Част 1: Целенасочена модулация на модели на невронна памет: Последици за FMRI-базирано откриване на памет
Mar 19, 2022
За контакт: Одри Хуaudrey.hu@wecistanche.com
Мелина Р. Ункафър, 1* Дж. Тайлър Бойд-Мередит, 1* Тифани Е. Чоу, 3 Джеси Рисман, 3 и X Антъни Д. Вагнер1,2
1 Департамент по психология и 2 Програма за невронауки, Станфордски университет, Станфорд, Калифорния 94305, и 3 Департамент по психология, Калифорнийски университет, Лос Анджелис, Лос Анджелис, Калифорния 90095
Спомнянето на минало събитие предизвиква разпределени невронни модели, които могат да бъдат разграничени от моделите, предизвикани при среща с нова информация. Тези различни модели могат да бъдат декодирани с относително висока диагностична точност за индивидуални спомени с помощта на анализ на мулти-вокселни модели (MVPA) на fMRI данни. Базираното на мозъка откриване на паметта – ако е валидно и надеждно – би имало ясна полза отвъд домейна на когнитивната невронаука, в областта на правото, маркетинга и извън тях. Въпреки това, значително гранично условие за валидността на декодирането на паметта може да бъде внедряването на "контрамерки": стратегии, използвани за маскиране на сигнали от паметта. Тук тествахме уязвимостта на базираното на fMRI откриване на памет към контрамерки, използвайки парадигма, която прилича на идентификацията на очевидци. Участниците бяха сканирани, докато изпълняваха две задачи върху предварително проучени и нови лица: (1) стандартна задача за памет за разпознаване; и (2) задача, при която те се опитват да скрият истинското си състояние на паметта. Едновариантните анализи разкриха, че участниците са успели стратегически да модулират невронните реакции, средната стойност в опитите, в региони, замесени в извличането на паметта, включително хипокампуса и ъгловия гирус. Освен това регионите, свързани с целенасочени промени на вниманието и заместване на мисълта, поддържат прикриване на паметта, а тези, свързани с генерирането на памет, поддържат прикриване на новост. Критично, докато MVPA позволяваше надеждна класификация на състоянията на паметта, когато участниците докладваха паметта вярно, способността за декодиране на памет при отделни опити беше компрометирана, дори обръщане, по време на опити за скриване на памет. Заедно тези констатации показват, че стратегическите цели Tate могат да бъдат разгърнати, за да маскират невронни модели, свързани с паметта, и технология за декодиране на паметта, поставяйки значително гранично условие за тяхната полезност в реалния свят.
Ключови думи: противодействие; епизодично извличане; функционален ЯМР; неврозакон; класификация на моделите
Cistanche може да подобри паметта
Въведение
Нарастващите доказателства показват, че е възможно да се декодира наличието или отсъствието на памет за стимул или събитие от разпределени модели на човешка мозъчна активност, измерени чрез функционален MRI (fMRI) и анализ на мултивокселни модели (MVPA; Johnson et al., 2009; McDuff et al., 2009; Chadwick et al., 2010; Quamme et al., 2010; Rissman et al., 2010; Polyn et al., 2012; Poppenk и Norman, 2012; Rissman и Wagner, 2012). Бързо появяващата се литература за базирано на fMRI декодиране на паметта не само информира неврокогнитивните теории за паметта, но също така има последици за правото, маркетинга и извън тях (Meegan, 2008). Например, надежден и утвърден метод за откриване на памет може да подобри съдебномедицинската способност на системата за наказателно правосъдие да определи дали заподозреният има познания за виновен относно информация, свързана с престъплението (Greely, 2011) или дали очевидец разпознава критично събитие елемент. Като се има предвид високата диагностична точност, наблюдавана в някои проучвания за декодиране на паметта, базирани на fMRI (до 70-90 процента; Rissman et al., 2010), може да е изкушаващо да се заключи, че тези подходи имат криминалистична полезност за разкриване на състоянията на паметта на индивида и може би също и тяхната емпирична история с информация за събитието.
