Efek Berganda dan Dapat Dipisahkan dari Riwayat Sensorik Terhadap Kinerja Memori Kerja Bagian 2

akuisisi MEG

Peserta duduk di pemindai MEG setelah diinstruksikan tentang tugas spesifik. Mereka menyelesaikan satu blok latihan sambil duduk di depan pemindai sebelum perekaman MEG dimulai.

Magnetoencephalography (MEG) adalah teknologi modern yang dapat merekam aktivitas otak manusia dan sinyal saraf. Ini telah banyak digunakan dalam penelitian ilmu saraf, diagnosis dan pengobatan penyakit saraf, dll. Dari perspektif memori, magnetoensephalografi dapat membantu kita mempelajari lebih dalam mekanisme memori manusia dan fungsi area otak.

Dengan menggunakan magnetoencephalography, para ilmuwan telah membuat beberapa penemuan tentang memori. Misalnya, mereka menemukan wilayah otak yang terlibat dalam kerja dan memori jangka panjang, seperti korteks prefrontal, lobus temporal, dan hipokampus. Selain itu, magnetoencephalography dapat mendeteksi kelainan aktivitas otak yang berhubungan dengan gangguan memori, seperti penyakit Alzheimer. Oleh karena itu, teknologi ini memiliki prospek penerapan yang luas dalam mendiagnosis dan mengobati gangguan memori.

Selain memiliki potensi terapeutik yang cukup besar, magnetoencephalography juga dapat membantu masyarakat awam meningkatkan daya ingatnya. Dengan memahami cara otak kita memproses informasi dan menyimpan ingatan, kita dapat lebih memahami cara belajar dan mengingat dengan lebih efektif. Para ilmuwan telah menemukan beberapa teknik pelatihan memori yang terbukti, seperti pengulangan dan asosiasi, yang dapat membantu kita menyimpan informasi dengan lebih baik.

Singkatnya, magnetoencephalography adalah teknologi yang erat kaitannya dengan penelitian memori. Ini dapat melakukan eksplorasi mendalam terhadap mekanisme memori dan fungsi area otak kita, membantu mengatasi gangguan memori dan meningkatkan daya ingat. Mari kita secara aktif mengeksplorasi dan belajar memanfaatkan potensi magnetoencephalography dengan lebih baik untuk membantu kita lebih memahami dan memanfaatkan otak kita. Terlihat bahwa kita perlu meningkatkan daya ingat, dan Cistanche deserticola dapat meningkatkan daya ingat secara signifikan, karena Cistanche deserticola juga dapat mengatur keseimbangan neurotransmiter, seperti meningkatkan kadar asetilkolin dan faktor pertumbuhan. Zat-zat ini sangat penting untuk daya ingat dan pembelajaran. Selain itu, Daging juga dapat meningkatkan aliran darah dan meningkatkan pengiriman oksigen, yang dapat memastikan otak menerima nutrisi dan energi yang cukup, sehingga meningkatkan vitalitas dan daya tahan otak.

Klik tahu cara meningkatkan fungsi otak

Peserta diinstruksikan untuk mempertahankan pandangan mereka pada titik fiksasi sentral dan meminimalkan kedipan selama percobaan.

Data neuromagnetik diperoleh dengan menggunakan sistem VectorView seluruh kepala termasuk 204 gradiometer planar dan 102 magnetometer (Elekta Neuromag Oy) di ruangan yang terlindung secara magnetis.

Sepanjang percobaan, posisi kepala peserta dipantau terus menerus menggunakan kumparan indeks yang ditempatkan pada empat titik di kepala. Kekuatan medan magnet diambil sampelnya pada kecepatan 1000 Hz dan pass band difilter secara online antara 0,03 dan 300 Hz. Selain itu, elektro-okulogram vertikal dan horizontal diukur menggunakan elektroda yang ditempatkan di atas, di bawah, dan berdekatan dengan mata. Pergerakan mata dipantau menggunakan pelacak mata EyeLink 1000 (SR Research) pada frekuensi 1000 Hz.

