Множество и разграничими ефекти на сетивната история върху производителността на работната памет, част 2

Придобиване на MEG

Участниците бяха настанени в MEG скенера, след като бяха инструктирани относно спецификата на задачата. Те завършиха един тренировъчен блок, докато седяха в скенера преди началото на MEG записа.

Магнитоенцефалографията (MEG) е модерна технология, която може да записва човешката мозъчна активност и невронни сигнали. Тя е широко използвана в невронаучните изследвания, диагностика и лечение на неврологични заболявания и др. От гледна точка на паметта, магнитоенцефалографията може да ни помогне да се задълбочим в механизмите на човешката памет и функциите на мозъчните области.

Използвайки магнитоенцефалография, учените са направили някои открития за паметта. Например, те откриха области на мозъка, участващи в работната и дългосрочната памет, като префронталния кортекс, темпоралния лоб и хипокампуса. В допълнение, магнитоенцефалографията може да открие аномалии в мозъчната дейност, свързани с нарушения на паметта, като болестта на Алцхаймер. Следователно тази технология има широки перспективи за приложение при диагностициране и лечение на нарушения на паметта.

Освен че има значителен терапевтичен потенциал, магнитоенцефалографията може да помогне и на обикновените хора да подобрят паметта си. Като разберем как мозъците ни обработват информация и съхраняват спомени, можем да разберем по-добре как да учим и запомняме по-ефективно. Учените са открили някои доказани техники за трениране на паметта, като повторение и асоцииране, които могат да ни помогнат да запазим информацията по-добре.

Накратко, магнитоенцефалографията е технология, тясно свързана с изследването на паметта. Той може да проведе задълбочено изследване на нашия механизъм на паметта и функциите на мозъчната област, като помага за разрешаване на нарушения на паметта и подобряване на паметта. Нека активно да изследваме и да се научим да използваме по-добре потенциала на магнитоенцефалографията, за да ни помогне да разберем и използваме по-добре мозъка си. 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

Участниците бяха инструктирани да задържат погледа си в централната фиксираща точка и да минимизират мигането по време на целия опит.

Невромагнитните данни бяха получени с помощта на цяла глава VectorViewsystem, включваща 204 равнинни градиометри и 102 магнитометри (Elekta Neuromag Oy) в магнитно екранирана стая.

По време на експеримента позицията на главата на участниците беше наблюдавана непрекъснато с помощта на индексни бобини, поставени в четири точки на главата. Интензитетът на магнитното поле беше взет при честота от 1000 Hz и лентовото филтриране онлайн между 0,03 и 300 Hz. В допълнение, вертикални и хоризонтални електроокулограми бяха измерени с помощта на електроди, поставени над, под и в съседство с очите. Движенията на очите бяха наблюдавани с помощта на устройство за проследяване на очи EyeLink 1000 (SR Research) при честота от 1000 Hz.

MEG предварителна обработка на данни

Данните бяха предварително обработени офлайн с помощта на Fieldtrip (Oostenveld et al., 2011), софтуерна библиотека OHBA (OSL), използвайки SPM8 (http://www.fil.ion.ucl.ac.uk/spam) и софтуер Elekta.

Преди каквато и да е предварителна обработка MEG данните бяха визуално проверени, за да се премахнат и интерполират всички сензори, които показват прекомерни нива на шум и впоследствие бяха обезшумени и коригирани от движение с помощта на Maxfilter Signal SpaceSeparation (Taulu et al., 2004), преди да се премахнат независими компоненти, свързани със сърдечния и артефакти на мигане.

Данните са епохирани около първата решетка и втората решетка (от 400 ms преди началото на решетката до 900 ms след началото) и са намалени до 200 Hz. Бяха идентифицирани и изключени опити с висока дисперсия в градиометри или магнитометри с помощта на обобщен ESD (екстремно студентско отклонение; Rosner, 1983) тест при праг на значимост 0,05.

За анализи на пристрастия между опитите, ние обучихме класификатора на всички представяния на стимули от всички неотхвърлени опити. Тъй като изключихме опити с висока дисперсия (7.49 6 3.85%, средно 6 SD, съответстващи на 45 6 23 представяния на стимули) от по-нататъшен анализ, класификаторът беше обучен върху останалите 555 6 23 представяния на стимули.

