بخش 1: مدولاسیون هدفمند الگوهای حافظه عصبی: مفاهیمی برای تشخیص حافظه مبتنی بر FMRI

تماس: آدری هوaudrey.hu@wecistanche.com

لطفا برای قسمت 2 اینجا را کلیک کنید

ملینا آر. آنکافر، 1* جی. تایلر بوید-مردیت، 1* تیفانی ای. چاو، 3 جسی ریسمن، 3 و ایکس آنتونی دی. واگنر1،2

1گروه روانشناسی و 2برنامه علوم اعصاب، دانشگاه استنفورد، استنفورد، کالیفرنیا 94305، و 3 گروه روانشناسی، دانشگاه کالیفرنیا، لس آنجلس، لس آنجلس، کالیفرنیا 90095

به خاطر سپردن یک رویداد گذشته، الگوهای عصبی توزیع شده را برمی‌انگیزد که می‌توان آن‌ها را از الگوهایی که هنگام مواجهه با اطلاعات جدید به دست می‌آیند متمایز کرد. این الگوهای متفاوت را می توان با دقت تشخیصی نسبتاً بالایی برای حافظه های فردی با استفاده از تجزیه و تحلیل الگوی چند وکسل (MVPA) داده های fMRI رمزگشایی کرد. تشخیص حافظه مبتنی بر مغز - اگر معتبر و قابل اعتماد باشد - کاربرد واضحی فراتر از حوزه علوم اعصاب شناختی، در حوزه قانون، بازاریابی و فراتر از آن خواهد داشت. با این حال، یک شرط مرزی مهم در اعتبار رمزگشایی حافظه ممکن است به کارگیری «اقدامات متقابل» باشد: استراتژی‌هایی که برای پنهان کردن سیگنال‌های حافظه استفاده می‌شوند. در اینجا ما آسیب‌پذیری تشخیص حافظه مبتنی بر fMRI را در برابر اقدامات متقابل، با استفاده از پارادایم‌ای که شباهت به شناسایی شاهدان عینی دارد، آزمایش کردیم. شرکت‌کنندگان در حین انجام دو کار روی چهره‌هایی که قبلاً مطالعه شده و جدید بودند، اسکن شدند: (1) وظیفه حافظه تشخیص استاندارد. و (2) کاری که در آن آنها سعی کردند حالت حافظه واقعی خود را پنهان کنند. تجزیه و تحلیل‌های تک متغیره نشان داد که شرکت‌کنندگان قادر به تعدیل استراتژیک پاسخ‌های عصبی، میانگین در سراسر کارآزمایی‌ها، در مناطقی بودند که در بازیابی حافظه نقش دارند، از جمله هیپوکامپ و شکنج زاویه‌ای. علاوه بر این، نواحی مرتبط با جابجایی های هدفمند توجه و جایگزینی فکر، از پنهان سازی حافظه پشتیبانی می کنند، و مناطق مرتبط با تولید حافظه، از پنهان سازی تازگی پشتیبانی می کنند. به طور اساسی، در حالی که MVPA طبقه‌بندی قابل اعتماد حالت‌های حافظه را زمانی که شرکت‌کنندگان حافظه را به درستی گزارش می‌کردند، فعال می‌کرد، توانایی رمزگشایی حافظه در آزمایش‌های فردی به خطر افتاد، حتی در خلال تلاش‌ها برای پنهان کردن حافظه، معکوس شد. این یافته‌ها با هم نشان می‌دهند که اهداف استراتژیک Tate را می‌توان برای پوشاندن الگوهای عصبی مرتبط با حافظه و فناوری رمزگشایی حافظه فویل به کار برد، و شرایط مرزی قابل‌توجهی را بر کاربرد دنیای واقعی آنها قرار داد.

کلیدواژه: اقدامات متقابل. بازیابی اپیزودیک؛ MRI عملکردی؛ قانون عصبی طبقه بندی الگو

