Osa 1: Mikä on muistin uudelleenaktivoinnin vaikutus oppimisen aikana?

Yhteystiedot: Audrey Hu Whatsapp/hp: 0086 13880143964 Sähköposti:audrey.hu@wecistanche.com

Pls napsauta tästä saadaksesi osan 2

Robert J. Molitor, 1, 2 Katherine R. Sherrill, 2 Neal W. Morton, 2 Alexandra A. Miller, 3 ja Alison R. Preston 1, 2, 3

1 Department of Psychology, University of Texas at Austin, Austin, Texas 78712, 2 Center for Learning and Memory, University of Texas at Austin, Austin, Texas 78712, ja 3 Department of Neuroscience, University of Texas at Austin, Austin, Texas 78

Cistanche-lisä: parantaa muistia

Tapahtumat, jotka ovat päällekkäisiä aikaisempien kokemusten kanssa, voivat laukaista olemassa olevien muistojen uudelleenaktivoitumisen. Tällaisella uudelleenaktivoinnilla voi kuitenkin olla erilaisia ​​edustavia seurauksia hippokampuksen piirissä. Hippokampuksen toiminnan laskennalliset teoriat viittaavat siihen, että hammashammas ja CA2,3 (DG/CA2,3) ovat harhaanjohtavia erottamaan hyvin samankaltaisia ​​muistoja, kun taas CA1 voi integroida toisiinsa liittyviä tapahtumia edustamalla niitä päällekkäisillä hermokoodeilla. Täällä testasimme, riippuuko erilaistuneiden tai integroitujen esitysten muodostuminen hippokampuksen osakentissämuistiuudelleenaktivointi oppimisen aikana. Molempien sukupuolten ihmisosallistujat oppivat assosiaatioita (AB-pareja, joko kasvojen muotoisia tai kohtauksen muotoisia), ja sitten niille tehtiin fMRI-skannaus samalla kun he koodasivat päällekkäisiä assosiaatioita (BC-muoto-objekti-parit). Sekä ennen oppimista että sen jälkeen osallistujia skannattiin myös samalla, kun he katselivat päällekkäisten muistojen epäsuorasti liittyviä elementtejä (A- ja C-kuvat) erillään. Käytimme monimuuttujakuvioanalyysejä mitataksemme alkuperäisten parimuistien (A kohteet) uudelleenaktivoitumista päällekkäisen parin (BC) oppimisen aikana sekä oppimiseen liittyvää esitysmuutosta epäsuorasti liittyvissä asioissa.muistielementtejä hippokampuksen osakentissä. Kun aiemmat muistit aktivoituivat voimakkaasti uudelleen päällekkäisen parikoodauksen aikana, epäsuorasti liittyvien kuvien (A ja C) DG/CA2,3 ja subiculum-esitykset muuttuivat vähemmän samankaltaisiksi, mikä on johdonmukaista kuvioiden erilaistumisen kanssa. Samanaikaisesti,muistiuudelleenaktivointi uuden oppimisen aikana edisti integraatiota CA1:ssä, jossa esitykset epäsuorasti liittyvätmuistielementit muuttuivat samanlaisiksi oppimisen jälkeen. Lisäksi,muistiuudelleenaktivointi ja subiculum-esitys ennustivat nopeampia ja tarkempia päättelypäätöksiä (AC). Nämä tiedot osoittavat, että toisiinsa liittyvien muistojen uudelleenaktivointi uuden oppimisen aikana johtaa dissosioituviin koodausstrategioihin hippokampuksen osakentillä laskennallisten teorioiden mukaisesti.

Avainsanat: assosiatiivinen muisti; episodinen muisti; korkean resoluution fMRI; hippokampuksen osakenttä; kuvion erottelu

parantavat muistia

Merkityslausunto

Episodisen joustavuusmuistiSen avulla voimme muistaa sekä yksityiskohdat, jotka erottavat samankaltaiset tapahtumat, että niiden väliset yhteiset piirteet. Täällä testasimme, kuinka aiempien kokemusten uudelleenaktivointi uuden oppimisen aikana edistää hermoesitysten muodostumista, jotka voisivat palvella näitä kahtamuistitoimintoja. Havaitsimme, että muistin uudelleenaktivoituminen oppimisen aikana edisti erilaistettujen esitysten muodostumista päällekkäisille muistoille hippokampuksen dentate gyrus/CA2,3 ja subiculum -alikentissä, samalla kun se johti integroitujen esityksien muodostumiseen liittyvistä tapahtumista osakentässä CA1. Lisäksi,muistiuudelleenaktivointi ja subiculum-esitys ennustivat menestystä pääteltäessä epäsuoria suhteita tapahtumien välillä. Nämä havainnot viittaavat siihenmuistiuudelleenaktivointi on tärkeä oppimissignaali, joka vaikuttaa siihen, miten päällekkäiset tapahtumat ovat edustettuina hippokampuksen piirissä.

Johdanto

Hippokampus koostuu useista osakentistä, jotka vaikuttavatmuistikäsittely ja edustus. Laskennalliset mallit ehdottavat, että hammaskiven ja CA2,3:n (DG/CA2,3) anatomiset ominaisuudet tekevät näistä alikentistä ihanteellisia kuvioiden erottamiseen tai erittäin samankaltaisten aivokuoren syötteiden automaattiseen ortogonalisointiin harvalla laukaisulla (Marr, 1971; Schapiro et al. ., 2017). Sitä vastoin CA1:n ominaisuuksien on ehdotettu välittävänmuistiintegraatio tai päällekkäisten esitysten muodostaminen, jotka koodaavat yhteisiä piirteitä

Kuva 1. Kokeellinen suunnittelu. Kaavio käyttäytymistehtävästä. Osallistujat altistettiin ensin yksilöllisesti esitetyille kuville (kasvoille, kohtauksille ja uusille esineille), jotka myöhemmin liittyvät epäsuorasti assosiatiivisen oppimisen kautta (A- ja C-kohdat). Sitten osallistujat oppivat yhdistämään alkupareja (kasvo-muoto tai kohtaus-muoto AB-assosiaatiot) ja skannattiin samalla kun he oppivat päällekkäisiä pareja (muoto-objekti BC-assosiaatiot). Osallistujat skannattiin uudelleen valotuksen jälkeisessä vaiheessa, kun he katselivat samoja kohteita esialtistuksesta (A ja C kohteet). Osallistujat suorittivat sitten episodien välisen päättelytehtävän. Lopuksi osallistujat suorittivat lokalisointitehtävän, jossa he katselivat yksilöllisesti esitettyjä kasvoja, kohtauksia, esineitä ja muotoja estettynä. B, Visuaalisen samankaltaisuuden manipulointi. Jaetun B-kohteen samankaltaisuutta parien välillä manipuloitiin parametrisesti. Tässä esimerkissä ylämuoto olisi nähty alkuperäisissä AB-pareissa, kun taas alarivi edustaa erilaisia ​​muotomuotoja, jotka voidaan nähdä, kun opitaan päällekkäisiä BC-pareja. Päällekkäisen parin oppimisen aikana esitetty yhdistävä B-kohde voi olla joko tarkka vastaavuus alkuperäisen (AB) parin oppimisen aikana esitettyyn B-kohteeseen, suuri samankaltaisuus tai matala samankaltaisuus tai uusi (eli ei-päällekkäinen) kohde. C, Vilkkuvien kohteiden muotoärsykkeiden subjektiivinen samankaltaisuus. Riippumaton otos osallistujista arvioi visuaalisen samankaltaisuuden vanhempien muotojen ja rinnakkain esitettyjen muotojen välillä käyttämällä 5 pisteen Likert-asteikkoa (1=ei ollenkaan samankaltainen, 5=erittäin samanlainen). pp , 0.05 (parilliset t-testit). Virhepalkit osoittavat 6 SEM.

