Časť 1: Cieľovo riadená modulácia vzorcov neurálnej pamäte: Dôsledky pre detekciu pamäte založenú na FMRI
Mar 19, 2022
Kontakt: Audrey Huaudrey.hu@wecistanche.com
Melina R. Uncapher,1* J. Tyler Boyd-Meredith,1* Tiffany E. Chow,3 Jesse Rissman,3 a X Anthony D. Wagner1,2
1Department of Psychology and 2Neurosciences Program, Stanford University, Stanford, California 94305, a 3Department of Psychology, University of California, Los Angeles, Los Angeles, California 90095
Zapamätanie si minulej udalosti vyvoláva distribuované neurálne vzorce, ktoré možno odlíšiť od vzorov vyvolaných pri stretnutí s novými informáciami. Tieto odlišné vzory je možné dekódovať s relatívne vysokou diagnostickou presnosťou pre jednotlivé pamäte pomocou analýzy multivoxelových vzorov (MVPA) údajov fMRI. Detekcia pamäte založená na mozgu - ak je platná a spoľahlivá - by mala jasnú užitočnosť mimo oblasti kognitívnej neurovedy, v oblasti práva, marketingu a mimo nej. Významnou hraničnou podmienkou platnosti dekódovania pamäte však môže byť nasadenie „protiopatrení“: stratégií používaných na maskovanie pamäťových signálov. Tu sme testovali zraniteľnosť detekcie pamäte založenej na fMRI na protiopatrenia pomocou paradigmy, ktorá sa podobá identifikácii očitých svedkov. Účastníci boli skenovaní pri vykonávaní dvoch úloh na predtým študovaných a nových tvárach: (1) štandardná úloha rozpoznávania pamäte; a (2) úloha, pri ktorej sa pokúsili zakryť svoj skutočný stav pamäte. Univariačné analýzy odhalili, že účastníci boli schopní strategicky modulovať nervové reakcie, priemer naprieč skúškami, v oblastiach zapojených do získavania pamäte, vrátane hipokampu a uhlového gyrusu. Okrem toho regióny spojené s cielenými presunmi pozornosti a substitúciou myslenia podporovali skrytie pamäte a regióny spojené s generovaním pamäte podporovali skrytie novosti. Je kritické, že zatiaľ čo MVPA umožnil spoľahlivú klasifikáciu stavov pamäte, keď účastníci pravdivo hlásili pamäť, schopnosť dekódovať pamäť v jednotlivých pokusoch bola ohrozená, dokonca aj spätná, počas pokusov o ukrytie pamäte. Tieto zistenia spoločne ukazujú, že strategické ciele Tate možno nasadiť na maskovanie neurálnych vzorcov súvisiacich s pamäťou a technológiu dekódovania pamäte, čím sa kladie významná hraničná podmienka na ich užitočnosť v reálnom svete.
Kľúčové slová: protiopatrenia; epizodické vyhľadávanie; funkčné MRI; neurolaw; klasifikácia vzorov
Úvod
Rastúce dôkazy naznačujú, že je možné dekódovať prítomnosť alebo absenciu pamäte pre stimul alebo udalosť z distribuovaných vzorcov ľudskej mozgovej aktivity, ako sa meria pomocou funkčnej MRI (fMRI) a analýzy multivoxelových vzorov (MVPA; Johnson et al., 2009; McDuff a kol., 2009; Chadwick a kol., 2010; Quamme a kol., 2010; Rissman a kol., 2010; Polyn a kol., 2012; Poppenk a Norman, 2012; Rissman a Wagner, 2012). Rýchlo vznikajúca literatúra o dekódovaní pamäte založenej na fMRI nielen informuje o neurokognitívnych teóriách pamäte, ale má aj dôsledky pre právo, marketing a ďalšie (Meegan, 2008). Napríklad spoľahlivá a overená metóda na detekciu pamäte by mohla zlepšiť forenznú schopnosť systému trestného súdnictva určiť, či má podozrivý vedomosť o vine o informáciách relevantných pre trestný čin (Greely, 2011) alebo či očitý svedok rozpozná kritickú udalosť. prvok. Vzhľadom na vysokú diagnostickú presnosť pozorovanú v niektorých štúdiách dekódovania pamäte na báze fMRI (až 70–90 percent; Rissman et al., 2010), môže byť lákavé dospieť k záveru, že tieto prístupy majú forenznú užitočnosť na odhalenie stavov pamäte jednotlivca a možno aj ich zážitkovú históriu s informáciami o udalostiach.
