Partea 1: Modularea direcționată către obiectiv a tiparelor de memorie neuronală: Implicații pentru detectarea memoriei bazată pe FMRI

Contact: Audrey Huaudrey.hu@wecistanche.com

Vă rugăm să faceți clic aici pentru partea 2

Melina R. Uncapher,1* J. Tyler Boyd-Meredith,1* Tiffany E. Chow,3 Jesse Rissman,3 și X Anthony D. Wagner1,2

1Departamentul de Psihologie și 2Programul de neuroștiințe, Universitatea Stanford, Stanford, California 94305 și 3Departamentul de Psihologie, Universitatea din California, Los Angeles, Los Angeles, California 90095

Amintirea unui eveniment trecut provoacă modele neuronale distribuite care pot fi distinse de tiparele obținute atunci când întâlnim informații noi. Aceste modele diferite pot fi decodificate cu o acuratețe de diagnosticare relativ ridicată pentru memoriile individuale utilizând analiza modelului multi-voxel (MVPA) a datelor fMRI. Detectarea memoriei bazată pe creier – dacă este validă și de încredere – ar avea o utilitate clară dincolo de domeniul neuroștiinței cognitive, în domeniul dreptului, al marketingului și nu numai. Cu toate acestea, o condiție limită semnificativă a validității decodării memoriei poate fi desfășurarea de „contramăsuri”: strategii utilizate pentru a masca semnalele de memorie. Aici am testat vulnerabilitatea detectării memoriei bazate pe fMRI la contramăsuri, folosind o paradigmă care seamănă cu identificarea martorilor oculari. Participanții au fost scanați în timp ce efectuau două sarcini pe fețe noi și studiate anterior: (1) sarcină de memorie standard de recunoaștere; și (2) o sarcină în care au încercat să-și ascundă adevărata stare de memorie. Analizele univariate au arătat că participanții au reușit să moduleze strategic răspunsurile neuronale, media dintre studii, în regiunile implicate în recuperarea memoriei, inclusiv hipocampul și girusul unghiular. Mai mult decât atât, regiunile asociate cu schimbările de atenție direcționate către obiective și substituția gândurilor au sprijinit ascunderea memoriei, iar cele asociate cu generarea memoriei au susținut ascunderea noutății. În mod critic, în timp ce MVPA a permis o clasificare fiabilă a stărilor de memorie atunci când participanții au raportat memoria cu adevărat, capacitatea de a decoda memoria în încercările individuale a fost compromisă, chiar inversând, în timpul încercărilor de a ascunde memoria. Împreună, aceste descoperiri demonstrează că obiectivele strategice Tate pot fi implementate pentru a masca tiparele neuronale legate de memorie și tehnologia de decodare a memoriei foliei, punând o condiție limită semnificativă pentru utilitatea lor în lumea reală.

Cuvinte cheie: contramăsuri; recuperare episodică; RMN funcțional; neurolege; clasificarea modelelor

Cistanche poate îmbunătăți memoria

Introducere

Dovezile tot mai mari indică faptul că este posibil să se decodifice prezența sau absența memoriei pentru un stimul sau eveniment din tiparele distribuite ale activității creierului uman, măsurate prin RMN funcțional (fMRI) și analiza modelului multivoxel (MVPA; Johnson et al., 2009; McDuff și colab., 2009; Chadwick și colab., 2010; Quamme și colab., 2010; Rissman și colab., 2010; Polyn și colab., 2012; Poppenk și Norman, 2012; Rissman și Wagner, 2012). Literatura care a apărut rapid despre decodificarea memoriei bazată pe fMRI nu doar informează teoriile neurocognitive ale memoriei, ci are și implicații pentru lege, marketing și nu numai (Meegan, 2008). De exemplu, o metodă fiabilă și validată de a detecta memoria ar putea avansa capacitatea criminalistică a sistemului de justiție penală de a determina dacă un suspect are cunoștințe vinovate de informații relevante pentru infracțiuni (Greely, 2011) sau dacă un martor ocular recunoaște un eveniment critic. element. Având în vedere acuratețea ridicată a diagnosticului observată în unele studii de decodare a memoriei bazate pe fMRI (până la 70–90 la sută; Rissman și colab., 2010), ar putea fi tentant să concluzionăm că aceste abordări au utilitate criminalistică pentru descoperirea stărilor de memorie ale unui individ și, probabil, de asemenea, istoricul lor experiențial cu informații despre eveniment.