Въпреки това, базираните на fMRI техники за откриване на памет все още са в процес на разработка, като остават много значителни предизвикателства, преди да се определи тяхната целесъобразност за използване на място (Brown and Murphy, 2010; Verschuere et al., 2011). Един от най-значимите отворени въпроси е дали декодирането на паметта е уязвимо за "контрамерки": стратегии, използвани за маскиране на мем или сигнали и тестове за откриване на "биене" (Farah et al., 2014). Рисман и др. (2010) докладват косвени доказателства, предполагащи уязвимост към стратегически целеви състояния, тъй като способността за откриване на предишни лица от нови лица е намалена до почти случайност, когато паметта на участниците е имплицитно, а не изрично, изследвана. Въпреки това, други данни предполагат, че липсата на внимание към мнемоничното състояние не винаги може да осуети класификацията на паметта. Например, Kuhletal. (2013) успя да декодира подробности от паметта, дори когато участниците не бяха инструктирани да извлекат тези подробности. Заедно тези констатации разкриват необходимостта от идентифициране на условия, при които стратегическите цели променят моделите на невронната памет: по-специално, могат ли участниците умишлено да скрият своите състояния на паметта чрез използването на контрамерки, които изглеждат кооперативни? Разглеждането на този въпрос не само има последици за очертаването на граничните условия на fMRI методите за откриване на паметта, но и за разбирането на динамиката на процесите на целенасочено извличане.
Тук изследвахме ситуация, която прилича на идентификация на очевидец и изискваше контрамерки, които биха изглеждали съвместими при тест за идентификация на очевидец. Участниците гледаха поредица от лица и паметта им за тези лица след това беше изследвана по един от двата начина, докато се подлагаха на fMRI. В първия тест участниците взеха изрични решения за разпознаване на по-рано срещани и нови лица. Във втория тест участниците се опитаха да скрият паметта си за лицата, срещани по-рано, и да симулират памет за новите лица. Използвайки изричните данни от паметта, ние обучихме класификатори да разграничават моделите на активност, свързани със субективните преживявания на разпознаване и новост. След това тествахме дали класификаторите могат да декодират състоянията на паметта на участниците, когато те участват в контрамерки.
Материали и методи
Участници. Двадесет и четири здрави участници от мъжки пол с дясна ръка бяха наети от Станфордския университет и околните общности. Участниците бяха на възраст 18–31 години, със средна SDage от 23 4.29 години, бяха носители на английски език без анамнеза за неврологични усложнения и бяха или афроамериканци (AA; n 8), или европейски американци (EA; n 16) според да се самоотчита. Участниците дадоха писмено информирано съгласие в съответствие с процедурите на Станфордския университет за институционален преглед и бяха проверени за съвместимост с fMRI.
Експериментирайте. Експериментът включваше две сесии на сканиране, проведени с интервал от 24 часа и отне приблизително 5 часа в двете сесии на сканиране. Всеки участник беше компенсиран $20 за всеки час участие. Бяха събрани данни от двама допълнителни участници, но пропуснати от последващи анализи поради неадекватно или непълно представяне: единият беше пропуснат, защото d беше случайно (0,08), а другият, защото участникът се оттегли от сканиране, преди да завърши експеримента.
Стимули. Стимулите на лицето се състоят от 400 цветни снимки на мъжки лица, от които половината са AA и половината са EA (данните, изследващи ефектите от състезанието, ще бъдат докладвани отделно). Стимулите на лицето бяха стандартизирани за неутрално изражение на лицето и фоново осветление и включваха само главата и шията. Стимулите бяха представени на сив фон с черен централен фиксиращ кръст. За всеки участник стимулите на лицето бяха разделени на две проби, като се използва стратифицирано произволно вземане на проби по раса, за да се присвоят стимули, които да бъдат представени по време на фазата на кодиране (СТАРИ елементи; 100AA, 100EA) или да служат като елементи от фолио при извличане (NEWitems; 100AA, 100 EA ).
