تأثیرات چندگانه و قابل تفکیک تاریخچه حسی بر عملکرد حافظه کاری قسمت 2

کسب MEG

شرکت کنندگان پس از آموزش در مورد ویژگی های کار، در اسکنر MEG نشستند. آنها قبل از شروع ضبط MEG در حالی که در اسکنر نشسته بودند یک بلوک تمرین را تکمیل کردند.

مگنتوآنسفالوگرافی (MEG) یک فناوری مدرن است که می تواند فعالیت مغز انسان و سیگنال های عصبی را ثبت کند. این به طور گسترده ای در تحقیقات علوم اعصاب، تشخیص و درمان بیماری های عصبی و غیره استفاده شده است. از منظر حافظه، مغناطیس مغزی می تواند به ما کمک کند تا در مکانیسم های حافظه انسان و عملکردهای نواحی مغز عمیق تر شویم.

دانشمندان با استفاده از مگنتوآنسفالوگرافی به اکتشافاتی در مورد حافظه دست یافته اند. به عنوان مثال، آنها مناطقی از مغز را درگیر در حافظه کاری و بلندمدت یافتند، مانند قشر جلوی مغز، لوب تمپورال و هیپوکامپ. علاوه بر این، مگنتوآنسفالوگرافی می‌تواند ناهنجاری‌های فعالیت مغز مرتبط با اختلالات حافظه مانند بیماری آلزایمر را تشخیص دهد. بنابراین، این فناوری چشم انداز کاربردی گسترده ای در تشخیص و درمان اختلالات حافظه دارد.

مگنتوآنسفالوگرافی علاوه بر پتانسیل درمانی قابل توجهی می تواند به بهبود حافظه افراد عادی نیز کمک کند. با درک اینکه مغز ما چگونه اطلاعات را پردازش می‌کند و خاطرات را ذخیره می‌کند، بهتر می‌توانیم یاد بگیریم و یاد بگیریم. دانشمندان برخی از تکنیک های اثبات شده آموزش حافظه مانند تکرار و تداعی را کشف کرده اند که می تواند به ما در حفظ بهتر اطلاعات کمک کند.

به طور خلاصه، مگنتوآنسفالوگرافی یک فناوری است که ارتباط نزدیکی با تحقیقات حافظه دارد. این می تواند کاوش عمیقی در مکانیسم حافظه و عملکردهای ناحیه مغز انجام دهد و به حل اختلالات حافظه و بهبود حافظه کمک کند. بیایید به طور فعال کاوش کنیم و یاد بگیریم که از پتانسیل مغناطیسی مغزی برای کمک به درک و استفاده بهتر از مغزمان استفاده کنیم. مشاهده می شود که ما نیاز به بهبود حافظه داریم و سیستانش دسرتیکولا می تواند حافظه را به میزان قابل توجهی بهبود بخشد، زیرا سیستانش دسرتیکولا می تواند تعادل انتقال دهنده های عصبی مانند افزایش سطح استیل کولین و فاکتورهای رشد را نیز تنظیم کند. این مواد برای حافظه و یادگیری بسیار مهم هستند. علاوه بر این، گوشت همچنین می تواند جریان خون را بهبود بخشد و اکسیژن رسانی را تقویت کند، که می تواند اطمینان حاصل کند که مغز مواد مغذی و انرژی کافی را دریافت می کند و در نتیجه نشاط و استقامت مغز را بهبود می بخشد.

روی روش های بهبود عملکرد مغز کلیک کنید

به شرکت کنندگان آموزش داده شد که نگاه خود را به نقطه ثابت مرکزی نگاه دارند و پلک زدن را در طول آزمایش به حداقل برسانند.

داده های نورومغناطیسی با استفاده از یک سیستم VectorViewsystem کل سر شامل 204 گرادیومتر مسطح و 102 مغناطیس سنج (Elekta Neuromag Oy) در یک اتاق محافظ مغناطیسی به دست آمد.

