Преживяване на изненада: Времевата динамика на въздействието му върху паметта, част 2

Статистически анализ

За да оценим модулираното с очакване динамично кодиране, съпоставихме набори от обекти (ябълки, ножици и т.н.). Във всеки набор имаше четири зададени събития (цел; F1, най-подобно; F2, средно сходство; и F3, най-малко подобно), всяко с произволно зададено (1) очаквано условие, (2) позиция на представяне в рамките на набора и (3 ) ред на представяне при извличане (1–312 опита).

Човешката памет е невероятна. Чрез опит, изучаване и обучение можем значително да подобрим паметта си. В ежедневието често се налага да помним различна информация, като телефонни номера, рождени дни, имена, пароли и т.н. Всички тези неща изискват памет.

Ако обаче си спомняме твърде много неща или ако не са представени в правилния ред, тогава ще имаме затруднения или дори ще се откажем от запомнянето. Това е връзката между реда на представяне и паметта.

Правилният ред на представяне може да ни помогне да запомним информацията по-добре. Например, ако искаме да запомним низ от числа, можем да се опитаме да ги подредим по определен модел, като възходящ или низходящ ред, сдвоени комбинации и т.н. Тези методи могат да ни помогнат да направим информацията по-лесна за разбиране и запомняне.

При усвояването на нови знания много важен е и редът на представяне. Научаваме нови неща по-ефективно, ако разделяме новите знания на по-малки части и постепенно увеличаваме трудността. Този метод се нарича „степенувани задачи“, който може да ни помогне бързо да усвоим нови знания и е по-малко вероятно да бъдат пропуснати или объркани.

В ежедневието можем също да използваме правилния ред на представяне, за да подобрим паметта. Семейните календари, бележки и списъци могат да ни помогнат да организираме по-добре живота си, така че повече да не забравяме важни неща или да пропускаме крайни срокове.

Накратко, правилният ред на представяне може значително да подобри способността ни за памет. Чрез правилно подреждане и анализ можем по-добре да разберем информацията, да я запомним и да я приложим в бъдещия си живот. Нека използваме правилния ред на представяне, за да стимулираме мозъчния си потенциал, да овладеем повече знания и да направим живота си по-пълноценен и красив. Вижда се, че трябва да подобрим паметта и Cistanche deserticola може значително да подобри паметта, тъй като Cistanche deserticola може също да регулира баланса на невротрансмитерите, като например повишаване на нивата на ацетилхолин и растежни фактори. Тези вещества са много важни за паметта и ученето. В допълнение, месото може също да подобри притока на кръв и да насърчи доставката на кислород, което може да гарантира, че мозъкът получава достатъчно хранителни вещества и енергия, като по този начин подобрява мозъчната жизненост и издръжливост.

Щракнете върху познайте начините за подобряване на мозъчната функция

Изпълнихме бинарен логистичен регресионен модел със смесени ефекти върху тези негрупирани данни, като използвахме очаквания статус на текущите и предходните събития и позицията на представяне при извличане като ковариата. Моделите бяха изчислени с помощта на пакета lme4 (Bates et al., 2{ {4}}15) в R среда (Основен екип за разработка на R, 2008). Параметрите на такива модели могат да се използват за оценка на вероятността за даване на правилен отговор („стар“ за мишени, „нов“ за фолиа) и също така да отчете уникалното прихващане на всеки участник (отклонение на отговора). За да оценим наклона на всеки предиктор в модела (H0: b=0), използвахме omnibus x2 Waldtest (West et al., 2014), както е внедрен в пакета за автомобили (Fox and Weisberg, 2018).

Извличането и начертаването на ефектите, докладвани по-долу, бяха проведени с помощта на пакетите за ефекти (Fox, 2003), средни стойности (Searle et al.,1980) и ggplot2 (Wickham, 2009). За да изследваме динамичното взаимодействие между перцептивното сходство и статуса на очакване, за всяко зададено събитие ние разработихме три интересуващи модела, моделирайки всяко събитие поотделно като функция на предходната последователност от събития.

Например, целите, предшествани от F1, бяха моделирани отделно от целите, предшествани от F2. За да елиминираме всякакви ефекти, предизвикани от разликите в силата на паметта, ние включихме в този модел само събития, за които предишният отговор беше правилен (т.е. за цели след събития F1, ние включихме само цели, които следваха CR1). Подобни резултати бяха наблюдавани при включването на всички опити в модела (вижте хранилището на GitHub за код за извършване на анализи и генериране на цифри). По този начин всеки модел включва текущия и предишния очакван статус на събития, както и реда на представяне при извличане като ковариант. Кодът и данните са налични тук:https://github.com/frdarya/DynamicExpectation.