Techniky detekcie pamäte založené na fMRI sú však stále vo vývoji, pričom pred určením ich vhodnosti na použitie v teréne zostáva mnoho významných problémov (Brown a Murphy, 2010; Verschuere a kol., 2011). Jednou z najvýznamnejších otvorených otázok je, či je dekódovanie pamäte citlivé na „protiopatrenia“: stratégie nasadené na maskovanie pamäte alebo signálov a „prekonanie“ detekčných testov (Farah et al., 2014). Rissman a kol. (2010) uviedli nepriame dôkazy naznačujúce zraniteľnosť voči strategickým cieľovým stavom, pretože schopnosť odhaliť predtým objavené tváre z nových tvárí bola znížená na takmer náhodnú, keď bola pamäť účastníkov skúmaná skôr implicitne ako explicitne. Iné údaje však naznačujú, že nedostatok pozornosti voči mnemotechnickému stavu nemusí vždy prekaziť klasifikáciu pamäte. Napríklad Kuhletal. (2013) boli schopní dekódovať detaily pamäte, aj keď účastníci nedostali pokyny, aby tieto detaily získali. Tieto zistenia spoločne odhaľujú potrebu identifikovať podmienky, za ktorých stavy strategických cieľov menia vzorce neurálnej pamäte: najmä môžu účastníci úmyselne skrývať svoje pamäťové stavy pomocou protiopatrení, ktoré sa javia ako kooperatívne? Riešenie tejto otázky má nielen dôsledky na vymedzenie hraničných podmienok metód fMRI na detekciu pamäte, ale aj na pochopenie dynamiky cieľových procesov vyhľadávania.
Tu sme skúmali situáciu, ktorá sa podobá identifikácii očitých svedkov, a vyžadovali sme protiopatrenia, ktoré by sa zdali spolupracovať pri teste identifikácie očitých svedkov. Účastníci si prezreli sériu tvárí a ich pamäť na tieto tváre sa potom skúmala jedným z dvoch spôsobov pri podstupovaní fMRI. V prvom teste účastníci urobili explicitné rozhodnutia o rozpoznávaní predtým známych a nových tvárí. V druhom teste sa účastníci pokúsili skryť svoju pamäť pre predtým, s ktorými sa stretli, a predstierať pamäť pre nové tváre. Pomocou explicitných údajov o pamäti sme trénovali klasifikátory na diskrimináciu vzorcov aktivít spojených so subjektívnymi zážitkami rozpoznávania a novosti. Potom sme testovali, či klasifikátory dokážu dekódovať stavy pamäte účastníkov, keď sa zapojili do protiopatrení.
Materiály a metódy
Účastníci. Dvadsaťštyri zdravých, pravákov mužských účastníkov bolo prijatých zo Stanfordskej univerzity a jej okolitých komunít. Účastníci boli vo veku 18 – 31 rokov s priemerným vekom SD23 4 0,29 rokov, boli rodení hovoriaci anglicky bez neurologických komplikácií a boli buď Afroameričania (AA; n 8) alebo európski Američania (EA; n 16) podľa na sebanahlásenie. Účastníci dali písomný informovaný súhlas v súlade s postupmi inštitucionálnej revíznej rady Stanfordskej univerzity a boli testovaní na kompatibilitu s fMRI.
Experimentujte. Experiment zahŕňal dve skenovacie relácie uskutočnené v intervale 24 hodín a trvali približne 5 hodín počas oboch skenovacích relácií. Každý účastník dostal odmenu 2 $0 za každú hodinu účasti. Údaje od dvoch ďalších účastníkov boli zhromaždené, ale vynechané z následných analýz z dôvodu nedostatočného alebo neúplného výkonu: jeden bol vynechaný, pretože d bol náhodný (0,08) a druhý, pretože účastník odstúpil od skenovania pred dokončením experimentu.