سیستانچ می تواند حافظه را بهبود بخشد

مقدمه

شواهد رو به رشد نشان می دهد که رمزگشایی وجود یا عدم وجود حافظه برای یک محرک یا رویداد از الگوهای توزیع شده فعالیت مغز انسان، همانطور که توسط MRI عملکردی (fMRI) و تجزیه و تحلیل الگوی چندوکسلی (MVPA؛ جانسون و همکاران، 2009) اندازه گیری می شود، امکان پذیر است. مک داف و همکاران، 2009؛ چادویک و همکاران، 2010؛ کوام و همکاران، 2010؛ ریسمن و همکاران، 2010؛ پولین و همکاران، 2012؛ پاپنک و نورمن، 2012؛ ریسمن و واگنر، 20). ادبیات به سرعت در حال ظهور در رمزگشایی حافظه مبتنی بر fMRI نه تنها به نظریه‌های عصبی شناختی حافظه می‌پردازد، بلکه پیامدهایی برای قانون، بازاریابی و فراتر از آن نیز دارد (میگان، 2008). به عنوان مثال، یک روش قابل اعتماد و معتبر برای تشخیص حافظه می‌تواند توانایی پزشکی قانونی سیستم عدالت کیفری را برای تعیین اینکه آیا مظنون از اطلاعات مربوط به جرم آگاهی دارد یا خیر (گریلی، 2011) یا یک شاهد عینی یک رویداد مهم را تشخیص می‌دهد ارتقاء بخشد. عنصر با توجه به دقت تشخیصی بالایی که در برخی از مطالعات رمزگشایی حافظه مبتنی بر fMRI مشاهده شده است (تا 70 تا 90 درصد؛ ریسمن و همکاران، 2010)، ممکن است وسوسه انگیز باشد که نتیجه بگیریم که این رویکردها برای کشف حالات حافظه فرد و شاید کاربرد پزشکی قانونی دارند. همچنین تاریخچه تجربی آنها با اطلاعات رویداد.

با این حال، تکنیک‌های تشخیص حافظه مبتنی بر fMRI هنوز در حال توسعه هستند، با چالش‌های مهم بسیاری قبل از تعیین مناسب بودن آنها برای استفاده میدانی باقی مانده است (براون و مورفی، 2010؛ ورشوئر و همکاران، 2011). یکی از مهم‌ترین سؤالات باز این است که آیا رمزگشایی حافظه در برابر «اقدامات متقابل» آسیب‌پذیر است: استراتژی‌هایی که برای پوشاندن مم یا سیگنال‌ها و تست‌های تشخیص «ضربه» به کار می‌روند (فارح و همکاران، 2014). ریسمن و همکاران (2010) شواهد غیرمستقیم را گزارش کردند که حاکی از آسیب‌پذیری در برابر حالت‌های هدف استراتژیک است، زیرا توانایی تشخیص چهره‌های جدید که قبلاً با آن‌ها مواجه شده‌اند، زمانی که حافظه شرکت‌کنندگان به‌طور ضمنی و نه صریح بررسی می‌شد، تقریباً به شانس تقلیل می‌یابد. با این حال، داده‌های دیگر نشان می‌دهد که عدم توجه به حالت یادمانی ممکن است همیشه طبقه‌بندی حافظه را خنثی کند. به عنوان مثال، کوهلتال. (2013) توانست جزئیات حافظه را رمزگشایی کند حتی زمانی که شرکت کنندگان دستور بازیابی آن جزئیات را نداشتند. این یافته‌ها با هم، نیاز به شناسایی شرایطی را نشان می‌دهند که تحت آن حالت‌های هدف استراتژیک، الگوهای حافظه عصبی را تغییر می‌دهند: به ویژه، آیا شرکت‌کنندگان می‌توانند عمداً حالات حافظه خود را از طریق استفاده از اقدامات متقابلی که به نظر می‌رسد همکاری دارند، پنهان کنند؟ پرداختن به این سوال نه تنها پیامدهایی برای تعیین شرایط مرزی روش‌های fMRI برای تشخیص حافظه دارد، بلکه برای درک پویایی فرآیندهای بازیابی هدفمند نیز مفید است.

در اینجا ما وضعیتی را بررسی کردیم که شبیه شناسایی شاهدان عینی بود و به اقدامات متقابلی نیاز داشتیم که در آزمایش شناسایی شاهد عینی همکار به نظر می رسید. شرکت‌کنندگان مجموعه‌ای از چهره‌ها را مشاهده کردند و حافظه آن‌ها برای این چهره‌ها پس از انجام fMRI به یکی از دو روش بررسی شد. در آزمون اول، شرکت‌کنندگان تصمیمات صریح در مورد چهره‌هایی که قبلاً با آن‌ها مواجه شده بودند و جدید بودند، گرفتند. در آزمون دوم، شرکت کنندگان سعی کردند حافظه خود را برای چهره هایی که قبلاً با آنها مواجه شده اند پنهان کنند و برای چهره های بدیع حافظه خود را تظاهر کنند. با استفاده از داده‌های حافظه صریح، ما طبقه‌بندی‌کننده‌هایی را آموزش دادیم تا الگوهای فعالیت مرتبط با تجربیات ذهنی تشخیص و تازگی را متمایز کنند. سپس ما آزمایش کردیم که آیا طبقه‌بندی‌کننده‌ها می‌توانند حالت‌های حافظه شرکت‌کنندگان را هنگام انجام اقدامات متقابل رمزگشایی کنند.