Експеримент 2

Участници

Общо 25 участници (осем мъже на възраст 18–33 години, средно=25, SD=4.2) дадоха информирано съгласие и взеха участие в проучването. Участниците са имали нормално или коригирано до нормално зрение и без анамнеза за неврологични или психиатрични разстройства. Всички процедури бяха одобрени от Комитета по изследователска етика на Университета в Манчестър. Един участник беше изключен от всички анализи поради неуспех да научи непредвидеността на реплика-резултат по време на задачата за изучаване на правила.

Експериментален дизайн

Подобна парадигма и манипулиране на очакванията бяха използвани в експеримент 2, със следните изключения: във фазата на кодиране всеки обект беше представен три пъти последователно. Всеки обект беше на екрана за 2000 ms, с трептене на фиксиращ кръст (250–750 ms) между всяко представяне. По време на първата и втората презентации участниците бяха помолени да вземат семантично решение за обекта, дали е направен от човешка ръка или естествен и дали е по-вероятно да бъде намерен на закрито или на открито. Редът на тези въпроси беше произволен. По време на третата презентация участниците винаги бяха помолени да изучават обекта внимателно, като се фокусират върху детайлите. След третото представяне имаше още един кръст с трептене на фиксация за по-дълъг период (800–1200 ms), за да се създадат миниблокове, разделящи всеки обект.

Задачата за изучаване на правила беше идентична с тази, използвана в експеримент 1, с изключение на по-дългото време за представяне на отговора на репликата (3 s вместо 1 s) и кръстосана фиксация на трептене (250–750 ms) между всеки опит (вижте Разширени данни Фиг. 1-1 за поведенчески и разширени данни Фиг. 1-2 за fMRI резултати от задачата за обучение на правила). Преди задачата за извличане, участниците решаваха аритметични задачи за 2 минути (не са сканирани).

При извличането използвахме две нива на сходство на фолиото (F1 и F2) във всеки комплект, вместо три. В интерес на оптимизирането на времето в скенера, обектите F3 не бяха използвани, тъй като не дадоха никакви ефекти от интерес в експеримента1. Всеки опит за извличане започва с кръстосана фиксация на трептене (250–750 ms), последвана от представяне на репликата за 1000 ms и след това зададеното събитие (цел, F1 или F2) за 3000 ms. Във всички сканирани задачи използвахме имплицитни базови линии (фиксиращи кръстове за 3500 ms при задачи за кодиране и обучение на правила, 4500 ms при извличане) в 30% от опитите.

Поведенчески статистически анализ

Следвайки анализа и резултатите от експеримент 1, ние свихме цели и F1 събития и моделирахме вероятността за вземане на правилно решение (попадения и правилни откази) въз основа на очаквания статус на текущото зададено събитие и очаквания статус на предишното зададено събитие.

Като в експеримент 1, за да се елиминира объркването на силата на паметта, бяха включени само правилни отговори (вижте хранилището на GitHub за подобни резултати при включване на всички опити и за отделни анализи на цели и F1). Корекциите на F2 фолио също бяха моделирани като функция на предишни събития, както беше направено за експеримент 1.

fMRI придобиване и статистически анализ

MR сканирането беше проведено на 3T MRI скенер (Philips, Achieva). За да се сведе до минимум движението по време на сканирането, бяха използвани клинове от пяна и меки подложки за стабилизиране на главата на участника. Първо бяха събрани T1-претеглени изображения (размер на матрицата: 256 256, 160 среза, размер на воксела 1 mm изотропен), докато участниците почиват в скенера. Използвана е последователност от градиентни ехопланарни изображения (EPI) за събиране на T2* изображения за BOLD сигнала. 40 среза, успоредни на линията AC-PC, покриващи целия мозък (размер на матрицата 80 80, размер на воксела 3 3 3,5 mm3), бяха получени за всеки обем (TR=2.5s, TE=35 ms) .

Участниците изпълниха три задачи в скенера (кодиране на 313 тома; изучаване на правила 143 тома; извличане на 534 тома) и задача за разсейване, която не беше сканирана. fMRI данните бяха предварително обработени и анализирани с помощта на SPM12 (Statistical ParameterMapping, Wellcome Center for Human Neuroimaging, UniversityCollege London https ://www.fil.ion.ucl.ac.uk/spm/software/spm12/). Изображенията бяха пренастроени към средното изображение с помощта на трансформация на твърдо тяло с шест параметъра, повторно нарязани с помощта на интерполация sinc и време на срез, коригирано до средата парче.

T1 анатомичните изображения бяха съ-регистрирани към съответното средно EPI изображение. Пространствената нормализация към шаблона на Монреалския неврологичен институт (MNI) беше извършена с помощта на набора от инструменти DARTEL, внедрен в SPM12 (Ashburner, 2007). Анизотропно 8 mm FWHM гаусово ядро ​​беше използвано за изглаждане на нормализираните EPI данни за едномерни анализи.