Преди да изчислим отклоненията, премахнахме първото изпитване на всеки блок (2%) и опитите с абсолютна ъглова разлика с целевата ориентация при предишния опит от .60 градуса (;33%), което води до 370 6 21 опита за това анализ на участник.

За анализи на пристрастия в рамките на изпитването ние обучихме класификатора на всички опити, при които беше представен стимул 2, с изключение на тези, премахнати за висока дисперсия, оставяйки 278 6 11 опита в анализа.

За изчисляване на отклонението измежду тези опити избрахме тези, при които стимул 1 също е бил представен и с абсолютна ъглова разлика от 0,10 градуса и 50 градуса между стимули 1 и 2. Впоследствие отклонението беше изчислено отделно за опити със защита и реплики за актуализиране, което води съответно до 62 6 5 и 63 6 5 изпитания.

Класификация на линейния дискриминантен анализ

Данните бяха допълнително обработени предварително. Величините на магнитометрите бяха приблизително съпоставени с градиометрите чрез умножение (коефициент 20) и подложени на пространствено-временно декодиране (кодът е достъпен на https://pypi.org/project/temp-dec/; както е описано по-рано, Wolff et al., 2017, 2020; Hajonides et al., 2021). Данните от всичките 306 MEG сензора през плъзгащ се прозорец от 30-времеви точки (150 ms) бяха свързани в 9180-дименсионален вектор.

Размерността беше намалена с помощта на анализ на главните компоненти, изчислен отделно за всяка времева точка, поддържайки 90% от дисперсията (между 250 и 600 ms, това беше около 209 6 39 компонента на участник, средно 6 SD).

Това послужи за обезшумяване на данните, увеличаване на уникалната дисперсия, кодирана от всяко измерение, и позволява на класификатора да изчислява ковариационните матрици по-ефективно. Предстимулното базово определяне не е приложено за поддържане на стабилна информация от преди това представени стимули.

За да се обучи класификатор за линеен дискриминантен анализ (LDA), данните бяха разделени на комплекти за обучение и тестване с помощта на {{0}}кратно стратифицирано кръстосано валидиране. Ъглите на решетката бяха обединени в еднакво разпределени контейнери за ориентация, създавайки 10 различни класа (0–18 градуса, 18–36 градуса, 36–54 градуса, 54–72 градуса, 72–90 градуса, 90–108 градуса, 108–126 градуса, 126–144 градуса, 144–162 градуса, 162–180 градуса). За да се обучи LDA класификатор, данните бяха разделени на набори за обучение и тестване с помощта на 10-кратно стратифицирано кръстосано валидиране.

Въз основа на набора за обучение класификаторът LDA проектира данните в нискомерно пространство (от девет измерения; брой класове минус 1), което максимално разделя данните от 10-те класа. След това данните от тестовия набор бяха проектирани в същия {{ 3}}dimensionalspace. Получихме 10 LDA разстояния за всяко изпитване в тестовия набор чрез изчисляване на неговото евклидово разстояние от средната стойност на класа на всеки тренировъчен набор в нискомерното пространство.

Тези разстояния ни позволиха да преценим вероятността всеки даден тестов опит да съответства на всеки от десетте класа. Това се повтаряше за всяко кръстосано валидиране и всяка времева точка. Анализи на декодиране на стимул, представеният ъгъл беше използван за класификация.

При анализи на кръстосано декодиране, класификаторите на LDA бяха обучени върху контейнери за ориентация на едно събитие (напр. представена решетка), но доказателствата на класификатора бяха подредени около контейнери с друга ориентация (напр. целева ориентация при предишния опит). Получените криви на представяне на подобие бяха навити с косинус.

За да тестваме кои сензори са допринесли най-съществено за вероятностите на класификатора, наблюдавани в нашите многовариантни методи, ние също проведохме анализ на декодиране на прожектори (Kriegeskorte et al., 2006).

В този анализ, ние разгледахме малко група от сензори и по този начин успяхме да картографираме приблизителното местоположение на наблюдавания ефект. По-конкретно, ние избрахме данни от всеки сензор плюс неговите 47 най-близки съседи (включени магнитометри и градиометри) и проведохме същия класификационен анализ, както е описано по-горе.

