujamallianalyysit

Merkityslausunto

Tapahtumat, joita opimme ja muistamme elämässämme, koostuvat yksinkertaisista kontekstin yksityiskohdista, kuten väristä, ja monimutkaisemmista, kuten kohtauksista. Opimmepa ja tunnistammeko nämämuistiyksityiskohtia peräkkäin tai samanaikaisesti, ja se, vaikuttaako joidenkin ominaisuuksien huomioiminen mutta ei muiden toimintojen koodaamiseen ja noutamiseen, on tuntematon. Käyttämällä korkean ajallisen resoluution hermotoimintakuvioita havaitsimme, että väriyksityiskohdat koodattiin onnistuneesti aiemmin kuin kohtaukset, mutta tunnistettiin päinvastaisessa järjestyksessä. Tärkeää on, että tämä ajallinen dynamiikka riippui siitä, mikä piirre oli huomion keskipisteessä ja säilyi läpi iän. Nämä havainnot selventävät peräkkäistä tapaa, jolla muistojamme muodostavat piirteet koodataan ja haetaan, ja olosuhteet, jotka vaikuttavat näihin dynamiikkaan.

Johdanto

Lukuisia episodisiamuistitutkimukset ovat tutkineet erilaisten kontekstiominaisuuksien, mukaan lukien värin, spatiaalin ja erilaiset semanttiset attribuutit, onnistuneen koodauksen ja haun hermoperustaa (Uncapher ym., 2006; Awipi ja Davachi, 2008; Duarte et al., 2011; Staresina et al. ., 2011; Park et ai., 2014; Liang ja Preston, 2017). Vaikka useat alueet tukevat onnistunutta jaksollista koodausta ja/tai hakua kontekstiominaisuuksien luonteesta riippumatta, toiset ovat sisällön valikoivia. Aika vähän tiedetään, kuinka eri kontekstiominaisuudet koodataan ja haetaan onnistuneesti.

Miksi kontekstiominaisuustyyppi vaikuttaisi onnistuneen kontekstin koodauksen ja/tai haun ajalliseen dynamiikkaan? Lukuisat havaintotutkimukset ovat osoittaneet, että yksinkertaisia ​​piirteitä, kuten väriä, syrjivät aikaisemmin ajassa ja aikaisemmat visuaaliset aivokuoren alueet kuin monimutkaisempia piirteitä, kuten kohtauksia (Carlson et al., 2013; Kravitz et al., 2014; Clarke et al., 2015). . Jotkut piirteiden havaitsemista tukevat alueet tukevat myös niiden ominaisuuksien onnistunutta koodausta, joille ne ovat herkkiä (Hayes et al., 2007; Awipi ja Davachi, 2008; Preston et al., 2010; Dulas ja Duarte, 2011). Siksi on mahdollista, että yksinkertaisia ​​kontekstiominaisuuksia voidaan koodata onnistuneestimuistiennen monimutkaisia.

Kontekstiominaisuuksia ei voida hakea samassa järjestyksessä, jossa ne havaitaan. Eräässä äskettäisessä tutkimuksessa tutkijat käyttivät elektroenkefalografian (EEG) toiminnan monimuuttujamalli-analyysejä (MVPA:ita) selvittääkseen ajat, jolloin havainnollistava ja korkean tason käsitteellinen informaatio erotettiin ja myöhemmin rekonstruoitiin.muisti(Linde-Domingo ym., 2019). Edistyksellisten visuaalisen prosessointihierarkioiden (Carlson et al., 2013; Kravitz et al., 2014) mukaisesti havainnon yksityiskohdat erotettiin aikaisemmin kuin monimutkaisempia, käsitteellisiä yksityiskohtia. Mielenkiintoista on, että tämä ajallinen dynamiikka käännettiin takaisin palauttamisen aikana. Nämä tulokset sekä kallonsisäinen EEG-todistus, joka osoittaa käänteisen tiedonkulun mediaalisessa ohimolohkossa (MTL) koodauksen ja haun välillä (Fell et al., 2016), tukevat ajatusta, että muistaminen voi edetä käänteisessä järjestyksessä havainnosta.

Tietovirran kääntäminen havainnon ja muistamisen välillä on kiehtovaa, mutta kysymyksiä on jäljellä. Ensinnäkin on selvää, että myös aikaisemmin havaitut yksinkertaiset ominaisuudet koodattaisiin onnistuneestimuistiaikaisemmin kuin myöhemmin havaitut. Jos monimutkainen Tätä työtä tuki National Science Foundation Grant 1125683 (AD), Ruth L. Kirschstein National Research Service Award Institutional Research Training Grant National Institutes of Healthilta National Institute on Aging Grant 5T32AG000175 ja National Institute on Aging 1R21AG 064309-01.

Kiitokset: Kiitämme kaikkia tutkimukseen osallistuneita.

Tämä on avoimen pääsyn artikkeli, jota jaetaan Creative Commons Attribution 4:n ehtojen mukaisesti.{2}} Kansainvälinen lisenssi, joka sallii rajoittamattoman käytön, jakelun ja jäljentämisen missä tahansa välineessä edellyttäen, että alkuperäinen teos mainitaan asianmukaisesti.