مواد و روش ها

شركت كنندگان. بیست و چهار شرکت کننده مرد سالم و راست دست از دانشگاه استنفورد و جوامع اطراف آن انتخاب شدند. سن شرکت کنندگان 18 تا 31 سال، با میانگین SDageof23 4.29 سال، انگلیسی زبان مادری و بدون سابقه عوارض عصبی بودند و بر اساس این افراد یا آفریقایی آمریکایی (AA; n 8) یا آمریکایی اروپایی (EA; n 16) بودند. خود گزارش دهی شرکت‌کنندگان، مطابق با رویه‌های هیئت بررسی نهادی دانشگاه استنفورد، رضایت آگاهانه کتبی دادند و از نظر سازگاری با fMRI غربالگری شدند.

آزمایش کنید. این آزمایش شامل دو جلسه اسکن بود که به فاصله 24 ساعت از همدیگر انجام شد و در هر دو جلسه اسکن تقریباً 5 ساعت طول کشید. هر شرکت کننده برای هر ساعت مشارکت 2 دلار0 غرامت دریافت کرد. داده‌های دو شرکت‌کننده دیگر جمع‌آوری شد اما از تحلیل‌های بعدی به دلیل عملکرد ناکافی یا ناقص حذف شد: یکی از آن‌ها حذف شد زیرا d تصادفی بود (0.08) و دیگری به این دلیل که شرکت‌کننده قبل از تکمیل آزمایش از اسکن کناره‌گیری کرد.

محرک ها محرک های صورت شامل 400 عکس رنگی از چهره های مرد بود که نیمی از آنها AA و نیمی EA بودند (داده های بررسی اثرات نژاد به طور جداگانه گزارش خواهند شد). محرک های صورت برای حالت خنثی صورت و روشنایی پس زمینه استاندارد شده بودند و فقط سر و گردن را شامل می شدند. محرک ها در برابر پس زمینه خاکستری با یک خط تیره ثابت مرکزی سیاه ارائه شدند. برای هر شرکت‌کننده، محرک‌های صورت با استفاده از نمونه‌گیری تصادفی طبقه‌بندی‌شده بر اساس مسابقه به دو نمونه تقسیم شدند تا محرک‌هایی برای ارائه در مرحله رمزگذاری (اقلام قدیمی؛ 100AA، 100EA) یا به عنوان آیتم‌های فویل در بازیابی (NEWitems؛ 100AA، 100 EA) ارائه شوند. ).

روز 1: رمزگذاری شرکت‌کنندگان در حالی که عمداً 200 چهره مرد (100 چهره AA و 100 چهره EA) را رمزگذاری می‌کردند، اسکن شدند. هر چهره برای 2 ثانیه، با فاصله بین محرک 8 ثانیه (ISI) برای مجموع 10 ثانیه در هر آزمایش ارائه شد. هر چهره دو بار در طول مرحله رمزگذاری نشان داده شد: پس از ارائه مجموعه کامل از 200 محرک، همان چهره‌ها دوباره به ترتیب متفاوتی ارائه شدند. به شرکت کنندگان یک استراتژی رمزگذاری مفصل داده شد تا محرک ها را به خاطر بسپارند، به موجب آن به آنها آموزش داده شد که داستان های تخیلی شامل افراد تصویر شده در محرک ها تولید کنند. برای تأیید اینکه شرکت‌کنندگان به محرک‌ها توجه می‌کردند و درگیر کار بودند، به آنها دستور داده شد که دکمه انگشت اشاره سمت راست را روی جعبه پاسخ پس از ظاهر شدن هر چهره فشار دهند. محرک ها در هشت اجرا با 50 چهره در هر اجرا ارائه شدند. چهار اجرا اول شامل اولین ارائه محرک های مطالعه و چهار اجرا دوم شامل ارائه دوم محرک های مطالعه بود. در پایان هر دویدن (برای هر دو روز 1 و روز 2)، شرکت‌کنندگان تشویق شدند تا هر چقدر که می‌خواهند استراحت کنند و با فشار دادن دکمه، استراحت را به‌طور خودکار خاتمه دهند. وقفه ها بین 10 تا 55 ثانیه در بین شرکت کنندگان متغیر بود.

