Multiple und dissoziierbare Auswirkungen der sensorischen Geschichte auf die Leistung des Arbeitsgedächtnisses Teil 2

MEG-Übernahme

Die Teilnehmer wurden in den MEG-Scanner gesetzt, nachdem sie über die Einzelheiten der Aufgabe informiert worden waren. Sie absolvierten einen Übungsblock, während sie im Scanner saßen, bevor die MEG-Aufzeichnung begann.

Die Magnetenzephalographie (MEG) ist eine moderne Technologie, die die Aktivität des menschlichen Gehirns und neuronale Signale aufzeichnen kann. Es wird häufig in der neurowissenschaftlichen Forschung, Diagnose und Behandlung neurologischer Erkrankungen usw. eingesetzt. Aus der Perspektive des Gedächtnisses kann die Magnetenzephalographie uns dabei helfen, tiefer in die menschlichen Gedächtnismechanismen und die Funktionen von Gehirnbereichen einzutauchen.

Mithilfe der Magnetenzephalographie haben Wissenschaftler einige Entdeckungen über das Gedächtnis gemacht. Sie fanden beispielsweise Hirnregionen, die am Arbeits- und Langzeitgedächtnis beteiligt sind, etwa den präfrontalen Kortex, den Temporallappen und den Hippocampus. Darüber hinaus kann die Magnetenzephalographie Anomalien der Gehirnaktivität erkennen, die mit Gedächtnisstörungen wie der Alzheimer-Krankheit einhergehen. Daher hat diese Technologie breite Anwendungsaussichten bei der Diagnose und Behandlung von Gedächtnisstörungen.

Die Magnetenzephalographie hat nicht nur ein erhebliches therapeutisches Potenzial, sondern kann auch normalen Menschen dabei helfen, ihr Gedächtnis zu verbessern. Indem wir verstehen, wie unser Gehirn Informationen verarbeitet und Erinnerungen speichert, können wir besser verstehen, wie wir effektiver lernen und uns erinnern können. Wissenschaftler haben einige bewährte Gedächtnistrainingstechniken wie Wiederholung und Assoziation entdeckt, die uns dabei helfen können, Informationen besser zu behalten.

Kurz gesagt, die Magnetenzephalographie ist eine Technologie, die eng mit der Gedächtnisforschung verbunden ist. Es kann eine tiefgreifende Untersuchung unseres Gedächtnismechanismus und der Funktionen des Gehirnbereichs durchführen und dabei helfen, Gedächtnisstörungen zu lösen und das Gedächtnis zu verbessern. Lassen Sie uns das Potenzial der Magnetenzephalographie aktiv erforschen und lernen, es besser zu nutzen, um unser Gehirn besser zu verstehen und zu nutzen. Es ist ersichtlich, dass wir das Gedächtnis verbessern müssen, und Cistanche deserticola kann das Gedächtnis erheblich verbessern, da Cistanche deserticola auch das Gleichgewicht von Neurotransmittern regulieren kann, beispielsweise durch die Erhöhung des Acetylcholin- und Wachstumsfaktorspiegels. Diese Stoffe sind sehr wichtig für das Gedächtnis und das Lernen. Darüber hinaus kann Fleisch auch die Durchblutung verbessern und die Sauerstoffversorgung fördern, wodurch sichergestellt werden kann, dass das Gehirn ausreichend Nährstoffe und Energie erhält, wodurch die Vitalität und Ausdauer des Gehirns verbessert werden.

Klicken Sie auf Möglichkeiten zur Verbesserung der Gehirnfunktion

Die Teilnehmer wurden angewiesen, ihren Blick auf den zentralen Fixierungspunkt zu richten und das Blinzeln während des gesamten Versuchs so gering wie möglich zu halten.

Neuromagnetische Daten wurden mit einem Ganzkopf-VectorView-System einschließlich 204 planaren Gradiometern und 102 Magnetometern (Elekta Neuromag Oy) in einem magnetisch abgeschirmten Raum erfasst.

Während des gesamten Experiments wurde die Kopfposition der Teilnehmer kontinuierlich mithilfe von Indexspulen überwacht, die an vier Punkten am Kopf angebracht waren. Die magnetische Feldstärke wurde mit einer Rate von 1000 Hz abgetastet und online zwischen 0,03 und 300 Hz bandpassgefiltert. Darüber hinaus wurden vertikale und horizontale Elektrookulogramme mithilfe von Elektroden gemessen, die über, unter und neben den Augen angebracht waren. Die Augenbewegungen wurden mit einem EyeTracker EyeLink 1000 (SR Research) bei einer Frequenz von 1000 Hz überwacht.