Ominaisuudet aktivoituvat aikaisemmin kuin yksinkertaiset (Linde-Domingo ym., 2019), kyvyn tunnistaa monimutkainen ominaisuus tulisi myös tapahtua aikaisemmin. Toiseksi normaali ikääntyminen liittyy neurokognitiiviseen hidastumiseen (Salthouse, 1996), ja EEG- ja MEG-tutkimukset osoittavat useiden hermokomponenttien käsittelyviiveitä (Onofrj et al., 2001; Zanto et al., 2010; Clarke et al., 2015). Ei tiedetä, havaitaanko tämä hidastuminen myös yksinkertaisen ja monimutkaisen kontekstiominaisuuksien koodauksen ja/tai haun aikana. Kolmanneksi, todellisissa tilanteissa huomio saattaa kohdistua joidenkin ominaisuuksien käsittelyyn toisten sijaan. Jos huomio kohdistetaan korkean tason episodisiin ominaisuuksiin esimerkiksi matalan tason ominaisuuksien sijaan, ei ole selvää, että matalan tason ominaisuuksia priorisoitaisiin samalla tavalla koodauksen aikana. Todellakin, runsaasti näyttöä tapahtumiin liittyvästä potentiaalista (ERP) tehdyistä huomion tutkimuksista, jotka osoittavat, että läsnäolleiden visuaalisten ärsykkeiden ERP-latenssit olivat aikaisemmat kuin valvomattomilla visuaalisilla ärsykkeillä (Hillyard ja Anllo-Vento, 1998; Woodman, 2010).

Täällä tutkimme onnistuneen koodauksen ja yksinkertaisten ja monimutkaisten havainnointiominaisuuksien tunnistamisen aikakulkua ja sitä, kuinka huomio saattaa vaikuttaa näihin ajallisiin dynamiikkaan aikuisten elinkaaren aikana. Huomiovaatimuksia manipuloitiin siten, että osallistujat tarkastelivat kohteen ja joko värin tai kohtauksen välistä suhdetta jättäen huomiotta muun kontekstin ominaisuuden. Sekä koodausta että hakua varten koulutimme monimuuttujakuvioiden luokittelijat erottamaan onnistuneen kontekstin epäonnistuneesta kontekstista.muistierikseen väri- ja kohtausominaisuuksille värähtelevästä EEG:stä. Arvioimme kontekstiamuistikunkin ominaisuuden luokittelun tarkkuus ajan mittaan sen mukaan, onko niitä huomioitu koodauksen aikana vai ei. Tutkimme tietojemme sopivuutta yhteen kolmesta mallista (kuva 1).

Jos eteenpäinsyöttöprosessointihierarkia koodauksessa ja käänteinen ajallinen dynamiikka haussa ovat muuttumattomia ja riippumattomia nykyisistä tavoitteista, ennustamme, että tulokset sopivat hierarkkiseen malliin eri iässä. Jos huomio kuitenkin muuttaa tätä dynamiikkaa, ennustamme, että sopivuus joko huomio- tai hybridimalleihin heikkenee iän myötä; koska kyky valikoivasti huolehtia tehtävään liittyvistä piirteistä heikkenee iän myötä (Hasher ja Zacks, 1988; Campbell et al., 2010). Kaikenlaista ajalliseen dynamiikkaan kohdistuvaa huomion modulaatiota tulisi vähentää, mikä saattaa vaikuttaa ikääntymiseenmuistiheikkenemistä (James et al., 2016a; Powell et al., 2018).

Materiaalit ja menetelmät

Osallistujat

Osallistujia oli 52 oikeakätistä aikuista (21 naista), iältään 18–74 vuotta. Tiedot viideltä ylimääräiseltä vanhemmalta aikuiselta (61–76 vuotta) jätettiin pois: kaksi heistä ei ymmärtänyt tehtävän menetelmiä, kaksi meluisan EEG:n vuoksi (ts. , DC drift, liike) ja yksi tietokoneen toimintahäiriöstä. Yhden nuoren aikuisen (21-vuotias) tiedot jätettiin pois meluisen EEG:n vuoksi. Osa nuorten ja vanhempien, mutta ei keski-ikäisten aikuisten tiedoista sisältyi aiemmin julkaistuihin tutkimuksiin, joissa tarkasteltiin erilaisia ​​tutkimuskysymyksiä (James et al., 2016b; Strunk et al., 2017; Powell ym., 2018). Kaikki aiheet olivat englantia äidinkielenään puhuvia ja heillä oli