toisiinsa liittyvien jaksojen yli (Eichenbaum et ai., 1999; Schlichting ja Preston, 2015; Schapiro et al., 2017). Elektrofysiologinen tutkimus osoittaa tällaisia ​​edustavia dissosiaatioita alikenttien välillä: DG/CA2,3-yhtyeet saavat aikaan selkeitä laukaisukuvioita vain pienillä muutoksilla ympäristön havaintoominaisuuksissa, kun taas CA1-aktiivisuusmallit muuttuvat vähitellen ympäristön havainnollisesti erottuvana (Leutgeb et al., 2004, 2007). Rinnakkaistyö ihmisillä on osoittanut, että muutokset DG/CA2,3-aktivaatiossa erottavat toisistaan ​​hyvin samankaltaiset objektikuvat tai objektit, joilla on samanlainen konteksti, kun taas CA1-vasteet eivät (Bakker et al., 2008; Lacy et al., 2011; Dimsdale -Zucker et ai., 2018). Subiculum, hippokampuksen piirin ulostulorakenne (O'Mara et al., 2001), voi edistää sekä kuvioiden erilaistumista (Potvin et al., 2009) että integraatiota (Schapiro et al., 2012).

Tällainen aikaisempi työ ei kuitenkaan ole pohtinut, mitenmuistiuudelleenaktivointi ajaa dissosioituvia esitysstrategioita hippokampuksessa, jolloin esitysoppiminen ylittää yksinkertaisen muunnoksen ulkoisen sensorisen syötteen jamuistiulostulo. Klassiset laskennalliset oppimismallit ehdottavat sitämuistiEsitysten tulisi mukautua ennustamaan todennäköisiä tuloksia vasteena ympäristön vihjeille, jolloin integraatio tapahtuu, kun ärsykkeet ennustavat saman lopputuloksen, ja erilaistuminen, kun ärsykkeet ennustavat erilaisia ​​​​tuloksia (Rumelhart et al., 1986). Viimeaikaiset fMRI-löydöt osoittavat kuitenkin, että erilaistumista voi tapahtua myös silloin, kun ärsykkeillä on yhteinen assosiaatio tai tulos (Schlichting et al., 2015; Favila et al., 2016; Zeithamova et al., 2018). Näissä tutkimuksissa hippokampuksen esitykset olivat selvempiä ärsykkeille, joilla oli yhteinen tulos, kuin ärsykkeille, joilla oli erilainen lopputulos. Tällaista eriyttämistä ei voida selittää ulkoisen tulon automaattisella erottelulla harvan koodauksen avulla DG/CA2,3:ssa; pikemminkin tuore teoreettinen näkökulma ehdottaa hippokampuksen osakenttiä (Ritvo et al., 2019). Oletimme myös, että integraatio ja erilaistuminen eivät olisi toisiaan poissulkevia tuloksia vastauksena muistin uudelleenaktivoitumiseen, vaan että uudelleenaktivointi johtaisi sen sijaan toisiaan täydentävien erilaistettujen ja integroitujen esitysten samanaikaiseen muodostumiseen DG/CA2,3:ssa ja CA1:ssä.

Näiden ennusteiden testaamiseksi manipuloimme parametrisesti havainnollista samankaltaisuutta päällekkäisten tapahtumien välillä assosiatiivisessa päättelytehtävässä (kuva 1). Osallistujat tutkivat alkuperäisiä pareja ja skannattiin korkearesoluutioisella fMRI:llä samalla, kun he oppivat päällekkäisiä pareja. Testasimmemuistiopituille pareille ja päätelty tieto parien välisistä epäsuorista suhteista, ja päätelmien suorituskyky toimii integraation käyttäytymisindeksinä (Shohamy ja Wagner, 2008; Zeithamova et al., 2012). Kriittisesti arvioimme kuinkamuistiuudelleenaktivointi päällekkäisten tapahtumien oppimisen aikana vaikutti hippokampuksen osakentän esitykseen.

cistanchen terveyshyödyt: parantaa muistia

Materiaalit ja menetelmät

Osallistujat

Kolmekymmentäkaksi oikeakätistä henkilöä (15 naista, iältään 18-31v, keskimäärin=21,5 vuotta) osallistui tietoisen suostumuksensa jälkeen Texasin yliopiston Institutional Review Boardin hyväksymän pöytäkirjan mukaisesti klo. Austin. Osallistujat saivat 25 dollaria/h korvauksen. Kuuden osallistujan tiedot jätettiin pois analyyseistä: 2 osallistujaa liiallisen pään liikkeen vuoksi, 1 osallistuja, joka vetäytyi kokeesta, 2 osallistujaa, joilla oli keskeneräisiä skannausistuntoja (valotuksen jälkeistä ja/tai lokalisointivaihetta ei skannattu) ja 1 osallistuja kuvaartefakteja toiminnallisissa skannauksissa, jotka estivät esivalotus- ja lokalisointivaiheiden analysoinnin. Loput osallistujat (n=26, 14 naista) otettiin mukaan analyyseihin. Määritimme lopullisen otoskoon liittyvien tutkimusten perusteella, joissa käytettiin samanlaisia ​​paradigmoja ja analyyttisiä lähestymistapoja (Zeithamova et al., 2012; Schlichting et al., 2015; Dimsdale-Zucker et al., 2018). Lisäksi tämä otoskoko antoi meille arvioidun tilastollisen tehon 0,99 havaitaksemme visuaalisen samankaltaisuuden vaikutuksen jaksojen välisten johtopäätösten tarkkuuteen erillisen osallistujaryhmän pilottitietojen perusteella (n=30, 22 naista, ikä: { {23}}vuotta, keskiarvo=18,9 vuotta; toistetut mittaukset ANOVA, mikä johtaa osittaiseen h neliöön (h2)=0.280).