MEG-Datenvorverarbeitung

Die Daten wurden offline mit Fieldtrip (Oostenveld et al., 2011), der OHBA-Softwarebibliothek (OSL) basierend auf SPM8 (http://www.fil.ion.ucl.ac.uk/spam) und der Elekta-Software vorverarbeitet.

Vor der Vorverarbeitung wurden die MEG-Daten visuell überprüft, um alle Sensoren zu entfernen und zu interpolieren, die übermäßige Rauschpegel aufwiesen. Anschließend wurden sie mit Maxfilter Signal SpaceSeparation (Taulu et al., 2004) entrauscht und bewegungskorrigiert, bevor unabhängige Komponenten im Zusammenhang mit Herzerkrankungen entfernt wurden und Blinzel-Artefakte.

Die Daten wurden um das erste Gitter und das zweite Gitter verteilt (von 400 ms vor dem Einsetzen des Gitters bis 900 ms nach dem Einsetzen) und auf 200 Hz heruntergesampelt. Versuche mit hoher Varianz entweder bei Gradiometern oder Magnetometern wurden mithilfe eines generalisierten ESD-Tests (extreme studentisierte Abweichung; Rosner, 1983) bei einer Signifikanzschwelle von 0,05 identifiziert und ausgeschlossen.

Für Bias-Analysen zwischen Versuchen haben wir den Klassifikator auf alle Stimuluspräsentationen aus allen nicht abgelehnten Versuchen trainiert. Da wir Versuche mit hoher Varianz (7,49 6 3,85 %, Mittelwert 6 SD, entsprechend 45 6 23 Stimuluspräsentationen) von der weiteren Analyse ausgeschlossen haben, wurde der Klassifikator auf die verbleibenden 555 6 23 Stimuluspräsentationen trainiert.

Vor der Berechnung der Verzerrungen haben wir den ersten Versuch jedes Blocks (2 %) sowie Versuche mit einem absoluten Winkelunterschied von 0,60 Grad (;33 %) zur Zielausrichtung des vorherigen Versuchs entfernt, was zu 370 6 21 Versuchen für diesen Versuch führte Analyse pro Teilnehmer.

Für versuchsinterne Bias-Analysen haben wir den Klassifikator für alle Versuche trainiert, bei denen Stimulus 2 präsentiert wurde, mit Ausnahme derjenigen, die wegen hoher Varianz entfernt wurden, sodass 278 6 11 Versuche in der Analyse übrig blieben.

Für die Bias-Berechnung wählten wir unter diesen Versuchen diejenigen aus, bei denen auch Stimulus 1 präsentiert wurde, und mit einem absoluten Winkelunterschied von 0,10 Grad und 50 Grad zwischen den Stimuli 1 und 2. Anschließend wurde der Bias für Versuche mit Schutz und separat berechnet Aktualisierungshinweise, was zu 62 6 5 bzw. 63 6 5 Versuchen führt.

Klassifizierung der linearen Diskriminanzanalyse

Die Daten wurden weiter vorverarbeitet. Die Magnituden von Magnetometern wurden durch Multiplikation (Faktor 20) annähernd an Gradiometer angepasst und einer raumzeitlichen Dekodierung unterzogen (Code verfügbar unter https://pypi.org/project/temp-dec/; wie zuvor beschrieben, Wolff et al., 2017, 2020; Hajonides et al., 2021). Daten von allen 306 MEG-Sensoren über ein gleitendes Fenster von 30-Zeitpunkten (150 ms) wurden zu einem 9180-dimensionalen Vektor verkettet.

Die Dimensionalität wurde mithilfe der Hauptkomponentenanalyse reduziert, die für jeden Zeitpunkt separat berechnet wurde, wobei 90 % der Varianz erhalten blieben (zwischen 250 und 600 ms waren dies etwa 209 6 39 Komponenten pro Teilnehmer, Mittelwert 6 SD).

Dies diente dazu, die Daten zu entrauschen, die durch jede Dimension kodierte eindeutige Varianz zu erhöhen und es dem Klassifikator zu ermöglichen, Kovarianzmatrizen effektiver zu berechnen. Prestimulusbaselining wurde nicht angewendet, um stabile Informationen aus zuvor präsentierten Reizen aufrechtzuerhalten.