در طول آزمایش، موقعیت سر شرکت کنندگان به طور مداوم با استفاده از سیم پیچ های شاخص قرار داده شده در چهار نقطه روی سر کنترل می شد. قدرت میدان مغناطیسی با نرخ 1000 هرتز نمونه برداری شد و گذر باند به صورت آنلاین بین 0.03 و 300 هرتز فیلتر شد. علاوه بر این، الکترواکولوگرام های عمودی و افقی با استفاده از الکترودهایی که در بالا، پایین و در مجاورت چشم قرار داده شده اند، اندازه گیری شد. حرکات چشم با استفاده از یک ردیاب چشم EyeLink 1000 (SR Research) در فرکانس 1000 هرتز نظارت شد.

پیش پردازش داده های MEG

داده‌ها با استفاده از Fieldtrip (Oostenveld و همکاران، 2011)، کتابخانه نرم‌افزار OHBA (OSL) بر روی SPM8 (http://www.fil.ion.ucl.ac.uk/spam) و نرم‌افزار Elekta پیش پردازش آفلاین شدند.

قبل از هر گونه پیش پردازش، داده های MEG به صورت بصری بازرسی شدند تا حسگرهایی را که سطوح بیش از حد نویز را نشان می دادند حذف و درونیابی کردند و متعاقباً با استفاده از Maxfilter Signal SpaceSeparation (Taulu et al., 2004) نویز زدایی و تصحیح شدند. و مصنوعات پلک زدن.

داده ها در حول و حوش گریتینگ اول و گریت دوم (از 4{4}}0 ms قبل از شروع گریتینگ تا 900 میلی ثانیه پس از شروع) و به 200 هرتز کاهش یافتند. کارآزمایی‌هایی با واریانس بالا در گرادیومترها یا مغناطیس‌سنج‌ها با استفاده از آزمون ESD تعمیم‌یافته (انحراف دانشجویی شدید؛ Rosner, 1983) در آستانه معنی‌داری 05/0 شناسایی و حذف شدند.

برای تجزیه و تحلیل سوگیری بین کارآزمایی، ما طبقه‌بندی‌کننده را در مورد تمام ارائه‌های محرک از همه کارآزمایی‌های رد نشده آموزش دادیم. از آنجایی که ما کارآزمایی‌هایی با واریانس بالا (7.{2}}.85 درصد، میانگین 6 SD، مربوط به ارائه‌های محرک) را از تجزیه و تحلیل بیشتر حذف کردیم، طبقه‌بندی‌کننده در 555 6 23 ارائه محرک باقی‌مانده آموزش دید.

قبل از محاسبه بایاس‌ها، اولین آزمایش هر بلوک (2%) و آزمایش‌هایی را با تفاوت زاویه‌ای مطلق با جهت‌گیری هدف در آزمایش قبلی 0.60 درجه (33%) حذف کردیم، که منجر به 370 6 21 آزمایش برای این شد. تجزیه و تحلیل به ازای هر شرکت کننده

برای تجزیه و تحلیل سوگیری درون کارآزمایی، ما طبقه‌بندی‌کننده را در همه کارآزمایی‌هایی که محرک 2 ارائه شده بود، آموزش دادیم، به جز مواردی که برای واریانس بالا حذف شده بودند، و کارآزمایی‌های 278 6 11 را در تحلیل باقی گذاشتیم.

برای محاسبه سوگیری، از بین این کارآزمایی‌ها آن‌هایی را انتخاب کردیم که محرک 1 روی آن‌ها نیز ارائه شده بود، و با اختلاف زاویه‌ای مطلق 0.10 درجه و 50 درجه بین محرک‌های 1 و 2. متعاقباً، سوگیری به‌طور جداگانه برای کارآزمایی‌هایی با حفاظت و محاسبه شد. نشانه‌ها را به‌روزرسانی کنید که به ترتیب منجر به آزمایش‌های 62 6 5 و 63 6 5 می‌شود.