Kuva 1. Kolme oletettua mallisovitusta matalan kertaluvun ominaisuuden (väri) ja korkean asteen ominaisuuden (kohtaus) kontekstin koodaukseen ja haun ajalliseen dynamiikkaan. Jokaisen mallin ennustetut tiedot edustavat kontekstin aikaisimpia paikallisia luokitteluhuippujamuistionnistuneen koodauksen purku (oikea vs. väärin) osallistujien kesken. Hierarkkisessa käsittelymallissa (a) aiempien visuaalisten aivokuoren alueiden käsittelemät matalan tason kontekstiominaisuudet, tässä tapauksessa värit, koodataan ennen korkean tason piirteitä, tässä tapauksessa kohtauksia, ja haetaan niiden jälkeen, riippumatta siitä ovatko ne. otettiin huomioon koodauksen aikana. Jos kohtaus olisi tässä mallissa kohdekonteksti, koodaus- ja hakuhistogrammit olisivat identtiset näytetyn kanssa. Vaihtoehtoisesti huomioperusteisessa käsittelymallissa (b) mukana oleva kontekstiominaisuus koodataan ja haetaan aikaisemmin kuin huomioimatta jätetty ominaisuus. Kuten osassa b esitetään, värikoodaus edeltää kohtauskoodausta, kun väri on hoidettava "kohde"-ominaisuus, ja sama ajallinen dynamiikka olisi voimassa haettaessa. Jos kohtaus olisi kohteena, histogrammien järjestys olisi päinvastainen kuin näytetyt. Lopuksi hybridikäsittelymallissa (c) koodauksen ja haun ajallinen dynamiikka perustuu sekä kontekstiominaisuuksien monimutkaisuuteen että siihen, olivatko ne kohteena vai häiritsevänä tekijänä. Osan c esimerkissä kohtauksen koodaus seuraa värikoodausta pidemmällä viiveellä, kun väri on kohteena, kuin silloin, kun se on häiritsevä tekijä, kun taas kohtauksen haku edeltää värien hakua lyhyemmällä viiveellä. Jos kohtaus olisi kohteena, huippujen välinen etäisyys pienenisi koodauksessa ja kasvaisi haussa näytettävään verrattuna.

normaali tai korjattu näkö. Osallistujille maksettiin kurssipisteitä tai $10/h, ja heidät rekrytoitiin Georgia Institute of Technologysta ja ympäröivästä yhteisöstä. Yksikään osallistujista ei ilmoittanut mistään neurologisista tai psykiatrisista häiriöistä, verisuonisairaudista tai keskushermostoon vaikuttavien lääkkeiden käytöstä. Osallistujat suorittivat sarjan standardoituja neuropsykologisia testejä, jotka koostuvat alatesteistämuistiarviointiasteikko (Williams, 1991), mukaan lukien luettelooppiminen, tunnistaminen, sanallinen jakso eteenpäin ja taaksepäin, välitön ja viivästetty muistaminen, visuaalinen tunnistus, muistaminen, lisääntyminen ja viivästetty tunnistus. Osallistujat, jotka saivat 0,2 SD:tä näytteen keskiarvon ulkopuolella, suljettiin pois. Lisäksi vanhemmille aikuisille annettiin Montrealin kognitiivinen arviointi (MoCA; Nasreddine et al., 2005) lievien kognitiivisten häiriöiden lisäämiseksi. Mukaan otettiin vain osallistujat, jotka saivat MoCA:sta vähintään 26 pisteen. Kaikki osallistujat allekirjoittivat Georgia Institute of Technology Institutional Review Boardin hyväksymät suostumuslomakkeet.

Materiaalit

Hemera Technologies Photo-Object DVD -levyiltä ja Google-kuvista valittiin yhteensä 432 harmaasävykuvaa kohteista. Koodauksen yhteydessä esiteltiin 288 näistä objekteista; puolessa kokeista osallistujien huomio oli suunnattu väriin ja toisessa puolessa kohtaukseen. Jokainen harmaasävyobjekti esitettiin näytön keskellä ja värillinen neliö ja kohtaus objektin vasemmalla tai oikealla puolella. Kaikille lohkon kokeille sama kontekstiominaisuustyyppi esitettiin objektin samalla puolella. Pilotointi osoitti, että tämä minimoi osallistujien hämmennystä ja katseen liikettä.

artefakteja. Näiden kontekstiominaisuuksien sijainnit

vastapainotettiin lohkoissa niin, että ne näytettiin yhtä monta kertaa keskellä olevan kohteen oikealla ja vasemmalla puolella. Jokaisessa koodauskokeessa osallistujia kehotettiin keskittymään kohteen ja joko värillisen neliön tai kohtauksen välisiin assosiaatioihin, jotka toimivat kyseisen kokeen kohdekontekstina. Mahdollisia kohtauksia olivat yksiö,

Kuva 2. Kokeellinen suunnittelu. Tutkimuksen aikana osallistujia pyydettiin tekemään subjektiivinen kyllä/ei-arvio kohteen ja joko värillisen neliön välisestä suhteesta (eli "onko tämä väri todennäköinen tälle esineelle?"), jossa esitettiin yksi kolmesta mahdollisesta väristä (punainen). , vihreä, ruskea) tai kohtaus (eli "näkyykö tämä esine todennäköisesti tässä kohtauksessa?"), jossa esitettiin yksi kolmesta mahdollisesta kohtauksesta (kaupunkikuva, yksiö, saari). Osallistujia ohjattiin kiinnittämään huomiota yhteen kontekstiin ja jättämään huomioimatta toinen konteksti. Testin aikana osallistujat antoivat enintään kolme vastausta kutakin testikoetta kohden (kohteen tunnistus sekä väri- ja kohtauskonteksti).muistipäätökset).

