Meerdere en dissocieerbare effecten van de zintuiglijke geschiedenis op de prestaties van het werkgeheugen, deel 2

MEG-overname

Deelnemers gingen in de MEG-scanner zitten nadat ze instructies hadden gekregen over de taakspecificaties. Ze voltooiden één oefenblok terwijl ze in de scanner zaten voordat de MEG-opname begon.

Magneto-encefalografie (MEG) is een moderne technologie die menselijke hersenactiviteit en neurale signalen kan registreren. Het wordt op grote schaal gebruikt in neurowetenschappelijk onderzoek, diagnose en behandeling van neurologische ziekten, enz. Vanuit het perspectief van het geheugen kan magneto-encefalografie ons helpen dieper in menselijke geheugenmechanismen en de functies van hersengebieden te duiken.

Door gebruik te maken van magneto-encefalografie hebben wetenschappers enkele ontdekkingen gedaan over het geheugen. Ze vonden bijvoorbeeld hersengebieden die betrokken zijn bij het werk- en langetermijngeheugen, zoals de prefrontale cortex, de temporale kwab en de hippocampus. Bovendien kan magneto-encefalografie afwijkingen in de hersenactiviteit detecteren die verband houden met geheugenstoornissen, zoals de ziekte van Alzheimer. Daarom heeft deze technologie brede toepassingsmogelijkheden bij het diagnosticeren en behandelen van geheugenstoornissen.

Magneto-encefalografie heeft niet alleen een aanzienlijk therapeutisch potentieel, maar kan ook gewone mensen helpen hun geheugen te verbeteren. Door te begrijpen hoe onze hersenen informatie verwerken en herinneringen opslaan, kunnen we beter begrijpen hoe we effectiever kunnen leren en onthouden. Wetenschappers hebben een aantal bewezen technieken voor geheugentraining ontdekt, zoals herhaling en associatie, die ons kunnen helpen informatie beter vast te houden.

Kortom, magneto-encefalografie is een technologie die nauw verwant is aan geheugenonderzoek. Het kan een diepgaand onderzoek doen naar ons geheugenmechanisme en de functies van het hersengebied, waardoor geheugenstoornissen kunnen worden opgelost en het geheugen kan worden verbeterd. Laten we het potentieel van magneto-encefalografie actief onderzoeken en beter leren benutten om ons te helpen onze hersenen beter te begrijpen en te gebruiken. Het is duidelijk dat we het geheugen moeten verbeteren, en Cistanche deserticola kan het geheugen aanzienlijk verbeteren, omdat Cistanche deserticola ook de balans van neurotransmitters kan reguleren, zoals het verhogen van de niveaus van acetylcholine en groeifactoren. Deze stoffen zijn erg belangrijk voor het geheugen en het leren. Bovendien kan Vlees ook de bloedstroom verbeteren en de zuurstoftoevoer bevorderen, wat ervoor kan zorgen dat de hersenen voldoende voedingsstoffen en energie ontvangen, waardoor de vitaliteit en het uithoudingsvermogen van de hersenen worden verbeterd.

Klik op manieren kennen om de hersenfunctie te verbeteren

Deelnemers werd geïnstrueerd om tijdens de proef hun blik op het centrale fixatiepunt te houden en het knipperen tot een minimum te beperken.

Neuromagnetische gegevens werden verkregen met behulp van een VectorView-systeem voor het hele hoofd, inclusief 204 vlakke gradiëntmeters en 102 magnetometers (Elekta Neuromag Oy) in een magnetisch afgeschermde ruimte.

Gedurende het hele experiment werd de hoofdpositie van de deelnemers continu gevolgd met behulp van indexspoelen die op vier punten op het hoofd waren geplaatst. De magnetische veldsterkte werd bemonsterd met een snelheid van 1000 Hz en de banddoorlaat werd online gefilterd tussen 0,03 en 300 Hz. Bovendien werden verticale en horizontale elektro-oculogrammen gemeten met behulp van elektroden die boven, onder en naast de ogen waren geplaatst. Oogbewegingen werden gevolgd met behulp van een EyeLink 1000 (SR Research) eyetracker met een frequentie van 1000 Hz.