Cu toate acestea, tehnicile de detectare a memoriei bazate pe fMRI sunt încă în curs de dezvoltare, rămânând multe provocări semnificative înainte de a determina caracterul adecvat al acestora pentru utilizarea pe teren (Brown și Murphy, 2010; Verschuere et al., 2011). Una dintre cele mai semnificative întrebări deschise este dacă decodificarea memoriei este vulnerabilă la „contramăsuri”: strategii desfășurate pentru a masca memoarea sau semnalele și testele de detectare a „baterii” (Farah et al., 2014). Rissman și colab. (2010) au raportat dovezi indirecte care sugerează o vulnerabilitate la stările de obiective strategice, deoarece capacitatea de a detecta anterior întâlnite de pe chipuri noi a fost redusă la aproape întâmplător atunci când memoria participanților a fost investigată în mod implicit, mai degrabă decât în ​​mod explicit. Cu toate acestea, alte date sugerează că lipsa de atenție față de starea mnemonică a cuiva poate să nu împiedice întotdeauna clasificarea memoriei. De exemplu, Kuhletal. (2013) a reușit să decodeze detaliile memoriei chiar și atunci când participanții nu au fost instruiți să recupereze aceste detalii. Împreună, aceste descoperiri relevă necesitatea de a identifica condițiile în care stările strategice ale obiectivelor modifică tiparele de memorie neuronală: în special, pot participanții să-și ascundă în mod intenționat stările de memorie prin utilizarea unor contramăsuri care par cooperante? Abordarea acestei întrebări nu are implicații numai pentru delimitarea condițiilor limită ale metodelor fMRI pentru detectarea memoriei, ci și pentru înțelegerea dinamicii proceselor de regăsire direcționate către obiective.

Aici am investigat o situație care seamănă cu identificarea martorilor oculari și a cerut contramăsuri care să pară cooperante la un test de identificare a martorilor oculari. Participanții au văzut o serie de fețe, iar memoria lor pentru aceste fețe a fost apoi testată într-unul din două moduri în timp ce erau supuși fMRI. În primul test, participanții au luat decizii explicite de recunoaștere a fețelor întâlnite anterior și noi. În cel de-al doilea test, participanții au încercat să-și ascundă memoria pentru fețele întâlnite anterior și să pretindă amintirea fețelor noi. Folosind datele de memorie explicite, am antrenat clasificatori pentru a discrimina tiparele de activitate asociate cu experiențele subiective de recunoaștere și noutate. Am testat apoi dacă clasificatorii ar putea decoda stările de memorie ale participanților atunci când aceștia s-au angajat în contramăsuri.

Materiale și metode

Participanții. Douăzeci și patru de bărbați sănătoși, dreptaci, au fost recrutați de la Universitatea Stanford și din comunitățile din jur. Participanții aveau vârsta de 18-31 de ani, cu o vârstă medie SD de 23 4.29 ani, erau vorbitori nativi de engleză, fără antecedente de complicații neurologice și erau fie afro-americani (AA; n 8) fie europeni americani (EA; n 16) conform a se auto-raporta. Participanții și-au dat consimțământul informat în scris, în conformitate cu procedurile Comitetului de revizuire instituțională a Universității Stanford și au fost verificați pentru compatibilitatea fMRI.

Experiment. Experimentul a inclus două sesiuni de scanare desfășurate la 24 de ore distanță și a durat aproximativ 5 ore în ambele sesiuni de scanare. Fiecare participant a fost compensat cu $20 pentru fiecare oră de participare. Au fost colectate date de la doi participanți suplimentari, dar au fost omise din analizele ulterioare din cauza performanței inadecvate sau incomplete: unul a fost omis deoarece d a fost la întâmplare (0,08) și celălalt pentru că participantul s-a retras de la scanare înainte de a finaliza experimentul.