Pemrosesan awal data MEG

Data diproses terlebih dahulu secara offline menggunakan Fieldtrip (Oostenveld et al.,2011), perpustakaan perangkat lunak OHBA (OSL) yang menggambar pada SPM8 (http://www.fil.ion.ucl.ac.uk/spam), dan perangkat lunak Elekta.

Sebelum pra-pemrosesan apa pun, data MEG diperiksa secara visual untuk menghilangkan dan menginterpolasi sensor apa pun yang menampilkan tingkat kebisingan berlebihan dan kemudian dihilangkan kebisingannya dan dikoreksi gerakan menggunakan Maxfilter Signal SpaceSeparation (Taulu et al., 2004) sebelum menghilangkan komponen independen yang terkait dengan jantung. dan artefak sekejap mata.

Data ditempatkan di sekitar kisi pertama dan kisi kedua (dari 400 ms sebelum permulaan kisi hingga 900 ms setelah permulaan) dan diturunkan sampelnya menjadi 200 Hz. Uji coba dengan varian tinggi dalam gradiometer atau magnetometer diidentifikasi dan dikeluarkan menggunakan uji ESD umum (extreme studentized deviasi; Rosner, 1983) pada ambang batas signifikansi 0,05.

Untuk analisis bias antar-percobaan, kami melatih pengklasifikasi pada semua presentasi stimulus dari semua percobaan yang tidak ditolak. Karena kami mengecualikan uji coba dengan varian tinggi (7.49 6 3.85%, rata-rata 6 SD, sesuai dengan45 6 23 presentasi stimulus) dari analisis lebih lanjut, pengklasifikasi dilatih pada 555 6 23 presentasi stimulus yang tersisa.

Sebelum menghitung bias, kami menghapus uji coba pertama setiap blok (2%), dan uji coba dengan perbedaan sudut absolut dengan orientasi target pada uji coba sebelumnya sebesar 0,60 derajat (;33%), sehingga menghasilkan 370 6 21 uji coba untuk ini analisis per peserta.

Untuk analisis bias dalam uji coba, kami melatih pengklasifikasi pada semua uji coba di mana stimulus 2 disajikan kecuali uji coba yang dihapus karena varian tinggi, sehingga uji coba 278 6 11 tetap dalam analisis.

Untuk perhitungan bias, diantara uji coba ini kami memilih uji coba yang mana stimulus 1 juga telah disajikan, dan dengan perbedaan sudut absolut sebesar 0,10 derajat dan,50 derajat antara rangsangan 1 dan 2. Selanjutnya, bias dihitung secara terpisah untuk uji coba dengan perlindungan dan memperbarui isyarat, menghasilkan uji coba 62 6 5 dan 63 6 5 masing-masing.

Klasifikasi analisis diskriminan linier

Data diproses lebih lanjut. Besaran magnetometer kira-kira dicocokkan dengan gradiometer dengan perkalian (faktor 20) dan dilakukan penguraian kode spatiotemporal (kode tersedia di https://pypi.org/project/temp-dec/; seperti dijelaskan sebelumnya, Wolff dkk., 2017, 2020; Hajonides dkk., 2021). Data dari seluruh 306 sensor MEG pada jendela geser 30-titik waktu (150 ms) digabungkan menjadi vektor dimensi 9180-.

Dimensi dikurangi menggunakan analisis komponen utama, yang dihitung secara terpisah untuk setiap titik waktu, dengan mempertahankan 90% varians (antara 250 dan 600 ms, yaitu sekitar 209 6 39 komponen per peserta, rata-rata 6 SD).

Hal ini berfungsi untuk menghilangkan noise pada data, meningkatkan varian unik yang dikodekan oleh setiap dimensi, dan memungkinkan pengklasifikasi menghitung matriks kovarians dengan lebih efektif. Baselining prestimulus tidak diterapkan untuk menjaga kestabilan informasi dari rangsangan yang disajikan sebelumnya.