به طور خاص، برای چهره‌هایی که قبلاً تصور می‌شد مورد مطالعه قرار گرفته‌اند، به شرکت‌کنندگان آموزش داده شد که یک پاسخ «جدید» را نشان دهند و به سرعت به یک استراتژی شناختی برای پنهان کردن همبستگی‌های عصبی تشخیص خود تغییر دهند: از آنها خواسته شد روی جنبه‌های فنی و/یا عکاسی تمرکز کنند. از محرک‌هایی که قبلاً به آنها توجه نکرده بودند، مانند نوردهی، نور، لبه‌های خط و غیره. در اینجا تأکید شد که الگوریتم رایانه به اندازه کافی برای دریافت سیگنال‌های حافظه حساس است و پس از تعیین اینکه این الگوریتم مطالعه شده است. آنها باید - در حد توانشان - سعی کنند با توجه به جنبه‌های ادراکی عکس‌ها، خاطره‌ی چهره را به ذهنشان نرسانند. برعکس، برای محرک‌هایی که مطالعه‌نشده تلقی می‌شد، به شرکت‌کنندگان آموزش داده شد که یک پاسخ «قدیمی» را نشان دهند و از راهبردهای شناختی برای برانگیختن همبستگی‌های عصبی بازیابی استفاده کنند، به عنوان مثال، فرد شناخته‌شده‌ای را که شبیه چهره است به ذهن بیاورند، و هر خاطره‌ای مرتبط با آن را زنده کنند. با فرد مجدداً تأکید شد که الگوریتم رایانه به اندازه کافی برای تشخیص سیگنال های جدید حساس است، بنابراین آنها باید به سرعت به ایجاد خاطرات برای چهره ای که تشخیص داده اند جدید است تغییر دهند. برای چهره‌های قدیمی و جدید، به شرکت‌کنندگان آموزش داده شد که از استراتژی شناختی مناسب برای کل مدت کارآزمایی (10 ثانیه) استفاده کنند. آزمایش‌کنندگان تأیید کردند که همه شرکت‌کنندگان قبل از ادامه آزمایش، وظیفه حافظه پنهان را درک کردند.

آنالیزهای تک متغیره fMRI نقشه برداری پارامتری آماری (SPM8؛ دپارتمان Wellcome of Cognitive Neurology، لندن، انگلستان؛ http://www.fil.ion.ucl.ac.uk/spm/software/spm8)، اجرا شده در MATLAB 7.7 (R2008b؛ MathWorks) هم برای پیش پردازش داده ها و هم برای تجزیه و تحلیل تک متغیره استفاده می شود.

رویه های پیش پردازش استاندارد برای داده ها اعمال شد. تمام حجم‌های عملکردی برای محاسبه تفاوت‌های زمان اکتساب بین برش‌ها اصلاح شدند، با برش میانی در زمان به عنوان مرجع. تمام حجم‌های عملکردی با حرکت تصحیح شدند و از نظر فضایی به جلد اول، و به دنبال آن با میانگین حجم جلسه تنظیم مجدد شدند. حجم تشریحی وزن‌دار T2-از جلسه روز 2 (بازیابی) به میانگین حجم عملکردی ثبت شد. و سپس حجم وزن T1-به ماده خاکستری، ماده سفید و CSF تقسیم شد و تصاویر حاصل به الگوهای موجود در فضای موسسه عصبی مونترال (MNI) نرمال شدند. حجم‌های عملکردی بر اساس پارامترهای تبدیل به‌دست‌آمده در طول تقسیم‌بندی، در فضای استاندارد نرمال‌سازی شدند و به وکسل‌های ۴ میلی‌متر ۳ نمونه‌برداری شدند. سپس تمام تصاویر به صورت فضایی با 8 میلی متر عرض کامل در هسته گاوسی نیمه حداکثر (FWHM) هموار شدند.

برای همه طرح‌های طبقه‌بندی، تعداد آزمایش‌ها در کلاس‌ها (از طریق نمونه‌گیری فرعی تصادفی) در سطل‌های آموزش و آزمایش قبل از طبقه‌بندی متعادل شد تا از نرخ دقت طبقه‌بندی فرضیه صفر نظری 50 درصد و سطح زیر منحنی (AUC) اطمینان حاصل شود. زیر را ببینید) از 0.50; تجزیه و تحلیل با برچسب‌های طبقه‌ای به هم ریخته تأیید کرد که عملکرد طبقه‌بندی شانس حول این سطوح همگرا می‌شود ("توزیع صفر"). پس از متعادل کردن، داده‌های هر وکسل مجدداً z امتیازدهی شد، به طوری که میانگین سطح فعالیت هر وکسل برای آزمایش‌های کلاس A معکوس سطح فعالیت متوسط ​​آن برای آزمایش‌های کلاس B بود. برای هر تجزیه و تحلیل، کل فرآیند طبقه بندی 10 بار برای به دست آوردن تخمین های پایدار از عملکرد اجرا شد (تحلیل های مستقل تأیید کردند که 10 تکرار برای به دست آوردن برآوردهای عملکرد پایدار کافی است).

