Doświadczenie zaskoczenia: czasowa dynamika jego wpływu na pamięć, część 2

Analiza statystyczna

Aby ocenić kodowanie dynamiczne z modulacją oczekiwań, zebraliśmy zestawy obiektów (jabłka, nożyczki itp.). W każdym zestawie znajdowały się cztery zdarzenia zbioru (cel; F1 – najbardziej podobne; F2 – średnie podobieństwo i F3 – najmniej podobne), każde z losowo przypisanym (1) warunkiem oczekiwań, (2) pozycją prezentacji w zestawie oraz (3 ) kolejność prezentacji przy pobieraniu (1–312 prób).

Ludzka pamięć jest niesamowita. Dzięki doświadczeniu, nauce i szkoleniu możemy znacznie poprawić nasze zdolności zapamiętywania. W życiu codziennym często musimy pamiętać różne informacje, takie jak numery telefonów, urodziny, imiona, hasła itp. Wszystkie te rzeczy wymagają pamięci.

Jeżeli jednak przypomnimy sobie zbyt wiele rzeczy lub nie zostaną one przedstawione we właściwej kolejności, wówczas będziemy mieli trudności lub wręcz zrezygnujemy z zapamiętywania. Na tym polega związek pomiędzy porządkiem prezentacji a pamięcią.

Właściwa kolejność prezentacji może pomóc nam lepiej zapamiętywać informacje. Na przykład, jeśli chcemy zapamiętać ciąg liczb, możemy spróbować ułożyć je według określonego wzorca, np. w kolejności rosnącej lub malejącej, kombinacji w parach itp. Metody te mogą pomóc nam w ułatwieniu zrozumienia i zapamiętania informacji.

Podczas uczenia się nowej wiedzy bardzo ważna jest także kolejność jej prezentacji. Nowe rzeczy uczymy się efektywniej, jeśli dzielimy nową wiedzę na mniejsze części i stopniowo zwiększamy trudność. Ta metoda nazywa się „zadaniami stopniowanymi”, które mogą pomóc nam szybko opanować nową wiedzę i jest mniej prawdopodobne, że zostanie pominięta lub pomylona.

W życiu codziennym możemy również zastosować odpowiednią kolejność prezentacji, aby poprawić pamięć. Kalendarze rodzinne, notatki i listy mogą pomóc nam lepiej zorganizować nasze życie, dzięki czemu nie będziemy już zapominać o ważnych rzeczach ani nie dotrzymywać terminów.

Krótko mówiąc, prawidłowa kolejność prezentacji może znacznie poprawić naszą zdolność zapamiętywania. Dzięki odpowiedniemu uporządkowaniu i analizie możemy lepiej zrozumieć informacje, zapamiętać je i zastosować w przyszłym życiu. Stosujmy właściwą kolejność prezentacji, aby stymulować potencjał naszego mózgu, zdobywać większą wiedzę i sprawić, że nasze życie stanie się bardziej satysfakcjonujące i piękne. Widać, że trzeba poprawić pamięć, a Cistanche desericola potrafi znacząco poprawić pamięć, bo Cistanche desericola potrafi także regulować równowagę neuroprzekaźników, np. zwiększać poziom acetylocholiny i czynników wzrostu. Substancje te są bardzo ważne dla pamięci i uczenia się. Ponadto mięso może również poprawić przepływ krwi i promować dostarczanie tlenu, co może zapewnić mózgowi wystarczającą ilość składników odżywczych i energii, poprawiając w ten sposób witalność i wytrzymałość mózgu.

Kliknij i poznaj sposoby na poprawę funkcjonowania mózgu

Na tych niezgrupowanych danych uruchomiliśmy binarny model regresji logistycznej z efektami mieszanymi, wykorzystując status oczekiwań bieżących i poprzednich zdarzeń oraz pozycję prezentacji przy pobieraniu jako współzmienną. Modele obliczono przy użyciu pakietu lme4 (Bates i in., 2{ {4}}15) w środowisku R (zespół R Development Core Team, 2008). Parametry takich modeli można wykorzystać do oceny prawdopodobieństwa udzielenia prawidłowej odpowiedzi („stare” w przypadku celów, „nowe” w przypadku folii), a także uwzględnić unikalny przechwyt każdego uczestnika (błąd odpowiedzi). Aby ocenić nachylenie każdego predyktora w modelu (H0: b=0), wykorzystaliśmy omnibusowy test Waldtesta x2 (West et al., 2014), zaimplementowany w pakiecie samochodowym (Fox i Weisberg, 2018).

