Efectele multiple și disociabile ale istoriei senzoriale asupra performanței memoriei de lucru Partea 2

Achiziție MEG

Participanții au fost așezați în scanerul MEG după ce au fost instruiți despre specificul sarcinii. Ei au finalizat un bloc de practică în timp ce stăteau în scaner înainte de începerea înregistrării MEG.

Magnetoencefalografia (MEG) este o tehnologie modernă care poate înregistra activitatea creierului uman și semnalele neuronale. A fost utilizat pe scară largă în cercetarea în neuroștiință, diagnosticul și tratamentul bolilor neurologice etc. Din perspectiva memoriei, magnetoencefalografia ne poate ajuta să ne adâncim în mecanismele memoriei umane și în funcțiile zonelor creierului.

Folosind magnetoencefalografia, oamenii de știință au făcut câteva descoperiri despre memorie. De exemplu, au descoperit regiuni ale creierului implicate în memoria de lucru și pe termen lung, cum ar fi cortexul prefrontal, lobul temporal și hipocampul. În plus, magnetoencefalografia poate detecta anomalii în activitatea creierului asociate cu tulburări de memorie, cum ar fi boala Alzheimer. Prin urmare, această tehnologie are perspective largi de aplicare în diagnosticarea și tratarea tulburărilor de memorie.

Pe lângă faptul că are un potențial terapeutic considerabil, magnetoencefalografia poate ajuta și oamenii obișnuiți să-și îmbunătățească memoria. Înțelegând modul în care creierul nostru procesează informații și stochează amintiri, putem înțelege mai bine cum să învățăm și să ne amintim mai eficient. Oamenii de știință au descoperit câteva tehnici dovedite de antrenament a memoriei, cum ar fi repetiția și asocierea, care ne pot ajuta să reținem mai bine informațiile.

Pe scurt, magnetoencefalografia este o tehnologie strâns legată de cercetarea memoriei. Poate efectua o explorare aprofundată a mecanismului nostru de memorie și a funcțiilor zonei creierului, ajutând la rezolvarea tulburărilor de memorie și la îmbunătățirea memoriei. Să explorăm în mod activ și să învățăm să folosim mai bine potențialul magnetoencefalografiei pentru a ne ajuta să înțelegem și să ne folosim mai bine creierul. Se poate observa că trebuie să îmbunătățim memoria, iar Cistanche deserticola poate îmbunătăți semnificativ memoria, deoarece Cistanche deserticola poate regla și echilibrul neurotransmițătorilor, cum ar fi creșterea nivelului de acetilcolină și a factorilor de creștere. Aceste substanțe sunt foarte importante pentru memorie și învățare. În plus, carnea poate, de asemenea, să îmbunătățească fluxul sanguin și să promoveze livrarea de oxigen, ceea ce poate asigura că creierul primește suficiente nutrienți și energie, îmbunătățind astfel vitalitatea și rezistența creierului.

Faceți clic pe cunoașteți modalități de îmbunătățire a funcției creierului

Participanții au fost instruiți să își mențină privirea la punctul central de fixare și să minimizeze clipirea pe tot parcursul procesului.

Datele neuromagnetice au fost obținute folosind un sistem VectorView cu cap întreg, care include 204 gradiometre plane și 102 magnetometre (Elekta Neuromag Oy) într-o cameră ecranată magnetic.

Pe tot parcursul experimentului, poziția capului participanților a fost monitorizată continuu folosind bobine index plasate în patru puncte pe cap. Intensitatea câmpului magnetic a fost eșantionată la o rată de 1000 Hz și trece-bandă filtrată online între 0,03 și 300 Hz. În plus, electro-oculogramele verticale și orizontale au fost măsurate folosind electrozi plasați deasupra, dedesubt și adiacent ochilor. Mișcările ochilor au fost monitorizate utilizând un eye tracker EyeLink 1000 (SR Research) la o frecvență de 1000 Hz.

Preprocesarea datelor MEG

Datele au fost preprocesate offline folosind Fieldtrip (Oostenveld et al., 2011), biblioteca de software OHBA (OSL) bazată pe SPM8 (http://www.fil.ion.ucl.ac.uk/spam) și software-ul Elekta.

Înainte de orice preprocesare, datele MEG au fost inspectate vizual pentru a elimina și a interpola orice senzori care au afișat niveluri excesive de zgomot și au fost ulterior dezgomotat și corectate de mișcare folosind Maxfilter Signal SpaceSeparation (Taulu și colab., 2004) înainte de a elimina componentele independente legate de cardiac. și artefacte din clipirea ochilor.