رگرسیون لجستیک منظم (RLR) برای تمام روش های طبقه بندی استفاده شد. این قبلاً به عنوان یک انتخاب سودمند در این پارادایم طبقه بندی توسط ریسمن و همکاران تعیین شده بود. (2010). این الگوریتم یک تابع رگرسیون لجستیک چند کلاسه را با استفاده از تبدیل softmax ترکیبات خطی ویژگی‌ها (بیشاپ، 2006) با یک عبارت جریمه اضافی به عنوان گاوسی قبل از وزن‌های ویژگی پیاده‌سازی کرد. این عبارت جریمه تنظیم L2 را فراهم می کرد و وزن های کوچک را اعمال می کرد. در طول آموزش طبقه‌بندی‌کننده، الگوریتم RLR مجموعه‌ای از وزن‌های ویژگی را آموخت که احتمال ورود داده‌ها را به حداکثر می‌رساند. وزن ویژگی به صفر مقداردهی اولیه شد و بهینه‌سازی با تابع کمینه‌سازی گرادیان مزدوج کارل راسموسن (http://www.gatsby.ucl.ac.uk/ Edward/code/minimize/) با استفاده از گرادیان log-likelihood همراه با پنالتی L2

جریمه L2 نصف معکوس افزودنی یک پارامتر مشخص شده توسط کاربر، ضرب در مجذور هنجار L2 بردار وزن برای هر کلاس، ضرب بر طبقات تعیین شد. ما انتخاب کردیم که این پارامتر رایگان را برای تمام تحلیل‌های گزارش‌شده در این مطالعه روی مقدار ثابت 10 قرار دهیم.

ارزیابی عملکرد طبقه‌بندی‌کننده. پس از تطبیق پارامترهای مدلRLR با استفاده از داده‌های مجموعه آموزشی، هر الگوی فعالیت مغز (یعنی آزمایشی) از مجموعه آزمایشی به مدل داده شد و تخمینی از احتمال اینکه آن مثال از کلاس A یا کلاس B باشد (با ساخت، اینها) به دست آمد. دو مقدار همیشه به یک جمع می شوند). این مقادیر احتمال در تمام چین‌های آزمایش اعتبار متقابل به هم پیوسته و سپس رتبه‌بندی شدند. نرخ مثبت واقعی (ضربه) و نرخ مثبت کاذب (FA) طبقه‌بندی کننده در 8 آستانه قطع ثابت در امتداد زنجیره احتمال برای تولید منحنی‌های مشخصه عملکرد گیرنده (ROC) محاسبه شد. مقادیر AUC مرتبط با این منحنی‌ها همانطور که فاوست (2{6}}04) توضیح داد محاسبه شد و می‌توان آن را به‌طور رسمی به عنوان احتمال اینکه یک عضو به‌طور تصادفی انتخاب شده از یک کلاس، احتمال تعلق کمتری به کلاس دیگر داشته باشد، تفسیر کرد. دارای یک عضو از کلاس دیگر که به طور تصادفی انتخاب شده است. به روشی دیگر، AUC میانگین دقتی را که با آن یک جفت کارآزمایی کلاس A و کلاس B به‌طور تصادفی انتخاب شده را می‌توان به کلاس صحیح آن‌ها اختصاص داد (0.5 عملکرد تصادفی است، 1.0 یک عملکرد عالی است) شاخص می‌کند. اگر هدف کسی ویژگی بالا در برچسب زدن نمونه های کلاس A باشد و تمایلی به تحمل بسیاری از موارد مثبت کاذب نداشته باشد، می توان مطمئن ترین حدس های طبقه بندی کننده را مورد بازجویی قرار داد. در اینجا ما خودسرانه این آستانه را به عنوان 10 درصد حدس‌های طبقه‌بندی تعیین کردیم. توجه داشته باشید که هنگام گزارش مطمئن‌ترین آزمایش‌های طبقه‌بندی‌کننده، دقت را به جای مقادیر AUC گزارش می‌کنیم.

