Efeitos múltiplos e dissociáveis ​​da história sensorial no desempenho da memória de trabalho, parte 2

Aquisição de MEG

Os participantes foram sentados no scanner MEG após serem instruídos sobre as especificidades da tarefa. Eles completaram um bloco de prática sentados no scanner antes do início da gravação do MEG.

A magnetoencefalografia (MEG) é uma tecnologia moderna que pode registrar a atividade cerebral humana e os sinais neurais. Tem sido amplamente utilizado em pesquisas em neurociência, diagnóstico e tratamento de doenças neurológicas, etc. Do ponto de vista da memória, a magnetoencefalografia pode nos ajudar a aprofundar os mecanismos da memória humana e as funções das áreas cerebrais.

Usando a magnetoencefalografia, os cientistas fizeram algumas descobertas sobre a memória. Por exemplo, eles encontraram regiões cerebrais envolvidas na memória de trabalho e de longo prazo, como o córtex pré-frontal, o lobo temporal e o hipocampo. Além disso, a magnetoencefalografia pode detectar anormalidades na atividade cerebral associadas a distúrbios de memória, como a doença de Alzheimer. Portanto, esta tecnologia tem amplas perspectivas de aplicação no diagnóstico e tratamento de distúrbios de memória.

Além de ter um potencial terapêutico considerável, a magnetoencefalografia também pode ajudar pessoas comuns a melhorar a memória. Ao compreender como o nosso cérebro processa informações e armazena memórias, podemos compreender melhor como aprender e lembrar de forma mais eficaz. Os cientistas descobriram algumas técnicas comprovadas de treinamento da memória, como repetição e associação, que podem nos ajudar a reter melhor as informações.

Em suma, a magnetoencefalografia é uma tecnologia intimamente relacionada à pesquisa da memória. Ele pode conduzir uma exploração aprofundada do nosso mecanismo de memória e das funções da área cerebral, ajudando a resolver distúrbios de memória e a melhorar a memória. Vamos explorar ativamente e aprender a utilizar melhor o potencial da magnetoencefalografia para nos ajudar a compreender e utilizar melhor nossos cérebros. Percebe-se que precisamos melhorar a memória, e a Cistanche deserticola pode melhorar significativamente a memória, pois a Cistanche deserticola também pode regular o equilíbrio dos neurotransmissores, como aumentar os níveis de acetilcolina e fatores de crescimento. Estas substâncias são muito importantes para a memória e a aprendizagem. Além disso, a carne também pode melhorar o fluxo sanguíneo e promover o fornecimento de oxigênio, o que pode garantir que o cérebro receba nutrientes e energia suficientes, melhorando assim a vitalidade e a resistência do cérebro.

Clique em conhecer maneiras de melhorar a função cerebral

Os participantes foram instruídos a manter o olhar no ponto de fixação central e a minimizar o piscar durante todo o ensaio.

Os dados neuromagnéticos foram adquiridos usando um sistema VectorView de cabeça inteira, incluindo 204 gradiômetros planares e 102 magnetômetros (Elekta Neuromag Oy) em uma sala magneticamente protegida.

Durante todo o experimento, a posição da cabeça dos participantes foi monitorada continuamente usando bobinas de índice colocadas em quatro pontos da cabeça. A intensidade do campo magnético foi amostrada a uma taxa de 1000 Hz e a passagem de banda foi filtrada online entre 0,03 e 300 Hz. Além disso, eletrooculogramas verticais e horizontais foram medidos usando eletrodos colocados acima, abaixo e adjacentes aos olhos. Os movimentos oculares foram monitorados usando um rastreador ocular EyeLink 1000 (SR Research) na frequência de 1000 Hz.

Pré-processamento de dados MEG

Os dados foram pré-processados ​​offline usando Fieldtrip (Oostenveld et al., 2011), biblioteca de software OHBA (OSL) baseada em SPM8 (//www.fil.ion.ucl.ac.uk/spam) e software Elekta.

Antes de qualquer pré-processamento, os dados MEG foram inspecionados visualmente para remover e interpolar quaisquer sensores que exibissem níveis excessivos de ruído e foram posteriormente eliminados e corrigidos por movimento usando Maxfilter Signal SpaceSeparation (Taulu et al., 2004) antes de remover componentes independentes relacionados ao coração. e artefatos de piscar de olhos.