Stimuli. Stimulii feței au constat din 400 de fotografii color ale fețelor masculine, dintre care jumătate au fost AA și jumătate au fost EA (datele care examinează efectele rasei vor fi raportate separat). Stimulii feței au fost standardizați pentru expresia facială neutră și iluminarea de fundal și au inclus numai capul și gâtul. Stimulii au fost prezentați pe un fundal gri cu o reticulă de fixare centrală neagră. Pentru fiecare participant, stimulii feței au fost împărțiți în două eșantioane folosind eșantionare aleatorie stratificată în funcție de rasă pentru a atribui stimuli care să fie prezentați în timpul fazei de codificare (articole VECHI; 100AA, 100EA) sau pentru a servi ca articole de folie la recuperare (articole NOI; 100AA, 100 EA). ).

Ziua 1: codificare. Participanții au fost scanați în timp ce codificau intenționat 200 de fețe masculine (100 de fețe AA și 100 de fețe EA). Fiecare față a fost prezentată timp de 2 s, cu un interval interstimul (ISI) de 8 s pentru un total de 10 s per încercare. Fiecare față a fost afișată de două ori în cursul fazei de codificare: după ce a fost prezentat setul complet de 200 de stimuli, aceleași fețe au fost prezentate din nou într-o ordine diferită. Participanților li s-a oferit o strategie de codificare elaborată pentru a memora stimulii, prin care au fost instruiți să genereze povești imaginative care implică indivizii ilustrați în stimuli. Pentru a confirma faptul că participanții au participat la stimuli și s-au implicat în sarcină, ei au fost instruiți să apese butonul de la degetul arătător drept pe o casetă de răspuns după ce a apărut fiecare față. Stimuli au fost prezentați pe parcursul a opt runde, cu 50 de fețe pe run. Primele patru runde au constat în prima prezentare a stimulilor de studiu, iar cele de-a doua patru runde au constat în a doua prezentare a stimulilor de studiu. La sfârșitul fiecărei alergări (atât pentru ziua 1, cât și pentru ziua 2), participanții au fost încurajați să ia o pauză atât de lungă cât au dorit, terminând singur pauza prin apăsarea unui buton. Pauzele au variat între 10 și 55 de secunde între participanți.

Mai exact, pentru fețele despre care se credea a fi studiate anterior, participanții au fost instruiți să indice un răspuns „nou” și să treacă rapid la o strategie cognitivă pentru a ascunde corelatele neuronale ale recunoașterii lor: li s-a cerut să se concentreze pe aspectele tehnice și/sau fotografice. a stimulului la care nu au participat anterior, cum ar fi expunerea, iluminarea, marginile liniilor etc. Aici s-a subliniat că algoritmul computerului era suficient de sensibil pentru a capta semnale de memorie și că, după ce s-a stabilit că este un fața, ar trebui să încerce, în măsura posibilităților lor, să nu le vină în minte amintirea feței, ținând cont de aspectele perceptuale ale fotografiilor. În schimb, pentru stimulii percepuți a fi nestudiați, participanții au fost instruiți să indice un răspuns „vechi” și să folosească strategii cognitive pentru a determina corelațiile neuronale ale regăsirii, adică să aducă în minte un individ cunoscut care semăna cu chipul și să retrăiască orice amintiri asociate. cu individul. Din nou, s-a subliniat că algoritmul computerului a fost suficient de sensibil pentru a detecta semnale de noutate, așa că ar trebui să treacă rapid la generarea de amintiri pentru chipul pe care l-au determinat a fi nou. Atât pentru fețele vechi, cât și pentru cele noi, participanții au fost instruiți să folosească strategia cognitivă adecvată pe întreaga durată a procesului (10 s). Experimentatorii au confirmat că toți participanții au înțeles sarcina de memorie ascunsă înainte de a continua cu experimentul.

Analize fMRI univariate. Statistical Parametric Mapping (SPM8; Wellcome Department of Cognitive Neurology, Londra, Marea Britanie; http://www.fil.ion.ucl.ac.uk/spm/software/spm8), rulat în MATLAB 7.7 (R2008b; MathWorks), a fost utilizat atât pentru preprocesarea datelor, cât și pentru analiza univariată.