Ekstrakcję i wykreślenie efektów przedstawionych poniżej przeprowadzono przy użyciu pakietów efektów (Fox, 2003), średnich (Searle i in., 1980) i ggplot2 (Wickham, 2009). Aby zbadać dynamiczną interakcję między podobieństwem percepcyjnym a statusem oczekiwań, dla każdego ustalonego zdarzenia opracowaliśmy trzy interesujące modele, modelując każde zdarzenie oddzielnie jako funkcję poprzedzającej sekwencji zdarzeń.

Na przykład cele poprzedzone literą F1 modelowano oddzielnie od celów poprzedzonych literą F2. Aby wyeliminować wszelkie efekty wynikające z różnic w sile pamięci, uwzględniliśmy w tym modelu tylko zdarzenia, dla których poprzednia odpowiedź była prawidłowa (tj. dla celów następujących po zdarzeniach F1 uwzględniliśmy tylko cele, które nastąpiły po CR1). Podobne wyniki zaobserwowano po włączeniu wszystkich prób do modelu (zobacz repozytorium GitHub, gdzie znajduje się kod umożliwiający przeprowadzanie analiz i generowanie danych liczbowych). Każdy model uwzględniał zatem stan oczekiwań bieżących i poprzednich zdarzeń, a także kolejność prezentacji przy wyszukiwaniu współzmiennej. Kod i dane są dostępne tutaj:https://github.com/frdarya/DynamicExpectation.

Eksperyment 2

Uczestnicy

Łącznie 25 uczestników (ośmiu mężczyzn w wieku 18–33 lat, średnia=25, SD=4.2) wyraziło świadomą zgodę i wzięło udział w badaniu. Uczestnicy mieli normalny lub skorygowany do normalnego wzrok i nie cierpieli na zaburzenia neurologiczne ani psychiatryczne w wywiadzie. Wszystkie procedury zostały zatwierdzone przez Komisję ds. Etyki Badań Naukowych Uniwersytetu w Manchesterze. Jeden uczestnik został wykluczony ze wszystkich analiz z powodu niepowodzenia w nauczeniu się przypadkowości wyniku podczas zadania uczenia się reguł.

Eksperymentalny projekt

Podobny paradygmat i manipulację oczekiwaniami zastosowano w eksperymencie 2, z następującymi wyjątkami: w fazie kodowania każdy obiekt był prezentowany trzy razy pod rząd. Każdy obiekt był na ekranie przez 2000 ms, z roztrzęsionym krzyżem fiksacyjnym (250–750 ms) pomiędzy każdą prezentacją. Podczas pierwszej i drugiej prezentacji uczestnicy zostali poproszeni o podjęcie semantycznej decyzji dotyczącej obiektu, czy jest to sztuczny czy naturalny przedmiot oraz czy częściej można go znaleźć w pomieszczeniu czy na zewnątrz. Kolejność tych pytań była przypadkowa. Podczas trzeciej prezentacji uczestnicy byli zawsze proszeni o dokładne przyjrzenie się obiektowi, skupiając się na szczegółach. Po trzeciej prezentacji nastąpił kolejny roztrzęsiony krzyż fiksacyjny, trwający przez dłuższy czas (800–1200 ms), aby utworzyć minibloki oddzielające każdy obiekt.