Изчисляване на резултата за невронна асиметрия като мярка за невронно отклонение

За отклонения в рамките на изпитването, ние оценихме обработката на втората решетка и взехме под внимание само опити с два елемента. Класификаторът беше обучен на всички презентации на втората решетка и вероятностите за бин бяха генерирани за всеки опит. За анализи между опитите ние анализирахме обработката на ориентацията както на първата, така и на втората решетка в настоящия опит. Поради тази причина ние обучихме класификатора на всички опити и генерирахме bin прогнози за всички опити.

Впоследствие, въз основа на резултатите от анализите на пристрастията на производителността, ние избрахме опити, при които ъгловото разстояние между индуктора и ориентацията на решетката на дисплея доведе до значително поведенческо отклонение на ниво група.

В случай на отблъскващо отклонение в рамките на изпитването, индукторът е ориентацията на първата решетка при същия опит. За анализите между опитите, индукторът беше целевата ориентация, докладвана в предишното изпитване (с изключение на контролните анализи, където неотчетената ориентация беше използвана като цел). Като зависима променлива, ние взехме под внимание оценките на вероятността за всеки контейнер за ориентация, където очакваме най-високата вероятност за ъгловия контейнер, който има нулево отместване спрямо представената ориентация и намаляващи вероятности за контейнери с по-големи ъглови разстояния спрямо представената ориентация.

Отделно оценихме оценките на вероятността за опити, при които ориентацията на индуктора беше по посока на часовниковата стрелка (CW) спрямо посока, обратна на часовниковата стрелка (CCW) по отношение на текущата ориентация. И за двата изпитания CW и CCW отделно осреднихме доказателствата от контейнерите за ориентация CW (72 градуса до 18 градуса) и доказателствата от контейнерите CCW (18 градуса до 72 градуса).

Резултатите за асиметрия бяха изчислени чрез получаване на разликата между двете групи ъглови контейнери (CW минус CCW). И накрая, ние изчислихме общ резултат на невронно отклонение чрез изваждане на резултатите за асиметрия при опити с CW срещу CCW индуктори.

Привлекателните невронни отклонения доведоха до положителен резултат (т.е. опитите с CW ъглови разстояния доведоха до повече CW доказателства, CCW ъгловите разстояния доведоха до повече CCW доказателства), докато отблъскващите невронни отклонения доведоха до отрицателен резултат (т.е. CW ъгловите разстояния доведоха до по-малко CW доказателства от CCW опити и обратно).

Статистическо тестване

Статистическите тестове бяха изчислени с помощта както на JASP (JASP Team, 2020), така и на Scipy (Virtanen et al., 2020).

Тествахме времевата поредица от косинус-конволтирани доказателства за класификатор срещу нула, използвайки тест за пермутация, базиран на клъстер, който адресира проблема с множество сравнения (използвайки MNE; Gramfort et al., 2013). Извършихме 100 000 итерации.

Клъстерите с групи времеви точки, значително различни от нула, са посочени на съответните фигури с хоризонтални линии. Базирано на клъстери пермутационно тестване също беше приложено за отклонение на производителността през ъгловото разстояние между представената ориентация и ориентацията на индуктора.

За да тестваме значимостта на нашите анализи на пристрастия, ние генерирахме разместващо разпределение след етапа на декодиране. Когато опитите бяха сортирани въз основа на относителната ориентация на предишния опит/стимул, ние произволно обърнахме това ъглово разстояние и преизчислихме отклонението. Изчислихме отклонението за всички участници и осреднихме този резултат. Този процес беше повторен 10, 000 пъти и полученото разпределение беше z-оценено.

Същата трансформация на z-резултат беше приложена към наблюдавания резултат на отклонение, когато не беше приложено произволно обръщане на знака. Този z резултат може след това да се използва за получаване на (двустранната) p-стойност на първоначалния ефект спрямо разместването на разпределението (във всички отчетени средни времеви стойности са използвани времеви точки между 250 и 600 ms).

Всички тестове бяха двустранни, освен ако не е посочено друго.

Резултати

Процент на грешки

Участниците бяха точни при възпроизвеждането на целевата ориентация (средна грешка в отговора 11.73 6 0.70 градуса SEM; средна SD 17.61 61.07 градуса SEM; вижте таблицата 1 за изпълнение според условията). ANOVA с повторени измервания две по две върху грешката в отговора показа основните ефекти от типа сигнал (F(1,19)=16.49, p, 0.001, h2=0.374) и няколко представени стимули (F(1,19)=29.78, p, 0.001,h2=0.075).