Stimulit

Ärsykkeitä olivat 58 tuntematonta kasvoja (puolet uros, puoliksi nainen, kaikki valkoiset), 58 tuntematonta kohtausta (puolet luonnollinen, puoliksi ihmisen tekemä), 671 mustaa muotoa, jotka luotiin MATLABissa (lisätietoja on kohdassa Visuaalisen samankaltaisuuden manipulointi uuden koodauksen aikana) ja 74 uutta. esineitä (Hsu et al., 2014; Schlichting et al., 2015). Ärsykkeiden osajoukko järjestettiin 32 triadiksi, jotka koostuivat kolmesta kohdasta (A, B, C), joita käytettiin assosiatiivisessa päättelytehtävässä (kuva 1A). A-kohteet koostuivat kasvoista (16), jotka oli jaettu tasaisesti sukupuolen mukaan, ja kohtauksista (16), jotka oli jaettu tasaisesti luonnollisten ja ihmisen tekemien perusteella; kaikki B-tuotteet olivat muotoja (56); kaikki C-tuotteet olivat uusia esineitä (32). Toista ärsykkeiden osajoukkoa (42 kasvoja, 42 kohtausta, 42 esinettä ja 42 muotoa) käytettiin paikannustehtävässä, eikä niitä nähty assosiatiivisen päättelytehtävän aikana. Ärsykkeiden osoittaminen triadeihin ja lokalisointitehtävään satunnaistettiin osallistujien kesken. Ärsykkeet esiteltiin Psychtoolboxilla MATLABissa (Brainard, 1997; Pelli, 1997; Kleiner et al., 2007).

cistanche jauhe

Tehtävän menettely

Alkupari (AB) oppiminen. Osallistujat oppivat alkuparit (AB) neljässä tutkimus-testilohkossa. Tutkimusvaiheen aikana kutakin 32 alkuparista esiteltiin 3,5 sekunnin ajan 0,5 s koevälillä (ITI). A-kohde (kasvot tai kohtaus) esitettiin aina vasemmalla ja B-kohde (muoto) esitettiin aina oikealla. Kun kaikki parit oli tutkittu, osallistujat testattiin 3-vaihtoehtoisella pakkovalintatestillä. Osallistujat saivat vihjeitä A-esineellä näytön yläreunassa, ja heidän oli valittava sopivan B-esineen ja kahden kalvon välillä. Kalvot olivat muotoja muista kolmioista, joten osallistujat eivät voineet perustaa päätöstään muotojen tutulle. Osallistujilla oli 10 sekunti aikaa vastata jokaiseen kokeeseen. Osallistujan vastauksen jälkeen annettiin korjaavaa palautetta jokaisen kokeen lopussa 1 sekunnin ajan. Testitutkimukset erotettiin 0,5 s ITI:llä. Tämän vaiheen aikana kerättiin anatomisia kuvia.

Visuaalisen samankaltaisuuden manipulointi uuden koodauksen aikana. Tutkia, miten tapahtumaelementtien samankaltaisuus vaikuttaamuistiuudelleenaktivointi ja käyttäytyminen, linkityselementin (muodon tai B-kohteen) visuaalista samankaltaisuutta assosiatiivisessa päättelytehtävässä manipuloitiin parametrisesti (kuva 1B). Käsittelimme visuaalista samankaltaisuutta aikaisempien töiden perusteella, jotka osoittivat, että aivotursoalueen osakenttävasteita moduloi tapahtumien visuaalinen päällekkäisyys (Leutgeb et al., 2004, 2007; Bakker et al., 2008; Lacy et al., 2011). Ehtoja oli yhteensä neljä: tarkka vastaavuus, suuri samankaltaisuus, pieni samankaltaisuus ja uusi. Tarkassa vastaavuustilassa osallistujat näkivät täsmälleen saman yhdistävän B-muodon oppiessaan alkupareja (AB) ja päällekkäisiä pareja (BC). Korkean ja alhaisen samankaltaisuuden olosuhteissa jokainen päällekkäisissä pareissa nähty muoto oli yhdestä alkuperäisestä parista peräisin olevan muodon parametrinen morfi. "Vanhemmuodot" luotiin ottamalla 16 pistettä jaettuna ympyrän kehälle, kääntämällä jokainen piste satunnaisesti ja yhdistämällä sitten viereiset pisteet reunojen luomiseksi spline-interpolaatiolla. Muodot korkean ja matalan samankaltaisuuden olosuhteissa luotiin ottamalla kaksikantaisia ​​muotoja ja laskemalla vastaavien pisteiden koordinaatit eri painoilla. Erittäin samankaltaiset muodot painotettiin 80 prosenttia yhdelle vanhemmalle ja 20 prosenttia toiselle vanhemmalle, kun taas alhaisen samankaltaisuuden muodot painotettiin 70 prosenttia yhdelle vanhemmalle ja 30 prosenttia toiselle. Uudessa kunnossa osallistujat näkivät uuden muodon pariksi uuden esineen kanssa, jolloin nämä parit eivät olleet päällekkäisiä alkuperäisten parien kanssa. Uudet parit toimivat siten perustana assosiatiiviselle oppimiselle. Jokainen osallistuja tutki kahdeksan kolmikkoa kutakin visuaalisen samankaltaisuuden ehtoa kohti.

Erot subjektiivisen samankaltaisuuden välillä korkean ja alhaisen samankaltaisuuden välillä vahvistettiin riippumattomassa otoksessa, jossa oli 9 osallistujaa (8 naista, iältään 18-22v, keskiarvo=19,4 vuotta). Tämän näytteen osallistujat arvioivat visuaalisen samankaltaisuuden vanhempien muotojen ja rinnakkain esitettyjen muotomuotojen välillä käyttämällä 5 pisteen Likert-asteikkoa (1=ei ollenkaan samankaltainen, 5=erittäin samanlainen) 180 kokeessa . Tarkat vastaavuudet arvioitiin samankaltaisemmiksi kuin suuren samankaltaisuuden morfeiksi (t(8) {{10}.255, p , 0.001, Cohenin d=2.085), suuren samankaltaisuuden morfit arvioitiin samankaltaisemmiksi kuin vähän samankaltaiset morfit (t(8)=9.312, p,0.001, d=3.104), ja vähän samankaltaiset morfit arvioitiin samankaltaisemmiksi kuin uudet. kohteet (t(8)=10.021, p,0.001, d=3.340). Yksi varoitus subjektiivisen samankaltaisuuden kvantifioinnissa tällä lähestymistavalla on, että vertailu ei sisällä amuistikomponentti. On mahdollista, että jos lisäsimme viiveen kahden muodon esittämisen välille, havaittu subjektiivinen samankaltaisuusfunktio (kuvio 1C) on voinut poiketa; esimerkiksi subjektiiviset samankaltaisuuserot korkean ja alhaisen samankaltaisuuden ehtojen välillä olisivat saattaneet olla vähemmän ilmeisiä. Vaikka tämä mittausvaroitus saattaa vaikuttaa itse subjektiivisten samankaltaisuusarvioiden tulkintaan, sillä on vähemmän vaikutusta keskeisten käyttäytymis- ja hermoanalyysiemme tulkintaan. Huomaamme eroja mm.muistisuorituskyky ja uudelleenaktivointi samankaltaisuusehtojen välillä (mukaan lukien korkeat ja matalat olosuhteet), jotka osoittavat neljän samankaltaisuuden ehtoja, joihin käsittely vaikuttaa eri tavalla (katso Tulokset). Lisäksi oppimiseen liittyvää esitysmuutosta arvioivat hermoanalyysimme keskittyvät vain korkean samankaltaisuuden ehtoon eivätkä luota vertailuihin muihin samankaltaisuusehtoihin (katso Yksittäisten kohteiden altistuminen ennen ja jälkeen oppimisen).