Zadanie uczenia się reguł było identyczne jak w eksperymencie 1, z wyjątkiem dłuższego czasu prezentacji odpowiedzi na wskazówkę (3 s zamiast 1 s) i roztrzęsionego krzyża fiksacyjnego (250–750 ms) pomiędzy każdą próbą (patrz Dane rozszerzone, ryc. 1-1 dla danych behawioralnych i danych rozszerzonych Ryc. 1-2 wyników fMRI z zadania uczenia się reguł). Przed zadaniem wyszukiwania uczestnicy rozwiązywali zadania arytmetyczne przez 2 minuty (nie skanowane).

Podczas wyszukiwania zastosowaliśmy dwa poziomy podobieństwa folii (F1 i F2) w każdym zestawie zamiast trzech. W celu optymalizacji czasu pracy skanera nie wykorzystano obiektów F3, gdyż nie dały one żadnych efektów będących przedmiotem zainteresowania w eksperymencie1. Każda próba odzyskiwania rozpoczynała się od drgającego krzyża fiksacyjnego (250–750 ms), po którym następowała prezentacja wskazówki przez 1000 ms, a następnie ustawienie zdarzenia (cel, F1 lub F2) przez 3000 ms. We wszystkich przeskanowanych zadaniach zastosowaliśmy ukryte linie bazowe (krzyże fiksacji przez 3500 ms w zadaniach kodowania i uczenia się reguł, 4500 ms przy pobieraniu) w 30% prób.

Behawioralna analiza statystyczna

Po analizie i wynikach eksperymentu 1 zwinęliśmy cele i zdarzenia F1 i wymodelowaliśmy prawdopodobieństwo podjęcia prawidłowej decyzji (trafienia i prawidłowe odrzucenia) w oparciu o status oczekiwań bieżącego ustawionego zdarzenia i status oczekiwań poprzedniego ustawionego zdarzenia.

W eksperymencie 1, aby wyeliminować zamieszanie związane z siłą pamięci, uwzględniono tylko poprawne odpowiedzi (zobacz repozytorium GitHub, aby uzyskać podobne wyniki, jeśli uwzględniono wszystkie próby, oraz oddzielne analizy celów i F1). Modelowano także prawidłowe odrzucenia folii F2 w zależności od poprzednich zdarzeń, tak jak to miało miejsce w przypadku eksperymentu 1.

Pozyskanie fMRI i analiza statystyczna

Skanowanie MR przeprowadzono na skanerze MRI 3T (Philips, Achieva). Aby zminimalizować ruchy podczas badania, do stabilizacji głowy badanego zastosowano piankowe kliny i miękkie podkładki. Najpierw zebrano obrazy ważone T1-(rozmiar matrycy: 256 256, 160 warstw, izotropowy rozmiar woksela 1 mm), podczas gdy uczestnicy odpoczywali w skanerze. Do zebrania obrazów T2* dla sygnału BOLD zastosowano sekwencję gradientowego obrazowania echoplanarnego (EPI). Dla każdej objętości uzyskano 40 wycinków równoległych do linii AC-PC, pokrywających cały mózg (rozmiar matrycy 80 x 80, rozmiar woksela 3 x 3,5 mm3) dla każdej objętości (TR=2.5s, TE=35 ms) .

Uczestnicy wykonali trzy zadania w skanerze (kodowanie 313 tomów; uczenie się reguł 143 tomy; pobranie 534 tomów) i zadanie dystraktora, które nie zostało zeskanowane. Dane MRI zostały wstępnie przetworzone i przeanalizowane przy użyciu SPM12 (Statistical ParameterMapping, Wellcome Center for Human Neuroimaging, UniversityCollege London https ://www.fil.ion.ucl.ac.uk/spm/software/spm12/). Obrazy ponownie wyrównano do obrazu średniego za pomocą sześcioparametrowej transformacji ciała sztywnego, ponownie podzielono przy użyciu interpolacji sinc i skorygowano czas przekroju do środka plasterek.

Obrazy anatomiczne T1 rejestrowano wspólnie z odpowiednim średnim obrazem EPI. Normalizację przestrzenną do szablonu Montreal Neurologic Institute (MNI) przeprowadzono przy użyciu zestawu narzędzi DARTEL zaimplementowanego w SPM12 (Ashburner, 2007). Do wygładzania znormalizowanych danych EPI na potrzeby analiz jednoczynnikowych zastosowano anizotropowe jądro Gaussa FWHM 8 mm.