Voorverwerking van MEG-gegevens

De gegevens werden offline voorbewerkt met behulp van Fieldtrip (Oostenveld et al., 2011), OHBA-softwarebibliotheek (OSL) op basis van SPM8 (//www.fil.ion.ucl.ac.uk/spam) en Elekta-software.

Vóór enige voorverwerking werden de MEG-gegevens visueel geïnspecteerd om eventuele sensoren die buitensporige ruisniveaus vertoonden te verwijderen en te interpoleren en vervolgens werden de ruis ontdaan en bewegingsgecorrigeerd met behulp van Maxfilter Signal SpaceSeparation (Taulu et al., 2004). Daarna werden onafhankelijke componenten verwijderd die verband hielden met cardiale problemen. en oogknipper-artefacten.

Gegevens werden rond het eerste rooster en het tweede rooster uitgevoerd (van 400 ms vóór het begin van het rooster tot 900 ms na het begin) en gedownsampled naar 200 Hz. Proeven met een hoge variantie in gradiëntmeters of magnetometers werden geïdentificeerd en uitgesloten met behulp van een gegeneraliseerde ESD-test (extreme studentized deviation; Rosner, 1983) met een significantiedrempel van 0,05.

Voor bias-analyses tussen proeven hebben we de classificator getraind op alle stimuluspresentaties van alle niet-afgewezen onderzoeken. Omdat we onderzoeken met een hoge variantie (7,49 6 3,85%, gemiddelde 6 SD, overeenkomend met45 6 23 stimuluspresentaties) van verdere analyse hebben uitgesloten, werd de classificator getraind op de resterende 555 6 23 stimuluspresentaties.

Voordat we de biases berekenden, hebben we de eerste poging van elk blok (2%) verwijderd, en de proeven met een absoluut hoekverschil met de doeloriëntatie op de vorige proef van 0,60 graden (;33%), resulterend in 370 6 21 proeven hiervoor analyse per deelnemer.

Voor bias-analyses binnen de proef hebben we de classificator getraind op alle proeven waarin stimulus 2 werd gepresenteerd, met uitzondering van de proeven die waren verwijderd wegens hoge variantie, waardoor er 278 6 11 proeven in de analyse achterbleven.

Voor de biasberekening selecteerden we uit deze onderzoeken die waarop stimulus 1 ook was gepresenteerd, en met een absoluut hoekverschil van 0,10 graden en 50 graden tussen stimuli 1 en 2. Vervolgens werd de bias afzonderlijk berekend voor onderzoeken met bescherming en update cues, resulterend in respectievelijk 62 6 5 en 63 6 5 proeven.

Lineaire discriminantanalyseclassificatie

Gegevens werden verder voorbewerkt. De grootheden van magnetometers werden door vermenigvuldiging (factor 20) ongeveer vergeleken met gradiëntmeters en onderworpen aan spatiotemporele decodering (code beschikbaar op https://pypi.org/project/temp-dec/; zoals eerder beschreven, Wolff et al., 2017, 2020; Hajonides et al., 2021). Gegevens van alle 306 MEG-sensoren over een glijdend venster van 30-tijdspunten (150 ms) werden samengevoegd tot een 9180-dimensionale vector.

De dimensionaliteit werd verminderd met behulp van hoofdcomponentenanalyse, afzonderlijk berekend voor elk tijdstip, waarbij 90% van de variantie behouden bleef (tussen 250 en 600 ms was dit ongeveer 209 6 39 componenten per deelnemer, gemiddeld 6 SD).

Dit diende om de ruis in de gegevens te verminderen, de unieke variantie die door elke dimensie wordt gecodeerd te vergroten, en de classificator in staat te stellen covariantiematrices effectiever te berekenen. Prestimulusbaselining werd niet toegepast om stabiele informatie van eerder gepresenteerde stimuli te behouden.