طبقه بندی تجزیه و تحلیل تفکیک خطی

داده ها بیشتر پیش پردازش شدند. قدر مغناطیس‌سنج‌ها تقریباً با شیب سنج‌ها با ضرب (عامل 20) مطابقت داشتند و در معرض رمزگشایی مکانی-زمانی قرار گرفتند (کد موجود در https://pypi.org/project/temp-dec/؛ همانطور که قبلاً توضیح داده شد، Wolff et al., 2017, 2020. هاجونیدس و همکاران، 2021). داده‌های تمام سنسورهای 306 MEG در یک پنجره کشویی از 30-نقاط زمانی (150 میلی‌ثانیه) در یک بردار بعدی 9180- الحاق شدند.

ابعاد با استفاده از تجزیه و تحلیل مؤلفه اصلی کاهش یافت، که به طور جداگانه برای هر نقطه زمانی محاسبه شد، و 90٪ از واریانس را حفظ کرد (بین 250 و 600 میلی ثانیه، این حدود 209 6 39 مولفه برای هر شرکت‌کننده، میانگین 6 SD بود).

این کار به حذف نویز داده ها، افزایش واریانس منحصر به فرد کدگذاری شده توسط هر بعد کمک می کند و طبقه بندی کننده را قادر می سازد تا ماتریس های کوواریانس را به طور موثرتری محاسبه کند. Prestimulusbaselining برای حفظ اطلاعات پایدار از محرک های ارائه شده قبلی استفاده نشد.

برای آموزش طبقه‌بندی‌کننده تجزیه و تحلیل تفکیک خطی (LDA)، داده‌ها با استفاده از اعتبارسنجی متقاطع طبقه‌بندی شده {{0}}به مجموعه‌های آموزشی و آزمایشی تقسیم شدند. زوایای توری در سطل‌های جهت‌گیری با فواصل مساوی قرار داده شدند و 10 کلاس مجزا (0-18 درجه، 18-36 درجه، 36-54 درجه، 54-72 درجه، 72-90 درجه، 90-108 درجه، 108-126 درجه، 126-144 درجه، 144-162 درجه، 162-180 درجه). برای آموزش یک طبقه‌بندی‌کننده LDA، داده‌ها با استفاده از 10-تقسیم‌بندی طبقه‌بندی متقاطع به مجموعه‌های آموزشی و آزمایشی تقسیم شدند.

بر اساس مجموعه آموزشی، طبقه‌بندی‌کننده LDA داده‌ها را در یک فضای کم‌بعد (با 9 بعد، تعداد کلاس‌ها منهای 1) نشان می‌دهد که حداکثر داده‌ها را از 10 کلاس جدا می‌کند. سپس داده‌های مجموعه آزمایشی در همان {{{ 3}}فضای ابعادی. ما 10 فاصله LDA را برای هر آزمایش در مجموعه آزمون با محاسبه فاصله اقلیدسی آن از میانگین کلاس مجموعه آموزشی در فضای کم بعدی به دست آوردیم.

این فواصل به ما این امکان را می‌دهد که احتمال اینکه هر آزمایش آزمایشی با هر یک از ده کلاس مطابقت داشته باشد، تخمین بزنیم. این برای هر بار اعتبارسنجی متقاطع و هر نقطه زمانی تکرار شد. تجزیه و تحلیل رمزگشایی محرک، زاویه ارائه شده برای طبقه بندی استفاده شد.

در تجزیه و تحلیل رمزگشایی متقاطع، طبقه‌بندی‌کننده‌های LDA روی سطل‌های جهت‌گیری یک رویداد (مثلاً توری ارائه‌شده) آموزش داده شدند، اما شواهد طبقه‌بندی کننده در اطراف سطل‌های جهت‌گیری دیگر (مثلاً جهت‌گیری هدف در آزمایش قبلی) قرار گرفتند. منحنی های تشابه نمایشی به دست آمده با کسینوس درگیر شدند.

برای آزمایش اینکه کدام حسگرها بیشترین سهم را در احتمال طبقه بندی مشاهده شده در روش های چند متغیره ما دارند، ما همچنین یک تحلیل رمزگشایی نورافکن را اجرا کردیم (Kriegeskorte و همکاران، 2006).