Stimuly. Tvárové stimuly pozostávali zo 400 farebných fotografií mužských tvárí, z ktorých polovica bola AA a polovica EA (údaje skúmajúce účinky rasy budú uvedené samostatne). Tvárové stimuly boli štandardizované pre neutrálny výraz tváre a osvetlenie pozadia a zahŕňali iba hlavu a krk. Stimuly boli prezentované na sivom pozadí s čiernym stredovým fixačným krížom. Pre každého účastníka boli stimuly tváre rozdelené do dvoch vzoriek pomocou stratifikovaného náhodného vzorkovania podľa rasy, aby sa priradili stimuly, ktoré sa majú prezentovať počas fázy kódovania (STARÉ položky; 100AA, 100EA) alebo slúžia ako fóliové položky pri vyhľadávaní (NEWitems;100AA, 100 EA ).
1. deň: kódovanie. Účastníci boli naskenovaní, pričom bolo zámerne zakódovaných 200 mužských tvárí (100 AA tvárí a 100 EA tvárí). Každá tvár bola prezentovaná na 2 s, s 8-sekundovým interstimulačným intervalom (ISI) celkovo 10 s na pokus. Každá tvár bola zobrazená dvakrát počas fázy kódovania: po prezentovaní celej sady 200 stimulov boli rovnaké tváre opäť prezentované v inom poradí. Účastníci dostali komplexnú kódovaciu stratégiu na zapamätanie si stimulov, pričom boli inštruovaní, aby vytvorili imaginatívne príbehy zahŕňajúce jednotlivcov zobrazených v stimuloch. Aby sa potvrdilo, že sa účastníci venujú podnetom a zapájajú sa do úlohy, dostali pokyn, aby po zobrazení každej tváre stlačili pravé tlačidlo ukazováka na poli s odpoveďou. Stimuly boli prezentované v ôsmich behoch, s 50 tvárami na beh. Prvé štyri behy pozostávali z prvej prezentácie študijných podnetov a druhé štyri behy pozostávali z druhej prezentácie študijných podnetov. Na konci každého behu (v deň 1 aj deň 2) boli účastníci vyzvaní, aby si urobili tak dlhú prestávku, ako si želali, pričom prestávku sami ukončili stlačením tlačidla. Prestávky sa medzi účastníkmi pohybovali medzi 10 a 55 s.
Konkrétne v prípade tvárí, o ktorých sa predpokladalo, že boli predtým študované, boli účastníci inštruovaní, aby označili „novú“ reakciu a rýchlo prešli na kognitívnu stratégiu s cieľom skryť nervové koreláty ich rozpoznávania: boli požiadaní, aby sa zamerali na technické a/alebo fotografické aspekty. stimulu, ktorému sa predtým nezúčastnili, ako je expozícia, osvetlenie, okraje čiar atď. tvárou, mali by sa – podľa svojich najlepších schopností – snažiť zabrániť tomu, aby sa spomienka na tvár objavila v mysli tým, že sa budú venovať vnemovým aspektom fotografií. Naopak, v prípade podnetov, ktoré boli vnímané ako nepreskúmané, boli účastníci poučení, aby označili „starú“ reakciu a použili kognitívne stratégie na vyvolanie nervových korelátov vyhľadávania, tj pripomenuli si známeho jedinca, ktorý sa podobal na tvár, a oživili všetky súvisiace spomienky. s jednotlivcom. Opäť sa zdôraznilo, že počítačový algoritmus bol dostatočne citlivý na to, aby detekoval nové signály, takže by mali rýchlo prejsť na generovanie spomienok na tvár, ktorú určili za novú. Pre staré aj nové tváre boli účastníci poučení, aby používali vhodnú kognitívnu stratégiu počas celého trvania štúdie (10 s). Experimentátori potvrdili, že všetci účastníci porozumeli úlohe skrytej pamäte pred pokračovaním v experimente.
Jednorozmerné fMRI analýzy. Štatistické parametrické mapovanie (SPM8; Wellcome Department of Cognitive Neurology, Londýn, Spojené kráľovstvo; http://www.fil.ion.ucl.ac.uk/spm/software/spm8), spustené v MATLAB 7.7 (R2008b; MathWorks), bolo používa sa na predspracovanie údajov aj na jednorozmernú analýzu.