Datele au fost de epocă în jurul primului și al celui de-al doilea rețea (de la 400 ms înainte de debutul rețelei la 900 ms după debut) și eșantionate la 200 Hz. Au fost identificate și excluse studiile cu variație mare fie în gradiometre, fie în magnetometre, utilizând un test ESD (deviație extremă studentizată; Rosner, 1983) generalizat la un prag de semnificație de 0,05.

Pentru analizele de părtinire între încercări, am instruit clasificatorul cu privire la toate prezentările de stimuli din toate studiile nerespinse. Deoarece am exclus studiile cu varianță mare (7,49 6 3,85%, medie 6 SD, corespunzătoare45 6 23 prezentărilor de stimul) din analize ulterioare, clasificatorul a fost antrenat pe restul de 555 6 23 prezentări de stimul.

Înainte de a calcula prejudecățile, am eliminat prima încercare a fiecărui bloc (2%) și încercările cu o diferență unghiulară absolută cu orientarea țintei în încercarea anterioară de 0,60 grade (;33%), rezultând în 370 6 21 încercări pentru aceasta. analiza per participant.

Pentru analizele de părtinire în cadrul testului, am antrenat clasificatorul pentru toate încercările în care a fost prezentat stimulul 2, cu excepția celor eliminate pentru varianță mare, lăsând 278 6 11 încercări în analiză.

Pentru calculul părtinirii, dintre aceste încercări le-am selectat pe acelea pentru care a fost prezentat și stimulul 1 și cu o diferență unghiulară absolută de 0,10 grade și 50 grade între stimulii 1 și 2. Ulterior, distorsiunea a fost calculată separat pentru studiile cu protectie și indici de actualizare, ducând la încercări 62 6 5 și, respectiv, 63 6 5.

Clasificarea analizei discriminante liniare

Datele au fost preprocesate în continuare. Magnitudinele magnetometrelor au fost aproximativ potrivite cu gradiometrele prin multiplicare (factor 20) și supuse decodării spațio-temporale (cod disponibil la https://pypi.org/project/temp-dec/; așa cum a fost descris anterior, Wolff et al., 2017, 2020; Hajonides și colab., 2021). Datele de la toți cei 306 senzori MEG dintr-o fereastră glisantă de 30-puncte de timp (150 ms) au fost concatenate într-un vector 9180-dimensional.

Dimensionalitatea a fost redusă utilizând analiza componentelor principale, calculată separat pentru fiecare punct de timp, menținând 90% din varianță (între 250 și 600 ms, aceasta a fost în jur de 209 6 39 componente per participant, medie 6 SD).

Acest lucru a servit la eliminarea zgomotului datelor, la creșterea varianței unice codificate de fiecare dimensiune și pentru a permite clasificatorului să calculeze matrice de covarianță mai eficient. Prestimulusbaselining nu a fost aplicat pentru a menține informații stabile din stimulii prezentați anterior.

Pentru a antrena un clasificator de analiză discriminantă liniară (LDA), datele au fost împărțite în seturi de antrenament și testare utilizând validarea încrucișată stratificată de {{0}}fold. Unghiurile de grătare au fost împărțite în compartimente de orientare egal distanțate, creând 10 clase distincte (0–18 grade, 18–36 grade, 36–54 grade, 54–72 grade, 72–90 grade, 90–108 grade, 108–126 grade, 126–144 de grade, 144–162 de grade, 162–180 de grade). Pentru a antrena un clasificator LDA, datele au fost împărțite în seturi de instruire și testare folosind 10-validarea încrucișată stratificată de ori.

Pe baza setului de antrenament, clasificatorul LDA proiectează datele într-un spațiu cu dimensiuni reduse (de nouă dimensiuni; numărul de clase minus 1) care separă maxim datele din cele 10 clase. Datele din setul de testare au fost apoi proiectate în același {{ 3}}spațiu dimensional. Am obținut 10 distanțe LDA pentru fiecare încercare din setul de testare calculând distanța sa euclidiană de la media fiecărei clase de set de antrenament în spațiul de dimensiuni joase.

Aceste distanțe ne-au permis să estimăm probabilitatea ca orice probă de testare dată să corespundă fiecăreia dintre cele zece clase. Acest lucru a fost repetat pentru fiecare pliu de validare încrucișată și pentru fiecare punct de timp. Analizele de decodificare a stimulului, unghiul prezentat a fost folosit pentru clasificare.

În analizele de decodificare încrucișată, clasificatorii LDA au fost instruiți pe compartimentele de orientare ale unui eveniment (de exemplu, rețeaua prezentată), dar dovezile clasificatorului au fost aliniate în jurul recipientelor de altă orientare (de exemplu, orientarea țintei în procesul precedent). Curbele de similaritate reprezentațională rezultate au fost implicate cu un cosinus.

Pentru a testa ce senzori au contribuit cel mai semnificativ la probabilitățile de clasificare observate în metodele noastre multivariate, am efectuat și o analiză de decodificare a reflectorului (Kriegeskorte și colab., 2006).

