Viaceré a disociovateľné účinky senzorickej histórie na výkonnosť pracovnej pamäte Časť 2

Akvizícia MEG

Účastníci sedeli v MEG skeneri po tom, čo boli poučení o špecifikách úlohy. Pred začiatkom záznamu MEG absolvovali jeden cvičný blok, keď sedeli v skeneri.

By using magnetoencephalography, scientists have made some discoveries about memory. For example, they found brain regions involved in working and long-term memory, such as the prefrontal cortex, temporal lobe, and hippocampus. In addition, magnetoencephalography can detect abnormalities in brain activity associated with memory disorders, such as Alzheimer's disease. Therefore, this technology has broad application prospects in diagnosing and treating memory disorders.

Okrem toho, že magnetoencefalografia má značný terapeutický potenciál, môže pomôcť aj bežným ľuďom zlepšiť ich pamäť. Pochopením toho, ako náš mozog spracováva informácie a ukladá spomienky, môžeme lepšie pochopiť, ako sa efektívnejšie učiť a pamätať si. Vedci objavili niektoré osvedčené techniky trénovania pamäte, ako je opakovanie a asociácia, ktoré nám môžu pomôcť lepšie uchovávať informácie.

Stručne povedané, magnetoencefalografia je technológia, ktorá úzko súvisí s výskumom pamäte. Dokáže vykonať hĺbkový prieskum nášho pamäťového mechanizmu a funkcií oblasti mozgu, čím pomáha riešiť poruchy pamäti a zlepšuje pamäť. Aktívne skúmajme a naučme sa lepšie využívať potenciál magnetoencefalografie, ktorá nám pomôže lepšie pochopiť a využiť náš mozog. Je vidieť, že potrebujeme zlepšiť pamäť a Cistanche deserticola dokáže výrazne zlepšiť pamäť, pretože Cistanche deserticola dokáže regulovať aj rovnováhu neurotransmiterov, ako je zvýšenie hladín acetylcholínu a rastových faktorov. Tieto látky sú veľmi dôležité pre pamäť a učenie. Okrem toho Mäso môže tiež zlepšiť prietok krvi a podporiť dodávku kyslíka, čo môže zabezpečiť, že mozog dostane dostatok živín a energie, čím sa zlepší mozgová vitalita a vytrvalosť.

Kliknite na vedieť spôsoby, ako zlepšiť funkciu mozgu

Účastníci boli poučení, aby hľadeli na strednú fixačnú bodku a minimalizovali žmurkanie počas pokusu.

Neuromagnetické údaje sa získali s použitím vektorového systému celého hlavy vrátane 204 planárnych gradiometre a 102 magnetometrov (Elekta Neuromag Oy) v magneticky tienenej miestnosti.

Počas experimentu bola poloha hlavy účastníkov nepretržite monitorovaná pomocou indexových cievok umiestnených v štyroch bodoch na hlave. Intenzita magnetického poľa bola vzorkovaná pri frekvencii 1000 Hz a pásmová priepusť filtrovaná online medzi 0,03 a 300 Hz. Okrem toho sa merali vertikálne a horizontálne elektrookulogramy pomocou elektród umiestnených nad, pod a vedľa očí. Pohyby očí sa monitorovali pri sledovači očí Eyelink 1000 (SR Research) pri frekvencii 1 000 Hz.

Predspracovanie MEG dát

Dáta boli vopred spracované offline pomocou FieldTrip (Oostenveld et al., 2011), Softvérovej knižnice OHBA (OSL), ktoré čerpajú na SPM8 (http://www.fil.ion.ucl.ac.uk/spam) a softvéru Elekta.

Pred akýmkoľvek predbežným spracovaním boli údaje MEG vizuálne skontrolované, aby sa odstránili a interpolovali akékoľvek senzory, ktoré vykazovali nadmerné hladiny hluku, a následne sa odstránili šumy a pohyb sa korigoval pomocou Maxfilter Signal SpaceSeparation (Taulu et al., 2004) pred odstránením nezávislých komponentov súvisiacich so srdcovým ochorením. a artefakty zameraných na oči.