Päällekkäisen parin (BC) oppiminen. Kun osallistujat olivat oppineet alkuperäiset parit, ne skannattiin samalla kun opittiin päällekkäisiä pareja. Tämä vaihe koostui jälleen neljästä tutkimus-testilohkosta. Tutkimusvaiheen aikana 32 paria esiteltiin käyttämällä tapahtumaan liittyvää suunnittelua, jolloin parit esiteltiin 3,5 sekuntia ja sen jälkeen 8,5 sekuntia ITI:tä. C-kohde (objekti) esitettiin aina vasemmalla ja B-tuote (muoto) aina oikealla. Jokaisen tutkimusvaiheen jälkeen osallistujat testattiin BC-pareilla käyttämällä 3-vaihtoehtoista pakkovalintatestiä, jota ei skannattu. Osallistujille osoitettiin C-esine näytön yläreunassa, ja heidän oli valittava sopivan B-esineen ja kahden kalvon välillä. Tässä vaiheessa ei annettu palautetta. Osallistujilla oli 10 sekunnissa vastausaika kussakin testikokeessa, ja kokeiden välillä oli 0,5 s ITI.

Altistuminen yksittäisille esineille ennen oppimista ja sen jälkeen. Ennen alkuperäisten parien oppimista ja päällekkäisten parien oppimisen jälkeen osallistujat altistettiin yksilöllisesti esitellyille A- ja C-kohdille (kasvoille, kohtauksille ja esineille) korkean samankaltaisuuden ehdosta. Nämä altistusvaiheet rajoitettiin yhteen visuaalisen samankaltaisuuden ehtoon, jotta kunkin ärsykkeen esitysten määrä maksimoi ja tehtävään liittyvien aktivaatiomallien arviointia parannettaisiin (katso Yksittäisten ärsykemallien arviointi ennen oppimista ja sen jälkeen). Yhden samankaltaisuusehdon käyttäminen antoi meille myös mahdollisuuden hallita visuaalisen samankaltaisuuden vaikutuksia laskettaessa esitysmuutosta. Korkean visuaalisen samankaltaisuuden ehtoa käytettiin, koska aikaisempi työ ihmisillä on osoittanut, että visuaalisesti erittäin samankaltaiset ärsykkeet saavat aikaan erilaisia ​​vasteita DG/CA2,3:ssa ja CA1:ssä (Lacy et al., 2011).

Jokaisessa altistusajossa osallistujat skannattiin samalla kun kohteita esiteltiin 1 sekunnin ajan 3 sekunnin ITI:llä. Kun jokainen kohde oli näytöllä, osallistujat suorittivat muutoksen havaitsemistehtävän ilmoittamalla painiketta painamalla, vaihtoiko päällekkäinen musta risti väri vihreäksi vai siniseksi 100-200 ms ärsykkeen alkamisen jälkeen (Kriegeskorte et al., 2008; Schlichting et al., 2015). Kutakin kohdetta toistettiin neljä kertaa ajoa kohden ja yhteensä neljä ajoa esivalotus- ja valotusvaiheessa. Kokeet pseudosatunnaistettiin siten, että triadin kohteet esitettiin vähintään kahden lomitetun kohteen kanssa muista triadeista. Lisäksi 20 prosenttia kokeista oli nolla (eli ei ollut objektin tai muutoksen havaitsemistehtävää) parantaakseen kohdetason aktivointiarviota analyysissä; nämä nollakokeet sijoitettiin satunnaisesti esineiden esittelykokeiden väliin. Kokeilujärjestys ja ajoitus olivat identtiset esialtistus- ja valotusvaiheessa. Muutosten havaitsemistehtävän tarkkuutta seurattiin sen varmistamiseksi, että osallistujat kiinnittivät tehtävään huomiota, mutta sitä ei harkittu tarkemmin.

Mukana oli myös skannaamaton esivalotusvaihe kohteille, jotka olivat täsmälleen samankaltaisia, vähän samankaltaisia ​​ja uusia olosuhteita ennen ensimmäistä skannattua esivalotusta. Tämän vaiheen tarkoituksena oli rinnastaa A- ja C-kohteiden tuttuus tarkassa vastaavuudessa, alhainen samankaltaisuus ja uudet olosuhteet kohteiksi, jotka olivat suuren samankaltaisuuden ehdolla ennen parin oppimista. Skannaamaton altistus oli samanlainen kuin skannatut altistusvaiheet, paitsi että ITI oli 0,5 s ja nollakokeita ei ollut.

Assosiatiivisen päättelyn (AC) testi. Altistuksen jälkeisen vaiheen jälkeen osallistujille annettiin yllätystesti epäsuorista suhteista A- ja C-kohteiden välillä, joilla oli yhteinen kumppani (B). Päättelytesti suoritettiin skannerin sisällä, mutta sitä ei skannattu. Tässä vaiheessa osallistujat saivat vihjeitä C-esineellä (esineellä) ja he voivat valita saman luokan A-kohteiden välillä (eli kolme kasvoa tai kolme kohtausta). Kasvokokeissa osallistujia kehotettiin valitsemaan henkilö, joka todennäköisimmin omistaisi vihjatun kohteen. Kohtauskokeissa heitä kehotettiin valitsemaan paikka, josta he todennäköisimmin löytäisivät vihjatun kohteen. Kriittisesti katsottuna osallistujia ei missään vaiheessa nimenomaisesti opastettu visuaalisen samankaltaisuuden manipuloinnista tai oppimisen päällekkäisyydestä. Osallistujille annettiin 10 sekuntia aikaa vastata. Palautetta ei annettu.