Os dados foram gravados em torno da primeira e da segunda grade (de 400 ms antes do início da grade até 900 ms após o início) e reduzidos para 200 Hz. Ensaios com alta variância em gradiômetros ou magnetômetros foram identificados e excluídos usando um teste ESD generalizado (desvio estudantil extremo; Rosner, 1983) com um limiar de significância de 0,05.

Para análises de viés entre tentativas, treinamos o classificador em todas as apresentações de estímulos de todas as tentativas não rejeitadas. Como excluímos ensaios com alta variância (7,49 6 3,85%, média de 6 DP, correspondente a 45 6 23 apresentações de estímulos) de análises posteriores, o classificador foi treinado nas apresentações de estímulos 555 6 23 restantes.

Antes de calcular os vieses, removemos a primeira tentativa de cada bloco (2%) e as tentativas com uma diferença angular absoluta com a orientação do alvo na tentativa anterior de 0,60 graus (;33%), resultando em 370 6 21 tentativas para este análise por participante.

Para análises de viés dentro do ensaio, treinamos o classificador em todos os ensaios onde o estímulo 2 foi apresentado, exceto aqueles removidos por alta variância, deixando 278 6 11 ensaios na análise.

Para o cálculo do viés, dentre esses ensaios foram selecionados aqueles em que também havia sido apresentado o estímulo 1, e com diferença angular absoluta de 0,10 grau e 50 graus entre os estímulos 1 e 2. Posteriormente o viés foi calculado separadamente para os ensaios com proteção e dicas de atualização, resultando em tentativas 62 6 5 e 63 6 5, respectivamente.

Classificação de análise discriminante linear

Os dados foram posteriormente pré-processados. As magnitudes dos magnetômetros foram aproximadamente combinadas com os gradiômetros por multiplicação (fator 20) e submetidas à decodificação espaço-temporal (código disponível em https://pypi.org/project/temp-dec/; conforme descrito anteriormente, Wolff et al., 2017, 2020; Hajonides et al., 2021). Os dados de todos os 306 sensores MEG em uma janela deslizante de 30-pontos no tempo (150 ms) foram concatenados em um vetor 9180-dimensional.

A dimensionalidade foi reduzida usando análise de componentes principais, calculada separadamente para cada ponto no tempo, mantendo 90% da variância (entre 250 e 600 ms, isso foi em torno de 209 6 39 componentes por participante, média de 6 DP).

Isso serviu para eliminar o ruído dos dados, aumentar a variância única codificada por cada dimensão e permitir que o classificador calculasse matrizes de covariância de maneira mais eficaz. A linha de base pré-estímulo não foi aplicada para manter informações estáveis ​​de estímulos apresentados anteriormente.

Para treinar um classificador de análise discriminante linear (LDA), os dados foram divididos em conjuntos de treinamento e teste usando validação cruzada estratificada {{0}} vezes. Os ângulos da grade foram agrupados em compartimentos de orientação igualmente espaçados, criando 10 classes distintas (0–18 graus, 18–36 graus, 36–54 graus, 54–72 graus, 72–90 graus, 90–108 graus, 108–126 graus, 126–144 graus, 144–162 graus, 162–180 graus). Para treinar um classificador LDA, os dados foram divididos em conjuntos de treinamento e teste usando 10-validação cruzada estratificada dobrada.

Com base no conjunto de treinamento, o classificador LDA projeta os dados em um espaço de baixa dimensão (de nove dimensões; número de classes menos 1) que separa ao máximo os dados das 10 classes. Os dados do conjunto de teste foram então projetados no mesmo {{ 3}}espaço dimensional. Obtivemos 10 distâncias LDA para cada tentativa no conjunto de teste calculando sua distância euclidiana da média de classe de cada conjunto de treinamento no espaço de baixa dimensão.

Essas distâncias nos permitiram estimar a probabilidade de qualquer ensaio de teste corresponder a cada uma das dez classes. Isso foi repetido para cada dobra de validação cruzada e cada ponto de tempo. Análises de decodificação de estímulo, o ângulo apresentado foi utilizado para classificação.

Nas análises de decodificação cruzada, os classificadores LDA foram treinados em caixas de orientação de um evento (por exemplo, grade apresentada), mas as evidências do classificador foram alinhadas em torno de caixas de outra orientação (por exemplo, orientação alvo no teste anterior). As curvas de similaridade representacional resultantes foram convolvidas com um cosseno.