Datelor au fost aplicate proceduri standard de preprocesare. Toate volumele funcționale au fost corectate în funcție de timp pentru a ține cont de diferențele de timp de achiziție dintre felii, cu secțiunea de mijloc în timp utilizată ca referință. Toate volumele funcționale au fost corectate în funcție de mișcare și realiniete spațial la primul volum, urmate de realinierea la volumul mediu al sesiunii. Volumul anatomic ponderat T2-din sesiunea din ziua 2 (recuperare) a fost coreregistrat la volumul funcțional mediu, volumul anatomic ponderat T1- a fost apoi coreregistrat la acest volum ponderat T2-coregistrat , iar apoi volumul ponderat T1-a fost segmentat în materie cenușie, substanță albă și LCR, cu imaginile rezultate normalizate la șabloane în spațiul Institutului Neurologic din Montreal (MNI). Volumele funcționale au fost normalizate în spațiu standard pe baza parametrilor de transformare obținuți în timpul segmentării și reeșantionate în voxeli de 4 mm 3. Toate imaginile au fost apoi netezite spațial cu o lățime completă de 8 mm la jumătate de maxim (FWHM) nucleu gaussian.

Pentru toate schemele de clasificare, numărul testelor a fost echilibrat între clase (prin subeșantionare aleatorie) în cadrul benzilor de instruire și testare înainte de clasificare pentru a asigura o rată teoretică de precizie a clasificării ipotezei nule de 50 procente și o zonă sub curbă (AUC; vezi mai jos) de 0,50; analizele cu etichete de clasă amestecate au confirmat că performanța clasificării șanselor converge în jurul acestor niveluri („distribuție nulă”). După echilibrare, datele de la fiecare voxel au fost din nou punctate z, astfel încât nivelul mediu de activitate al fiecărui voxel pentru studiile de clasa A a fost inversul nivelului său de activitate mediu pentru studiile de clasa B. Pentru fiecare analiză, întregul proces de clasificare a fost rulat de 10 ori pentru a obține estimări stabile ale performanței (analizele independente au confirmat că 10 iterații au fost suficiente pentru a obține estimări stabile ale performanței).

Regresia logistică regulată (RLR) a fost utilizată pentru toate procedurile de clasificare. Aceasta a fost determinată anterior a fi o alegere avantajoasă în această paradigmă de clasificare de către Rissman și colab. (2010). Acest algoritm a implementat o funcție de regresie logistică multiclasă folosind o transformare softmax a combinațiilor liniare ale caracteristicilor (Bishop, 2006) cu un termen suplimentar de penalizare a creastă ca Gaussian înainte de ponderile caracteristicilor. Acest termen de penalizare prevedea regularizarea L2, impunând ponderi mici. În timpul antrenamentului clasificatorului, algoritmul RLR a învățat setul de ponderi caracteristice care au maximizat log-probabilitatea datelor; Greutățile caracteristicilor au fost inițializate la zero și optimizarea a fost implementată cu funcția de minimizare a gradientului conjugat a lui Carl Rasmussen (http://www.gatsby.ucl.ac.uk/Edward/code/minimize/) folosind gradientul log-probabilității combinat cu penalizarea L2.

Penalizarea L2 a fost setată să fie jumătate din inversul aditiv al unui parametru specificat de utilizator, înmulțit cu pătratul normei L2 a vectorului de greutate pentru fiecare clasă, adăugat peste clase. Am ales să setăm acest parametru liber la o valoare fixă ​​de 10 pentru toate analizele raportate în acest studiu.