Ден 1: кодиране. Участниците бяха сканирани, докато умишлено кодираха 200 мъжки лица (100 AA лица и 100 EA лица). Всяко лице беше представено за 2 s, с 8 s интерстимулен интервал (ISI) за общо 10 s на опит. Всяко лице беше показано два пъти по време на фазата на кодиране: след като беше представен пълният набор от 200 стимула, същите лица бяха представени отново в различен ред. На участниците беше дадена подробна стратегия за кодиране за запаметяване на стимулите, чрез която те бяха инструктирани да генерират въображаеми истории, включващи индивидите, изобразени в стимулите. За да потвърдят, че участниците обръщат внимание на стимулите и се ангажират със задачата, те бяха инструктирани да натискат десния бутон на показалеца върху полето за отговор, след като се появи всяко лице. Стимулите бяха представени в осем цикъла, с 50 лица на цикъл. Първите четири цикъла се състоят от първото представяне на стимули за изследване, а вторите четири цикъла се състоят от второ представяне на стимули за изследване. В края на всеки цикъл (и за ден 1, и за ден 2), участниците бяха насърчавани да си вземат толкова дълга почивка, колкото желаят, като сами прекъсваха почивката чрез натискане на бутон. Почивките варират между 10 и 55 s за участниците.
По-конкретно, за лица, за които се смяташе, че са били изследвани преди това, участниците бяха инструктирани да посочат "нов" отговор и бързо да преминат към когнитивна стратегия, за да прикрият невронните корелати на тяхното разпознаване: те бяха помолени да се съсредоточат върху техническите и/или фотографските аспекти на стимула, на който не са обърнали внимание преди, като експозиция, осветление, ръбове на линии и т.н. Тук беше подчертано, че компютърният алгоритъм е достатъчно чувствителен, за да улови сигнали от паметта и че след като се определи, че това е изследван лице, те трябва - доколкото могат - да се опитат да предотвратят спомена за лицето да идва в ума, като обръщат внимание на перцептивните аспекти на снимките. Обратно, за стимули, които се възприемат като неизучени, участниците бяха инструктирани да посочат „стар“ отговор и да използват когнитивни стратегии, за да извлекат невронните корелати на извличането, т.е. с индивида. Отново беше подчертано, че компютърният алгоритъм е достатъчно чувствителен, за да открие сигнали за новост, така че те трябва бързо да преминат към генериране на спомени за лицето, което са определили като ново. Както за стари, така и за нови лица, участниците бяха инструктирани да използват подходящата когнитивна стратегия за цялата продължителност на изпитването (10 s). Експериментаторите потвърдиха, че всички участници са разбрали задачата за скрита памет, преди да продължат с експеримента.
Унивариантни fMRI анализи. Статистическото параметрично картографиране (SPM8; Wellcome Department of Cognitive Neurology, Лондон, Обединеното кралство; http://www.fil.ion.ucl.ac.uk/spm/software/spm8), работещо в MATLAB 7.7 (R2008b; MathWorks), беше използвани както за предварителна обработка на данни, така и за едномерен анализ.
Към данните бяха приложени стандартни процедури за предварителна обработка. Всички функционални обеми бяха коригирани по време на отрязък, за да се отчетат разликите във времето на придобиване между отрязъците, като средният отрязък във времето се използва като референтен. Всички функционални обеми бяха коригирани с движение и пространствено пренастроени към първия обем, последвано от пренастройване към средния обем на сесията. T2-претегленият анатомичен обем от сесията на ден 2 (извличане) беше съвместно регистриран към средния функционален обем, след това T1- претегленият анатомичен обем беше съвместно регистриран към този съвместно регистриран T2-претеглен обем , и след това T1-претегленият обем беше сегментиран на сиво вещество, бяло вещество и CSF, като получените изображения се нормализираха към шаблони в пространството на Монреалския неврологичен институт (MNI). Функционалните обеми бяха нормализирани в стандартно пространство на базата на параметрите на трансформация, получени по време на сегментирането и повторно взети в 4 mm 3 воксели. След това всички изображения бяха пространствено изгладени с 8 mm гаусово ядро с пълна ширина на половин максимум (FWHM).
За всички класификационни схеми пробните преброявания бяха балансирани между класовете (чрез произволно вземане на подпроби) в рамките на обучаващите и тестовите контейнери преди класификацията, за да се осигури степен на точност на класификация на теоретична нулева хипотеза от 50 процента и площ под кривата (AUC; виж по-долу) от 0,50; анализите с разбъркани етикети на класове потвърдиха, че ефективността на случайната класификация се сближава около тези нива („нулево разпределение“). След балансиране, данните от всеки воксел бяха z отбелязани отново, така че средното ниво на активност на всеки воксел за опити от клас А беше обратното на неговото средно ниво на активност за опити от клас B. За всеки анализ целият процес на класифициране беше проведен 10 пъти, за да се получат стабилни оценки на производителността (независими анализи потвърдиха, че 10 итерации са достатъчни, за да се получат стабилни оценки на производителността).