در این تجزیه و تحلیل، گروه کوچکی از حسگرها را در نظر گرفت و از این طریق توانست مکان تقریبی اثر مشاهده شده را نقشه برداری کند. به طور خاص، داده‌های هر سنسور را به اضافه 47 همسایه نزدیک آن (از جمله مغناطیس‌سنج‌ها و گرادیومترها) انتخاب کردیم و همان تجزیه و تحلیل طبقه‌بندی را انجام دادیم که در بالا توضیح داده شد.

محاسبه نمره عدم تقارن عصبی به عنوان معیاری برای سوگیری عصبی

برای سوگیری های درون کارآزمایی، ما پردازش گریتینگ دوم را ارزیابی کردیم و فقط کارآزمایی های دو موردی را در نظر گرفتیم. طبقه‌بندی‌کننده بر روی تمام نمایش‌های گریتینگ دوم آموزش داده شد و احتمال‌های بن برای هر آزمایش ایجاد شد. برای تجزیه و تحلیل بین آزمایشی، ما پردازش جهت گریت اول و دوم را در آزمایش فعلی تجزیه و تحلیل کردیم. به همین دلیل، طبقه‌بندی‌کننده را در تمام آزمایش‌ها آموزش داد و پیش‌بینی‌های bin را برای همه آزمایش‌ها ایجاد کرد.

متعاقبا، بر اساس نتایج حاصل از تجزیه و تحلیل سوگیری عملکرد، آزمایش‌هایی را انتخاب کردیم که در آن فاصله زاویه‌ای بین القاء کننده و جهت گریتینگ روی نمایشگر منجر به سوگیری رفتاری قابل‌توجهی در سطح گروه شد.

در مورد سوگیری دافعه درون آزمایشی، القاگر جهت‌گیری اولین توری در همان آزمایش بود. برای آنالیزهای بین کارآزمایی، القاء کننده جهت گیری هدف گزارش شده در کارآزمایی قبلی بود (به جز برای تجزیه و تحلیل کنترل، جایی که جهت گیری گزارش نشده به عنوان هدف مورد استفاده قرار گرفت). به‌عنوان یک متغیر وابسته، ما تخمین‌های احتمال را برای هر سطل جهت‌گیری در نظر گرفتیم، جایی که ما انتظار داریم بیشترین احتمال برای سطل زاویه‌ای که صفر است نسبت به جهت ارائه شده و احتمال کاهش برای سطل‌هایی با فواصل زاویه‌ای بزرگ‌تر نسبت به جهت ارائه‌شده را داشته باشیم.

ما به‌طور جداگانه برآوردهای احتمال را برای کارآزمایی‌هایی ارزیابی کردیم که در آن جهت القاگر در جهت عقربه‌های ساعت (CW) در مقابل خلاف جهت عقربه‌های ساعت (CCW) مربوط به جهت‌گیری فعلی بود. برای هر دو کارآزمایی CW و CCW، ما به طور جداگانه شواهد را از سطل های جهت یابی CW (72 درجه تا 18 درجه) و شواهد از سطل های CCW (18 درجه تا 72 درجه) میانگین گرفتیم.

نمرات عدم تقارن با به دست آوردن تفاوت بین دو گروه سطل های زاویه ای (CWminus CCW) محاسبه شد. در نهایت، با کم کردن نمرات عدم تقارن در کارآزمایی‌ها با القاگرهای CW در مقابل CCW، یک امتیاز کلی سوگیری عصبی را محاسبه کردیم.

سوگیری های عصبی جذاب منجر به نمره مثبت شد (یعنی کارآزمایی ها با فواصل CWangular منجر به شواهد CW بیشتر شد، فواصل زاویه ای CCW منجر به شواهد CCW بیشتر شد)، در حالی که سوگیری های عصبی دافعه منجر به نمره منفی شد (یعنی فواصل زاویه ای CW منجر به شواهد CW کمتر از آزمایشات CCW و بالعکس).

تست آماری

آزمون‌های آماری با استفاده از JASP (تیم JASP، 2020) و Scipy (Virtanen و همکاران، 2020) محاسبه شد.

ما سری زمانی شواهد طبقه‌بندی‌کننده کسینوس در هم پیچیده را در برابر صفر با استفاده از آزمون جایگشت مبتنی بر خوشه، که به مشکل مقایسه چندگانه می‌پردازد، آزمایش کردیم (با استفاده از MNE؛ گرامفورت و همکاران، 2013). Weran 100،000 تکرار.