În această analiză, au luat în considerare în mod repetat un grup mic de senzori și, prin urmare, au reușit să calculeze locul aproximativ al efectului observat. Mai precis, am selectat datele de la fiecare senzor plus cei 47 de vecini cei mai apropiati ai săi (inclusiv magnetometre și gradiometre) și am efectuat aceeași analiză de clasificare descrisă mai sus.

Calculul scorului de asimetrie neuronală ca măsură a părtinirii neuronale

Pentru prejudecățile în cadrul testului, am evaluat procesarea celui de-al doilea grătar și am luat în considerare doar studiile cu doi itemi. Clasificatorul a fost instruit cu privire la toate prezentările celui de-al doilea grătar și au fost generate probabilități de bin pentru fiecare încercare. Pentru analizele între încercări, am analizat procesarea orientării atât a primului, cât și a celui de-al doilea grătar în studiul curent. Din acest motiv, am instruit clasificatorul pentru toate încercările și am generat predicții bin pentru toate încercările.

Ulterior, pe baza rezultatelor analizelor de părtinire a performanței, am selectat studii în care distanța unghiulară dintre inductor și orientarea rețelei de pe afișaj a condus la o prejudecată comportamentală semnificativă la nivel de grup.

În cazul părtinirii repulsive în cadrul testului, inductorul a fost orientarea primului grilaj pe același proces. Pentru analizele dintre studii, inductorul a fost orientarea țintă raportată în studiul anterior (cu excepția analizelor de control, unde orientarea neraportată a fost folosită ca țintă). Ca variabilă dependentă, am luat în considerare estimările de probabilitate pentru fiecare compartiment de orientare, unde ne așteptăm la cea mai mare probabilitate pentru compartimentul unghiular care are decalaj zero față de orientarea prezentată și probabilități descrescătoare pentru compartimentele cu distanțe unghiulare mai mari față de orientarea prezentată.

Am evaluat separat estimările de probabilitate pentru studiile în care orientarea inductorului a fost în sensul acelor de ceasornic (CW) versus în sens invers acelor de ceasornic (CCW) în ceea ce privește orientarea curentă. Pentru ambele studii CW și CCW, am mediat separat dovezile din recipientele de orientare CW (72 grade până la 18 grade) și probele din recipientele CCW (18 grade până la 72 grade).

Scorurile de asimetrie au fost calculate prin obținerea diferenței dintre cele două grupuri de recipiente unghiulare (CWminus CCW). În cele din urmă, am calculat un scor general de părtinire neuronală scăzând scorurile de asimetrie din studiile cu inductori CW versus CCW.

Prejudecățile neuronale atractive au dus la un scor pozitiv (adică, încercările cu distanțe unghiulare CW au dus la mai multe dovezi CW, distanțele unghiulare CCW au dus la mai multe dovezi CCW), în timp ce părtinirile neuronale respingătoare au dus la un scor negativ (adică distanțele unghiulare CW au dus la mai puține dovezi CW decât încercări CCW și invers).

Testare statistică

Testele statistice au fost calculate atât folosind JASP (JASP Team, 2020) cât și Scipy (Virtanen și colab., 2020).

Am testat seria temporală a dovezilor clasificatoarelor combinate în cosinus față de zero folosind un test de permutare bazat pe cluster, care abordează problema comparației multiple (folosind MNE; Gramfort și colab., 2013). Weran 100,000 iterații.

Grupurile cu grupuri de puncte de timp semnificativ diferite de zero sunt indicate în figurile relevante folosind linii orizontale. Testarea de permutare bazată pe clustere a fost, de asemenea, aplicată la polarizarea performanței pe distanța unghiulară dintre orientarea prezentată și orientarea inductorului.

Pentru a testa semnificația analizelor noastre de părtinire, am generat o distribuție amestecată după etapa de decodificare. Când încercările au fost sortate în funcție de orientarea relativă a testului/stimulului anterior, am inversat aleatoriu această distanță unghiulară și am recalculat părtinirea. Am calculat distorsiunea pentru toți participanții și am făcut media acestui scor. Acest proces a fost repetat de 10,000 ori, iar distribuția rezultată a primit scorul z.

Aceeași transformare a scorului z a fost aplicată scorului de părtinire observat atunci când nu a fost aplicată nicio schimbare aleatorie a semnelor. Acest scor z ar putea fi apoi utilizat pentru a obține valoarea p (cu două cozi) a efectului inițial în raport cu distribuția amestecării (în toate mediile de timp raportate, au fost utilizate puncte de timp între 250 și 600 ms).

Toate testele au fost cu două fețe, dacă nu se specifică altfel.