Um einen Klassifikator der linearen Diskriminanzanalyse (LDA) zu trainieren, wurden die Daten mithilfe einer {{0}}fach geschichteten Kreuzvalidierung in Trainings- und Testsätze aufgeteilt. Die Gitterwinkel wurden in gleichmäßig verteilte Orientierungsbereiche eingeteilt, wodurch 10 verschiedene Klassen erstellt wurden (0–18 Grad, 18–36 Grad, 36–54 Grad, 54–72 Grad, 72–90 Grad, 90–108 Grad, 108–126 Grad). 126–144 Grad, 144–162 Grad, 162–180 Grad). Um einen LDA-Klassifikator zu trainieren, wurden die Daten mithilfe einer 10-fach geschichteten Kreuzvalidierung in Trainings- und Testsätze aufgeteilt.

Basierend auf dem Trainingssatz projiziert der LDA-Klassifizierer die Daten in einen niedrigdimensionalen Raum (von neun Dimensionen; Anzahl der Klassen minus 1), der die Daten maximal von den 10 Klassen trennt. Daten aus dem Testsatz wurden dann in denselben {{ 3}}dimensionaler Raum. Wir haben 10 LDA-Abstände für jeden Versuch im Testsatz erhalten, indem wir den euklidischen Abstand aus dem Klassenmittelwert jedes Trainingssatzes im niedrigdimensionalen Raum berechnet haben.

Mithilfe dieser Abstände konnten wir die Wahrscheinlichkeit abschätzen, dass ein bestimmter Testversuch jeder der zehn Klassen entsprach. Dies wurde für jede Kreuzvalidierungsfalte und jeden Zeitpunkt wiederholt. Bei der Reizdekodierungsanalyse wurde der dargestellte Winkel zur Klassifizierung verwendet.

In Kreuzdekodierungsanalysen wurden LDA-Klassifikatoren auf Orientierungsabschnitte eines Ereignisses (z. B. präsentiertes Gitter) trainiert, die Klassifikatornachweise wurden jedoch an Abschnitten einer anderen Ausrichtung ausgerichtet (z. B. Zielausrichtung im vorherigen Versuch). Die resultierenden Darstellungsähnlichkeitskurven wurden mit einem Kosinus gefaltet.

Um zu testen, welche Sensoren den größten Beitrag zu den in unseren multivariaten Methoden beobachteten Klassifikatorwahrscheinlichkeiten leisteten, führten wir außerdem eine Searchlight-Dekodierungsanalyse durch (Kriegeskorte et al., 2006).

In dieser Analyse wurde zusätzlich eine kleine Gruppe von Sensoren berücksichtigt und war dadurch in der Lage, den ungefähren Ort des beobachteten Effekts abzubilden. Genauer gesagt haben wir Daten von jedem Sensor sowie seinen 47 nächstgelegenen Nachbarn (einschließlich Magnetometern und Gradiometern) ausgewählt und die gleiche Klassifizierungsanalyse wie oben beschrieben durchgeführt.

Berechnung des neuralen Asymmetrie-Scores als Maß für die neuronale Verzerrung

Für versuchsinterne Verzerrungen haben wir die Verarbeitung des zweiten Gitters beurteilt und nur Versuche mit zwei Items berücksichtigt. Der Klassifikator wurde auf alle Darstellungen des zweiten Gitters trainiert und für jeden Versuch wurden Bin-Wahrscheinlichkeiten generiert. Für Analysen zwischen den Versuchen analysierten wir die Orientierungsverarbeitung sowohl des ersten als auch des zweiten Gitters im aktuellen Versuch. Aus diesem Grund haben wir den Klassifikator für alle Versuche trainiert und für alle Versuche Bin-Vorhersagen generiert.

Anschließend wählten wir auf der Grundlage der Ergebnisse der Leistungsverzerrungsanalysen Versuche aus, bei denen der Winkelabstand zwischen dem Induktor und der Gitterausrichtung auf dem Display zu einer signifikanten Verhaltensverzerrung auf Gruppenebene führte.

Im Fall der abstoßenden Vorspannung innerhalb des Versuchs war der Induktor die Ausrichtung des ersten Gitters im selben Versuch. Für die Zwischenversuchsanalysen war der Auslöser die im vorherigen Versuch gemeldete Zielausrichtung (mit Ausnahme der Kontrollanalysen, bei denen die nicht gemeldete Ausrichtung als Ziel verwendet wurde). Als abhängige Variable haben wir Wahrscheinlichkeitsschätzungen für jedes Orientierungsintervall betrachtet, wobei wir die höchste Wahrscheinlichkeit für das Winkelintervall erwarten, das keinen Versatz zur dargestellten Ausrichtung aufweist, und abnehmende Wahrscheinlichkeiten für Intervalle mit größeren Winkelabständen zur dargestellten Ausrichtung.