Untuk melatih pengklasifikasi analisis diskriminan linier (LDA), data dibagi menjadi set pelatihan dan pengujian menggunakan validasi silang bertingkat {{0}}fold. Sudut kisi dimasukkan ke dalam wadah orientasi dengan jarak yang sama, menciptakan 10 kelas berbeda (0–18 derajat, 18–36 derajat, 36–54 derajat, 54–72 derajat, 72–90 derajat, 90–108 derajat, 108–126 derajat, 126–144 derajat, 144–162 derajat, 162–180 derajat). Untuk melatih pengklasifikasi LDA, data dibagi menjadi set pelatihan dan pengujian menggunakan 10-fold stratifiedcross-validation.

Berdasarkan set pelatihan, pengklasifikasi LDA memproyeksikan data ke dalam ruang berdimensi rendah (sembilan dimensi; jumlah kelas dikurangi 1) yang secara maksimal memisahkan data dari 10 kelas. Data dari set pengujian kemudian diproyeksikan ke dalam {{ 3}}ruang dimensi. Kami memperoleh 10 jarak LDA untuk setiap percobaan di set pengujian dengan menghitung jarak Euclidean dari setiap rata-rata kelas set pelatihan dalam ruang dimensi rendah.

Jarak ini memungkinkan kami memperkirakan kemungkinan bahwa uji coba tertentu berhubungan dengan masing-masing sepuluh kelas. Hal ini diulangi untuk setiap lipatan validasi silang dan setiap titik waktu. Analisis decoding stimulus, sudut yang disajikan digunakan untuk klasifikasi.

Dalam analisis cross-decoding, pengklasifikasi LDA dilatih pada wadah orientasi dari satu peristiwa (misalnya, kisi yang disajikan) namun bukti pengklasifikasi disejajarkan di sekitar wadah dengan orientasi lain (misalnya, orientasi target pada uji coba sebelumnya). Kurva kesamaan representasi yang dihasilkan dikonvolusi dengan kosinus.

Untuk menguji sensor mana yang paling signifikan berkontribusi terhadap kemungkinan pengklasifikasian yang diamati dalam metode multivariat kami, kami juga menjalankan analisis decoding lampu sorot (Kriegeskorte et al., 2006).

Dalam analisis ini, kami secara berulang mempertimbangkan sekelompok kecil sensor dan dengan demikian mampu memetakan perkiraan lokasi efek yang diamati. Lebih khusus lagi, kami memilih data dari masing-masing sensor ditambah 47 tetangganya yang paling berdekatan (termasuk magnetometer dan gradiometer) dan menjalankan analisis klasifikasi yang sama seperti dijelaskan di atas.

Perhitungan skor asimetri saraf sebagai ukuran bias saraf

Untuk bias dalam uji coba, kami menilai pemrosesan kisi kedua dan hanya mempertimbangkan uji coba dua item. Pengklasifikasi dilatih pada semua presentasi kisi kedua dan kemungkinan bin dihasilkan untuk setiap percobaan. Untuk analisis antar-percobaan, kami menganalisis pemrosesan orientasi kisi pertama dan kedua dalam percobaan saat ini. Karena alasan ini, kami melatih pengklasifikasi pada semua uji coba dan menghasilkan prediksi bin untuk semua uji coba.

Selanjutnya, berdasarkan hasil analisis bias kinerja, kami memilih uji coba di mana jarak sudut antara induser dan orientasi kisi pada layar menyebabkan bias perilaku yang signifikan di tingkat kelompok.

Dalam kasus bias repulsif dalam uji coba, pemicunya adalah orientasi kisi pertama pada uji coba yang sama. Untuk analisis antar-percobaan, pemicunya adalah orientasi target yang dilaporkan pada percobaan sebelumnya (kecuali untuk analisis kontrol, dimana orientasi yang tidak dilaporkan digunakan sebagai target). Sebagai variabel dependen, kami mempertimbangkan estimasi kemungkinan untuk setiap wadah orientasi, di mana kami mengharapkan kemungkinan tertinggi untuk wadah sudut yang memiliki offset nol terhadap orientasi yang disajikan dan penurunan kemungkinan untuk wadah dengan jarak sudut lebih besar terhadap orientasi yang disajikan.