نقشه های اهمیت برای هر طرح طبقه‌بندی، نقشه‌های اهمیت طبق رویه‌ای که در مطالعات قبلی MVPA توضیح داده شد، ساخته شد (جانسون و همکاران، 20{{1{14}}}}9؛ مک داف و همکاران، 2{16). }}09). مقدار اهمیت یک وکسل شاخصی از میزان تأثیر افزایش یا کاهش سیگنال آن بر پیش بینی طبقه بندی کننده ارائه می دهد. پس از آموزش، روش طبقه‌بندی رگرسیون لجستیک مجموعه‌ای از مقادیر وزن را به دست می‌دهد که ارزش پیش‌بینی هر وکسل را منعکس می‌کند (با مقادیر مثبت نشان می‌دهد که افزایش فعالیت معمولاً با نتیجه کلاس A مرتبط است و مقادیر منفی نشان می‌دهد که افزایش فعالیت عموماً با نتیجه‌ای کلاس مرتبط است). این وزن‌ها سپس با میزان فعالیت هر وکسل برای آزمایش‌های کلاس A ضرب می‌شوند (که به دلیل روش متعادل‌سازی آزمایشی و امتیازدهی z، معکوس افزایشی میانگین سطح فعالیت آن برای آزمایش‌های کلاس B است). به وکسل‌هایی با مقادیر مثبت هم برای فعالیت و هم برای وزن، ارزش‌های اهمیت مثبت، وکسل‌هایی با فعالیت و وزن منفی ارزش‌های اهمیت منفی، و وکسل‌هایی که فعالیت و وزن آن‌ها نشانه‌های مخالف داشتند، ارزش‌های اهمیت صفر در نظر گرفتند (جانسون و همکاران، 2{21}}09؛ مک داف و همکاران، 2009). نقشه‌های خلاصه در سطح گروه با میانگین‌گیری نقشه‌های اهمیت تک تک شرکت‌کنندگان ایجاد شده‌اند و در شکل‌ها در آستانه‌های دلخواه نمایش داده می‌شوند: نقشه‌های رندر سه‌بعدی بین ۰.۰۲ تا ۰.۵ و نقشه‌های دوبعدی بین ۰.۰۵ و ۰.۵ (نگاه کنید به شکل 4) یا بین 0.15 و 0.5 (نگاه کنید به شکل 7). به عنوان نکته پایانی، اگرچه نقشه‌های اهمیت ابزار مفیدی برای ارزیابی اینکه کدام وکسل‌ها توسط طبقه‌بندی‌کننده استفاده شده‌اند، این نقشه‌ها نباید به‌عنوان ارزیابی جامعی از این که کدام وکسل‌ها به‌طور جداگانه اطلاعاتی در مورد تمایز مورد علاقه دارند، تفسیر شوند.

تجزیه و تحلیل نور جستجو نقشه های اهمیت نشان می دهد که کدام وکسل ها اطلاعات تشخیصی را به طبقه بندی کننده های کل مغز ارائه می دهند. با این حال، آن‌ها فاش نمی‌کنند که آیا می‌توان از داده‌های مناطق تشریحی فردی به تنهایی برای تشخیص ضربه‌های CR استفاده کرد یا خیر. ما آنالیزهای نورافکن را برای ارائه دقت رمزگشایی محلی (Kriegeskorte و همکاران، 2006) در سراسر مغز انجام دادیم. نکته جالب توجه این بود که آیا مناطقی که در آنها سیگنال وابسته به سطح اکسیژن خون (BOLD؛ تک متغیره) به طور قابل توجهی توسط اقدامات متقابل تعدیل شده است (نگاه کنید به شکل 2A) همچنین دقت رمزگشایی آزمایشی را فعال می کند که به طور قابل توجهی از شانس فاصله دارد. ما طبقه‌بندی حیاتی (صریح ¡ ضربه‌های پنهان در مقابل CRs) را روی ماسک‌های کروی محلی که به صورت جداگانه روی هر وکسل در ماسک کل مغز متمرکز شده‌اند (به استثنای وکسل‌ها در قشر حرکتی و مخچه) انجام دادیم. هر ماسک کروی شامل هر وکسلی بود که لبه وکسل مرکزی را لمس می کرد. بنابراین، کره های به دست آمده شامل 19 وکسل بودند، به جز زمانی که کره فراتر از ماسک کل مغز گسترش یافته بود. برای تعیین اینکه آیا دقت رمزگشایی محلی در طول کارآزمایی تکامل یافته است (همانطور که انتظار می‌رود اگر شرکت‌کنندگان در ابتدا به سیگنال‌های حافظه توجه می‌کردند و سپس سعی می‌کردند چنین سیگنال‌هایی را پنهان کنند)، ما این نورافکن‌ها را به‌طور جداگانه برای هر یک از شش TR انجام دادیم.