Lokalisaattori. Päättelytestin jälkeen osallistujat skannattiin lokalisointitehtävässä. Tässä tehtävässä osallistujat katselivat sarjaa ärsykkeitä neljästä kokeessa käytetystä ärsykekategoriasta: kasvot, kohtaukset, muodot ja esineet. Ärsykkeet esiteltiin estettynä, ja jokainen lohko koostui kahdeksasta kuvasta, jotka esitettiin 2,5 s, kukin 0,5 s ITI:llä. Jokaisen ärsykelohkon aikana osallistujat suorittivat yhden takaisinmuistitehtävä, jossa heidän piti havaita toistuva ärsyke. Jokaisessa lohkossa oli yksi toistuva ärsyke. Yksiselkäisen tehtävän tarkkuutta seurattiin sen varmistamiseksi, että osallistujat kiinnittivät tehtävään huomiota, mutta sitä ei harkittu tarkemmin. Lohkot erotettiin 8 s:n kiinnityksellä. Osallistujat suorittivat lokalisointitehtävän kolme ajoa, kaksi lohkoa per ärsyketyyppi per ajo.

fMRI-tietojen kerääminen ja esikäsittely

Tiedot kerättiin 3T Siemens Skyralla. Toiminnallisia skannauksia tehtiin yhteensä 15 (TR=2000 ms, TE=30 ms, kääntökulma=73 aste, 1,7 mm isotrooppiset vokselit, EPI, monikaistainen kiihtyvyystekijä{{8} }) esialtistus-, päällekkäinen paritutkimus-, jälkivalotus- ja lokalisointivaiheessa. Kolme kenttäkarttaa (TR=589 ms, TE{{10}} ms/7,46 ms, 1.5 1.5 2 mm vokselia, kääntökulma{{16} } astetta ) kerättiin magneettikentän vääristymien korjaamiseksi: yksi välittömästi ennen esialtistusvaihetta esialtistusskannausten korjaamiseksi, yksi ennen päällekkäistä paritutkimusvaihetta tutkimuksen ja valotuksen jälkeisen skannauksen korjaamiseksi ja yksi ennen lokalisointivaihetta valotuksen korjaamiseksi. lokalisointiskannaukset. AT1-painotettu 3D MPRAGE -tilavuus kerättiin (TR=1900 ms, TE=2.43 ms, kääntökulma =9 astetta, 1 mm:n isotrooppiset vokselit) kohdistamisen ja normalisoinnin helpottamiseksi toiminnalliset tiedot anatomiseen malliin. Kaksi koronaalista T2-painotettua rakennekuvausta, jotka oli kohdistettu kohtisuoraan hippokampuksen pitkää akselia vastaan, kerättiin (TR=13,150 ms, TE=82 ms, 0,4 mm tasossa, 1,5 mm läpimitta -taso) ja lasketaan sitten keskiarvo osakentän segmentoinnille.

Toiminnalliset ja anatomiset kuvat esikäsiteltiin käyttämällä FMRIB Software Libraryn versiota 5.0.9 (FSL: http://fsl.fmrib.ox.ac.uk/fsl/) ja Advanced Normalization Toolsin (ANTS) versiota 2.1 ( Avants et ai., 2011). Funktionaaliset skannaukset liikekorjattiin käyttämällä MCFLIRT:tä FSL:ssä ja rekisteröitiin sitten lopulliseen päällekkäisen parin tutkimusajoon käyttämällä affiineja muunnoksia ANTS:ssä. Ei-aivorakenteet poistettiin toiminnallisista skannauksista ja MPRAGEsta käyttämällä BET:tä FSL:ssä. Lisätietojen käsittely suoritettiin käyttämällä FEAT (FMRI Expert Analysis Tool) versiota 6.00, osa FSL:ää. Seuraavaa tilastokäsittelyä sovellettiin kaikkiin toiminnallisiin kuviin; yhteisrekisteröinti MPRAGE:n kanssa ja kenttäkarttapohjainen EPI-vääristymä käyttämällä FUGUEa (Jenkinson, 2003); koko 4D-tietojoukon suuren keskiarvon intensiteetin normalisointi yhdellä kertoimella; ylipäästöaikasuodatus (Gaussin painotettu pienimmän neliösumman suorasovitus, s =64 s). Spatiaalinen tasoitus käyttäen Gauss-ydintä FWHM 4 mm sovellettiin päällekkäisten parien oppimis- ja lokalisointiskannauksiin.

Mihin cistanchea käytetään: parantaa muistia

ROI:t

Anatomiset ROI:t sisälsivät koko aivojen harmaata ainetta uudelleenaktivaatioanalyysiä varten ja hippokampuksen osakentät hermokoodausanalyysiä varten. Koko aivojen harmaaainemaski luotiin jokaiselle osallistujalle natiiviavaruudessa käyttämällä FAST:ia (Zhang et al., 2001), joka on osa FSL:ää, MPRAGE:n kanssa. Harmaan aineen maskit siirrettiin sitten toiminnalliseen resoluutioon käyttämällä lineaarisia muunnoksia ANTS:ssa. Hippokampuksessa analysoitiin aktivaatiokuvioita osakentillä CA1, yhdistetty DG/CA2,3-alue ja subiculum. Hippokampuksen osakentät tunnistettiin aivoturson päässä ja vartalossa alkuperäisessä avaruudessa käänteisellä normalisoinnilla maskeilla avoimen lähdekoodin mallista segmentoiduilla osakentillä (Schlichting et al., 2019) kunkin osallistujan keskimääräiseen T2-koronaalikuvaan käyttämällä epälineaarista SyN:ää. muunnoksia ANTSissa. Tämän menettelyn on osoitettu antavan manuaaliseen jäljitykseen verrattavia tuloksia (Schlichting et al., 2019). Tämän jälkeen maskit tarkastettiin ja muokattiin manuaalisesti jokaiselle osallistujalle vokseleiden poistamiseksi hippokampuksen ulkopuolelta ja tarkan segmentoinnin varmistamiseksi vakiintuneiden protokollien perusteella (West ja Gundersen, 1990; Duvernoy, 1998; Mai et al., 2007). Lopuksi alikenttämaskit muunnettiin funktionaalisten skannausten tilaan rekisteröimällä ensin keskimääräinen koronakuva MPRAGE:hen lineaarisilla muunnoksilla ja soveltamalla sitten aiemmin laskettua muunnosa toiminnalliseen tilaan.