Dáta boli epoched okolo prvej mriežky a druhej mriežky (od 400 ms pred začiatkom mriežky do 900 ms po začiatku) a prevzorkované na 200 Hz. Pokusy s vysokým rozptylom buď v gradiometroch alebo magnetometroch boli identifikované a vylúčené pomocou zovšeobecneného testu ESD (extrémna študentizovaná odchýlka; Rosner, 1983) s prahom významnosti 0,05.

Pre analýzy skreslenia medzi pokusmi sme trénovali klasifikátor na všetkých prezentáciách stimulov zo všetkých neodmietnutých pokusov. Keďže sme z ďalšej analýzy vylúčili štúdie s vysokým rozptylom (7.49 6 3,85 %, priemer 6 SD, čo zodpovedá 45 6 23 prezentáciám stimulov), klasifikátor bol trénovaný na zvyšných 555 6 23 prezentácií stimulov.

Pred výpočtom odchýlky sme odstránili prvý pokus každého bloku (2 %) a pokusy s absolútnym uhlovým rozdielom s cieľovou orientáciou v predchádzajúcom pokuse 0,60 stupňa (;33 %), výsledkom čoho bolo 370 6 21 pokusov pre tento analýzy na účastníka.

For within-trial bias analyses, we trained the classifier on all trialswhere stimulus 2 was presented except for those removed for high variance, leaving 278 6 11 trials in the analysis. 

For the bias calculation,among these trials we selected those on which stimulus 1 had also beenpresented, and with an absolute angular difference of .10 degree and,50 degree between stimuli 1 and 2. Subsequently, the bias was calculated separatelyfor trials with protect and Aktualizujte narážky, čo vedie k pokusom 62 6 5 a 63 6 5.

Lineárna diskriminačná klasifikácia analýzy

Údaje boli ďalej vopred spracované. Veľkosti magnetometrov boli približne prispôsobené gradiometrom násobením (faktor 20) a podrobené časopriestorovému dekódovaniu (kód dostupný na https://pypi.org/project/temp-dec/; ako už bolo opísané, Wolff et al., 2017, 2020; Hajonides a kol., 2021). Údaje zo všetkých 306 senzorov MEG v posuvnom rozvinutí 30- časových bodov (150 ms) boli zreťazené do rozmerového vektora 9180-.

Rozmernosť sa znížila pomocou analýzy hlavných komponentov, ktorá sa vypočítala samostatne pre každý časový bod, pričom sa zachoval 90 % rozptyl (medzi 250 a 600 ms to bolo okolo 209 6 39 komponentov na účastníka, priemer 6 SD).

To slúžilo na odstránenie šumu v údajoch, zvýšenie jedinečného rozptylu kódovaného každou dimenziou a umožnilo klasifikátoru efektívnejšie vypočítať kovariančné matice. Na udržanie stabilných informácií z predtým prezentovaných stimulov sa neuplatňovala predstimulačná základná línia.

Na trénovanie klasifikátora lineárnej diskriminačnej analýzy (LDA) boli údaje rozdelené do trénovacích a testovacích súborov pomocou {{0}}násobne stratifikovanej krížovej validácie. Uhly mriežky boli usporiadané do rovnako rozmiestnených orientačných zásobníkov, čím sa vytvorilo 10 rôznych tried (0–18 stupňov, 18–36 stupňov, 36–54 stupňov, 54–72 stupňov, 72–90 stupňov, 90–108 stupňov, 108–126 stupňov, 126–144 stupňov, 144–162 stupňov, 162–180 stupňov). Na trénovanie klasifikátora LDA boli údaje rozdelené do trénovacích a testovacích sád pomocou 10-násobne stratifikovanej krížovej validácie.