ما اهمیت را در هر یک از حوزه‌های نورافکن خود مانند تحلیل‌های رمزگشایی قبلی ارزیابی کردیم: AUCها ابتدا برای 10 تکرار طبقه‌بندی محاسبه شدند، و سپس با محاسبه 10 تکرار طبقه‌بندی اضافی با استفاده از رگرسیورهای درهم، توزیع صفر شبیه‌سازی شد. ما نقشه‌های t سطح گروهی را ایجاد کردیم که کره‌هایی را نشان می‌دادند که به‌طور قابل اعتمادی ضربات CR‌ها را با انجام یک آزمون t زوجی از میانگین مقدار AUC درهم درهم‌نشده هر شرکت‌کننده در هر وکسل، در تمام 10 تکرار، متمایز می‌کردند. این نقشه ها با استفاده از آستانه اندازه خوشه ای مشتق شده از شبیه سازی مونت کارلو (Xiong et al., 1995) همانطور که در برنامه AFNI (Automated Functional Neuro-Imaging) 3dClustSim پیاده سازی شده است، در p 0.05 (تصحیح) قرار گرفتند. صافی مونت

شبیه‌سازی کارلو به‌طور جداگانه برای هر شرکت‌کننده و هر نقطه زمانی با استفاده از برنامه AFNI 3dFWHMx از میانگین AUCهای به‌دست‌آمده در سراسر تکرارهای طبقه‌بندی درهم تخمین زده شد. یکنواختی در بین شرکت کنندگان و نقاط زمانی برای محاسبه یک مقدار همواری واحد برای هر بعد به طور میانگین محاسبه شد. آستانه ارتفاع وکسلی p 0.01 منجر به یک اندازه خوشه 22 وکسل برای رسیدن به اهمیت سطح خوشه p {{10}} شد.{{15} }5 (FWE) در یک نقطه زمانی معین. برای تصحیح مقایسه‌های چندگانه در نقاط شش‌مدی‌مان، یک تصحیح Bonferronini را اعمال کردیم، و آستانه وسعت لازم برای دستیابی به معنی‌داری در سطح خوشه p 0.0083 (یا 0.05/6؛ FWE) را در محاسبه کردیم. هر نقطه زمانی یا p 0.05 (FWE) در مکان و زمان. با استفاده از این روش، ما تعیین کردیم که وسعت خوشه ای 29 وکسل برای دستیابی به اهمیت سطح خوشه p 0.05 (FWE) در فضا و نقاط شش زمان مورد نیاز است.

نتایج

عملکرد رفتاری

وظیفه حافظه صریح

هنگامی که شرکت‌کنندگان به‌طور صادقانه تجربیات یادگاری خود را که توسط هر چهره آزمایشی برانگیخته شده بود گزارش کردند، میانگین نرخ ضربه SD (میزانی که تصاویر قدیمی به‌طور دقیق «قدیمی» ارزیابی می‌شوند) برابر با {{0}} به دست آوردند.73 0. 12 و نرخ FA (نرخی که در آن تصاویر NEW به طور نادرست "قدیمی" قضاوت می کنند) 0.{4}}.10، که منجر به میانگین d از 1 می شود.27 0.56. میانگین زمان‌های پاسخ (RTs) برای پاسخ‌های صحیح سریع‌تر بود (بازدید، 1.{10}}.60 ثانیه؛ CRs، 2.10 0.75 ثانیه) نسبت به پاسخ‌های نادرست (FAs، 2.{16). }}.01 s؛ misss: 2.33 0.81 s; t(23) 5.15, p 3.22 10 5). پاسخ‌های ضربه سریع‌تر از پاسخ‌های CR بودند (t(23) 5.44, p 1.{30}}).

مقایسه وظایف حافظه آشکار و پنهان

میانگین d در حافظه آشکار به طور قابل توجهی بیشتر از کار حافظه پنهان بود (t(23) 2.99, p 6.6 10 3). هیچ تفاوتی در میانگین RT برای هر نتیجه حافظه وجود نداشت (همه مقادیر p 0.05). با این حال، یک تعامل معنی‌دار بین وظیفه و حافظه وجود داشت، به‌طوری‌که میانگین تفاوت در RTبرای بازدیدها و CRها در حافظه آشکار بیشتر از کار حافظه پنهان بود (t(23) 6.25, p 2.{11}}). این اثر متمایز حافظه بر روی RT به عنوان تابعی از کار ممکن است از تفاوت در d بین شرایط حافظه آشکار و پنهان ناشی شود و احتمالاً نتیجه ماهیت وظیفه دوگانه شرایط حافظه پنهان است: شرکت کنندگان باید ابتدا تعیین کنند. چهره‌ها قدیمی یا جدید بوده و سپس به سرعت به استراتژی پنهان‌سازی حافظه/تازه روی می‌آورند و در عین حال پاسخ‌های حرکتی خود را نیز معکوس می‌کنند.