Kvantitointi ja tilastollinen analyysi

Dekoodausmuistiuudelleenaktivointi päällekkäisen tapahtuman oppimisen aikana. Alkupareihin liittyvien koodausmallien uudelleenaktivoitumisen mittaamiseksi päällekkäisten parien oppimisen aikana käytimme PyMVPA:n kuvioluokitteluanalyysiä (Hanke et al., 2009). Jos osallistujat aktivoivat uudelleen liittyvät tiedot (eli A-kasvot ja kohtauskohteet AB-pareista) oppiessaan päällekkäisiä pareja (BC-muoto-objekti-pareja), lokalisointidatalle koulutetun kuvioluokittajan tulisi olla herkkä tietokategorialle (joko kasvot tai kohtaus), joka aktivoidaan uudelleen (Polyn et al., 2005; Kuhl ym., 2011; Zeithamova et al., 2012). Siten koulutimme kuvion luokittelijan lokalisointivaiheen tiedoilla ja sovelsimme sitten luokittelijaa päällekkäisen parin oppimisvaiheeseen. Toimimmemuistiuudelleenaktivointi luokittelutodisteena A-kohteiden kategorialle (eli kasvot tai kohtaus) alkuperäisistä AB-pareista, jotka liittyvät päällekkäisiin BC-pareihin.

Mittasimmemuistiuudelleenaktivointi monivaiheisella menettelyllä. Ensin suoritimme koko aivojen valonheittimen (Kriegeskorte et al., 2006) tunnistaaksemme alueet, joilla A-kohteita koskevat tiedot palautettiin päällekkäisen parin oppimisen aikana. Jokaisessa valonheittimen pallossa (säde=3 vokselia, tilavuus=123 vokseliä) opetettiin lineaarinen tukivektorikone, joka erottaa hermokuviot kasvojen, kohtausten, esineiden ja muotojen kohdistusvaiheesta. Hemodynaamisen viiveen huomioon ottamiseksi jokainen toiminnallinen kuva leimattiin ottamalla koemerkinnät ja siirtämällä niitä eteenpäin 4 sekuntia (kaksi TR:tä). Koulutettua luokittelijaa sovellettiin sitten hermokuvioihin päällekkäisen parin oppimisvaiheesta, jota myös aikasiirrettiin 4 sekuntia. Kokeilutason uudelleenaktivointiestimaatit poimittiin ottamalla luokitintodisteet kunkin kolmikon A-kohteeseen liittyvälle kategorialle (esim. kasvojen muoto-objektikolmioiden kasvojen luokitintodisteet) kahdelle TR:lle, jotka vastaavat kunkin parin esitystapaa. Luokittimen todisteiden arvot lajiteltiin kahteen ryhmään: uudelleenaktivointijoukko

ja perussarja. Uudelleenaktivointijoukko sisälsi luokittelijan todisteita tarkasta vastaavuudesta, suuresta samankaltaisuudesta ja alhaisesta samankaltaisuudesta. Perustasosarja sisälsi kasvojen ja kohtauksen todisteiden arvot kokeista uudessa kunnossa. Koska uudessa kunnossa olevat muoto-objekti-parit eivät menneet päällekkäin minkään aiemmin opitun parin kanssa, ne eivät saa herättää kasvojen tai kohtausten muistoja uudelleen. Lopullinen reaktivaatioindeksi laskettiin kullakin alueella ottamalla ero uudelleenaktivointijoukon keskimääräisen todisteen ja perusviivajoukon keskiarvon välillä.

Tämän uudelleenaktivointiindeksin merkityksen testaamiseksi vertasimme todellista uudelleenaktivointiindeksiä nollajakaumaan jokaisessa valonheitinpallossa. Nollajakauma luotiin 1000 iteraatiolla sekoittamalla luokittelijan todisteiden arvot uudelleenaktivointi- ja perusjoukoissa ja laskemalla sitten uudelleenaktivointiindeksi uudelleen joka iteraatio. Kunkin valonheitinpallon keskivokseli ilmoitti nollajakauman osuuden uudelleenaktivointiindeksien ollessa suurempi tai yhtä suuri kuin havaittu uudelleenaktivointiindeksi (eli p-arvo). Osallistujien uudelleenaktivointialueiden tunnistamiseksi yksittäisten osallistujien valonheitinkartat normalisoitiin ryhmämalliksi merkitystestausta varten. P-arvokuvat muunnettiin z-tilastollisiksi kuviksi ja väännettiin sitten MNI 152 -anatomiseen malliin (uudelleen näyte toiminnallisten skannausten resoluutioon, 1,7 mm:n isotrooppiset vokselit) käyttämällä epälineaarisia SyN-muunnoksia ANTS:ssa. Voxelwise, ei-parametrinen permutaatiotestaus tehtiin Randomisella FSL:ssä yli 5000 iteraatiolla (Winkler et al., 2014). Merkittävät klusterit tunnistettiin käyttämällä vokselikynnystä p,0,01 (korjaamaton) ja klusterikynnystä p, 0,05. Kynnykset laskettiin käyttämällä AFNI-funktiota (Cox, 1996) 3dClustSim ja sileysestimaatit, jotka oli johdettu tutkimusvaiheesta käyttäen 3dFWHMx spatiaaliseen autokorrelaatiofunktioon perustuen. Klusterin laajuus määritettiin käyttämällä kaksipuolista kynnystä toiseksi lähimmän naapurin klusteroinnilla.

Vahvistaaksemme, että uudelleenaktivointitoimenpidettä ei ohjannut yksittäinen ärsykeluokka, tutkimme edelleen valonheitinryhmiä testataksemme, vaihteliko uudelleenaktivointi A-kohteen ärsykekategorian (kasvot tai kohtaus) mukaan post hoc -analyysissä. Uudelleenaktivoinnin valonheitinanalyysissä tunnistetut merkittävät klusterit muunnettiin binäärisiksi maskeiksi ja käänteisnormalisoitiin alkuperäiseen avaruuteen ANTS:n avulla. Sitten uudelleenaktivointianalyysi toistettiin jokaisessa toiminnallisessa ROI:ssa jokaiselle osallistujalle. Käytimme toistuvia ANOVA-mittauksia alueen ja ärsykekategorian kanssa tekijöinä arvioidaksemme, eroiko uudelleenaktivaatio kullakin alueella ärsykekategorian funktiona.

Vaikka alkuperäinen valonheitinanalyysimme paikallisti alueet, joilla uudelleenaktivointi tapahtui perustason yläpuolella, suoritimme myös riippumattoman valonheittimen tunnistaaksemme alueet, joilla uudelleenaktivoinnin voimakkuus vaihteli visuaalisen samankaltaisuuden mukaan. Tämä valonheitin käytti samanlaista lähestymistapaa yleistä uudelleenaktivoitumista mittaavaan analyysiin, mutta lisätasolla, jossa verrattiin luokittelijan todisteita uudelleenaktivoinnista tarkan vastaavuuden ehtojen ja muiden samankaltaisuusehtojen välillä (eli korkean samankaltaisuuden ehto ja matala samankaltaisuus yhdessä). Samankaltaisuuden vaikutus laskettiin kullakin alalla ottamalla ero tarkan vastaavuuden ehtojen keskimääräisten todisteiden ja korkean ja alhaisen samankaltaisuuden ehtojen keskimääräisten todisteiden välillä yhdistettynä. Tätä eroa verrattiin sitten nollajakaumaan kussakin valonheitinpallossa, joka luotiin yli 1000 iteraatiossa sekoittamalla luokittelijan todisteiden arvoja tarkan vastaavuuden ja samankaltaisuuden morfeilla. Normalisointi ryhmämalliin, tilastollinen testaus ja klusterin korjaus olivat identtisiä valonheittimen kanssa, joka identifioi uudelleenaktivoinnin perustason yläpuolella.