За всички класификационни процедури беше използвана регуляризирана логистична регресия (RLR). Това беше определено преди това като изгоден избор в тази класификационна парадигма от Rissman et al. (2010). Този алгоритъм имплементира многокласова логистична регресионна функция, използвайки мекомаксимално преобразуване на линейни комбинации от характеристиките (Bishop, 2006) с допълнителен наказателен член като Гаус преди теглата на характеристиките. Този наказателен срок осигурява L2 регулиране, налагайки малки тегла. По време на обучението на класификатора, RLR алгоритъмът научи набора от тегла на характеристиките, които увеличиха максимално логаритмичната вероятност на данните; теглата на характеристиките бяха инициализирани до нула и оптимизацията беше приложена с функцията за минимизиране на спрегнат градиент на Карл Расмусен (http://www.gatsby.ucl.ac.uk/Edward/code/minimize/), използвайки градиента на логаритмичната вероятност, комбиниран с наказание L2.
Наказанието L2 беше настроено да бъде половината от адитивната обратна стойност на определен от потребителя параметър, умножен по квадрата на нормата L2 на тегловния вектор за всеки клас, добавен към класовете. Избрахме да зададем този безплатен параметър на фиксирана стойност от 10 за всички анализи, докладвани в това проучване.
Оценка на производителността на класификатора. След монтиране на параметрите на модела RLR с помощта на данните от набора за обучение, всеки модел на мозъчна активност (т.е. опит) от тестовия набор след това беше въведен в модела и даде оценка на вероятността този пример да е от клас A или клас B (по конструкция тези две стойности винаги се равняват на едно). Тези вероятностни стойности бяха обединени във всички гънки за тестване на кръстосано валидиране и след това класирани. Истинският положителен (ударен) процент и фалшиво положителен (FA) процент на класификатора бяха изчислени при 80 фиксирани прагови стойности на прекъсване по вероятностния континуум, за да се генерират криви на работните характеристики на приемника (ROC). Стойностите на AUC, свързани с тези криви, са изчислени, както е описано от Fawcett (2004) и могат да се тълкуват официално като вероятността произволно избран член от един клас да има по-малка изчислена вероятност да принадлежи към другия клас от има произволно избран член от другия клас. Казано по друг начин, AUC индексира средната точност, с която произволно избрана двойка опити от клас A и клас B може да бъде причислена към правилния им клас (0,5 е произволна ефективност; 1,0 е перфектна ефективност). Ако нечия цел е висока специфичност при етикетирането на примери от клас А и не желае да толерира много фалшиви положителни резултати, човек може да разпита най-уверените предположения на класификатора. Тук произволно задаваме този праг да бъде първите 10 процента от предположенията за класификация. Обърнете внимание, че ние докладваме точност, а не стойности на AUC, когато докладваме най-уверените опити на класификаторите.
Карти на важността. За всяка класификационна схема бяха конструирани карти на важността, като се следваше процедурата, описана в предишни проучвания на MVPA (Johnson et al., 20{{10}}9; McDuff et al., 2{{16 }}09). Стойността на важност на воксел предоставя индекс за това доколко увеличаването или намаляването на неговия сигнал влияе върху прогнозите на класификатора. След обучение процедурата за класифициране на логистична регресия дава набор от стойности на теглото, отразяващи прогнозната стойност на всеки воксел (с положителни стойности, показващи, че увеличенията на активността обикновено са свързани с резултат от клас А, и отрицателни стойности, показващи, че увеличенията на активността обикновено са свързани с резултат от класа). След това тези тегла бяха умножени по средното ниво на активност на всеки воксел за опити от клас А (което, поради нашата процедура за балансиране на опита и z-точкуване, е адитивната обратна стойност на неговото средно ниво на активност за опити от клас B). На воксели с положителни стойности за активност и тегло бяха присвоени положителни стойности на важност, на воксели с отрицателна активност и тегло бяха присвоени отрицателни стойности на важност, а на воксели, за които активността и теглото имаха противоположни знаци, бяха присвоени нулеви стойности на важност (Johnson et al., 2009; McDuff et al., 2009). Обобщените карти на ниво група са създадени чрез осредняване на картите на важност на отделните участници и се показват на фигурите при произволни прагове: 3D-изобразени карти с праг между 0,02 и 0,5 и 2D-изобразени карти между 0,05 и 0,5 (вижте Фиг. 4) или между 0,15 и 0,5 (виж Фиг. 7). Като последна бележка, въпреки че картите на важност са полезен инструмент за оценка кои воксели са били използвани от класификатора, тези карти не трябва да се тълкуват като предоставящи изчерпателна оценка на това кои воксели са индивидуално информативни за разграничението от интерес.