Om een ​​classificatie voor lineaire discriminantanalyse (LDA) te trainen, werden de gegevens opgesplitst in trainings- en testsets met behulp van {{0}}voudig gestratificeerde kruisvalidatie. De roosterhoeken werden in op gelijke afstanden geplaatste oriëntatiebakken ondergebracht, waardoor 10 verschillende klassen ontstonden (0–18 graden, 18–36 graden, 36–54 graden, 54–72 graden, 72–90 graden, 90–108 graden, 108–126 graden, 126–144 graden, 144–162 graden, 162–180 graden). Om een ​​LDA-classificator te trainen, werden de gegevens opgesplitst in trainings- en testsets met behulp van 10-voudig gestratificeerde kruisvalidatie.

Op basis van de trainingsset projecteert de LDA-classificator de gegevens in een laagdimensionale ruimte (van negen dimensies; aantal klassen minus 1) die de gegevens maximaal scheidt van de 10 klassen. Gegevens uit de testset werden vervolgens in dezelfde {{ 3}}dimensionale ruimte. We hebben voor elke proef in de testset 10 LDA-afstanden verkregen door de Euclidische afstand te berekenen uit het klassegemiddelde van elke trainingsset in de laagdimensionale ruimte.

Met deze afstanden konden we de waarschijnlijkheid inschatten dat een bepaalde testproef overeenkwam met elk van de tien klassen. Dit werd herhaald voor elke kruisvalidatieplooi en elk tijdstip. Instimulus-decoderingsanalyses, de gepresenteerde hoek werd gebruikt voor classificatie.

Bij kruisdecoderingsanalyses werden LDA-classificatoren getraind op oriëntatievakken van één gebeurtenis (bijv. gepresenteerd rooster), maar werd het bewijsmateriaal van de classificator uitgelijnd rond bakken met een andere oriëntatie (bijv. doeloriëntatie bij de vorige proef). De resulterende representatieve gelijkeniscurven werden geconvolueerd met een cosinus.

Om te testen welke sensoren het meest significant hebben bijgedragen aan de waarschijnlijkheden van de classificatie die zijn waargenomen in onze multivariate methoden, hebben we ook een zoeklichtdecoderingsanalyse uitgevoerd (Kriegeskorte et al., 2006).

Bij deze analyse werd herhaaldelijk rekening gehouden met een kleine groep sensoren en konden daardoor bij benadering de locus van het waargenomen effect in kaart brengen. Meer specifiek selecteerden we gegevens van elke sensor plus de 47 meest aangrenzende buren (inclusief magnetometers en gradiëntmeters) en voerden we dezelfde classificatieanalyse uit als hierboven beschreven.

Berekening van de neurale asymmetriescore als maatstaf voor neurale bias

Voor vooroordelen binnen de proef hebben we de verwerking van het tweede rooster beoordeeld en alleen proeven met twee items overwogen. De classificator werd getraind op alle presentaties van het tweede rooster en voor elke proef werden bin-waarschijnlijkheden gegenereerd. Voor analyses tussen proeven analyseerden we de oriëntatieverwerking van zowel het eerste als het tweede rooster in de huidige proef. Om deze reden hebben we de classificator voor alle proeven getraind en bin-voorspellingen voor alle proeven gegenereerd.

Vervolgens selecteerden we, op basis van de resultaten van de analyses van de prestatiebias, onderzoeken waarin de hoekafstand tussen de inducerende en de roosteroriëntatie op het scherm leidde tot een significante gedragsbias op groepsniveau.

In het geval van de afstotende bias binnen de proef was de inductor de oriëntatie van het eerste rooster in dezelfde proef. Voor de analyses tussen de proeven was de inductor de doeloriëntatie die in de vorige proef werd gerapporteerd (behalve voor controleanalyses, waarbij de niet-gerapporteerde oriëntatie als doel werd gebruikt). Als afhankelijke variabele hebben we waarschijnlijkheidsschattingen voor elke oriëntatiebak overwogen, waarbij we de hoogste waarschijnlijkheid verwachten voor de hoekbak die geen offset heeft ten opzichte van de gepresenteerde oriëntatie en afnemende waarschijnlijkheden voor bakken met grotere hoekafstanden tot de gepresenteerde oriëntatie.