Na údaje sa použili štandardné postupy predbežného spracovania. Všetky funkčné objemy boli korigované v čase rezu, aby sa zohľadnili rozdiely v čase akvizície medzi rezmi, pričom stredný rez v čase sa použil ako referencia. Všetky funkčné objemy boli pohybovo korigované a priestorovo prerovnané s prvým objemom, po čom nasledovalo prerovnanie na stredný objem relácie. T2-vážený anatomický objem z relácie 2. dňa (vyhľadávanie) bol spoluregistrovaný k strednému funkčnému objemu, T1- vážený anatomický objem bol potom spoluregistrovaný k tomuto spoločne registrovanému T2-váženému objemu a potom sa T1-vážený objem rozdelil na šedú hmotu, bielu hmotu a CSF, pričom výsledné obrázky sa normalizovali na šablóny v priestore Montrealského neurologického inštitútu (MNI). Funkčné objemy boli normalizované do štandardného priestoru na základe transformačných parametrov získaných počas segmentácie a prevzorkované na 4 mm3 voxely. Všetky obrázky sa potom priestorovo vyhladili pomocou 8 mm Gaussovho jadra s plnou šírkou pri polovičnom maxime (FWHM).
Pre všetky klasifikačné schémy boli počty pokusov vyvážené medzi triedami (prostredníctvom náhodného podvzorkovania) v rámci tréningových a testovacích zásobníkov pred klasifikáciou, aby sa zabezpečila miera presnosti klasifikácie teoretickej nulovej hypotézy 50 percent a plocha pod krivkou (AUC; pozri nižšie) 0,50; analýzy so zamiešanými označeniami tried potvrdili, že výkonnosť náhodnej klasifikácie sa priblížila k týmto úrovniam ("nulová distribúcia"). Po vyvážení boli údaje z každého voxelu opäť vyhodnotené tak, že priemerná úroveň aktivity každého voxelu pre skúšky triedy A bola prevrátená k priemernej úrovni aktivity pre skúšky triedy B. Pre každú analýzu bol celý proces klasifikácie spustený 10-krát, aby sa získali stabilné odhady výkonnosti (nezávislé analýzy potvrdili, že na získanie stabilných odhadov výkonnosti stačí 10 iterácií).
Pre všetky klasifikačné postupy bola použitá regulovaná logistická regresia (RLR). To bolo predtým určené ako výhodná voľba v tejto klasifikačnej paradigme podľa Rissmana a kol. (2010). Tento algoritmus implementoval viactriednu logistickú regresnú funkciu využívajúcu softmaxovú transformáciu lineárnych kombinácií vlastností (Bishop, 2006) s dodatočným ridge penalty ako Gaussian pred váhami vlastností. Tento trest zaisťoval regularizáciu L2, presadzovanie malých váh. Počas tréningu klasifikátora sa algoritmus RLR naučil množinu váh prvkov, ktoré maximalizovali logaritmickú pravdepodobnosť údajov; váhy prvkov boli inicializované na nulu a optimalizácia bola implementovaná pomocou funkcie minimalizácie konjugovaného gradientu od Carla Rasmussena (http://www.gatsby.ucl.ac.uk/ Edward/code/minimize/) pomocou gradientu logaritmickej pravdepodobnosti kombinovanej s trest L2.
Pokuta L2 bola nastavená ako polovica aditívnej inverznej hodnoty parametra špecifikovaného používateľom, vynásobená druhou mocninou normy L2 vektora hmotnosti pre každú triedu, pripočítanej k triedam. Rozhodli sme sa nastaviť tento voľný parameter na pevnú hodnotu 10 pre všetky analýzy uvedené v tejto štúdii.