kaupunkikuvaa tai saari. Kohtaukset on otettu Creative Commonsista. Mahdolliset värilliset neliöt koostuivat vihreästä, ruskeasta tai punaisesta. Kukin konteksti- ja kohdekuva kattoi maksimi pysty- ja vaakasuuntaisen näkökulman ;3 astetta. Haun aikana kaikki 288 kohdetta sisällytettiin hakuohjelmaanmuistitestaa 144 uuden objektikuvan lisäksi, joita ei esitetty koodauksen aikana. Tutkimus- ja testikohteet olivat vastapainossa eri aiheista.

Kokeellinen suunnittelu ja tilastolliset analyysit

Kuva 2 havainnollistaa tutkimus- ja testivaiheessa käytettyä menettelyä. Ennen kunkin vaiheen alkua osallistujille annettiin ohjeet ja annettiin ohjeet

10 koetta harjoitteluun. Tutkimusvaiheessa osallistujia pyydettiin tekemään subjektiivinen kyllä/ei-arvio kohteen ja värillisen neliön välisestä suhteesta (eli "onko tämä väri todennäköinen tälle esineelle?") tai kohtauksesta (eli "onko tämä" esine todennäköisesti esiintyy tässä kohtauksessa?"). Tehtävän ohjeissa määrättiin, että missä tahansa kokeessa osallistujan tulee kiinnittää huomiota yhteen kontekstiin ja jättää huomioimatta toinen konteksti. Tutkimusvaiheessa oli neljä lohkoa, joissa jokainen lohko koostui neljästä minilohkosta ja jokaiseen sisälsi 18 koetta. Ennen kunkin minilohkon aloittamista osallistujille annettiin kehote (esim. "Nyt arvioit kuinka todennäköinen väri on esineelle" tai "Nyt arvioit, kuinka todennäköinen kohtaus on esineelle"). Koska aikaisemmat todisteet ovat viittaneet siihenmuistiiäkkäiden aikuisten suorituskyky häiriintyy enemmän, kun heidän on vaihdettava kahden erilaisen tehtävän välillä (Kray ja Lindenberger, 2000), minilohkoja käytettiin ohjaamaan osallistuja, mihin kontekstiin hänen tulisi kiinnittää huomiota tulevissa kokeissa. Lisäksi se vähentää tehtävän vaatimuksia joutuessaan siirtymään yhden kontekstin (esim. väri) arvioinnista toisen (esim. kohtauksen) arvioimiseen. Jokaisessa minilohkon tutkimuksessa oli muistutuskehote, joka esitettiin kuvien alla tutkimuskokeiden aikana (kuva 2).

Testin aikana osallistujille esiteltiin sekä vanhoja että uusia esineitä. Tutkimusvaiheen tapaan jokaisen kohteen vieressä oli sekä kohtaus että värillinen neliö. Jokaisesta esineestä osallistuja päätti aluksi, oliko se vanha vai uusi kuva. Jos osallistuja havaitsi kohteen olevan uusi, seuraava kokeilu alkoi 2000 ms:n kuluttua. Jos osallistujat ilmoittivat, että se oli vanha, heitä pyydettiin tekemään kaksi lisäarviointia kustakin kontekstin ominaisuudesta ja heidän varmuudestaan ​​harkintansa suhteen (ts. yksi värillisestä neliöstä ja toinen kohtauksesta). Toisen ja kolmannen kysymyksen järjestys oli tasapainoinen osallistujien kesken. Vanhoille kohteille pariliitos asetettiin siten, että sama määrä vanhoja objekteja esitettiin: (1) molemmat kontekstikuvat vastasivat koodausvaiheessa esitettyjä, (2) vain värisovitus, (3) vain kohtaussovitus ja (4) ei kumpaakaan kontekstikuvasovitusta. Vastaukset kontekstikysymyksiin tehtiin asteikolla aikuisilta, jotka suorittivat kaikki neljä tutkimuslohkoa ennen neljää testilohkoa. Vanhemmille aikuisille (yli 60-vuotiaille), paremmin rinnastettava esinemuistisuorituskykyä nuorten aikuisten kanssa ja antaa meille mahdollisuuden tutkia iän vaikutuksia EEG:n ajalliseen dynamiikkaan ilman suuria ikävaikutuksia yleensä.muistikyky (Rugg ja Morcom, 2005),muistikuorma puolitettiin niin, että he päättivät kahden lohkon tutkimus-testisyklin kahdesti (kaksi tutkimusta, kaksi testiä, kaksi tutkimusta, kaksi testiä). Kaikki osallistujat suorittivat lyhyen harjoittelun sekä tutkimus- että testilohkoista ennen ensimmäisen opintojakson aloittamista. Näin ollen osallistujat tiesivät tulevastamuistitestiä, vaikka heitä ei käsketty keskittymään koodauspäätöksiinsä ja olemaan opettelematta ulkoa tulevaa testiä varten.