Wir haben die Wahrscheinlichkeitsschätzungen für Versuche, bei denen die Ausrichtung des Induktors im Uhrzeigersinn (CW) gegenüber dem Gegenuhrzeigersinn (CCW) in Bezug auf die aktuelle Ausrichtung erfolgte, separat bewertet. Sowohl für CW- als auch für CCW-Versuche haben wir die Beweise aus den Orientierungsklassen CW (72 Grad bis 18 Grad) und die Beweise aus den CCW-Klassen (18 Grad bis 72 Grad) getrennt gemittelt.

Asymmetriewerte wurden berechnet, indem die Differenz zwischen den beiden Gruppen von Winkelabschnitten (CWminus CCW) ermittelt wurde. Schließlich berechneten wir einen Gesamtwert für die neuronale Verzerrung, indem wir die Asymmetriewerte aus Versuchen mit CW- und CCW-Induktoren subtrahierten.

Attraktive neuronale Verzerrungen führten zu einer positiven Bewertung (d. h. Versuche mit CW-Winkelabständen führten zu mehr CW-Evidenz, CCW-Winkelabstände führten zu mehr CCW-Evidenz), wohingegen abstoßende neuronale Verzerrungen zu einer negativen Bewertung führten (d. h. CW-Winkelabstände führten zu weniger CW-Evidenz als). CCW-Versuche und umgekehrt).

Statistische Tests

Statistische Tests wurden sowohl mit JASP (JASP Team, 2020) als auch mit Scipy (Virtanen et al., 2020) berechnet.

Wir haben die Zeitreihen der kosinusgefalteten Klassifikatorbeweise gegen Null mithilfe eines Cluster-basierten Permutationstests getestet, der das Problem des Mehrfachvergleichs angeht (unter Verwendung von MNE; Gramfort et al., 2013). Wir haben 100,000 Iterationen durchgeführt.

Die Cluster mit Gruppen von Zeitpunkten, die deutlich von Null abweichen, sind in den entsprechenden Abbildungen durch horizontale Linien gekennzeichnet. Clusterbasierte Permutationstests wurden auch zur Leistungsverzerrung über den Winkelabstand zwischen der dargestellten Ausrichtung und der Induktorausrichtung angewendet.

Um die Signifikanz unserer Bias-Analysen zu testen, haben wir nach der Dekodierungsphase eine Mischverteilung generiert. Wenn die Versuche nach der relativen Ausrichtung des vorherigen Versuchs/Stimulus sortiert wurden, haben wir diesen Winkelabstand nach dem Zufallsprinzip umgedreht und den Bias neu berechnet. Wir haben die Verzerrung für alle Teilnehmer berechnet und diesen Wert gemittelt. Dieser Vorgang wurde 10000 Mal wiederholt und die resultierende Verteilung wurde mit einem Z-Score bewertet.

Die gleiche Z-Score-Transformation wurde auf den beobachteten Bias-Score angewendet, wenn kein zufälliges Vorzeichenumdrehen angewendet wurde. Dieser Z-Score könnte dann verwendet werden, um den (zweiseitigen) p-Wert des ursprünglichen Effekts relativ zur Mischverteilung zu erhalten (in allen gemeldeten Zeitdurchschnitten wurden Zeitpunkte zwischen 250 und 600 ms verwendet).

Alle Tests waren zweiseitig, sofern nicht anders angegeben.

Ergebnisse

Fehlerquoten

Die Teilnehmer reproduzierten die Zielausrichtung genau (mittlerer Antwortfehler 11,73 6 0,70 Grad SEM; mittlere SD 17,61 61,07 Grad SEM; siehe Tabelle 1 für zustandsbezogene Leistung). Eine Zwei-mal-Zwei-ANOVA mit wiederholten Messungen zum Antwortfehler zeigte die Haupteffekte des Cue-Typs (F(1,19)=16.49, p, 0.001, h2=0.374) und mehrere präsentierte Reize (F(1,19)=29.78, p, 0.001,h2=0.075).

Der Cue-Typ war sowohl für Versuche mit einem als auch mit zwei Gegenständen signifikant, wobei der absolute Fehler beim ersten Versuch des Berichts höher war als beim zweiten Versuch des Berichts, und zwar bei beiden Versuchen mit zwei Gegenständen (t(19)=3.972,p, {{6} }.001, d=0.888; siehe Tabelle 1) und Einzelversuche (t(19) =3.948, Bonferroni-korrigiertes p, 0,001, d {{ 18}}.883). Im Gegensatz dazu betrafen einige der vorgestellten Punkte hauptsächlich die ersten Bedingungen des Berichts.