Hodnotenie výkonnosti klasifikátora. Po prispôsobení parametrov modelu RLR pomocou údajov trénovacej sady sa každý vzor mozgovej aktivity (tj pokus) z testovacej sady vložil do modelu a poskytol odhad pravdepodobnosti, že tento príklad bude z triedy A alebo triedy B (podľa konštrukcie tieto dve hodnoty sú vždy súčtom jednej). Tieto hodnoty pravdepodobnosti boli zreťazené naprieč všetkými záhybmi testovania krížovej validácie a potom zoradené. Skutočne pozitívna (úspešná) miera a falošne pozitívna (FA) miera klasifikátora sa vypočítali pri 80 pevných hraničných prahoch pozdĺž pravdepodobnostného kontinua, aby sa vytvorili krivky prevádzkových charakteristík prijímača (ROC). Hodnoty AUC spojené s týmito krivkami boli vypočítané tak, ako to opísal Fawcett (2004) a možno ich formálne interpretovať ako pravdepodobnosť, že náhodne vybraný člen jednej triedy má menšiu odhadovanú pravdepodobnosť, že bude patriť do druhej triedy ako má náhodne vybraného člena inej triedy. Inak povedané, AUC indexuje strednú presnosť, s ktorou by sa náhodne vybraný pár pokusov triedy A a triedy B mohol priradiť k ich správnej triede (0,5 je náhodný výkon; 1,0 je dokonalý výkon). Ak je naším cieľom vysoká špecifickosť pri označovaní príkladov triedy A a nie je ochotný tolerovať veľa falošne pozitívnych výsledkov, môže sa pýtať na najdôveryhodnejšie odhady klasifikátora. Tu sme svojvoľne nastavili túto hranicu ako 10 percent najlepších odhadov klasifikácie. Upozorňujeme, že pri uvádzaní najspoľahlivejších testov klasifikátorov uvádzame presnosť namiesto hodnôt AUC.
Mapy dôležitosti. Pre každú klasifikačnú schému boli vytvorené mapy dôležitosti podľa postupu opísaného v predchádzajúcich štúdiách MVPA (Johnson a kol., 20{{10}}9; McDuff a kol., 2{{16 }}09). Hodnota dôležitosti voxelu poskytuje index toho, do akej miery sa jeho signál zvyšuje alebo znižuje na predpovede klasifikátora. Po tréningu postup klasifikácie logistickej regresie poskytne súbor hodnôt hmotnosti odzrkadľujúcich prediktívnu hodnotu každého voxelu (s kladnými hodnotami, ktoré naznačujú, že zvýšenie aktivity je vo všeobecnosti spojené s výsledkom triedy A a záporné hodnoty naznačujú, že zvýšenie aktivity je vo všeobecnosti spojené s triedou Boutcome). Tieto váhy sa potom vynásobili strednou úrovňou aktivity každého voxelu pre skúšky triedy A (čo je vzhľadom na náš postup vyvažovania skúšok a z-skórovania aditívnou prevrátenou hodnotou priemernej úrovne aktivity pre skúšky triedy B). Voxelom s kladnými hodnotami aktivity aj hmotnosti boli priradené kladné hodnoty dôležitosti, voxelom zápornej aktivity a hmotnosti záporné hodnoty dôležitosti a voxelom, ktorých aktivita a váha mali opačné znamienka, boli priradené hodnoty dôležitosti nula (Johnson et al., 2009; McDuff a kol., 2009). Súhrnné mapy na úrovni skupiny boli vytvorené spriemerovaním máp dôležitosti jednotlivých účastníkov a sú zobrazené na obrázkoch na ľubovoľných prahoch: 3D-renderované mapy prahované medzi 0,02 a 0,5 a 2D-renderované mapy medzi 0,05 a 0,5 (pozri obr. 4) resp. medzi 0,15 a 0,5 (pozri obr. 7). Ako posledná poznámka, hoci mapy dôležitosti sú užitočným nástrojom na vyhodnotenie toho, ktoré voxely použil klasifikátor, tieto mapy by sa nemali interpretovať tak, že poskytujú vyčerpávajúce posúdenie toho, ktoré voxely sú individuálne informatívne o rozdiele záujmu.
Analýza svetlometov. Mapy dôležitosti odhaľujú, ktoré voxely poskytujú diagnostické informácie klasifikátorom celého mozgu. Neprezrádzajú však, či sa údaje z jednotlivých anatomických oblastí dajú samostatne použiť na rozlíšenie zásahov z CR. Uskutočnili sme analýzy svetlometov, aby sme poskytli presnosť lokálneho dekódovania (Kriegeskorte et al., 2006) v mozgu. Osobitne zaujímavé bolo, či oblasti, v ktorých bol signál závislý od priemernej hladiny kyslíka v krvi (BOLD; jednorozmerný) významne modulovaný protiopatreniami (pozri obr. 2A), tiež umožnili presnosť dekódovania pokus-pokus, ktorá sa výrazne odchyľovala od náhody. Vykonali sme kritickú klasifikáciu (explicitné ¡ skryté zásahy vs CRs) na lokálnych sférických maskách sústredených individuálne na každý voxel v celomozgovej maske (okrem voxelov v motorickej kôre a mozočku). Každá sférická maska obsahovala akýkoľvek voxel, ktorý sa dotýkal okraja stredového voxelu; výsledné gule teda obsahovali 19 voxelov, okrem prípadov, keď guľa presahovala celomozgovú masku. Aby sme zistili, či sa miestne presnosti dekódovania vyvinuli v priebehu pokusu (ako by sa dalo očakávať, ak by sa účastníci pôvodne venovali pamäťovým signálom a potom sa pokúsili takéto signály skryť), vykonali sme tieto svetlomety samostatne pre každý zo šiestich TR.