Анализи на прожектори. Картите на важността разкриват кои воксели предоставят диагностична информация на класификаторите на целия мозък. Те обаче не разкриват дали данните от отделните анатомични региони могат да се използват сами за разграничаване на попадения от CR. Проведохме анализи с прожектори, за да осигурим локални точности на декодиране (Kriegeskorte et al., 2006) в мозъка. От особен интерес беше дали регионите, в които зависимият от средното ниво на кислорода в кръвта (BOLD; едновариантен) сигнал беше модулиран значително чрез контрамерки (вижте Фиг. 2A), също позволиха точността на декодиране проба по проба, която значително се отклони от случайността. Извършихме критичната класификация (явни ¡ скрити удари срещу CRs) върху локални сферични маски, центрирани индивидуално върху всеки воксел в маската на целия мозък (с изключение на воксели в моторния кортекс и малкия мозък). Всяка сферична маска включва всеки воксел, който докосва ръба на централния воксел; по този начин получените сфери съдържат 19 воксела, освен когато сферата се простира отвъд маската на целия мозък. За да определим дали местните точности на декодиране са се развили в процеса (както би се очаквало, ако участниците първоначално са се погрижили за сигналите на паметта и след това са се опитали да скрият такива сигнали), ние проведохме тези прожектори отделно за всеки от шестте TR.
Ние оценихме значимостта във всяка от нашите сфери на прожектори, както в предишните анализи на декодиране: първо бяха изчислени AUC за 10 класификационни итерации и след това беше симулирано нулево разпределение чрез изчисляване на 10 допълнителни класификационни итерации с помощта на кодирани регресори. Ние генерирахме t карти на групово ниво, показващи сфери, които надеждно разграничават попаденията от CR чрез извършване на сдвоен t-тест на средната кодирана спрямо некодирана AUC стойност на всеки участник при всеки воксел, през всичките 10 итерации. Тези карти бяха прагово оценени на p 0,05 (коригирани) чрез прилагане на праг на размера на клъстера, получен от симулации на Монте Карло (Xiong et al., 1995), както е приложено в програмата AFNI (Автоматизирано функционално невро-изобразяване) 3dClustSim. Гладкостта на Monte
Симулацията на Карло беше оценена поотделно за всеки участник и всяка времева точка, като се използва програмата AFNI 3dFWHMx от средните AUC, постигнати през повторенията на разбърканата класификация. Гладкостта беше осреднена за участниците и времевите точки, за да се изчисли единична стойност на гладкостта за всяко измерение. Праг на височина по воксели от p 0.01 доведе до размер на клъстера от 22 воксела, за да се достигне значимост на ниво клъстер от p {{10}}.{{15} }5 (FWE) в дадена времева точка. За да коригираме множество сравнения в нашите шест времеви точки, ние приложихме корекцията на Bonferronini, изчислявайки прага на степента, необходим за постигане на значимост на ниво клъстер от p 0.0083 (или 0.05/6; FWE) при всяка времева точка или p 0,05 (FWE) в пространството и времето. Използвайки този метод, ние определихме, че е необходима степен на клъстер от 29 воксела, за да се постигне значимост на ниво клъстер от p 0.05 (FWE) в пространството и шестте времеви точки.