За премахване на нискочестотния шум данните бяха високочестотно филтрирани с помощта на прекъсване от 128 s. Две априорни области на интерес (ROI), двустранният хипокампус и ROI на средния мозък, включващи само substantia nigra (SN) и коремния тегментум площ (VTA). Маската на хипокампуса е взета от анатомичния атлас на Харвард-Оксфорд (праг при 25% вероятност; Desikan et al., 2006). Маската на средния мозък е взета от вероятностния атлас на средния мозък (Murty et al., 2014).

Функционалните данни на всеки участник от сесията за извличане бяха анализирани с помощта на рамката на общия линеен модел (GLM) в рамките на свързан със събитие дизайн, моделиращ каноничната функция на хемодинамичния отговор. Шестте параметъра на движение, произведени при пренастройване за всяка сесия, бяха използвани като неудобни регресори. За да се сведат до минимум артефактите на остатъчното движение, инструментът ArtRepair (http://cibsr.stanford.edu/tools/human-brain-project/artrepair-software.html) беше използван за създаване на допълнителни неудобни регресори за всеки участник.

Времевите серии бяха високочестотно филтрирани, за да се премахне нискочестотният шум (128-изключване). Като се има предвид нашата априорна хипотеза за ROI, въведена по-горе (двустранен хипокампус и SN/VTA), беше приет подход за корекция на малък обем (SVC) за тези региони, коригиран за фамилна грешка (FWE) за обема на ROI (първоначален праг за образуване на клъстер p, 0.001).

За по-проучвателни анализи на целия мозък беше използван подход, базиран на непараметрична пермутация (n=5000) за идентифициране на значими клъстери с помощта на набора от инструменти SnPM (https://warwick.ac.uk/fac/sci/statistics/staff /academic-research/Nichols/software/snpm/). Използван е начален праг за образуване на клъстер от p, 0.005 и се отчитат клъстери, значими при непараметрично p, 0,05. T-карти на ниво група без праг от SPM и SnPM са налични тук:https://neurovault.org/collections/TTDMPHLE/.

За да тестваме поведенческия ефект от взаимодействието между контекстуалното очакване на предишно събитие и контекстуалното очакване на текущото събитие, ние свихме цели и F1 и ги класифицирахме въз основа на реда на представяне (което дойде първо) и техния статус на очакване. Събитията F2 бяха моделирани като отделно състояние.

В този анализ сравняваме текущия елемент между текущо и предишно очаквано състояние (напр. EprevUcurr. EprevEcurr). Като се има предвид нашия експериментален дизайн, има четири параметъра, чиито взаимодействия могат да бъдат допълнително проучени: зададено събитие (цел, F1, F2), контекстуално очакване (очаквано или неочаквано), дадена реакция на паметта (правилна или неправилна) и ред на представяне в рамките на набора (първо, второ , или последно). Това води до 36 условия; те обаче не могат да бъдат моделирани заедно поради недостатъчния брой пробни контейнери (n, 7) за повечето участници.

Затова разработихме три отделни модела; в първия модел изследвахме основния ефект от очакването, независимо от зададеното събитие или решението за разпознаване. Във втория модел изследвахме успешни взаимодействия на паметта при зададено от очакванията събитие чрез свиване на опити в ред на представяне и моделиране само на правилни отговори за всяко събитие (всички неправилни отговори бяха моделирани като отделен регресор). В третия модел изследвахме взаимодействието на очакванията, зададеното събитие и реда на представяне, независимо от отговорите за разпознаване.

Резултати

Проведохме два експеримента, експеримент 1 изследва поведенческите реакции, а експеримент 2 използва подобна парадигма, докато данните за fMRI бяха събрани. И в двата експеримента нашата поведенческа задача включваше три етапа (за експериментален дизайн, вижте Фиг. 1): след кодирането на изображенията на обекти, участниците изпълниха задача за учене на правила, в която научиха случайност между реплика и категория на обекта (човек- направени или естествени). След това, при извличане, бяха представени същите щеки, последвани от стар (мишена) или нов (фолио) обект.

Фолиата бяха параметрично манипулирани с подобни обекти, F1, F2 и F3 в низходящ ред на сходство с целта. Участниците бяха помолени да направят старо/ново решение за разпознаване. В една трета от опитите за извличане, предварително установената контингентност на репликата и обектната категория е била нарушена. За да оценим модулираното с очакване кодиране и неговата чувствителност към перцептуално подобие, използвахме логистична регресия със смесени ефекти, за да моделираме реакцията (правилно/неправилно разпознаване) на всяко зададено събитие (цели и подобни фолиа) като функция на предходното събитие от този набор (напр. , ако първо се представи F1 и по-късно atarget, те ще бъдат отбелязани F1prev Targetcurr).