Evaluarea performanței clasificatorului. După ajustarea parametrilor modelului RLR folosind datele setului de antrenament, fiecare model de activitate cerebrală (adică, încercare) din setul de testare a fost apoi introdus în model și a generat o estimare a probabilității ca acel exemplu să fie din clasa A sau clasa B (prin construcție, acestea două valori se însumează întotdeauna la unul). Aceste valori de probabilitate au fost concatenate în toate pliurile de testare de validare încrucișată și apoi clasate. Rata adevărată pozitivă (lovitură) și rata fals pozitivă (FA) a clasificatorului au fost calculate la 80 praguri de limită fixe de-a lungul continuumului probabilității pentru a genera curbele caracteristice de funcționare a receptorului (ROC). Valorile AUC asociate cu aceste curbe au fost calculate așa cum este descris de Fawcett (2004) și pot fi interpretate formal ca probabilitatea ca un membru ales aleatoriu al unei clase să aibă o probabilitate estimată mai mică de a aparține celeilalte clase decât are un membru ales aleatoriu din cealaltă clasă. Altfel spus, AUC indexează acuratețea medie cu care o pereche aleasă aleatoriu de încercări din Clasa A și Clasa B ar putea fi atribuită clasei lor corecte (0,5 este performanță aleatoare; 1,0 este o performanță perfectă). Dacă scopul cuiva este o specificitate ridicată în etichetarea exemplelor din clasa A și nu este dispus să tolereze multe fals pozitive, se pot interoga cele mai încrezătoare presupuneri ale clasificatorului. Aici am stabilit în mod arbitrar acest prag pentru a fi primii 10 la sută din estimarile de clasificare. Rețineți că raportăm acuratețea mai degrabă decât valorile AUC atunci când raportăm cele mai sigure încercări ale clasificatorilor.

Hărți de importanță. Pentru fiecare schemă de clasificare, hărțile de importanță au fost construite urmând procedura descrisă în studiile MVPA anterioare (Johnson și colab., 20{{{10}}9; McDuff și colab., 2{{16 }}09). Valoarea importanței unui voxel oferă un indice al cât de mult crește sau descrește semnalul său influențează predicțiile clasificatorului. După antrenament, procedura de clasificare a regresiei logistice dă un set de valori ale greutății care reflectă valoarea predictivă a fiecărui voxel (cu valori pozitive care indică faptul că creșterile activității sunt în general asociate cu un rezultat de clasă A și valori negative care indică faptul că creșterile activității sunt în general asociate cu un rezultat de clasă). Aceste greutăți au fost apoi multiplicate cu nivelul mediu de activitate al fiecărui voxel pentru studiile de Clasa A (care, datorită procedurii noastre de echilibrare a testelor și de scor z, este inversul aditiv al nivelului său de activitate mediu pentru studiile de Clasa B). Voxelilor cu valori pozitive atât pentru activitate, cât și pentru greutate li s-au atribuit valori de importanță pozitivă, voxelilor cu activitate și greutate negative li s-au atribuit valori de importanță negativă, iar voxelilor pentru care activitatea și greutatea aveau semne opuse li s-au atribuit valori de importanță zero (Johnson et al., 2009; McDuff et al., 2009). Hărțile rezumate la nivel de grup au fost create prin mediarea hărților de importanță ale participanților individuali și sunt afișate în cifre la praguri arbitrare: hărți redate în 3D cu prag între 0,02 și 0,5 și hărți redate în 2D între 0,05 și 0,5 (vezi Fig. 4) sau între 0,15 și 0,5 (vezi fig. 7). Ca o notă finală, deși hărțile de importanță sunt un instrument util pentru a evalua ce voxeli au fost utilizați de clasificator, aceste hărți nu trebuie interpretate ca oferind o evaluare exhaustivă a voxelilor care sunt informative individual despre distincția de interes.