Резултати
Поведенческо представяне
Задача за явна памет
Когато участниците вярно докладваха мнемоничното си преживяване, предизвикано от всяко тестово лице, те постигнаха среден SD процент на попадения (скоростта, при която СТАРИ изображения точно преценяват като „стари“) от {{0}}.73 0. 12 и честота на FA (честотата, при която НОВИТЕ изображения неточно определят „стари“) от 0.27 0.10, което води до средно d от 1.27 0.56. Средните времена за отговор (RTs) бяха по-бързи за верни отговори (попадения, 1.74 0.60 s; CRs, 2.10 0.75 s), отколкото за неправилни отговори (FAs, 2.{{16) }}.01 s; пропуски: 2.33 0.81 s; t(23) 5.15, p 3.22 10 5). Отговорите за попадение бяха по-бързи от отговорите на CR (t(23) 5.44, p 1.56 10 5).
Сравняване на изрични и скрити задачи за памет
Средното d е значително по-голямо в експлицитната памет, отколкото в задачата за скрита памет (t(23) 2.99, p 6.6 10 3). Нямаше разлики в задачите в средното RT за нито един резултат от паметта (всички p стойности 0.05). Въпреки това, имаше значително взаимодействие между задачата и паметта, като средната разлика в RT за попадения и CR беше по-голяма в явната памет, отколкото в скритата задача на паметта (t(23) 6.25, p 2.22 10 6). Този диференциален ефект на паметта върху RT като функция на задачата може да следва от разликата в d между изричните и скритите условия на памет и вероятно е следствие от характера на двойната задача на скритото състояние на паметта: участниците трябваше първо да определят дали лицата са били стари или нови и след това бързо превключете към стратегия за прикриване на спомени/новости, като същевременно обръщате двигателните си реакции.
Унивариантни fMRI анализи
Първо проучихме въпроса дали участниците могат да се ангажират със стратегически контрамерки за модулиране на свързани с паметта BOLD сигнали в опитите (т.е. едновариантни fMRI отговори). За да направим това, ние идентифицирахме „ефекти на успеха на паметта“ (посещения CR) за всяка задача поотделно и след това определихме къде ефектите на успех на паметта са общи за задачите, както и къде са били модулирани по задача. След това проучихме дали способността за модулиране на ефектите на успеха на паметта е повлияна от силата на паметта.
Често срещани ефекти за успех на паметта
Като се има предвид, че участниците трябваше да определят дали дадено лице е старо или ново и в двете задачи, след това се опитахме да определим дали има региони, които разграничават попаденията от CR и в двете задачи. За да направим това, маскирахме включително горепосочените контрасти на успеха на паметта (при p {{0}}.01всеки, за да се получи общ праг от p 0,001). Резултатът от тази процедура на маскиране разкрива ефекти в левия IPS и левия VTC (фиг. 1C).
по-малко вероятно да се покажат обратни ефекти от успеха на паметта влявоAnG (r {{0}}.36, p 0.04). С други думи, ефектите от успеха на паметта им продължават въпреки опитите да се прикрие паметта им. Това откритие предполага, че участниците с по-силни спомени са имали по-голяма трудност при модулирането на своята AnG активност по време на скритата задача. Интересното е, че нито един хипокампален клъстер не показва значителна връзка между силата на паметта и активността (десен хипокампус, r0.{{10}}5,p 0.82; ляв хипокампус, r0.22, p 0.29), а наклоните на корелациите се различават между AnG и десния хипокампус (Williams t(21) 2.49, p 0.021) и незначително се различават за левия хипокампус (Williams t(21) 1.62, p 0.12) . Заедно тези констатации предполагат, че участниците с по-силни спомени са били по-малко способни да упражняват целенасочен контрол върху свързаните с паметта дейности в leftAnG, но това изглежда не е така в двустранния хипокампус.
Многовариантни fMRI анализи
Нашият централен въпрос е дали използването на когнитивни (насочени към целта) стратегии за противодействие би позволило на участниците да маскират невронни модели, свързани с паметта, като по този начин засягат способността на многовариантните техники да четат техните състояния на паметта за отделни събития. Съответно, ние след това оценихме способността на MVPA класификаторите да декодират състоянието на паметта на отделни опити за извличане чрез (1) първо обучение и тестване на класификатор върху данни от стандартната задача за разпознаване на паметта (изрична задача на паметта) и (2) след това оценка дали това класификаторът може също да декодира паметта, когато участниците се опитват да скрият своите състояния на паметта (задача за скрита памет). Нашият модел на процеса предложи три алтернативни сценария за тестване; започваме с обяснение на нашия модел на процеса и след това описваме всяка хипотеза на свой ред.