We hebben afzonderlijk waarschijnlijkheidsschattingen beoordeeld voor onderzoeken waarbij de inductororiëntatie met de klok mee (CW) versus tegen de klok in (CCW) was met betrekking tot de huidige oriëntatie. Voor zowel CW- als CCW-proeven hebben we afzonderlijk het gemiddelde genomen van het bewijsmateriaal uit de oriëntatiebakken CW (72 graden tot 18 graden) en het bewijsmateriaal uit de CCW-bakken (18 graden tot 72 graden).

Asymmetriescores werden berekend door het verschil tussen de twee groepen hoekbakken (CWminus CCW) te verkrijgen. Ten slotte hebben we een algehele score voor neurale bias berekend door de asymmetriescores van onderzoeken met CW- versus CCW-inductoren af ​​te trekken.

Aantrekkelijke neurale biases resulteerden in een positieve score (dat wil zeggen, proeven met CW-hoekafstanden resulteerden in meer CW-bewijs, CCW-hoekafstanden resulteerden in meer CCW-bewijs), terwijl afstotende neurale biases resulteerden in een negatieve score (dat wil zeggen, CW-hoekafstanden resulteerden in minder CW-bewijs dan CCW-proeven, en omgekeerd).

Statistische testen

Statistische tests werden berekend met behulp van zowel JASP (JASP Team, 2020) als Scipy (Virtanen et al., 2020).

We hebben de tijdreeksen van cosinus-geconvolueerd classificatorbewijs tegen nul getest met behulp van een clustergebaseerde permutatietest, die het meervoudige vergelijkingsprobleem aanpakt (met behulp van MNE; Gramfort et al., 2013). We hebben 100,000 iteraties uitgevoerd.

De clusters met groepen tijdstippen die significant van nul verschillen, zijn in de betreffende figuren met horizontale lijnen aangegeven. Clustergebaseerde permutatietests werden ook toegepast op prestatiebias over de hoekafstand tussen de gepresenteerde oriëntatie en de oriëntatie van de inductor.

Om de betekenis van onze bias-analyses te testen, hebben we na de decoderingsfase een willekeurige verdeling gegenereerd. Toen de proeven werden gesorteerd op basis van de relatieve oriëntatie van de vorige proef/stimulus, hebben we deze hoekafstand willekeurig omgedraaid en de bias opnieuw berekend. We hebben de bias voor alle deelnemers berekend en deze score gemiddeld. Dit proces werd 10,000 keer herhaald en de resulterende verdeling kreeg een z-score.

Dezelfde z-score-transformatie werd toegepast op de waargenomen bias-score wanneer er geen willekeurige teken-flipping werd toegepast. Deze z-score zou vervolgens kunnen worden gebruikt om de (tweezijdige) p-waarde van het oorspronkelijke effect te verkrijgen ten opzichte van de schuifverdeling (in alle gerapporteerde tijdgemiddelden werden tijdpunten tussen 250 en 600 ms gebruikt).

Alle tests waren tweezijdig, tenzij anders vermeld.

Resultaten

Foutpercentages

Deelnemers waren nauwkeurig in het reproduceren van de doeloriëntatie (gemiddelde responsfout 11.73 6 0.70 graad SEM; gemiddelde SD 17.61 61.07 graad SEM; zie tabel 1 voor prestatie qua omstandigheden). Een ANOVA met herhaalde metingen van twee bij twee op responsfouten liet de belangrijkste effecten zien van het cue-type (F(1,19)=16.49, p, 0.001, h2=0.374) en verschillende aangeboden stimuli (F(1,19)=29.78, p, 0.001,h2=0.075).

Het cue-type was significant voor zowel onderzoeken met één item als voor onderzoeken met twee items, waarbij de absolute fout hoger was bij het eerste rapport dan bij het tweede rapport voor beide onderzoeken met twee items (t(19)=3.972,p, {{6} }.001, d=0.888; zie Tabel 1) en onderzoeken met één item (t(19) =3.948, Bonferroni-gecorrigeerde p, 0.001, d {{ 18}}.883). Verschillende gepresenteerde items hadden daarentegen vooral invloed op de eerste voorwaarden van het rapport.