Der Fehler war bei den ersten beiden Versuchen höher als bei den ersten Einzelversuchen (t(19)=5.665, p, 0.001, d=1.267), war jedoch nicht signifikant unterscheiden sich zwischen dem zweiten Versuch mit zwei Items und dem zweiten Versuch mit einem Item (t(19)=1.885, p=0.075,d=0.421), was zu einem signifikanten Ergebnis führt Wechselwirkung zwischen den beiden Faktoren (F(1,19)=10.90, p=0.004, h2=0.026).

Analysen mithilfe der Mischungsmodellierung (Bays et al., 2009) bestätigten, dass Fehler, die auf Reaktionen auf die nicht vorgegebene Gitterausrichtung zurückzuführen waren, selten waren (Swap-Rate von 0,033 6 0,01 bei Zwei-Item-Versuchen; siehe auch Huang , 2020).

Abstoßende Leistungsverzerrungen innerhalb von Versuchen

Wir analysierten versuchsinterne Verzerrungen in der Verhaltensleistung, indem wir beurteilten, ob die gemeldete Orientierung im selben Versuch systematisch als näher an der Nichtzielorientierung oder weiter davon entfernt gemeldet wurde (siehe Materialien und Methoden).

Wir haben die Analysen auf Zwei-Punkte-Studien beschränkt. Abbildung 2A zeigt die Leistungsverzerrung für alle absoluten Winkelabstände zwischen der ersten und zweiten Gitterausrichtung für Versuche im ersten und zweiten Bericht. In Versuchen mit ersten Hinweisen im Bericht gab es keine signifikante Verzerrung in Richtung oder weg von der störenden zweiten Gitterausrichtung, die für sie nicht relevant war die anstehende Aufgabe (t(19)=0.74, p=0.467).

Im Gegensatz dazu zeigten Versuche mit zweiten Berichtshinweisen erhebliche Abweichungen von der ursprünglich codierten ersten Gitterorientierung (t(19)=2.33, p=0.031; dargestellt in Abb. 2B). Der abstoßende Bias in den zweiten Versuchen wurde mithilfe eines Cluster-basierten Permutationstests bestätigt und zeigte einen signifikanten Cluster (p=0,012), wenn der Winkelabstand zwischen den beiden Ausrichtungen zwischen 10 Grad und 49 Grad lag (Abb. 2A).

Attraktiver Leistungsunterschied zwischen den Versuchen

Als nächstes bewerteten wir die Verzerrung der Antworten zwischen den Versuchen im aktuellen Versuch in Bezug auf die Orientierung, die im vorherigen Versuch angeregt wurde (Abb. 3). Wir haben die Leistungsverzerrung als Funktion der Winkelunterschiede zwischen dem Zielgitter im aktuellen und im vorherigen Versuch bewertet.

Die Analyse berücksichtigte auch die Position des Zielgitters im aktuellen Versuch (erster oder zweiter) und die Anzahl der Gegenstände im aktuellen Versuch (ein Gegenstand oder zwei Gegenstände). Aus Konsistenzgründen bezeichnen wir alle Versuche, bei denen die Teilnehmer die erste Gitterorientierung melden, als erste Versuche und Versuche, bei denen die Teilnehmer die zweite Orientierung berichten, als zweite Versuche, unabhängig von der Anzahl der präsentierten Gitter.

Auch hier haben wir die Summe der Abweichungen über die Winkelabstände zwischen Zielen im aktuellen und vorherigen Versuch berechnet (Abb. 3A, B). Im Gegensatz zu der im vorherigen Abschnitt beschriebenen abstoßenden Verzerrung haben wir festgestellt, dass alle Bedingungen eine attraktive Leistungsverzerrung aufwiesen (alle p, 0.05 in zweiseitigen statistischen Tests). Der attraktive serielle Bias war bei kleinen bis mittleren Winkelabständen zwischen dem Induktor und der aktuellen Ausrichtung (0–60 Grad) am ausgeprägtesten.

Eine ANOVA mit wiederholten Messungen zur Summe der Verzerrungen über Winkelabstände deutete auf einen Effekt vom Typ „Hinweis“ hin, wobei in den ersten Berichtversuchen größere Verzerrungen auftraten (F(1,19)=5.706, p=0.027, h2=0.172), aber nicht von der Anzahl der in einem Versuch präsentierten Gitter (F(1,19)=0.980, p=0.335, h2 =0 .007). Die beiden Faktoren interagierten nicht (F(1,19)=0.377, p=0.547,h2=0.002). Dies zeigt, dass die Verzerrung stärker war, wenn man sich an das erste Item erinnerte, das zeitlich näher am vorherigen Versuch kodiert wurde.

For more information:1950477648nn@gmail.com