Tiedonkeruu

Jatkuvat päänahan tallennetut EEG-tiedot tallennettiin 32 Ag-AgCl-elektrodista käyttämällä ActiveTwo-vahvistinjärjestelmää (BioSemi). Elektrodin sijainti perustuu laajennettuun 10–20-järjestelmään (Nuwer et al., 1998). Elektrodiasennot koostuivat seuraavista: AF3, AF4, FC1, FC2, FC5, FC6, FP1, FP2, F7, F3, Fz, F4, F8, C3, Cz, C4, CP1, CP2, CP5, CP6, P7, PO3 PO4, P3, Pz, P4, P8, T7, T8, O1, Oz ja O2. Ulkoisia vasenta ja oikeaa mastoidielektrodia käytettiin vertailuun offline-tilassa. Kaksi ylimääräistä elektrodia tallensi vaakasuuntaisen elektrookulogrammin (HEOG) vasemman ja oikean silmän lateraaliseen kantaan ja kaksi oikean silmän ylä- ja alapuolelle sijoitettua elektrodia tallensivat pystysuoran EOG:n (VEOG). EEG:n näytteenottotaajuus oli 1024 Hz 24- bitin resoluutiolla ilman yli- tai alipäästösuodatusta EEG-esikäsittelyä

EEG-tietojen offline-analyysi suoritettiin MATLAB 2015b:ssä käyttämällä EEGLAB-, ERPLAB- ja FIELDTRIP-työkalupakkeja. Jatkuva data näytteistettiin 256 Hz:iin, viitaten vasemman ja oikean rintakehän elektrodin keskiarvoon, ja kaistanpäästösuodatettiin välillä 0,5 ja 125 Hz. Tiedot erotettiin sitten -1000 ms:sta ennen ärsykkeen alkamista 3000 ms:iin. Kiinnostava aikaväli oli ärsykkeen alkamisesta 2000 ms:iin, mutta pidempi aikaväli vaaditaan signaalin häviämisen huomioon ottamiseksi aikakauden molemmissa päissä aallokemuunnoksen aikana. Jokainen aikakausi korjattiin perusviivalla koko aikakauden keskiarvoon, ja automaattinen hylkäysprosessi poisti aikakaudet, joissa vilkkuminen tapahtui ärsykkeen alkaessa, tai jaksot, joissa oli äärimmäisiä jännitteen siirtymiä, jotka ulottuivat kahden tai useamman elektrodin yli. Automaattiset hylkäysprosessit tunnistivat raakatiedoissa aikakaudet, joilla oli seuraavat parametrit. (1) Jännitealue oli suurempi kuin 99. prosenttipiste kaikista epookkien jännitealueista 400- ms:n aikavälillä (siirtymä 100- ms:n välein kunkin aikakauden välillä). (2) Lineaarinen trendin jyrkkyys oli suurempi kuin 95. persentiili kaikista epookkialueista R2:n vähimmäisarvon ollessa 0,303) Jännitealue oli suurempi kuin 95. prosenttipiste kaikista epookkien jännitealueista 100- ms aikavälillä (siirtymä) 25- ms välein kunkin aikakauden välillä), 150–150 ms ärsykkeen alkamisesta vain etu- ja silmäelektrodeille. Sitten kaikille pään elektrodeille suoritettiin riippumaton komponenttianalyysi (ICA) silmävirheiden (eli silmänräpäyksien ja vaakasuuntaisten silmien liikkeet) tunnistamiseksi. Silmän artefakteihin liittyvät komponentit jätettiin pois tiedoista tarkastamalla visuaalisesti topografisten komponenttien karttoja ja komponenttien aikakulkua silmäelektrodilla. Jokainen aikakausi perustettiin uudelleen –300––100- ms aikajaksoon ennen ärsykkeen alkamista, koska aikakaudet eivät enää olleet lähtökohtana tiettyyn ajanjaksoon sen jälkeen, kun silmän toimintaan liittyvät komponentit oli poistettu. Jos tietojoukossa oli kohinainen elektrodi (esim. 0,30 prosenttia hylättävästä tiedosta), se poistettiin käsittelyvirrasta ja interpoloitiin käyttämällä lähellä olevia kanavia huonon kanavan toiminnan arvioimiseksi ennen aikataajuusproseduurin suorittamista. Kaikkien käsittelyvaiheiden jälkeen ;13 prosenttia (SD=8 prosenttia) aikakausista poistettiin.