Klasifikátor LDA na základe trénovacej množiny premieta údaje do nízkorozmerného priestoru (deviatich dimenzií; počet tried mínus 1), ktorý maximálne oddeľuje údaje od 10 tried. Údaje z testovacej množiny sa potom premietli do rovnakého {{ 3}}rozmerný priestor. Získali sme 10 vzdialeností LDA pre každý pokus v testovacej sade výpočtom jej euklidovskej vzdialenosti od priemeru každej triedy tréningovej sady v nízkorozmernom priestore.

Tieto vzdialenosti nám umožnili odhadnúť pravdepodobnosť, že ktorýkoľvek daný test zodpovedá každej z desiatich tried. Toto sa opakovalo pre každý násobok krížovej validácie a každý časový bod. Analýzy dekódovania stimulov, prezentovaný uhol bol použitý na klasifikáciu.

V analýzach krížového dekódovania boli klasifikátory LDA trénované na orientačných zásobníkoch jednej udalosti (napr. prezentovaná mriežka), ale klasifikátor bol zarovnaný okolo zásobníkov inej orientácie (napr. cieľová orientácia v predchádzajúcom pokuse). Výsledné reprezentatívne krivky podobnosti boli konvolvované s kosínusom.

Aby sme otestovali, ktoré senzory najvýznamnejšie prispeli k pravdepodobnostiam klasifikátorov pozorovaným v našich multivariačných metódach, vykonali sme aj analýzu dekódovania svetlometov (Kriegeskorte et al., 2006).

V tejto analýze sme opakovane považovali malú skupinu senzorov a boli tak schopní zmapovať približné miesto pozorovaného účinku. Presnejšie povedané, vybrali sme údaje z každého senzora plus jeho 47 najbližšie susediacich susedov (vrátane magnetometrov a gradiometrov) a vykonali sme rovnakú klasifikačnú analýzu, ako je opísané vyššie.

Výpočet skóre neurálnej asymetrie ako miera neurálnej zaujatosti

Pre odchýlky v rámci pokusu sme hodnotili spracovanie druhej mriežky a zvažovali sme len dvojpoložkové pokusy. Klasifikátor bol trénovaný na všetkých prezentáciách druhej mriežky a pre každý pokus sa vygenerovali bin pravdepodobnosti. Pre analýzy medzi pokusmi sme analyzovali spracovanie orientácie prvej aj druhej mriežky v súčasnom pokuse. Z tohto dôvodu bol klasifikátor pre všetky pokusy vycvičený a vygenerované predpovede zásobníka pre všetky pokusy.

Následne sme na základe výsledkov analýz skreslenia výkonu vybrali pokusy, v ktorých uhlová vzdialenosť medzi induktorom a orientáciou mriežky na displeji viedla k významnej odchýlke správania na úrovni skupiny.

V prípade odpudzujúcej zaujatosti v rámci pokusu bola induktorom orientácia prvej mriežky v rovnakom pokuse. Pre analýzy medzi pokusmi bola induktorom cieľová orientácia uvedená v predchádzajúcej štúdii (okrem kontrolných analýz, kde bola ako cieľ použitá neoznámená orientácia). Ako závislú premennú sme považovali odhady pravdepodobnosti pre každý zásobník orientácie, kde očakávame najvyššiu pravdepodobnosť pre uhlový zásobník, ktorý má nulový posun k prezentovanej orientácii a klesajúcu pravdepodobnosť pre zásobníky s väčšími uhlovými vzdialenosťami k prezentovanej orientácii.

Samostatne sme hodnotili odhady pravdepodobnosti pre pokusy, v ktorých bola orientácia induktora v smere hodinových ručičiek (CW) verzus proti smeru hodinových ručičiek (CCW), pokiaľ ide o aktuálnu orientáciu. Pre skúšky CW aj CCW sme oddelene spriemerovali dôkazy z orientačných zásobníkov CW (72 stupňov až 18 stupňov) a dôkazy z košov CCW (18 stupňov až 72 stupňov).