آنالیزهای تک متغیره fMRI

ما ابتدا این سوال را بررسی کردیم که آیا شرکت‌کنندگان می‌توانند در اقدامات متقابل استراتژیک برای تعدیل سیگنال‌های BOLD مرتبط با حافظه در سراسر آزمایش‌ها (یعنی پاسخ‌های fMRI تک متغیره) شرکت کنند. برای انجام این کار، ما "اثرات موفقیت حافظه" (بازدیدهای CR) را برای هر کار به طور جداگانه شناسایی کردیم و سپس تعیین کردیم که در کجا اثرات موفقیت حافظه در بین وظایف مشترک است، و همچنین جایی که آنها توسط کار تعدیل می شوند. سپس بررسی کردیم که آیا توانایی تعدیل اثرات موفقیت حافظه تحت تأثیر قدرت حافظه است یا خیر.

اثرات متداول موفقیت حافظه

با توجه به اینکه شرکت‌کنندگان باید تعیین کنند که آیا یک چهره در هر دو کار قدیمی است یا جدید، ما در مرحله بعد به دنبال این بودیم که مشخص کنیم آیا مناطقی وجود دارد که بازدیدها را از CRها در هر دو کار متمایز می‌کند یا خیر. برای انجام این کار، تضادهای موفقیت حافظه پیشین را به طور جامع پوشانده‌ایم (در p {{0}}.01 هر کدام، تا به یک آستانه مشترک p 0.001 منجر شود). نتیجه این روش پوشاندن اثراتی را در IPS چپ و VTC سمت چپ نشان داد (شکل 1C).

کمتر احتمال دارد که اثربخشی موفقیت در حافظه معکوس نشان داده شود (r {{0}}.36، p 0.04). به عبارت دیگر، اثرات موفقیت حافظه آنها علیرغم تلاش برای پنهان کردن حافظه آنها ادامه داشت. این یافته نشان می‌دهد که شرکت‌کنندگانی که حافظه‌های قوی‌تری داشتند، در تعدیل فعالیت AnG خود در طول کار پنهان مشکل بیشتری داشتند. جالب توجه است که هیچ یک از خوشه های هیپوکامپ رابطه معنی داری بین قدرت حافظه و فعالیت نشان ندادند (هیپوکامپ راست،r0). r0.22، p 0.29)، و شیب همبستگی‌ها بین AnG و هیپوکامپ راست متفاوت بود (Williams t(21) 2.49, p 0.021) و برای هیپوکامپ چپ تفاوت جزئی داشت (Williams t(21) 1.62, p 0.12) . این یافته‌ها با هم نشان می‌دهند که شرکت‌کنندگانی که حافظه‌های قوی‌تری داشتند، کمتر قادر به اعمال کنترل هدفمند بر فعالیت‌های مرتبط با حافظه در سمت چپ بودند، اما به نظر می‌رسد این مورد در هیپوکامپ دوطرفه صادق نیست.

تجزیه و تحلیل fMRI چند متغیره

سوال اصلی ما این است که آیا استفاده از استراتژی‌های مقابله شناختی (مطابق با هدف) شرکت‌کنندگان را قادر می‌سازد الگوهای عصبی مرتبط با حافظه را پنهان کنند، بنابراین بر توانایی تکنیک‌های چند متغیره برای خواندن حالات حافظه خود برای رویدادهای فردی تأثیر می‌گذارد. بر این اساس، ما در مرحله بعد توانایی طبقه‌بندی‌کننده‌های MVPA را برای رمزگشایی وضعیت حافظه آزمایش‌های بازیابی فردی با (1) ابتدا آموزش و آزمایش یک طبقه‌بندی بر روی داده‌های وظیفه حافظه تشخیص استاندارد (کار حافظه صریح) و (2) ارزیابی کردیم و سپس ارزیابی کردیم که آیا این طبقه‌بندی‌کننده همچنین می‌تواند حافظه را زمانی که شرکت‌کنندگان سعی می‌کنند حالت‌های حافظه خود را پنهان کنند رمزگشایی کند (کار حافظه پنهان). مدل فرآیند ما سه سناریو جایگزین را برای آزمایش پیشنهاد کرد. ما با توضیح مدل فرآیند خود شروع می کنیم و سپس هر فرضیه را به نوبه خود توصیف می کنیم.