Taajuushajoaminen

Jokainen aikakausi muutettiin aikataajuuden esitykseksi käyttäen Morlet-aallokkeita, joissa oli 78 lineaarisesti erillään olevaa taajuutta 3 - 80 Hz, viidellä jaksolla. Aallokemuunnoksen aikana kutakin aikajaksoa pienennettiin kiinnostavalle aikavälille ja näytteistettiin alas 50,25 Hz:iin. Seuraavien MVPA:iden osalta tutkimme vain kokeita, joissa osallistujat tunnistivat esineet oikein vanhoiksi (kohdeosumat). Päätös valita vain osumakokeet perustui olettamukseen, että asiaan liittyvien kontekstien oikea tunnistaminen oli riippuvainen keskitetysti esitellyn kohteen oikeasta tunnistamisesta. Nuoremmille, keski-ikäisille ja vanhemmille aikuisille tehtyjen kokeiden keskimääräinen määrä on seuraava: nuoremmat (M=190.50, SD=41.01), keski-ikäiset (M{) {16}}.31, SD=40.24), vanhempi (M=177.06, SD=38.56).

Aikaerottuva luokittelu

Olimme kiinnostuneita luokittelemaan aikaisimman ajankohdan, jolloin väri- ja kohtauskontekstiominaisuudet onnistuneesti koodattiin ja haettiin. Maksimoidaksemme luokittelijan kouluttamiseen käytettävissä olevien kokeiden määrän, tiivistimme sekä oikeiden että virheellisten koetyyppien luottamustasot sekä koodauksessa että haussa. Toisin sanoen joillakin osallistujilla oli hyvin vähän kokeita tietyille luottamusolosuhteille (esim. oikea konteksti korkealla luotettavuudella), mikä vaikeutti luottamuksen sisällyttämistä luokitteluanalyyseihin, mukaan lukien kaikki osallistujat. Samoin hakua varten tiivistimme kaikki koetyypit (eli molemmat kontekstikuvat, jotka vastaavat koodausvaiheessa esitettyjä kuvia, vain värisovitus, vain kohtaussovitus, emmekä kumpikaan kontekstikuvasovitus) lisätäksemme tehoa havaita kiinnostuksen kohde. On tärkeää huomata, että näiden koetyyppien osuudet olivat suurin piirtein samat kontekstin oikean ja väärän kokeen osalta (konteksti oikein: 29,5 prosenttia molemmat kontekstit täsmäävät, 23,2 prosenttia vain värivastaavuus, 22,1 prosenttia vain kohtaus, 25,2 prosenttia ei kumpaakaan kontekstivastaavuus; konteksti virheellinen: 20,7 prosenttia molemmat kontekstit täsmäävät, 27,5 prosenttia vain värivastaavuus, 28,0 prosenttia vain kohtaus, 23,8 prosenttia ei kumpikaan kontekstia). Nämä suhteet olivat suunnilleen samanlaiset eri huomioolosuhteissa (eli osallistu väri vs. kohtaus). Valitsimme kullekin luokitusanalyysille tietyn 300-ms liukuvan aikavälin ja siirsimme aikaikkunaa yhdellä aikapisteellä (20 ms) koodauksen ja kohteen alkuperäisen 2-s-jakson aikana.muistiosien hakuajanjaksot (eli alkavat ärsykkeen alkamisesta sekä koodauksessa että haussa). Tämä 300- ms:n aikaväli valittiin maksimoimaan luokittelijan käytettävissä olevat tiedot oikean ja virheellisen kokeen erottamiseksi samalla kun sallitaan riittävä ajallinen erottelukyky olosuhteiden välisten huippulatenssierojen havaitsemiseksi. Ensimmäiset 2 sekuntia valittiin luokitteluanalyysiin, jotta ne olisivat yhdenmukaisia ​​aiempien EEG-tutkimusten kanssa, mukaan lukien tutkimukset, joissa käytettiin samaa tehtävää, ja jotka osoittavat episodisia.muistivaikutukset tällä aikavälillä (Rugg ja Curran, 2007; James et al., 2016a; Powell et al., 2018). Eli jopa kohteen tunnistusjakson aikana EEG-aktiivisuus on kontekstille herkkämuistitarkkuus. Toiseksi kokeen myöhempien ajanjaksojen näytteenotto tuotti samanlaisia ​​ja/tai vähemmän merkittäviä vaikutuksia kuin esitetyt. Kolmanneksi, koska värien ja kohtauksen kontekstin tunnistuskysymykset esitettiin ja niihin vastattiin myöhemmin kokeessa, pyrimme vähentämään värien ja kohtauksen havaitsemisen mahdollista vaikutusta.muistimenestysvaikutukset. Tämän jälkeen poimimme jokaista 300 ms:n aikaväliä kohden yhteisiin spatiaalikuvioihin (CSP) perustuvia ominaisuuksia kullakin taajuuskaistalla erikseen, mukaan lukien d (3–4 Hz), u (4–7 Hz). ), a (8–14 Hz), b (14–30 Hz) ja g (30–80 Hz). CSP-algoritmi pyrkii lisäämään erottelukykyä oppimalla spatiaalisia suodattimia, jotka maksimoivat suodatetun signaalin tehon ja minimoivat toisen luokan tehon (Herbert et al., 2000). Lyhyesti sanottuna kunkin luokan kokeiden keskimääräiset kovarianssimatriisit lasketaan, jolloin saadaan C1 ja C2 molemmille luokille. Myöhemmin ominaisarvon hajottelukonseptia käyttämällä ratkaistaan ​​w ¼ argmax:n optimointitehtävä optimaalisten tilasuodattimien löytämiseksi. Toisin sanoen spatiaaliset suodattimet projisoivat optimaalisesti nykyisen tilan signaalit (eli alkuperäisten elektrodien poikki) uuteen tilaan, jossa kunkin projisoidun elektrodin signaali on lineaarinen yhdistelmä kaikkien alkuperäisten elektrodien ja signaalien välillä. näiden signaalien varianssit ovat erittäin erotettavissa kahden luokan kokeissa (eli konteksti oikein vs. konteksti väärä). Seuraavaksi, kun eri taajuuskaistojen spatiaaliset suodattimet erotettiin erikseen, sovelsimme Fisherin kriteerejä valitaksemme kullekin yksilölle parhaat ominaisuudet vähentääksemme luokittelijan koulutukseen tarvittavaa ominaisuustilaa (Phan ja Cichocki, 2010). Jotta voimme olla johdonmukaisia ​​kaikissa analyyseissä ja osallistujissa ja välttääksemme yli- ja alisovittamisen riskin kokeiden lukumäärän perusteella, valitsimme jokaiseen analyysiin viisi parasta ominaisuutta, joilla on korkeimmat Fisher-pisteet. Lopuksi koulutimme naiivin Bayesin luokittelijan erottamaan oikean ja väärän kontekstitutkimukset (Fukunaga, 1993). Käytimme 5-kertaista ristiinvalidoinnin keskimääräistä tarkkuutta kriteerinä luokittelun tehokkuuden arvioinnissa. Tuloksena kullekin osallistujalle saimme yhden luokittimen tarkkuusarvon kullekin 86, 300- ms aikavälille (20- ms liukuvan aikapisteen resoluutiolla eli [0, 300 ms], [20, 320 ms], [40, 340 ms],..., [1700, 2000 ms]) jokaiselle kokeen vaiheelle (koodaus, haku), tarkkaavaisuus (kohde, häiriötekijä), ja kontekstiominaisuus (väri, kohtaus). Vaikka teoreettinen todennäköisyystaso binääriluokitteluongelmille on 50 prosenttia, jotkut tutkimukset ovat osoittaneet, että sattuman suorituskyvyn todellinen taso voi poiketa huomattavasti teoreettisesta arvosta (Combrisson ja Jerbi, 2015; Jamalabadi et al., 2016). Tämän seurauksena käytimme permutaatiotestejä (Nichols ja Holmes, 2002) toistamalla luokitteluanalyysiä saadaksemme empiirisen nollan.