Kami secara terpisah menilai estimasi kemungkinan untuk uji coba di mana orientasi penginduksi searah jarum jam (CW) versus berlawanan arah jarum jam (CCW) mengenai orientasi saat ini. Untuk uji coba CW dan CCW, kami secara terpisah menghitung rata-rata bukti dari wadah orientasi CW (72 derajat hingga 18 derajat ) dan bukti dari wadah CCW (18 derajat hingga 72 derajat ).

Skor asimetri dihitung dengan memperoleh perbedaan antara dua kelompok wadah sudut (CW dikurangi CCW). Terakhir, kami menghitung skor bias saraf secara keseluruhan dengan mengurangi skor asimetri pada uji coba dengan penginduksi CW versus CCW.

Bias saraf yang menarik menghasilkan skor positif (yaitu, uji coba dengan jarak CWangular menghasilkan lebih banyak bukti CW, jarak sudut CCW menghasilkan lebih banyak bukti CCW), sedangkan bias saraf repulsif menghasilkan skor negatif (yaitu, jarak sudut CW menghasilkan lebih sedikit bukti CW dibandingkan uji coba CCW, dan sebaliknya).

Pengujian statistik

Uji statistik dihitung menggunakan JASP (JASP Team, 2020) dan Scipy (Virtanen et al., 2020).

Kami menguji rangkaian waktu bukti pengklasifikasi konvolusi kosinus terhadap nol menggunakan uji permutasi berbasis cluster, yang mengatasi masalah perbandingan berganda (menggunakan MNE; Gramfort et al., 2013). Weran 100,000 iterasi.

Cluster dengan kelompok titik waktu yang berbeda secara signifikan dari nol ditunjukkan pada gambar yang relevan dengan menggunakan garis horizontal. Pengujian permutasi berbasis cluster juga diterapkan pada bias kinerja pada jarak sudut antara orientasi yang disajikan dan orientasi induktor.

Untuk menguji signifikansi analisis bias kami, kami membuat distribusi pengocokan setelah tahap decoding. Ketika uji coba diurutkan berdasarkan orientasi relatif dari uji coba/stimulus sebelumnya, kami secara acak membalik jarak sudut ini dan menghitung ulang biasnya. Kami menghitung bias untuk semua peserta dan membuat rata-rata skor ini. Proses ini diulangi sebanyak 10,000 kali, dan distribusi yang dihasilkan diberi skor z.

Transformasi skor-z yang sama diterapkan pada skor bias yang diamati ketika tidak ada pembalikan tanda acak yang diterapkan. Skor z ini kemudian dapat digunakan untuk mendapatkan nilai p (dua sisi) dari efek asli relatif terhadap distribusi pengocokan (dalam semua rata-rata waktu yang dilaporkan, titik waktu antara 250 dan 600 ms digunakan).

Semua pengujian dilakukan dua sisi kecuali dinyatakan lain.

Hasil

Tingkat kesalahan

Peserta akurat dalam mereproduksi orientasi target (rata-rata kesalahan respons 11.73 6 0.70 derajat SEM; rata-rata SD 17.61 61.07 derajat SEM; lihat Tabel 1 untuk kinerja berdasarkan kondisi). ANOVA pengukuran berulang dua kali dua pada kesalahan respons menunjukkan efek utama dari jenis isyarat (F(1,19)=16.49, p, 0.001, h2=0.374)dan beberapa rangsangan yang disajikan (F(1,19)=29.78, p, 0.001,h2=0.075).

Jenis isyarat signifikan untuk uji coba satu item atau dua item, dengan kesalahan absolut lebih tinggi pada laporan pertama dibandingkan pada laporan uji coba kedua untuk uji coba dua item (t(19)=3.972,p, {{6} }.001, d=0.888; lihat Tabel 1) dan uji coba satu item (t(19) =3.948, koreksi Bonferroni p, 0.001, d {{ 18}}.883). Sebaliknya, beberapa item yang disajikan terutama mempengaruhi kondisi pertama laporan tersebut.