Skóre asymetrie sa vypočítalo získaním rozdielu medzi dvoma skupinami uhlových zásobníkov (CWmínus CCW). Nakoniec sme vypočítali celkové skóre neurálnej zaujatosti odčítaním skóre asymetrie v štúdiách s induktormi CW verzus CCW.

Atraktívne nervové zaujatosti viedli k pozitívnemu skóre (tj pokusy s CWuhlovými vzdialenosťami viedli k viac CW dôkazom, CCW uhlové vzdialenosti viedli k viac CCW dôkazom), zatiaľ čo odpudivé nervové zaujatosti viedli k negatívnemu skóre (tj CW uhlové vzdialenosti viedli k menej CW dôkazom ako CCW skúšky a naopak).

Štatistické testovanie

Štatistické testy boli vypočítané pomocou JASP (JASP Team, 2020) a Scipy (Virtanen et al., 2020).

Testovali sme časové rady kosínusovo-konvolvovaného klasifikátora dôkazu proti nule pomocou klastrového permutačného testu, ktorý rieši problém ich viacnásobného porovnania (pomocou MNE; Gramfort et al., 2013). Weran 100,000 iterácií.

Zhluky so skupinami časových bodov výrazne odlišných od nuly sú na príslušných obrázkoch vyznačené vodorovnými čiarami. Permutačné testovanie založené na klastri sa tiež použilo na odchýlku výkonu cez uhlovú vzdialenosť medzi prezentovanou orientáciou a orientáciou induktora.

Aby sme otestovali význam našich analýz skreslenia, vygenerovali sme distribúciu miešania po fáze dekódovania. Keď boli pokusy zoradené na základe relatívnej orientácie predchádzajúceho pokusu / stimulu, náhodne sme túto uhlovú vzdialenosť preklopili znamienkom a prepočítali sme odchýlku. Vypočítali sme zaujatosť pre všetkých účastníkov a spriemerovali sme toto skóre. Tento proces sa opakoval 10,000-krát a výsledná distribúcia bola hodnotená Z.

Rovnaká transformácia z-skóre sa použila na pozorované skóre skreslenia, keď sa nepoužilo žiadne preklápanie náhodných znamienok. Toto z skóre by sa potom mohlo použiť na získanie (obojstrannej) hodnoty p pôvodného účinku vo vzťahu k distribúcii miešania (vo všetkých uvádzaných časových priemeroch sa použili časové body medzi 250 a 600 ms).

Všetky testy boli obojstranné, pokiaľ nie je uvedené inak.

Výsledky

Chybovosť

Účastníci presne reprodukovali orientáciu cieľa (priemerná chyba odozvy 11.73 6 0.70 stupňa SEM; priemer SD 17.61 61.07 stupňov SEM; pozri tabuľku 1 pre výkon podľa stavu). ANOVA s dvoma opakovanými meraniami na chybu odozvy ukázala hlavné účinky typu narážky (F(1,19)=16.49, p, 0,001, h2=0.374) a niekoľkých prezentované podnety (F(1,19)=29,78, p, 0,001,h2=0,075).

Typ podnetu bol významný pre oba pokusy s jednou položkou alebo dvomi položkami, s absolútnou chybou vyššou v prvom hlásení ako v druhom hlásení v oboch pokusoch s dvoma položkami (t(19)=3.972,p, {{6} }.001, d=0,888; pozri tabuľku 1) a jednopoložkové pokusy (t(19) =3,948, Bonferroniho korigované p, 0,001, d {{ 18}}.883). Naproti tomu viaceré prezentované položky ovplyvnili predovšetkým prvé podmienky správy.

Chyba bola vyššia v prvých dvoch hláseniach ako v prvých hlásených jednopoložkových skúškach (t(19)=5.665, p, 0.001, d=1.267), ale nevýznamne sa líšia medzi druhou hlásenou dvojpoložkou a druhou hlásenou jednou položkou pokusov (t(19)=1.885, p=0.075,d=0.421), čo vedie k významnému interakcia medzi týmito dvoma faktormi (F(1,19)=10.90, p=0.004, h2=0.026).