jakauma luokittelijan suorituskyvylle. Tarkemmin sanottuna kullekin erilliselle analyysille ja osallistujalle suoritimme saman aikaratkaistun 5-kertaisen ristiinvalidoinnin luokittelumenettelyn kuin todellisille tiedoille oikeilla tunnisteilla, mutta käytimme tunnisteita, jotka sekoitettiin satunnaisesti jokaisen toiston yhteydessä. Tämä prosessi suoritettiin 500 kertaa osallistujaa kohti kussakin luokitusanalyysissä satunnaisella otsikolla jokaiselle toistolle. Tämä loi luokittelun suorituspisteiden empiirisen nollajakauman. Myöhemmin asetti tarkkuus, joka oli suurempi kuin 95 prosenttia nollajakauman suoritusarvoista, kynnysarvoksi, jolla määritetään luokittelijan suorituskyvyn merkitys kullekin aiheelle. Mutta on tärkeää huomata, että jokaisella aikavälillä on oma empiirinen nollajakauma, ja nollajakauman 95. prosenttipiste on erilainen eri aikaväleillä, ja ollaksemme konservatiivisempia, olemme valinneet korkeimman 95. prosenttipisteen aikaväleiltä. kyseisen aiheen ja analyysin kynnyksenä.

Osoittaakseen, että luokittelusuorituskyky on huomattavasti suurempi kuin sattuma eri aiheista, ja näyttääkseen yleiset ajanjaksotmuistionnistumisen dekoodaavuus ajan myötä, vähennimme kunkin osallistujan empiirisen mahdollisuustason aikakulun yksilön todellisesta luokittelusuorituksen aikakulusta. Laskimme sitten näiden erotusaikojen keskiarvon osallistumisvärien ja osallistumiskohtausolosuhteiden välillä. Lopuksi laskemme näiden yksilöllisten eroaikakurssien keskiarvon osallistujien kesken. Nämä osallistujien väliset, keskimääräiset todelliset koodauksen ja haun luokituksen aikakurssit ja 95 prosentin luottamusvälit on esitetty kuvassa 3. Kuten kuvasta 3 voidaan nähdä, luokittelusuorituskyky oli huomattavasti suurempi kuin sattuma koehenkilöiden välillä suuren osan ajan. koodaus- ja hakuaikavälit. Kontekstimuistin onnistuminen oli maksimaalinen dekoodattavissa välillä 680–980 ms koodauksessa (keskipiste 830 ms; kuva 3a) ja välillä 340 ja 640 ms noudettaessa (keskipiste 490 ms; kuva 3b).