Yksittäisten ärsykkeiden arviointi ennen ja jälkeen oppimisen. Johdimme arviot kunkin A (kasvot, kohtaukset) ja C (uusi 3D-objektit) -ärsykkeen aiheuttamista hermoaktivaatiokuvioista esialtistus- ja valotuksen jälkeisistä vaiheista käyttämällä GLM:ää pienimmän neliösumman erillisellä lähestymistavalla (Mumford et al., 2012). ) jokaisen osallistujan alkuperäisessä tilassa. Jokainen skannatun valotusvaiheen 16 kohteesta (eli kahdeksan A-kohdetta ja kahdeksan C-kohdetta korkean samankaltaisuuden ehdosta) mallinnettiin iteratiivisesti jokaisessa esialtistus- ja valotusvaiheen ajossa erikseen (Schlichting et al., 2015).

cistanche tubolosa -uute: parantaa muistia

Objektien esitykset mallinnettiin 1 sekunnin tapahtumana, ja kunkin kohteen regressori sisälsi skannausajon kaikki neljä toistoa. Jokainen 16 kohderegressorista konvolvoitiin kanonisen kaksois-C HRF:n kanssa. Sitten käytettiin ajallista suodatusta. GLM:t sisälsivät muita sekaregressoreita: liikeparametreja, niiden ajallisia derivaattoja, kehyskohtaista siirtymää ja DVARS:ia (Power et al., 2012; Schlichting ja Preston, 2014; Schlichting et al., 2015). Muita liikkeen regressoreita lisättiin aikapisteille, jolloin pään liike ylitti sekä 0,5 mm:n kehyksen suuntaisen siirtymän että 0,5 prosentin muutoksen BOLD-signaalissa DVARS:lle (Power et al., 2012). Jokaiselle A- ja C-kohdalle luotiin beta-kuvia jokaista esi- ja jälkivalotusta varten, yhteensä 128 tilastokuvaa osallistujaa kohti.

Oppimiseen liittyvien muutosten kvantifiointi hippokampuksen osakentän hermosolujen samankaltaisuudesta. Kuvioiden erottelu jamuistiintegraatio hippokampuksessa indeksoitiin käyttämällä PyMVPA:ssa toteutettua edustavaa samankaltaisuusanalyysiä (Kriegeskorte et al., 2008) (Hanke et al., 2009). Valonheittimet ajettiin erikseen anatomisesti määritellyn DG/CA2,3:n, CA1:n ja subiculumin sisällä kunkin osallistujan alkuperäisessä tilassa. Jokaisessa hakuvalopallossa (säde=2 vokselia, tilavuus=33 vokselia) (Schapiro et al., 2012) luotiin samankaltaisuusmatriisit laskemalla parittaiset Pearsonin korrelaatioarvot 128 tilastokuvalle, jotka vastaavat A:ta. ja C kohteet esivalotus- ja jälkivalotusajoissa, muunnettu Fisherin z:ksi. Sitten oppimisen aiheuttama muutos kuvioiden samankaltaisuusarvossa mitattiin vähentämällä valotusta edeltävät samankaltaisuusarvot vastaavien solujen altistuksen jälkeisistä samankaltaisuusarvoista.

Kun kuvion samankaltaisuuden muutos (jäljempänä D) oli laskettu, D-arvot lajiteltiin sen mukaan, oliko arvo kolmikkovertailua vai triadin välistä vertailua varten. Näiden kahden arvosarjan avulla pystyimme määrittämään, kuinka esitystapamuutokseen vaikutti oppimisen aiheuttama päällekkäisyys (kolmikon sisäinen vertailusarja) suhteessa lähtötasoon, joka heijasti yksinkertaisesti toistuvaa altistumista ilman tapahtumien päällekkäisyyttä (kolmikon välinen vertailusarja). Tärkeää on, että vain D-arvoja, jotka heijastivat poikki suoritettuja korrelaatioita, käytettiin vähentämään harhaa, joka saattoi saada aikaan BOLD-signaalin autokorrelaatiosta (Mumford et al., 2012).

Jotta voidaan arvioida oppimisen aikana tapahtuvan uudelleenaktivoinnin vaikutusta edustavuuden muutokseen, triadin sisäiset D-arvot jaettiin edelleen alaryhmiin perustuenmuistiuudelleenaktivointi päällekkäisten parien oppimisen aikana. Jokaiselle osallistujalle laskettiin uudelleenaktivaatiovoimakkuus jokaiselle triadille ottamalla keskimääräinen reaktivaatioindeksi uudelleenaktivoinnin valonheitinanalyysissä tunnistetun alueiden verkon yli (katso kuva 3A) tutkimuslohkojen keskiarvona. Triadit jaettiin sitten vahvempiin reaktivaatiotriadeihin ja heikompiin reaktivaatiokolmioihin käyttämällä keskimääräisten reaktivaatioarvojen mediaanijakoa. Siten triadin D sisäiset vertailut lajiteltiin edelleen voimakkaampaan uudelleenaktivaatioon triadin D sisällä ja heikompaan uudelleenaktivoitumiseen triadin D sisällä kussakin valonheitinpallossa. Lopuksi kaikista D-sarjoista laskettiin keskiarvo kolmen yhteenvetoarvon luomiseksi: keskimääräinen triadin sisäinen samankaltaisuuden muutos vahvemmille uudelleenaktivointikolmioille (DWithin vahvempi), keskimääräinen triadin sisäisen samankaltaisuuden muutos heikompien uudelleenaktivaatiotriadeille (DWithin heikompi) ja keskimääräinen triadin välinen samankaltaisuuden muutos. (poikki). Vertasimme näitä yhteenvetoarvoja määrittääksemme, vaihteliko hermokoodaus uudelleenaktivoinnin voimakkuuden funktiona.