خوشه هایی با گروه هایی از نقاط زمانی به طور قابل توجهی متفاوت از صفر در شکل های مربوطه با استفاده از خطوط افقی نشان داده شده اند. آزمایش جایگشت مبتنی بر خوشه نیز برای تعصب عملکرد در طول فاصله زاویه ای بین جهت ارائه شده و جهت گیری القاء اعمال شد.

برای آزمایش اهمیت تجزیه و تحلیل‌های سوگیری خود، پس از مرحله رمزگشایی، یک توزیع درهم ریخته ایجاد کردیم. هنگامی که کارآزمایی‌ها بر اساس جهت گیری نسبی آزمایش/محرک قبلی مرتب شدند، به‌طور تصادفی این فاصله زاویه‌ای را علامت‌گذاری کردیم و تعصب را دوباره محاسبه کردیم. ما تعصب را برای همه شرکت‌کنندگان محاسبه کردیم و این امتیاز را میانگین گرفتیم. این فرآیند 10،{3}} بار تکرار شد و توزیع حاصل z-score شد.

همان تبدیل z-score برای امتیاز سوگیری مشاهده‌شده در زمانی که هیچ علامت تصادفی اعمال نشد اعمال شد. سپس می توان از این امتیاز z برای بدست آوردن مقدار p (دو دنباله) اثر اصلی نسبت به توزیع درهم استفاده کرد (در تمام میانگین های زمانی گزارش شده، نقاط زمانی بین 250 و 600 میلی ثانیه استفاده شد).

تمام تست ها دو طرفه بودند مگر اینکه خلاف آن ذکر شده باشد.

نتایج

نرخ های خطا

شرکت‌کنندگان در بازتولید جهت‌گیری هدف دقیق بودند (میانگین خطای پاسخ 11.{1}}.70 درجه SEM؛ میانگین SD 17.61 61.07 درجه SEM؛ جدول را ببینید. 1 برای عملکرد شرطی). ANOVA با اندازه‌گیری مکرر دو در دو روی خطای پاسخ، اثرات اصلی نوع نشانه را نشان داد (F(1,19)=16.49, p, 0.001, h2=0.374)و چندین محرک های ارائه شده (F(1,19)=29.78, p, 0.001,h2=0.075).

نوع نشانه برای هر دو کارآزمایی یک موردی یا دو ماده ای معنی دار بود، با خطای مطلق در گزارش اول بیشتر از گزارش آزمایش دوم برای هر دو آزمایش دو ماده ای (t(19)=3.972,p, {{6} }.001, d=0.888؛ جدول 1 را ببینید) و آزمایشات یک موردی (t(19) =3.948, Bonferroni-corrected p, 0.001, d {{ 18}}.883). در مقابل، چندین مورد ارائه شده در درجه اول بر شرایط اولیه گزارش تأثیر گذاشتند.

خطا در دو گزارش اول بیشتر از اولین گزارش آزمایشی یک موردی بود (t(19)=5.665, p, 0.001, d=1.267) اما به طور معنی داری مشاهده نشد. تفاوت بین گزارش دوم دو موردی و گزارش آزمایشی دوم یک موردی (t(19)=1.885, p=0.075,d=0.421)، که منجر به قابل توجهی می شود تعامل بین دو عامل (F(1,19)=10.90, p=0.004, h2=0.026).

تجزیه و تحلیل با استفاده از مدل‌سازی مخلوط (Bays و همکاران، 2009) تأیید کرد که خطاهای ناشی از پاسخ‌ها به جهت گریتینگ بدون نشانه نادر هستند (نرخ مبادله 0.{2}}.01 در آزمایش‌های دو موردی؛ همچنین Huang را ببینید. ، 2020).

سوگیری های عملکرد دافعه در آزمایش ها

ما سوگیری‌های درون کارآزمایی را در عملکرد رفتاری با ارزیابی اینکه آیا جهت‌گیری گزارش‌شده به‌طور سیستماتیک نزدیک‌تر یا دورتر از جهت‌گیری غیرهدف در همان کارآزمایی گزارش شده است، تحلیل کردیم (مواد و روش‌ها را ببینید).