Lopuksi piirtimme luokittimen tarkkuusarvot kaavioon, jossa jokainen kaavion piste (kuva 4) edusti kunkin 300- ms:n aikavälin keskipistettä. Jokaisessa näistä kaavioista olisi useita aikavälejä, joiden luokittelutarkkuus on suurempi kuin vierekkäiset aikavälit (eli aikavälit juuri ennen ja heti sen jälkeen, 20- ms keskipisteen erolla) . Koska tähän kriteeriin kelpaavia hetkiä olisi kuitenkin monia, laajensimme viereisyysvälin 60 ms:iin. Tarkemmin sanottuna potentiaalisiksi huippuhetkiksi valittiin vain ne aikavälit, joilla oli korkeampi luokittelutarkkuus kuin kaikilla aikavälillä 60- ms ajallisen naapurustossa. Esimerkiksi kuviossa 4, vaikka A:lla on korkeampi suorituskyky kuin aikaväleillä juuri ennen ja jälkeen, sitä ei voida valita potentiaaliseksi huipukseksi, koska B on määritellyllä alueellaan ja sillä on korkeampi suorituskyky. Lisäksi valittujen huippuhetkien tulisi toimia huomattavasti mahdollisuustason yläpuolelle. Tämän seurauksena mahdollisia huippuhetkiä, joiden suorituskyky on pienempi kuin merkityskynnys, ei oteta huomioon. Jälleen kuviossa 4 B:tä ei oteta huomioon, koska se on toiminut vähemmän kuin empiirinen mahdollisuustaso. Lopuksi, jos niitä olisi

Kuva 3. Todellisen sattuman kontekstin aikakulkumuistionnistumisluokituksen suorituskyky keskiarvotettuna huomioolosuhteiden ja osallistujien kesken (a) koodauksessa ja (b) haussa 95 prosentin luottamusvälillä. Kukin aikapiste näissä kaavioissa edustaa siihen liittyvän 300- ms aikavälin keskipistettä. Koska ensimmäinen aikaväli sisältää 0–300 ms, kaaviot alkavat 150 ms:sta ja päättyvät 1850 ms:iin, viimeisen aikavälin (1700, 2000 ms) keskipisteeseen. Harmaa alue kussakin kuviossa osoittaa todellisen mahdollisuuden kontekstin 95 prosentin luottamusvälinmuistiosallistujien menestysluokitus. Jos tietyn ajankohdan harmaa alue saavuttaa 0 prosenttia, todellinen tehokkuus ei eroa merkittävästi osallistujien sattumasta kyseisellä 300- ms aikavälillä. Esimerkiksi koodauksessa aikapisteeseen 1030 ms, 880–1180 ms välin keskipisteeseen, liittyvä luottamusväli saavuttaa nollan.

Kuva 4. Esimerkki aikaresoluution tuloksistamuistitarkkuusluokitus edustavasta aiheesta ja luokitteluanalyysi. Kukin kaavion aikapiste edustaa siihen liittyvän 300- ms aikavälin keskipistettä. Koska ensimmäinen aikaväli sisältää 0–300 ms, kaavio alkaa tämän aikavälin keskipisteestä, kuten vasemmalla pystysuoralla katkoviivalla osoittaa. Lisäksi kaavio päättyy viimeisen aikavälin (1700, 2000 ms) keskipisteeseen, kuten oikea pystysuora katkoviiva osoittaa. Huomaa, että kynnys on asetettu korkeimmaksi 95. prosenttipisteen arvoksi ajan kuluessa aikaresoluutioisessa nollajakaumassa kullekin kohteelle, jotta se olisi konservatiivisempi (katso Materiaalit ja menetelmät).

Kuva 5. Kohde, väri ja kohtauksen kontekstimuistisyrjintä.

useita huippuja, jotka suoriutuivat empiirisen mahdollisuustason yläpuolella, aikaisin valittaisiin "huippuhetkeksi", joka määritti ensimmäisen kerran, koodataanko/haetaanko kontekstiominaisuus onnistuneesti. Kuten kuvasta 4 voidaan nähdä, on joitakin huippuja, mukaan lukien C, D ja E, jotka ovat kelvollisia molempien mainittujen kriteerien jälkeen, ja valitsisimme C:n huippumomentiksi kyseisessä analyysissä.

Koodin saavutettavuus

Tässä tutkimuksessa käyttämämme mukautettu koodi on saatavilla osoitteesta https://doi.org/10.17605/OSF.IO/FVUZX.

Tietojen saatavuus

Tämän tutkimuksen tuloksia tukevat tiedot ja tulokset ovat saatavilla osoitteessa https://doi.org/10.17605/OSF.IO/FVUZX.