Analize reflectoare. Hărțile de importanță dezvăluie care voxeli oferă informații de diagnostic pentru clasificatorii întregului creier. Cu toate acestea, ele nu dezvăluie dacă datele din regiuni anatomice individuale pot fi utilizate singure pentru a discrimina hit-urile de CR. Am efectuat analize de reflectoare pentru a oferi acuratețe locale de decodare (Kriegeskorte și colab., 2006) pe tot creierul. De interes deosebit a fost dacă regiunile în care semnalul dependent de nivelul mediu de oxigen din sânge (BOLD; univariat) a fost modulat în mod semnificativ prin contramăsuri (vezi Fig. 2A) au permis, de asemenea, acuratețea decodării probă cu încercare, care s-a îndepărtat semnificativ de la întâmplare. Am efectuat clasificarea critică (loturi explicite ¡ascunse vs CR) pe măști sferice locale centrate individual pe fiecare voxel din masca întregului creier (excluzând voxelii din cortexul motor și cerebel). Fiecare mască sferică includea orice voxel care atingea marginea voxelului central; astfel, sferele rezultate au conținut 19 voxeli, cu excepția cazului în care sfera s-a extins dincolo de masca întregului creier. Pentru a determina dacă preciziile de decodificare locale au evoluat de-a lungul procesului (cum ar fi de așteptat dacă participanții s-ar fi ocupat inițial de semnale de memorie și apoi au încercat să ascundă astfel de semnale), am efectuat aceste reflectoare separat pentru fiecare dintre cele șase TR.

Am evaluat semnificația în fiecare dintre sferele noastre reflectoare ca în analizele anterioare de decodificare: AUC-urile au fost mai întâi calculate pentru 10 iterații de clasificare, iar apoi a fost simulată o distribuție nulă prin calculul a 10 iterații suplimentare de clasificare folosind regresori amestecați. Am generat hărți t la nivel de grup care arată sfere care au discriminat în mod fiabil hit-urile de la CR prin efectuarea unui test t împerecheat al valorii medii ale AUC amestecate versus nescrambled ale fiecărui participant la fiecare voxel, în toate cele 10 iterații. Aceste hărți au fost pragizate la p 0,05 (corectat) prin aplicarea unui prag de dimensiune a clusterului derivat din simulările Monte Carlo (Xiong și colab., 1995) așa cum este implementat în programul AFNI (Automated Functional Neuro-Imaging) 3dClustSim. Netezimea Monte

Simularea Carlo a fost estimată separat pentru fiecare participant și pentru fiecare punct de timp utilizând programul AFNI 3dFWHMx din AUC-urile medii obținute pe parcursul iterațiilor clasificării amestecate. Netezimea a fost calculată în medie pentru participanți și puncte de timp pentru a calcula o singură valoare de netezime pentru fiecare dimensiune. Un prag de înălțime în funcție de voxeli de p 0.01 a dus la o dimensiune a clusterului de 22 de voxeli pentru a atinge o semnificație la nivel de cluster de p {{1{0}}.{{15} }5 (FWE) într-un anumit punct de timp. Pentru a corecta comparațiile multiple în punctele noastre de șase timp, am aplicat o corecție a lui Bonferronini, calculând pragul de amploare necesar pentru a obține o semnificație la nivel de cluster de p 0.0083 (sau 0,05/6; FWE) la fiecare punct de timp sau p 0,05 (FWE) în spațiu și timp. Folosind această metodă, am determinat că a fost necesară o extindere a clusterului de 29 de voxeli pentru a obține o semnificație la nivel de cluster de p 0,05 (FWE) în spațiu și în punctele de șase timp.

Rezultate

Performanță comportamentală

Sarcină de memorie explicită

Când participanții și-au raportat cu adevărat experiența mnemonică obținută de fiecare față de testare, aceștia au obținut o rată medie de atingere SD (rata la care imaginile VECHI au considerat cu acuratețe „vechi”) de {{0}}.73 0. 12 și o rată FA (rata la care imaginile NOI au apreciat incorect „vechi”) de 0.27 0.10, rezultând o medie d de 1.27 0.56. Timpii medii de răspuns (RT) au fost mai rapidi pentru răspunsurile corecte (accesări, 1,74 0,60 s; CR, 2,10 0,75 s) decât pentru răspunsurile incorecte (FA, 2.{{16) }}.01 s; rateuri: 2.33 0.81 s; t(23) 5.15, p 3.22 10 5). Răspunsurile hit au fost mai rapide decât răspunsurile CR (t(23) 5,44, p 1.56 10 5).