De fout was hoger bij de eerste twee onderzoeken dan bij de eerste onderzoeken met één item (t(19)=5.665, p, 0.001, d=1.267), maar was niet significant verschillen tussen de tweede onderzoeken met twee items en de tweede onderzoeken met één item (t(19)=1.885, p=0.075,d=0.421), wat leidt tot een significante interactie tussen de twee factoren (F(1,19)=10.90, p=0.004, h2=0.026).

Analyses met behulp van mengselmodellering (Bays et al., 2009) bevestigden dat fouten die voortkwamen uit reacties op de niet-gecude roosteroriëntatie zeldzaam waren (swap rate van 0.033 6 0.01 bij onderzoeken met twee items; zie ook Huang , 2020).

Weerzinwekkende prestatievooroordelen binnen onderzoeken

We analyseerden de vooroordelen binnen het onderzoek in de gedragsprestaties door te beoordelen of de gerapporteerde oriëntatie systematisch werd gerapporteerd als dichter bij of verder weg van de niet-doeloriëntatie in hetzelfde onderzoek (zie Materialen en methoden).

We hebben de analyses beperkt tot onderzoeken met twee items. Figuur 2A toont de prestatiebias voor alle absolute hoekafstanden tussen de eerste en tweede roosteroriëntatie voor rapporteer eerste en rapporteer tweede tests. In onderzoeken met rapporteer eerste signalen was er geen significante bias naar of weg van de interfererende tweede roosteroriëntatie die niet relevant was voor de taak die voorhanden is (t(19)=0.74, p=0.467).

Daarentegen brachten onderzoeken met tweede signalen uit het rapport significante vertekeningen aan het licht buiten de aanvankelijk gecodeerde eerste roosteroriëntatie (t(19)=2.33, p=0.031; geïllustreerd in figuur 2B). De afstotende bias in tweede onderzoeken werd bevestigd met behulp van een clustergebaseerde permutatietest, die een significante cluster liet zien (p=0.012) wanneer de hoekafstand tussen de twee oriëntaties tussen 10 graden en 49 graden lag (Fig. 2A).

Aantrekkelijke prestatiebias tussen proeven

Vervolgens evalueerden we de bias tussen de proeven op de reacties in de huidige proef in de richting van de oriëntatie die bij de vorige proef werd aangegeven (Fig. 3). We hebben de prestatiebias beoordeeld als een functie van hoekverschillen tussen het doelrooster van de huidige en de vorige proef.

Bij de analyse werd ook rekening gehouden met de positie van het doelraster in de huidige proef (eerste of tweede) en het aantal items in de huidige proef (één of twee items). Voor consistentie noemen we alle onderzoeken waarbij deelnemers het eerste roosteroriëntatierapport als eerste proeven rapporteren, en onderzoeken waarbij deelnemers het tweede oriëntatierapport rapporteren, tweede proeven, ongeacht het aantal gepresenteerde roosters.

Opnieuw berekenden we de som van de bias over hoekafstanden tussen doelen in de huidige en eerdere onderzoeken (Fig. 3A, B). In tegenstelling tot de afstotende vertekening die in de vorige sectie werd beschreven, ontdekten we dat alle omstandigheden een aantrekkelijke prestatievertekening vertoonden (alle p, 0.05 in tweezijdige statistische tests). De aantrekkelijke seriële bias was het meest uitgesproken voor kleine tot middelmatige hoekafstanden tussen de inductor en de stroomoriëntatie (0-60 graden).

Een ANOVA met herhaalde metingen op de som van biases over hoekafstanden duidde op een effect van het cue-type, waarbij grotere biases optraden in de eerste rapporten (F(1,19)=5.706, p=0.027, h2=0.172), maar niet van het aantal roosters gepresenteerd in een proef (F(1,19)=0.980, p=0.335, h2 =0 .007). De twee factoren hadden geen interactie (F(1,19)=0.377, p=0.547,h2=0.002). Dit laat zien dat de bias sterker was bij het herinneren van het eerste item, dat qua tijd dichter bij de vorige proef gecodeerd was.

For more information:1950477648nn@gmail.com