ما تجزیه و تحلیل ها را به کارآزمایی های دو ماده ای محدود کردیم. شکل 2A انحراف عملکرد را برای تمام فواصل زاویه ای مطلق بین جهت گریت اول و دوم برای گزارش اول و گزارش آزمایش دوم نشان می دهد. در کارآزمایی هایی با نشانه های گزارش اول، هیچ سوگیری قابل توجهی نسبت به یا دور شدن از جهت گریتینگ دوم مداخله گر وجود نداشت که به آن مربوط نبود. وظیفه در دست (t(19)=0.74, p=0.467).

در مقابل، کارآزمایی‌ها با نشانه‌های دوم گزارش، سوگیری‌های قابل‌توجهی را نشان دادند که از جهت‌گیری توری اول کدگذاری شده اولیه دور بودند (t(19)=2.33، p=0.031؛ نشان‌داده شده در شکل 2B). کارآزمایی‌های دوم گزارش بایاسین دافعه با استفاده از آزمون جایگشت مبتنی بر خوشه تأیید شد، که یک خوشه قابل‌توجه را نشان می‌دهد (0.012=0) زمانی که فاصله زاویه‌ای بین دو جهت بین 10 درجه و 49 درجه بود (شکل 2A).

سوگیری عملکرد جذاب بین کارآزمایی ها

ما در مرحله بعد سوگیری بین کارآزمایی در پاسخ‌ها را در کارآزمایی فعلی به سمت جهت‌گیری که در کارآزمایی قبلی نشان داده شده بود، ارزیابی کردیم (شکل 3). ما سوگیری عملکرد را به عنوان تابعی از تفاوت‌های زاویه‌ای بین گریتینگ هدف در جریان فعلی و آزمایش قبلی ارزیابی کردیم.

تجزیه و تحلیل همچنین موقعیت توری هدف در آزمایش فعلی (اول یا دوم) و سپس تعداد موارد در آزمایش فعلی (یک مورد یا دو مورد) را در نظر گرفت. برای سازگاری، ما همه کارآزمایی‌هایی را که شرکت‌کنندگان در آن جهت‌گیری درجه اول را گزارش کارآزمایی‌های اول گزارش می‌کنند و کارآزمایی‌هایی را که شرکت‌کنندگان جهت‌گیری دوم را گزارش کارآزمایی‌های دوم را گزارش می‌دهند، بدون توجه به تعداد گریتینگ‌های ارائه شده، می‌گوییم.

مجدداً، ما مجموع انحراف را در فواصل زاویه ای بین اهداف در آزمایشات فعلی و قبلی محاسبه کردیم (شکل 3A, B). برخلاف سوگیری دفعی که در بخش قبل توضیح داده شد، متوجه شدیم که همه شرایط یک سوگیری عملکرد جذابی را نشان می‌دهند (همه p، 0.05 در آزمون‌های آماری دوطرفه). بایاس سریال جذاب برای فواصل زاویه ای کوچک تا متوسط ​​بین القاء کننده و جهت جریان (0-60 درجه) بیشتر مشخص بود.

ANOVA با اندازه‌گیری‌های مکرر روی مجموع سوگیری‌ها در فواصل زاویه‌ای، اثری از نوع نشانه را نشان می‌دهد، با سوگیری‌های بزرگ‌تر در اولین آزمایش‌های گزارش رخ می‌دهد (F(1،19)=5.706، p=0.027، h2=0.172)، اما نه از تعداد رنده های ارائه شده در آزمایشی (F(1,19)=0.980, p=0.335, h2 =0 007.). این دو عامل برهم کنش نداشتند (F(1,19)=0.377, p=0.547,h2=0.002). این نشان می‌دهد که سوگیری در هنگام یادآوری اولین مورد، که در زمان نزدیک‌تر به آزمایش قبلی کدگذاری شده بود، قوی‌تر بود.

For more information:1950477648nn@gmail.com