Aby usunąć szum o niskiej częstotliwości, dane poddano filtracji górnoprzepustowej przy użyciu wartości odcięcia wynoszącej 128 s. Dwa obszary zainteresowania a priori (ROI), obustronny hipokamp i ROI śródmózgowia obejmujący tylko istotę czarną (SN) i nakrywkę brzuszną powierzchni (VTA). Maskę hipokampa pobrano z atlasu anatomicznego Harvard-Oxford (próg przy prawdopodobieństwie 25%; Desikan i in., 2006). Maskę śródmózgowia zaczerpnięto z atlasu probabilistycznego śródmózgowia (Murty i in., 2014).

Dane funkcjonalne każdego uczestnika z sesji wyszukiwania zostały przeanalizowane przy użyciu ogólnego modelu liniowego (GLM) w ramach projektu związanego z wydarzeniem, modelującego kanoniczną funkcję odpowiedzi hemodynamicznej. Jako regresory uciążliwości wykorzystano sześć parametrów ruchu uzyskanych podczas każdej sesji ponownego ustawienia. Aby zminimalizować artefakty szczątkowe, wykorzystano zestaw narzędzi ArtRepair (http://cibsr.stanford.edu/tools/human-brain-project/artrepair-software.html) w celu stworzenia dodatkowych uciążliwych regresorów dla każdego uczestnika.

Szeregi czasowe poddano filtrowaniu górnoprzepustowemu w celu usunięcia szumu o niskiej częstotliwości (128-odcięcie). Biorąc pod uwagę naszą hipotezę aprioryczną dotyczącą ROI przedstawioną powyżej (dwustronny hipokamp i SN/VTA), przyjęto dla tych regionów podejście z korekcją małej objętości (SVC), skorygowane o błąd rodzinny (FWE) dla objętości ROI (początkowy próg tworzenia klastrów p, 0.001).

W przypadku bardziej eksploracyjnych analiz całego mózgu zastosowano podejście nieparametryczne oparte na permutacjach (n=5000) w celu zidentyfikowania znaczących klastrów przy użyciu zestawu narzędzi SnPM (https://warwick.ac.uk/fac/sci/statistics/staff /academic-research/Nichols/software/snpm/). Zastosowano początkowy próg tworzenia klastrów wynoszący p, 0.005 i zgłoszono klastry istotne przy nieparametrycznym p, 0,05. Nieprogowe mapy T na poziomie grupy z SPM i SnPM są dostępne tutaj:https://neurovault.org/collections/TTDMPHLE/.

Aby przetestować efekt behawioralny interakcji między oczekiwaniami kontekstowymi poprzedniego zdarzenia a oczekiwaniami kontekstowymi bieżącego wydarzenia, zwinęliśmy cele i F1 i sklasyfikowaliśmy je na podstawie kolejności prezentacji (która była pierwsza) i ich statusu oczekiwań. Zdarzenia F2 modelowano jako oddzielny warunek.

W tej analizie porównujemy bieżący element pomiędzy bieżącym i poprzednim stanem oczekiwań (np. EprevUcurr . EprevEcurr). Biorąc pod uwagę nasz projekt eksperymentu, istnieją cztery parametry, których interakcje można dokładniej zbadać: zdarzenie zestawu (cel, F1, F2), oczekiwanie kontekstowe (oczekiwane lub nieoczekiwane), podana odpowiedź pamięci (poprawna lub niepoprawna) oraz kolejność prezentacji w zestawie (pierwszy, drugi lub ostatni). Daje to 36 warunków; jednakże nie można było ich modelować razem ze względu na niewystarczającą liczbę prób na przedział (n, 7) dla większości uczestników.