Analýzy využívajúce zmiešané modelovanie (Bays et al., 2009) potvrdili, že chyby pochádzajúce z odpovedí na orientáciu mriežky bez podnetu boli zriedkavé (miera výmeny 0.033 6 0.01 pri pokusoch s dvomi položkami; pozri tiež Huang , 2020).

Odpudivé výkonnostné predsudky v rámci skúšok

Analyzovali sme odchýlky v behaviorálnom výkone v rámci pokusu posúdením, či bola hlásená orientácia systematicky uvádzaná ako bližšia alebo vzdialenejšia od necieľovej orientácie v rovnakom pokuse (pozri Materiály a metódy).

Analýzy sme obmedzili na dvojpoložkové pokusy. Obrázok 2A ukazuje odchýlku výkonu pre všetky absolútne uhlové vzdialenosti medzi prvou a druhou orientáciou mriežky pre prvý a druhý ohlásený pokus. V pokusoch s prvým podnetom hlásenia sa nezistila žiadna významná odchýlka smerom k rušivej orientácii druhej mriežky alebo od nej, ktorá by nebola relevantná pre aktuálna úloha (t(19)=0.74, p=0.467).

Na rozdiel od toho pokusy s druhým signálom odhalili významné odchýlky od pôvodne zakódovanej orientácie prvej mriežky (t(19)=2.33, p=0.031; znázornené na obr. 2B). Druhá štúdia odpudzujúcej zaujatosti bola potvrdená použitím klastrového permutačného testu, ktorý ukázal významný zhluk (p=0 0,012), keď uhlová vzdialenosť medzi dvoma orientáciami bola medzi 10 stupňom a 49 stupňom (obr. 2A).

Atraktívne skreslenie výkonu medzi skúškami

Ďalej sme vyhodnotili skreslenie odpovedí medzi pokusmi v aktuálnom pokuse smerom k orientácii, ktorá bola vyvolaná predchádzajúcim pokusom (obr. 3). Hodnotili sme odchýlku výkonu ako funkciu uhlových rozdielov medzi cieľovou mriežkou na prúde a na predchádzajúcej skúške.

Analýza zohľadnila aj polohu cieľovej mriežky v aktuálnej skúške (prvá alebo druhá) a počet položiek v aktuálnej skúške (jedna položka alebo dve položky). Pre konzistentnosť označujeme všetky pokusy, kde účastníci hlásia prvú správu o orientácii mriežky ako prvé skúšky, a skúšky, kde účastníci hlásia druhú správu o orientácii, druhé skúšky, bez ohľadu na počet prezentovaných mriežok.

Opäť sme vypočítali súčet odchýlky naprieč uhlovými vzdialenosťami medzi cieľmi v súčasných a predchádzajúcich pokusoch (obr. 3A, B). Na rozdiel od odpudzujúcej predpojatosti opísanej v predchádzajúcej časti sme zistili, že všetky podmienky vykazovali atraktívnu odchýlku výkonu (všetky p, 0.05 v obojstranných štatistických testoch). Atraktívne sériové skreslenie bolo najvýraznejšie pre malé až stredné uhlové vzdialenosti medzi induktorom a orientáciou prúdu (0–60 stupňov).

ANOVA opakovaných meraní na súčte odchýlok naprieč uhlovými vzdialenosťami naznačila vplyv typu podnetu, pričom väčšie odchýlky sa vyskytli v prvých testoch správy (F(1,19)=5.706, p=0.027, h2=0.172), ale nie z počtu mriežok prezentovaných v teste (F(1,19)=0.980, p=0.335, h2 =0 .007). Tieto dva faktory neinteragovali (F(1,19)=0.377, p=0.547,h2=0.002). To ukazuje, že zaujatosť bola silnejšia pri spomenutí prvej položky, ktorá bola zakódovaná bližšie k predchádzajúcemu pokusu.

For more information:1950477648nn@gmail.com