Hodnotili sme významnosť v každej z našich sfér svetlometov ako v predchádzajúcich analýzach dekódovania: AUC sa najprv vypočítali pre 1 0 iterácie klasifikácie a potom sa simulovalo nulové rozdelenie výpočtom 10 ďalších iterácií klasifikácie pomocou kódovaných regresorov. Vygenerovali sme t mapy na úrovni skupiny zobrazujúce sféry, ktoré spoľahlivo rozlišovali zásahy od CR, vykonaním párového t-testu priemernej kódovanej hodnoty AUC každého účastníka v porovnaní s nezakódovanou hodnotou AUC pri každom voxeli vo všetkých 10 iteráciách. Tieto mapy boli limitované na p 0,05 (opravené) aplikovaním prahu veľkosti klastra odvodeného zo simulácií Monte Carlo (Xiong a kol., 1995), ako je implementované v programe AFNI (Automated Functional Neuro-Imaging) 3dClustSim. Hladkosť Monte
Simulácia Carlo sa odhadla samostatne pre každého účastníka a každý časový bod pomocou programu AFNI 3dFWHMx z priemerných AUC dosiahnutých v rámci iterácií kódovanej klasifikácie. Hladkosť bola spriemerovaná medzi účastníkmi a časovými bodmi, aby sa vypočítala jedna hodnota hladkosti pre každý rozmer. Prah výšky voxelov p 0.01 viedol k veľkosti klastra 22 voxelov na dosiahnutie významnosti na úrovni klastra p 0}}.{{15} }5 (FWE) v rámci daného časového bodu. Aby sme opravili viacnásobné porovnania naprieč našimi šiestimi bodmi, použili sme Bonferroniniho korekciu, pričom sme vypočítali prah rozsahu potrebný na dosiahnutie významnosti na úrovni klastra p 0,0083 (alebo 0,05/6; FWE) pri každý časový bod alebo p 0,05 (FWE) v priestore a čase. Pomocou tejto metódy sme určili, že na dosiahnutie významnosti na úrovni klastra p 0,05 (FWE) v priestore a v šiestich časových bodoch je potrebný rozsah klastra 29 voxelov.
Výsledky
Behaviorálny výkon
Explicitná pamäťová úloha
Keď účastníci pravdivo nahlásili svoj mnemotechnický zážitok vyvolaný každou testovacou tvárou, dosiahli priemernú mieru úspešnosti SD (miera, pri ktorej STARÉ obrázky presne posúdili ako „staré“) {{0}}.73 0. 12 a miera FA (miera, pri ktorej boli NOVÉ obrázky nepresne hodnotené ako „staré“) 0.27 0.10, výsledkom čoho je priemer d 1.27 0.56. Priemerné časy odozvy (RT) boli rýchlejšie pre správne odpovede (prístupy, 1.74 0,60 s; CRs, 2.10 0,75 s) ako pre nesprávne odpovede (FAs, 2).{16 }},01 s; chýba: 2.33 0,81 s; t(23) 5,15, p 3.22 10 5). Odpovede na prístup boli rýchlejšie ako odpovede CR (t(23) 5,44, p 1.56 10 5).