Dlatego opracowaliśmy trzy oddzielne modele; w pierwszym modelu badaliśmy główny efekt oczekiwań, niezależnie od ustalonego zdarzenia lub decyzji o uznaniu. W drugim modelu zbadaliśmy udane interakcje pamięciowe związane ze zdarzeniami opartymi na oczekiwaniach, łącząc próby w kolejności prezentacji i modelując tylko prawidłowe odpowiedzi na każde zdarzenie (wszystkie nieprawidłowe odpowiedzi modelowano jako oddzielny regresor). W trzecim modelu zbadaliśmy interakcję oczekiwań, ustalonego zdarzenia i kolejności prezentacji, niezależnie od reakcji rozpoznawczych.

Wyniki

Przeprowadziliśmy dwa eksperymenty, eksperyment 1 badał reakcje behawioralne, a eksperyment 2 wykorzystywał podobny paradygmat podczas zbierania danych fMRI. W obu eksperymentach nasze zadanie behawioralne składało się z trzech etapów (projekt eksperymentu, patrz ryc. 1): po zakodowaniu obrazów obiektów uczestnicy wykonali zadanie polegające na poznaniu reguł, podczas którego poznali przypadkowość pomiędzy wskazówką a kategorią obiektu (człowiek- wykonane lub naturalne). Następnie podczas wyszukiwania prezentowane były te same wskazówki, a po nich stary (cel) lub nowy (folia) obiekt.

Folie poddano manipulacji parametrycznej za pomocą podobnych obiektów F1, F2 i F3 w malejącej kolejności podobieństwa do celu. Uczestnicy zostali poproszeni o podjęcie starej/nowej decyzji o rozpoznaniu. W jednej trzeciej prób odzyskiwania naruszona została wcześniej ustalona przygodność kategorii wskazówki i obiektu. Aby ocenić kodowanie modulowane oczekiwaniami i jego wrażliwość na podobieństwo percepcyjne, wykorzystaliśmy regresję logistyczną z efektami mieszanymi do modelowania reakcji (poprawne/nieprawidłowe rozpoznanie) na każde ustawione zdarzenie (cele i podobne folie) jako funkcję poprzedzającego zdarzenia z tego zestawu (np. , jeśli najpierw zostanie zaprezentowany F1, a później cel, zostaną one oznaczone jako F1prev Targetcurr).

Co więcej, każde ustawione zdarzenie zostało powiązane ze statusem oczekiwania określonym przez poprzednią wskazówkę (zdarzenia przestrzegające reguł zostały oznaczone jako oczekiwane, a łamiące reguły jako nieoczekiwane). Każdy model uwzględniał także interakcję pomiędzy stanem oczekiwań bieżących i poprzednich zdarzeń, co pozwalało zbadać zmiany dynamiczne (np. jak poprzednia nieoczekiwana folia wpływa na rozpoznanie aktualnie oczekiwanego celu; patrz ryc. 1C; szczegółowe informacje można znaleźć w materiałach i metodach).

Eksperyment 1

Pamięć celów jest modulowana przez poprzedzające nieoczekiwane zdarzenia o podobnym zestawie

W przypadku celów następujących po wydarzeniach z zestawu F1 znaleźliśmy istotne główne efekty oczekiwań F1 (b=0.659, X2(1)=4.63, p =0.031 ), jak również marginalna interakcja między oczekiwaniami celu a statusem oczekiwań poprzedniego F1 (b =0.939, X2(1)=3.65, p=0.056; rys. 2A). Późniejsze testy kontrastu wykazały, że oczekiwane cele z większym prawdopodobieństwem zostały zapamiętane po nieoczekiwanym F1 w porównaniu z oczekiwanym zdarzeniem zbiorczym F1 (z=2.15, p=0.031). Co więcej, gdy poprzednie zdarzenie zestawu F1 było nieoczekiwane, prawdopodobieństwo prawidłowego zapamiętania kolejnych oczekiwanych celów było większe w porównaniu z nieoczekiwanymi celami (z=2.37, p=0.017). Badając cele następujące po zdarzeniach zestawu F2 i F3, nie zaobserwowaliśmy żadnych istotnych predyktorów (wszystkie ps. 0,127).