Hermokoodausta arvioitiin käyttämällä neljää valonheittimen kontrastia (Schlichting et al., 2015) (katso kuva 4B). Kaksi analyysiä tunnisti hippokampuksen vokseleita, joille oli olemassamuistiintegraatio tai eriyttäminen kaikissa triadeissa uudelleenaktivoinnin voimakkuudesta riippumatta. IntegrationOverall laskettiin (vahvemmassa – DAcrossissa) 1 (heikommassa – DAcrossissa), mikä kuvastaa suurempaa triadin sisäistä kuin triadin välistä samankaltaisuutta kaikkien uudelleenaktivointiasteiden oppimisen jälkeen. DifferentiationOverall laskettiin (DAcross – DWithin vahvempi) 1 (DAcross – DWithin heikompi), mikä heijastaa vähäisempää triadin sisäistä kuin triadin välistä samankaltaisuutta kaikilla uudelleenaktivointiasteilla. Kahdessa lisäanalyysissä tunnistettiin vokseleita, joiden hermokoodaus vaihteli uudelleenaktivoinnin voimakkuuden funktiona (IntegrationReactivation ja DifferentiationReactivation). IntegrationReactivation-hakuvalo tunnisti vokseleita, joiden integraatiota tapahtui enemmän vahvemmille uudelleenaktivointikolmioille. IntegraatioUudelleenaktivointi laskettiin seuraavasti (vahvemman sisällä – DWithinin sisällä heikompi). Sitä vastoin DifferentationReactivation-hakuvalo tunnisti vokseleita, joiden erilaistuminen tapahtui suuremmassa määrin vahvemmilla uudelleenaktivointikolmioilla. DifferentiaatioUudelleenaktivointi laskettiin seuraavasti (heikomman sisällä – DVoimamman sisällä).

Kunkin näiden laskelmien merkitys määritettiin vertaamalla laskettuja samankaltaisuuden muutosarvoja nollajakaumaan kussakin valonheitinpallossa. Nollajakauma luotiin yli 1000 iteraatiota sekoittamalla soluja sisällä vahvempi, heikompi ja joukoissa ja sitten laskemalla uudelleen kiinnostava tilasto jokaiselle iteraatiolle. Kunkin valonheitinpallon keskivokseli ilmoitti nollajakauman osuuden arvoilla, jotka olivat suurempia tai yhtä suuria kuin havaittu samankaltaisuuden muutos (eli p-arvo). Merkittävät klusterit tunnistettiin käyttämällä samaa menetelmää kuin uudelleenaktivointivalot, paitsi että z-tilastokuvat väännettiin toiminnallisen resoluution hippokampusmalliin eikä uudelleenotettuun MNI-malliin ryhmätason analyysiä varten. Normalisoidut hakuvalokartat peitettiin sitten jokaisella anatomisella hippokampuksen osakenttämallilla ennen klusterin korjausta sen varmistamiseksi, että klusterit olivat yksinomaan jokaisessa aivotursoalueen osakentässä.

Post hoc -analyysit tutkivat edelleen kunkin tämän valonheitinanalyysin perusteella tunnistetun alikentän edustavuuden muutoksen suuntaa. Tärkeä varoitus näissä post hoc -analyyseissä on, että ne eivät ole täysin puolueettomia, koska ne vertaavat vokselijoukkoja, jotka on esivalittu näyttämään erityisiä vaikutuksia valonheittimen kontrastien perusteella. Näin ollen seuranta-analyysimme eivät suoraan verranneet vahvempien ja heikompien uudelleenaktivointikohteiden sisäisiä arvoja. Post hoc -analyysimme keskittyivät sen sijaan DAcross-arvojen suuruuteen testatakseen, oliko hermosolujen samankaltaisuus globaaleja muutoksia esialtistuksen ja sen jälkeisen vaiheen välillä, sen lisäksi, että verrattiin DWithin-arvoja DAcross-arvoihin oppimiseen liittyvän integraation ja erilaistumisen asteen määrittämiseksi.

Näissä post hoc -analyyseissä samankaltaisuuden muutos DG/CA2,3:ssa, CA1:ssä ja subiculumissa laskettiin jokaiselle osallistujalle alkuperäisessä avaruudessa. Ryhmähakuvaloanalyyseillä tunnistetut valonheitinklusterit muutettiin maskeiksi ja käänteisnormalisoitiin kunkin osallistujan natiiviavaruuteen käyttämällä epälineaarisia muunnoksia ANTS:ssä. Jokaisen osallistujan natiiviavaruusklusterit laajennettiin sitten FSL:llä käyttämällä 3 3 3 mm:n laatikkoa ytimenä. Sen varmistamiseksi, että klusterit rajoittuivat edelleen omaan alikenttään, kun ne muunnettiin osallistujan natiiviavaruuteen, jokainen klusteri peitettiin käyttämällä kullekin yksittäiselle osallistujalle määritettyjä anatomisia alikenttämaskeja. Yhdellä osallistujalla oli CA1-klusteri alkuperäisessä avaruudessa ilman riittävää määrää vokseleita edustavaa samankaltaisuusanalyysiä varten (,10 vokselia), ja hänet suljettiin pois tämän alakentän myöhemmästä analyysistä. Jäljelle jääville osallistujille laskettiin keskimääräinen samankaltaisuusmuutos kussakin klusterissa erikseen triadeille, jotka liittyivät voimakkaampaan uudelleenaktivoitumiseen oppimisen aikana, niille, jotka liittyvät heikompaan uudelleenaktivoitumiseen oppimisen aikana, ja triadin poikki lähtötasolle.

Neuraalimittojen ja käyttäytymisen välisen suhteen kvantifiointi. Suhde käyttäytymisen ja hermostomittareiden välillä uudelleenaktivaatiossa ja esitysmuutoksessa arvioitiin käyttämällä Linear Ballistic Accumulator (LBA) -mallia, jotta se sopisi johtopäätöstestin suorituskykyyn (Morton et al., 2020). Laskimme kullekin osallistujalle ja alakenttään (CA1, DG/CA2,3 ja subiculum) z-pisteen samankaltaisuusmuutoksesta A- ja C-kohteiden välillä oppimisesta oppimisen jälkeiseen (D) jokaiselle kolmikolle. Lasimme myös kunkin osallistujan A-kohteen uudelleenaktivoinnin z-pisteen triadeissa. Sitten käytimme LBA-mallia käyttäytymisvasteiden ja vasteaikojen sovittamiseksi AC-johtopäätöstestin aikana käyttämällä samankaltaisuuden muutosta ja uudelleenaktivaatiota triadien välisen vaihtelun ennustajina. Käytimme monitasoista Bayes-lähestymistapaa arvioidaksemme keskimääräisiä kaltevuusparametreja, jotka kuvastavat hermomittausten ja AC-päätelmien välistä suhdetta. D-mittojen positiiviset kulmakertoimet osoittavat suurempia samankaltaisuusarvoja A- ja C-kohteiden välillä sen jälkeen, kun oppiminen liittyy nopeampaan ja tarkempaan päättelyyn. Positiivinen kaltevuus uudelleenaktivaatiomittaukselle osoittaa, että suurempi uudelleenaktivointi liittyy nopeampaan ja tarkempaan päättelyyn.