Compararea sarcinilor de memorie explicite și ascunse

Media d a fost semnificativ mai mare în memoria explicită decât în ​​sarcina de memorie ascunsă (t(23) 2,99, p 6.6 10 3). Nu au existat diferențe de sarcină în RT medie pentru orice rezultat de memorie (toate valorile p 0.05). Cu toate acestea, a existat o interacțiune semnificativă între sarcină și memorie, prin aceea că diferența medie în RT pentru accesări și CR a fost mai mare în memoria explicită decât în ​​sarcina de memorie ascunsă (t(23) 6.25, p 2.22 10 6). Acest efect diferențial al memoriei asupra RT în funcție de sarcină poate rezulta din diferența în d dintre condițiile de memorie explicite și ascunse și este probabil o consecință a naturii duble sarcini a condiției de memorie ascunsă: participanții au fost obligați să determine mai întâi indiferent dacă fețele erau vechi sau noi și apoi trece rapid la o strategie de ascundere a memoriei/noutății, inversând în același timp răspunsurile motorii.

Analize fMRI univariate

Am investigat mai întâi întrebarea dacă participanții s-ar putea angaja în contramăsuri strategice pentru a modula semnalele BOLD legate de memorie în cadrul studiilor (adică răspunsuri univariate fMRI). Pentru a face acest lucru, am identificat „efectele succesului memoriei” (hits CRs) pentru fiecare sarcină separat și apoi am determinat unde efectele succesului memoriei au fost comune între sarcini, precum și unde au fost modulate în funcție de sarcină. Apoi am investigat dacă capacitatea de a modula efectele succesului memoriei a fost influențată de puterea memoriei.

Efecte comune ale succesului memoriei

Având în vedere că participanții au fost obligați să determine dacă o față era veche sau nouă în ambele sarcini, apoi am căutat să determinăm dacă există regiuni care diferențiază hit-urile de CR în ambele sarcini. Pentru a face acest lucru, am mascat inclusiv contrastele de succes ale memoriei de mai sus (la p {{0}}.01 fiecare, pentru a rezulta un prag comun de p 0,001). Rezultatul acestei proceduri de mascare a evidențiat efecte în IPS stâng și VTC stâng (Fig. 1C).

este mai puțin probabil să arate efectele de succes ale memoriei inversate în AnG stânga (r {{0}},36, p 0.04). Cu alte cuvinte, efectele lor de succes în memorie au persistat în ciuda încercărilor de a le ascunde memoria. Această descoperire sugerează că participanții cu amintiri mai puternice au avut dificultăți mai mari în modularea activității lor AnG în timpul sarcinii ascunse. Interesant, niciunul dintre grupurile hipocampale nu a arătat o relație semnificativă între puterea memoriei și activitate (hipocampul drept,r0.{{10}}5,p 0.82; campusul hipocampului stâng, r0,22, p 0,29), iar pantele corelațiilor au fost diferite între AnG și hipocampul drept (Williams t(21) 2,49,p 0,021) și au diferit marginal pentru hipocampul stâng (Williams t(21) 1,62, p 0,12) . Împreună, aceste constatări sugerează că participanții cu amintiri mai puternice au fost mai puțin capabili să exercite un control orientat spre obiectiv asupra activității legate de memorie din AnG stânga, dar acest lucru părea să nu fie cazul în hipocampul bilateral.

Analize fMRI multivariate

Întrebarea noastră centrală este dacă utilizarea strategiilor de contramăsuri cognitive (direcționate către obiectiv) le-ar permite participanților să mascheze tiparele neuronale legate de memorie, afectând astfel capacitatea tehnicilor multivariate de a-și citi stările de memorie pentru evenimente individuale. În consecință, am evaluat apoi capacitatea clasificatoarelor MVPA de a decoda starea memoriei încercărilor individuale de recuperare prin (1) prima instruire și testarea unui clasificator pe datele din sarcina de memorie standard de recunoaștere (sarcina de memorie explicită) și (2) evaluând apoi dacă acest lucru clasificatorul ar putea, de asemenea, să decodeze memoria atunci când participanții încercau să-și ascundă stările de memorie (sarcină de memorie ascunsă). Modelul nostru de proces a sugerat trei scenarii alternative de testat; începem prin a explica modelul nostru de proces și apoi descriem fiecare ipoteză pe rând.