Porovnanie explicitných a skrytých pamäťových úloh
Priemer d bol výrazne vyšší v explicitnej pamäti ako v úlohe skrytej pamäte (t(23) 2,99, p 6.6 10 3). Neexistovali žiadne rozdiely medzi úlohami v priemernej RT pre žiadny pamäťový výsledok (všetky hodnoty p 0,05). Medzi úlohou a pamäťou však došlo k významnej interakcii, pretože priemerný rozdiel v RT pre prístupy a CR bol väčší v explicitnej pamäti ako v úlohe skrytej pamäte (t(23) 6.25, s. 2.22 10 6). Tento rozdielny účinok pamäte na RT ako funkcia úlohy môže vyplývať z rozdielu v d medzi explicitnými a skrytými pamäťovými podmienkami a je pravdepodobne dôsledkom dvojúlohovej povahy skrytého pamäťového stavu: účastníci museli najprv určiť či boli tváre staré alebo nové a potom rýchlo prešli na stratégiu ukrývania pamäte/novosti a zároveň obrátili svoje motorické reakcie.
Jednorozmerné fMRI analýzy
Najprv sme skúmali otázku, či by sa účastníci mohli zapojiť do strategických protiopatrení na moduláciu signálov BOLD súvisiacich s pamäťou naprieč skúškami (tj jednorozmerné odpovede fMRI). Aby sme tak urobili, identifikovali sme „účinky úspechu v pamäti“ (zásahy CR) pre každú úlohu samostatne a potom sme určili, kde boli efekty úspechu v pamäti bežné v rámci úloh, ako aj kde boli modulované podľa úlohy. Potom sme skúmali, či schopnosť modulovať efekty úspechu v pamäti bola ovplyvnená silou pamäte.
Bežné efekty úspechu v pamäti
Vzhľadom na to, že účastníci museli určiť, či je tvár v oboch úlohách stará alebo nová, ďalej sme sa snažili zistiť, či existujú nejaké regióny, ktoré odlišujú zásahy od CR v oboch úlohách. Aby sme tak urobili, inkluzívne sme zamaskovali vyššie uvedené kontrasty úspešnosti pamäte (pri p {{0}} 0,01 každý, výsledkom čoho je prah spojenia p 0,001). Výsledok tohto maskovacieho postupu odhalil účinky v ľavom IPS a ľavom VTC (obr. 1C).
menej pravdepodobné, že sa naľavo zobrazia obrátené efekty úspechu pamäteAnG (r {{0}}.36, p 0.04). Inými slovami, ich pamäťový úspech pretrvával napriek pokusom utajiť ich pamäť. Toto zistenie naznačuje, že účastníci so silnejšími spomienkami mali väčšie ťažkosti s moduláciou svojej aktivity AnG počas skrytej úlohy. Je zaujímavé, že ani jeden zhluk hipokampu nevykazoval významný vzťah medzi silou pamäte a aktivitou (pravý hipokampus,r0.{{10}}5,p 0.82; ľavý areál hrocha, r0,22, p 0,29) a sklony korelácií sa líšili medzi AnG a pravým hipokampom (Williams t(21) 2,49, p 0,021) a okrajovo sa líšili pre ľavý hipokampus (Williams t(21) 1,62, p 0,1 . Tieto zistenia spoločne naznačujú, že účastníci so silnejšími spomienkami boli menej schopní vykonávať cielenú kontrolu nad činnosťou súvisiacou s pamäťou v ľavom AnG, ale zdalo sa, že to tak nie je v bilaterálnom hipokampe.
Viacrozmerné fMRI analýzy
Našou ústrednou otázkou je, či by použitie kognitívnych (cieľovo zameraných) stratégií protiopatrení umožnilo účastníkom maskovať neurálne vzorce súvisiace s pamäťou, čím by ovplyvnilo schopnosť multivariačných techník čítať stavy ich pamäte pre jednotlivé udalosti. V súlade s tým sme ďalej hodnotili schopnosť klasifikátorov MVPA dekódovať stav pamäte jednotlivých pokusov vyhľadávania (1) najprv natrénovaním a testovaním klasifikátora na údajoch zo štandardnej úlohy rozpoznávania pamäte (úloha explicitnej pamäte) a (2) potom posúdením, či to klasifikátor mohol tiež dekódovať pamäť, keď sa účastníci pokúšali skryť svoje stavy pamäte (úloha skrytej pamäte). Náš procesný model navrhol tri alternatívne scenáre na testovanie; začneme vysvetlením nášho modelu procesu a potom postupne opíšeme každú hypotézu.