Error lebih tinggi pada laporan dua item pertama dibandingkan pada laporan uji coba satu item pertama (t(19)=5.665, p, 0.001, d=1.267) namun tidak signifikan berbeda antara laporan uji coba dua item kedua dan laporan uji coba satu item kedua (t(19)=1.885, p=0.075,d=0.421), menghasilkan perbedaan yang signifikan interaksi antara dua faktor (F(1,19)=10.90, p=0.004, h2=0.026).

Analisis menggunakan pemodelan campuran (Bays et al., 2009) menegaskan bahwa kesalahan yang berasal dari respons terhadap orientasi kisi tanpa isyarat jarang terjadi (tingkat swap 0.033 6 0.01 pada uji coba dua item; lihat juga Huang , 2020).

Bias kinerja yang menjijikkan dalam uji coba

Kami menganalisis bias dalam uji coba dalam kinerja perilaku dengan menilai apakah orientasi yang dilaporkan dilaporkan secara sistematis lebih dekat atau lebih jauh dari orientasi non-target pada uji coba yang sama (lihat Bahan dan Metode).

Kami membatasi analisis pada uji coba dua item. Gambar 2A menunjukkan bias kinerja untuk semua jarak sudut absolut antara orientasi kisi pertama dan kedua untuk laporan uji coba pertama dan laporan kedua. Dalam uji coba dengan isyarat laporan pertama, tidak ada bias signifikan terhadap atau menjauhi orientasi kisi kedua yang mengganggu yang tidak relevan dengan tugas yang ada (t(19)=0.74, p=0.467).

Sebaliknya, uji coba dengan isyarat laporan kedua menunjukkan bias yang signifikan dari orientasi kisi pertama yang dikodekan sebelumnya (t(19)=2.33, p=0.031; diilustrasikan pada Gambar 2B). Bias menjijikkan dalam laporan percobaan kedua dikonfirmasi menggunakan uji permutasi berbasis cluster, menunjukkan cluster yang signifikan (p=0.012) ketika jarak sudut antara dua orientasi adalah antara 10 derajat dan 49 derajat (Gbr. 2A).

Bias kinerja yang menarik antar uji coba

Kami selanjutnya mengevaluasi bias antar-percobaan pada tanggapan dalam percobaan saat ini terhadap orientasi yang ditunjukkan pada percobaan sebelumnya (Gbr. 3). Kami menilai bias kinerja sebagai fungsi dari perbedaan sudut antara kisi target pada uji coba saat ini dan uji coba sebelumnya.

Analisis juga mempertimbangkan posisi kisi target pada uji coba saat ini (pertama atau kedua) dan jumlah item pada uji coba saat ini (satu item atau dua item). Agar konsisten, kami menyebut semua uji coba yang pesertanya melaporkan laporan orientasi kisi pertama, uji coba pertama, dan uji coba yang peserta melaporkan orientasi kedua, laporan uji coba kedua, berapa pun jumlah kisi yang disajikan.

Sekali lagi, kami menghitung jumlah bias pada jarak sudut antara target dalam uji coba saat ini dan sebelumnya (Gbr. 3A, B). Berbeda dengan bias menjijikkan yang dijelaskan di bagian sebelumnya, kami menemukan bahwa semua kondisi menunjukkan bias kinerja yang menarik (semua p, 0.05 dalam uji statistik dua sisi). Bias serial yang menarik paling menonjol untuk jarak sudut kecil hingga menengah antara induser dan orientasi arus (0–60 derajat).

ANOVA pengukuran berulang pada jumlah bias pada jarak sudut menunjukkan efek jenis isyarat, dengan bias yang lebih besar terjadi pada laporan percobaan pertama (F(1,19)=5.706, p=0.027, h2=0.172), tetapi bukan dari jumlah kisi-kisi yang disajikan dalam uji coba (F(1,19)=0.980, p=0.335, h2 =0 .007). Kedua faktor tersebut tidak berinteraksi (F(1,19)=0.377, p=0.547,h2=0.002). Hal ini menunjukkan bahwa bias lebih kuat ketika mengingat item pertama, yang dikodekan lebih dekat dengan percobaan sebelumnya.

For more information:1950477648nn@gmail.com