Rezultate

Rate de eroare

Participanții au reprodus cu acuratețe orientarea țintei (eroare medie de răspuns 11.73 6 0.70 grade SEM; medie SD 17.61 61.{0SEM 7 grade; vezi tabelul 1 pentru performanță în funcție de condiție). Un ANOVA cu două câte două măsuri repetate asupra erorii de răspuns a arătat principalele efecte ale tipului de indiciu (F(1,19)=16.49, p, 0.001, h2=0.374) și mai multe stimuli prezentați (F(1,19)=29.78, p, 0.001, h{2=0.075).

Tipul de indiciu a fost semnificativ atât pentru încercările cu un articol, cât și pentru două elemente, cu eroarea absolută mai mare la primul raport decât la al doilea raport pentru ambele încercări cu două elemente (t(19)=3.972,p, {{6} }.001, d=0.888; vezi tabelul 1) și încercări cu un articol (t(19) =3.948, p corectat de Bonferroni, 0,001, d {{ 18}}.883). În schimb, mai multe elemente prezentate au afectat în primul rând primele condiții ale raportului.

Eroarea a fost mai mare la primele două încercări ale raportului decât la primele încercări cu un articol (t(19)=5.665, p, 0.001, d=1.267), dar nu a fost semnificativ diferă între al doilea raport cu două elemente și al doilea raport cu un singur articol (t(19)=1.885, p=0.075,d=0.421), conducând la o valoare semnificativă interacțiunea dintre cei doi factori (F(1,19)=10.90, p=0.004, h{2=0.026).

Analizele care utilizează modelarea amestecurilor (Bays și colab., 2009) au confirmat că erorile provenite din răspunsurile la orientarea rețelei neindicate au fost rare (rata de schimb de 0,033 6 0,01 la studiile cu două articole; vezi și Huang). , 2020).

Prejudecăți repulsive de performanță în cadrul încercărilor

Am analizat prejudecățile în cadrul testului în ceea ce privește performanța comportamentală evaluând dacă orientarea raportată a fost raportată în mod sistematic ca fiind mai aproape sau mai departe de orientarea nețintă în același studiu (vezi Materiale și Metode).

Am limitat analizele la studii cu doi itemi. Figura 2A prezintă distorsiunile de performanță pentru toate distanța unghiulară absolută dintre prima și a doua orientare a rețelei pentru primul raport și al doilea raport. sarcina la îndemână (t(19)=0.74, p=0.467).

În schimb, studiile cu semnale secundare au evidențiat distorsiuni semnificative față de prima orientare a rețelei codificată inițial (t(19)=2.33, p=0.031; ilustrat în Fig. 2B). Al doilea studiu al raportului de părtinire respingătoare a fost confirmat folosind un test de permutare bazat pe cluster, arătând un cluster semnificativ (p=0.012) când distanța unghiulară dintre cele două orientări era între 10 grade și 49 grade (Fig. 2A).

Prejudecăți atractive de performanță între încercări

Apoi am evaluat prejudecățile dintre încercări ale răspunsurilor din studiul curent față de orientarea care a fost indicată în studiul anterior (Fig. 3). Am evaluat prejudecățile de performanță în funcție de diferențele unghiulare dintre rețeaua țintă din studiul curent și din studiul precedent.

Analiza a luat în considerare, de asemenea, poziția rețelei țintă în încercarea curentă (primul sau al doilea) și apoi numărul de articole din încercarea curentă (un articol sau doi itemi). Pentru consecvență, denumim toate încercările în care participanții raportează primul raport de orientare pentru prima rețea și studiile în care participanții raportează a doua orientare raportează încercări secunde, indiferent de numărul de rețele prezentate.

Din nou, am calculat suma distorsiunii pe distanțe unghiulare dintre ținte în încercările curente și anterioare (Fig. 3A, B). Spre deosebire de părtinirea respingătoare descrisă în secțiunea anterioară, am constatat că toate condițiile au arătat o părtinire de performanță atractivă (toate p, 0.{05 în testele statistice cu două părți). Prejudecățile seriale atractive a fost cel mai pronunțată pentru distanțe unghiulare mici până la intermediare dintre inductor și orientarea curentului (0-60 grade).

Un ANOVA cu măsurători repetate asupra sumei distorsiunilor pe distanțe unghiulare a indicat un efect al tipului de indiciu, cu distorsiuni mai mari care apar în primele încercări raportate (F(1,19)=5.706, p=0.027, h2=0.172), dar nu și a numărului de rețele prezentate într-o încercare (F(1,19)=0.980, p=0.335, h2 =0 .007). Cei doi factori nu au interacționat (F(1,19)=0.377, p=0.547,h{2=0.002). Acest lucru arată că părtinirea a fost mai puternică la reamintirea primului element, care a fost codificat mai aproape în timp de procesul precedent.

For more information:1950477648nn@gmail.com