Prawidłowe odrzucenie podobnych folii jest modulowane przez stan oczekiwań poprzedzających celów

W przypadku zdarzeń F1 następujących po celach znaleźliśmy interakcję między stanem oczekiwań obu zdarzeń (b=0.79, X2(1)=5.29, p=0.0 21; ryc. 2B), z kontrastami pokazującymi więcej poprawnych odrzuceń zdarzeń F1 (CR1) dla oczekiwanych zdarzeń F1 niż nieoczekiwanych zdarzeń F1 po nieoczekiwanych celach (z= 2.65, p= 0.0 08) i nieznacznie mniej poprawnych odrzuceń dla nieoczekiwanego F1, gdy poprzedni cel był nieoczekiwany, w porównaniu z tym, kiedy się tego spodziewano (z= 1.95, p= 0.0507;ryc. 2, środkowy panel). Wszystkie pozostałe efekty nie były istotne (allps > 0,255). Badając zdarzenia F1, które nastąpiły po zdarzeniach zestawu F2 i F3, nie zaobserwowaliśmy żadnych istotnych predyktorów (wszystkie p. 0,274).

Modulacja sekwencji oczekiwań maleje wraz ze spadkiem podobieństwa percepcyjnego

Poprzednie cele nie miały wpływu na zdarzenia F2 (wszystkie ps. 0.171), F1 (wszystkie ps. 0.197) ani F3 (wszystkie ps. 0.174) z ten sam zestaw.

Podobnie odpowiedzi na zdarzenia F3 nie były modulowane przez żadne poprzedzające je zdarzenia (cele: wszystkie ps. 0.484, F1s: wszystkie ps. 0.148,F2s: wszystkie ps. 0 0,321).

Cele i ich najbardziej podobne folie wykazują analogiczne efekty sekwencji oczekiwań

Biorąc pod uwagę podobne efekty zaobserwowane niezależnie dla celów i wydarzeń F1, połączyliśmy oba, aby sprawdzić, czy te efekty uzupełniają się (tj. czy istnieje interakcja pomiędzy obecnym i poprzednim stanem oczekiwań; rys. 2C). Chociaż trafienia i prawidłowe odrzucenia niekoniecznie są produktami tego samego procesu mnemonicznego, w tym paradygmacie dają możliwość zbadania, w jaki sposób ładunek percepcyjny (w postaci podobieństwa) oddziałuje z dynamicznymi modulacjami oczekiwań.

Porównanie mnemoniczne pomiędzy bieżącym ustawionym zdarzeniem (celem lub F1) a jego poprzednim ustawionym zdarzeniem (odpowiednio F1 lub celem) tworzy największe obciążenie lub zakłócenia dotyczące zakodowanego obiektu, gdy uczestnik podejmuje decyzję o rozpoznaniu. Dlatego też, jeśli zaangażowane są procesy percepcyjne, w przypadku napotkania nieoczekiwanego zdarzenia efekty zaobserwowane dla każdego zdarzenia z osobna powinny się powtórzyć. Odkryliśmy istotny efekt główny stanu oczekiwań poprzedniego zdarzenia (b=0.341, X2(1)=4.9,p=0.027), a także istotną interakcję pomiędzy stanem oczekiwań bieżących i poprzednich zdarzeń (b =0.682, X2(1)=6.5, p=0.01).

Późniejsze testy kontrastu wykazały, że gdy poprzednie ustawione zdarzenie było nieoczekiwane, zaobserwowano więcej prawidłowych odpowiedzi na oczekiwane zdarzenia w porównaniu ze zdarzeniami nieoczekiwanymi (UprevEcurr . UprevUcurr; z=3.1, p=0.002). UprevUcurr był liczbowo mniejszy niż EprevUcurr, ale efekt ten nie osiągnął istotności statystycznej (p=0,116). Dodatkowo więcej poprawnych odpowiedzi było w przypadku aktualnie oczekiwanych zdarzeń następujących po zdarzeniach nieoczekiwanych niż oczekiwane (EprevEcurr, UprevEcurr; z {{6 }}.22, s.=0.027).

For more information:1950477648nn@gmail.com