Освен това, всяко зададено събитие беше свързано със състояние на очакване, определено от предходната реплика (събитията, спазващи правилата, бяха маркирани като очаквани, а нарушаващите правилото като неочаквани). Всеки модел също така включва взаимодействие между текущия и предишния статус на очакване на събития, за да се изследват динамичните промени (напр. как предишен неочакван фолио влияе върху разпознаването на текуща очаквана цел; вижте Фиг. 1C; за пълни подробности вижте Материали и методи).

Експеримент 1

Паметта за целите се модулира от предхождащи неочаквани подобни събития

За целите след събития от комплект F1 открихме значителни основни ефекти от очакванията за F1 (b=0.659, X2(1)=4.63, p =0.031 ), както и пределно взаимодействие между очакванията на целта и състоянието на очакванията на предишния F1 (b =0.939, X2(1)=3.65, p=0.056; Фиг. 2A). Последващите контрастни тестове разкриха, че очакваните цели са по-склонни да бъдат запомнени след неочакван F1, в сравнение с очаквано събитие F1 (z=2.15, p=0.031). Освен това, когато предишното събитие от набор F1 е било неочаквано, последващите очаквани цели е по-вероятно да бъдат запомнени правилно в сравнение с неочакваните цели (z=2.37, p=0.017). Когато изследвахме цели, последвали събития от комплект F2 и F3, не наблюдавахме никакви значими предиктори (всички ps. 0,127).

Правилното отхвърляне на подобни фолиа се модулира от очакваното състояние на предходните цели

За F1 събития след цели, открихме взаимодействие между очаквания статус на двете събития (b=0.79, X2(1)=5.29, p=0.0 21; Фиг. 2B), с контрасти, показващи по-правилно отхвърляне на събития F1 (CR1) за очаквани събития F1, отколкото неочаквани събития F1 след неочаквани цели (z= 2.65, p= 0.0 08) и малко по-малко правилни отхвърляния за неочаквано F1, когато предишната цел е била неочаквана, в сравнение с времето, когато е била очаквана (z= 1.95, p= 0.0507; Фиг. 2, среден панел). Всички други ефекти не са значими (allps 0,255). При изследване на F1 събития, последвали F2 и F3 събития, ние не наблюдавахме никакви значими предиктори (allps . 0,274).

Модулацията на последователността на очакванията намалява с намаляването на перцептивното сходство

Събитията F2 не бяха повлияни от предишни цели (всички ps. 0.171), F1s (всички ps. 0.197) или F3s (всички ps. 0.174) от същия комплект.

По същия начин отговорите на F3 събития не бяха модулирани от предшестващи зададени събития (цели: всички ps. 0.484, F1s: всички ps. 0.148,F2s: всички ps. 0 .321).

Целите и техните най-сходни фолиа показват аналогични ефекти на очакваната последователност

Като се имат предвид сходните ефекти, наблюдавани за цели и F1 събития независимо, ние свихме двете, за да проверим дали тези ефекти се допълват (т.е. дали има взаимодействие между текущия и предишния статус на очакване; Фиг. 2C). Въпреки че попаденията и правилните отхвърляния не са непременно продукти на един и същи мнемоничен процес, в тази парадигма те предоставят възможност да се изследва как перцептивното натоварване (под формата на подобие) взаимодейства с динамичните модулации на очакванията.

Мнемоничното сравнение между текущото зададено събитие (цел или F1) и неговото предишно зададено събитие (F1 или цел, съответно), формира най-голямото натоварване или смущение относно кодирания обект, тъй като участникът взема решение за разпознаване. Следователно, ако са включени процеси на възприятие при среща с неочаквано събитие, ефектите, наблюдавани за всяко определено събитие поотделно, трябва да се повторят. Открихме значителен основен ефект от състоянието на очакване на предишното събитие (b=0.341, X2(1)=4.9,p=0.027), както и значително взаимодействие между състоянието на очакване на текущите и предишни събития (b =0.682, X2(1)=6.5, p=0.01).

Последващите контрастни тестове разкриха, че когато предишното зададено събитие е било неочаквано, са наблюдавани по-правилни отговори за очакваните в сравнение с неочакваните събития (UprevEcurr. UprevUcurr; z=3.1,p=0.002). UprevUcurr беше числено по-малък от EprevUcurr, но този ефект не достигна статистическа значимост (p=0.116). Освен това имаше повече правилни отговори за текущи очаквани събития след неочаквани от очакваните събития (EprevEcurr, UprevEcurr; z {{6 }}.22, p=0.027).

For more information:1950477648nn@gmail.com