Para testar quais sensores contribuíram mais significativamente para as probabilidades do classificador observadas em nossos métodos multivariados, também executamos uma análise de decodificação do holofote (Kriegeskorte et al., 2006).

Nesta análise, consideramos de forma iterativa um pequeno grupo de sensores e assim conseguimos mapear o locus aproximado do efeito observado. Mais especificamente, selecionamos dados de cada sensor mais seus 47 vizinhos mais próximos (magnetômetros e gradiômetros incluídos) e executamos a mesma análise de classificação descrita acima.

Cálculo da pontuação de assimetria neural como medida de viés neural

Para vieses dentro do ensaio, avaliamos o processamento da segunda grade e consideramos apenas ensaios de dois itens. O classificador foi treinado em todas as apresentações da segunda rede e probabilidades de bin foram geradas para cada tentativa. Para análises entre ensaios, analisamos o processamento de orientação da primeira e da segunda grade no ensaio atual. Por esse motivo, treinamos o classificador em todos os testes e geramos previsões de bin para todos os testes.

Posteriormente, com base nos resultados das análises de viés de desempenho, selecionamos ensaios nos quais a distância angular entre o indutor e a orientação da grade no display levou a um viés comportamental significativo no nível do grupo.

No caso do viés repulsivo dentro da tentativa, o indutor foi a orientação da primeira grade na mesma tentativa. Para as análises entre ensaios, o indutor foi a orientação alvo relatada no ensaio anterior (exceto para análises de controle, onde a orientação não relatada foi usada como alvo). Como variável dependente, consideramos estimativas de verossimilhança para cada compartimento de orientação, onde esperamos a maior verossimilhança para o compartimento angular que tem deslocamento zero em relação à orientação apresentada e probabilidades decrescentes para compartimentos com distâncias angulares maiores à orientação apresentada.

Avaliamos separadamente as estimativas de probabilidade para ensaios nos quais a orientação do indutor foi no sentido horário (CW) versus anti-horário (CCW) em relação à orientação atual. Para os ensaios CW e CCW, calculamos separadamente a média das evidências dos compartimentos de orientação CW (72 graus a 18 graus) e das evidências dos compartimentos CCW (18 graus a 72 graus).

Os escores de assimetria foram calculados obtendo-se a diferença entre os dois grupos de caixas angulares (CW menos CCW). Finalmente, calculamos um escore geral de viés neural subtraindo os escores de assimetria em ensaios com indutores CW versus CCW.

Vieses neurais atrativos resultaram em uma pontuação positiva (isto é, ensaios com distâncias angulares CW resultaram em mais evidências CW, distâncias angulares CCW resultaram em mais evidências CCW), enquanto vieses neurais repulsivos resultaram em uma pontuação negativa (isto é, distâncias angulares CW resultaram em menos evidências CW do que ensaios CCW e vice-versa).

Teste estatístico

Os testes estatísticos foram calculados usando JASP (JASP Team, 2020) e Scipy (Virtanen et al., 2020).

Testamos a série temporal da evidência do classificador convolvido em cosseno contra zero usando um teste de permutação baseado em cluster, que aborda o problema de comparação múltipla (usando MNE; Gramfort et al., 2013). Foram realizadas 100,000 iterações.

Os clusters com grupos de pontos no tempo significativamente diferentes de zero são indicados nas figuras relevantes usando linhas horizontais. O teste de permutação baseado em cluster também foi aplicado ao viés de desempenho ao longo da distância angular entre a orientação apresentada e a orientação do indutor.

Para testar a significância de nossas análises de viés, geramos uma distribuição embaralhada após o estágio de decodificação. Quando os ensaios foram classificados com base na orientação relativa do ensaio/estímulo anterior, invertemos aleatoriamente essa distância angular e recalculamos o viés. Calculamos o viés para todos os participantes e calculamos a média dessa pontuação. Esse processo foi repetido 10,{3}} vezes, e a distribuição resultante recebeu pontuação z.

A mesma transformação do escore z foi aplicada ao escore de viés observado quando nenhuma inversão aleatória de sinais foi aplicada. Esse escore z poderia então ser usado para obter o valor p (bicaudal) do efeito original em relação à distribuição embaralhada (em todas as médias de tempo relatadas, foram usados ​​pontos de tempo entre 250 e 600 ms).

Todos os testes foram bilaterais, salvo indicação em contrário.