Типът реплика беше значителен както за опитите с един елемент, така и за два елемента, като абсолютната грешка е по-висока при първия доклад, отколкото при втория доклад за двата опита с два елемента (t(19)=3.972,p, {{6} }.001, d=0.888; вижте Таблица 1) и опити с един елемент (t(19) =3.948, коригирано с Bonferroni p, 0.001, d {{ 18}}.883). За разлика от това, няколко представени елемента засягат предимно първите условия на доклада.

Грешката е била по-висока при докладване на първите две, отколкото при докладване на първите опити с един елемент (t(19)=5.665, p, 0.001, d=1.267), но не е значително се различават между отчета за втори опит с два елемента и доклада за втори опит с един елемент (t(19)=1.885, p=0.075,d=0.421), което води до значително взаимодействие между двата фактора (F(1,19)=10.90, p=0.004, h2=0.026).

Анализи с използване на моделиране на смеси (Bays et al., 2009) потвърдиха, че грешките, произтичащи от отговорите на ориентацията на решетката без решетка, са редки (коефициент на размяна от 0.033 6 0.01 при опити с два елемента; вижте също Huang , 2020 г.).

Отблъскващи отклонения в представянето в рамките на опитите

Ние анализирахме отклоненията в рамките на изпитването в поведенческите резултати, като преценихме дали докладваната ориентация е систематично докладвана като по-близка или по-далеч от нецелевата ориентация в същото изпитване (вижте Материали и методи).

Ние ограничихме анализите до опити с два елемента. Фигура 2А показва отклонението на производителността за всички абсолютни ъглови разстояния между първата и втората ориентация на решетката за докладвани първи и докладвани втори опити. При опити с докладвани първи сигнали няма значително отклонение към или встрани от интерфериращата втора ориентация на решетката, което не е от значение за настоящата задача (t(19)=0.74, p=0.467).

Обратно, опити с докладвани втори сигнали разкриха значителни отклонения от първоначално кодираната първа ориентация на решетката (t(19)=2.33, p=0.031; илюстрирано на Фиг. 2B). Вторите опити за докладване на отблъскващи отклонения бяха потвърдени с помощта на базиран на клъстер тест за пермутация, показващ значителен клъстер (p=0.012), когато ъгловото разстояние между двете ориентации беше между 10 градуса и 49 градуса (Фиг. 2A).

Атрактивно отклонение в производителността между опитите

След това оценихме отклонението между опитите на отговорите в текущото изпитване към ориентацията, която беше насочена към предишния опит (фиг. 3). Ние оценихме отклонението в производителността като функция на ъгловите разлики между целевата решетка в текущия и в предишния опит.

Анализът също така взе предвид позицията на целевата решетка в текущия опит (първи или втори) и броя на елементите в текущия опит (един елемент или два елемента). За последователност, ние наричаме всички опити, при които участниците докладват първата ориентация на решетката, първи опити и опити, при които участниците съобщават втората ориентация, докладват втори опити, независимо от броя на представените решетки.

Отново изчислихме сумата на отклонението на ъгловите разстояния между целите в настоящите и предишни опити (фиг. 3A, B). За разлика от отблъскващата пристрастност, описана в предишния раздел, открихме, че всички условия показват атрактивна пристрастност на ефективността (всички p, 0.05 в двустранни статистически тестове). Атрактивното серийно отклонение беше най-изразено за малки до междинни ъглови разстояния между индуктора и текущата ориентация (0–60 градуса).

ANOVA с многократни измервания на сумата от отклонения през ъгловите разстояния показва ефект от тип сигнал, с по-големи отклонения, възникващи в първите опити на доклада (F(1,19)=5.706, p=0.027, h2=0.172), но не и от броя на решетките, представени в опит (F(1,19)=0.980, p=0.335, h2 =0 .007). Двата фактора не си взаимодействат (F(1,19)=0.377, p=0.547,h2=0.002). Това показва, че отклонението е по-силно при извикване на първия елемент, който е кодиран по-близо във времето до предишния опит.

For more information:1950477648nn@gmail.com