Resultados

Taxas de erro

Os participantes foram precisos na reprodução da orientação do alvo (erro de resposta médio 11,73 6 00,70 graus SEM; média SD 17.61 61.07 graus SEM; consulte a tabela 1 para desempenho em termos de condição). Uma ANOVA de medidas repetidas dois por dois no erro de resposta mostrou os principais efeitos do tipo de sugestão (F (1,19)=16 0,49, p, 0,001, h 2=0 0,374) e vários estímulos apresentados (F(1,19)=29.78, p, 0,001,h2=0.075).

O tipo de sugestão foi significativo para ambos os testes de um ou dois itens, com erro absoluto maior no primeiro relatório do que no segundo teste para ambos os testes de dois itens (t(19)=3.972,p, {{6} }.001, d=0.888; ver Tabela 1) e testes de um item (t(19) =3.948, p corrigido por Bonferroni, 0,001, d {{ 18}}.883). Em contrapartida, vários itens apresentados afetaram principalmente as primeiras condições do relatório.

O erro foi maior nos dois primeiros relatórios do que nos primeiros testes de um item (t (19)=5 0,665, p, 0 0,001, d=1 0,267), mas não significativamente diferem entre o relatório do segundo teste de dois itens e o segundo teste de um item (t (19)=1 0,885, p=0 0,075, d=0 0,421), levando a um significativo interação entre os dois fatores (F(1,19)=10.90, p=0.004, h2=0.026).

Análises usando modelagem de mistura (Bays et al., 2009) confirmaram que erros originados de respostas à orientação de grade não orientada eram raros (taxa de troca de 0,033 6 00,01 em testes de dois itens; ver também Huang , 2020).

Vieses de desempenho repulsivos nos testes

Analisamos os vieses dentro do ensaio no desempenho comportamental, avaliando se a orientação relatada foi sistematicamente relatada como mais próxima ou mais distante da orientação não-alvo no mesmo ensaio (ver Materiais e Métodos).

Restringimos as análises a ensaios de dois itens. A Figura 2A mostra o viés de desempenho para todas as distâncias angulares absolutas entre a primeira e a segunda orientação da grade para os primeiros ensaios de relatório e segundo ensaio. a tarefa em questão (t(19)=0.74, p=0.467).

Em contraste, os testes com segundas pistas de relatório revelaram desvios significativos em relação à primeira orientação de rede inicialmente codificada (t (19)=2 0,33, p=0 0,031; ilustrado na Fig. 2B). O viés repulsivo nos segundos ensaios do relatório foi confirmado usando um teste de permutação baseado em cluster, mostrando um cluster significativo (p=0 0,012) quando a distância angular entre as duas orientações estava entre 10 graus e 49 graus (Fig. 2A).

Viés de desempenho atraente entre ensaios

Em seguida, avaliamos o viés entre os ensaios nas respostas do ensaio atual em relação à orientação que foi sugerida no ensaio anterior (Fig. 3). Avaliamos o viés de desempenho em função das diferenças angulares entre a grade alvo no ensaio atual e no ensaio anterior.

A análise também considerou a posição da grade alvo no ensaio atual (primeiro ou segundo) e o número de itens do ensaio atual (um item ou dois itens). Para maior consistência, denominamos todos os ensaios em que os participantes relatam o primeiro relatório de orientação da grade como primeiros ensaios e os ensaios em que os participantes relatam o segundo relatório de orientação como segundos ensaios, independentemente do número de grades apresentadas.

Novamente, calculamos a soma do viés através das distâncias angulares entre os alvos nos ensaios atuais e anteriores (Fig. 3A, B). Em contraste com o viés repulsivo descrito na seção anterior, descobrimos que todas as condições mostraram um viés de desempenho atraente (todos p, 0.05 em testes estatísticos bilaterais). O viés serial atraente foi mais pronunciado para distâncias angulares pequenas a intermediárias entre o indutor e a orientação da corrente (0–60 graus).

Uma ANOVA de medidas repetidas na soma dos vieses através das distâncias angulares indicou um efeito do tipo de sugestão, com vieses maiores ocorrendo nos primeiros testes do relatório (F(1,19)=5.706, p=0.027, h2=0.172), mas não do número de grades apresentadas em um teste (F(1,19)=0.980, p=0.335, h2 =0 0,007). Os dois fatores não interagiram (F(1,19)=0.377, p=0.547,h2=0.002). Isso mostra que o viés foi mais forte na recordação do primeiro item, que foi codificado mais próximo do tempo da tentativa anterior.

For more information:1950477648nn@gmail.com