Doživljavanje iznenađenja: vremenska dinamika njegovog utjecaja na pamćenje, 2. dio

Statistička analiza

Da bismo procijenili očekivano modulirano dinamičko kodiranje, uporedili smo skupove objekata (jabuke, makaze, itd.). U svakom setu, postojala su četiri skupa događaja (cilj; F1, najsličniji; F2, srednja sličnost; i F3, najmanje sličan), svaki sa nasumično dodijeljenim (1) uvjetom očekivanja, (2) položajem prezentacije unutar skupa i (3 ) redosled prezentacije pri preuzimanju (1–312 pokušaja).

Ljudsko pamćenje je neverovatno. Kroz iskustvo, učenje i obuku možemo uvelike poboljšati svoje sposobnosti pamćenja. U svakodnevnom životu često moramo zapamtiti razne informacije, kao što su brojevi telefona, rođendani, imena, lozinke, itd. Sve ove stvari zahtijevaju memoriju.

Međutim, ako pamtimo previše stvari, ili ako nisu predstavljene u ispravnom redoslijedu, onda ćemo imati poteškoća ili čak odustati od pamćenja. Ovo je odnos između redoslijeda prezentacije i sjećanja.

Pravilan redoslijed prezentacije može nam pomoći da bolje zapamtimo informacije. Na primjer, ako želimo zapamtiti niz brojeva, možemo ih pokušati organizirati prema određenom obrascu, kao što je rastući ili silazni redoslijed, uparene kombinacije itd. Ove metode nam mogu pomoći da informacije lakše razumijemo i zapamtimo.

Kod učenja novih znanja veoma je važan i redosled prezentacije. Efikasnije učimo nove stvari ako novo znanje razbijemo na manje komade i postepeno povećavamo poteškoću. Ova metoda se naziva "gradirani zadaci", koji nam mogu pomoći da brzo savladamo nova znanja i manje je vjerovatno da ćemo ih izostaviti ili zbuniti.

U svakodnevnom životu također možemo koristiti ispravan red prezentacije za poboljšanje pamćenja. Porodični kalendari, bilješke i liste mogu nam pomoći da bolje organiziramo svoje živote tako da više ne zaboravljamo važne stvari ili propuštamo rokove.

Ukratko, ispravan redoslijed prezentacije može uvelike poboljšati našu sposobnost pamćenja. Pravilnim rasporedom i analizom možemo bolje razumjeti informacije, zapamtiti ih i primijeniti u našim budućim životima. Koristimo ispravan red prezentacije da stimulišemo svoj moždani potencijal, ovladamo više znanja i učinimo svoj život ispunjenijim i ljepšim. Vidi se da moramo poboljšati pamćenje, a Cistanche deserticola može značajno poboljšati pamćenje, jer i Cistanche deserticola može regulisati ravnotežu neurotransmitera, kao što je povećanje nivoa acetilholina i faktora rasta. Ove supstance su veoma važne za pamćenje i učenje. Osim toga, meso može poboljšati protok krvi i promovirati isporuku kisika, što može osigurati da mozak dobije dovoljno hranjivih tvari i energije, čime se poboljšava vitalnost i izdržljivost mozga.

Kliknite znati načine za poboljšanje funkcije mozga

Izveli smo model binarne logističke regresije s mješovitim efektima na ovim negrupisanim podacima, koristeći status očekivanja trenutnih i prethodno postavljenih događaja i poziciju prezentacije pri preuzimanju kao kovarijatu. Modeli su izračunati korištenjem paketa lme4 (Bates et al., 2{ {4}}15) u R okruženju (R Development Core Team, 2008). Parametri takvih modela mogu se koristiti za procjenu vjerovatnoće davanja tačnog odgovora („stari“ za mete, „novi“ za folije) i također uzeti u obzir jedinstveno presretanje svakog učesnika (pristrasnost odgovora). Za procjenu nagiba svakog prediktora u modelu (H0: b=0), koristili smo omnibus x2 Waldtest (West et al., 2014), kao što je implementirano u paketu automobila (Fox i Weisberg, 2018).

Ekstrakcija i crtanje dole navedenih efekata sprovedeno je korišćenjem paketa efekata (Fox, 2003), sredstava (Searle et al., 1980) i ggplot2 (Wickham, 2009). Da bismo ispitali dinamičku interakciju između perceptivne sličnosti i statusa očekivanja, za svaki skup događaja osmislili smo tri modela od interesa, modelirajući svaki događaj zasebno kao funkciju prethodnog niza događaja.

Na primjer, ciljevi kojima prethodi F1 modelirani su odvojeno od ciljeva kojima prethodi F2. Da bismo eliminisali sve efekte izazvane razlikama u jačini memorije, u ovaj model smo uključili samo događaje za koje je prethodni odgovor bio tačan (tj. za mete nakon događaja F1, uključili smo samo ciljeve koji su pratili CR1). Slični rezultati su uočeni kada su u model uključena sva ispitivanja (pogledajte GitHub spremište za kod za pokretanje analiza i generisanje slika). Svaki model je stoga uključivao status očekivanja trenutnog i prethodnog seteventa, kao i redosled prezentacije pri preuzimanju kovarijata. Kod i podaci dostupni su ovdje:https://github.com/frdarya/DynamicExpectation.

Eksperiment 2

Učesnici

Ukupno 25 učesnika (osam muškaraca, starosti 18-33 godine, srednji=25, SD=4.2) dalo je informirani pristanak i učestvovalo u studiji. Učesnici su imali normalan ili ispravljen na normalan vid i nisu imali anamnezu neuroloških ili psihijatrijskih poremećaja. Sve procedure je odobrio etički komitet Univerziteta u Mančesteru. Jedan učesnik je isključen iz svih analiza zbog neuspjeha da nauči nepredviđeno stanje ishoda za vrijeme zadatka učenja pravila.

Eksperimentalni dizajn

Slična paradigma i manipulacija očekivanjima korištena je u eksperimentu 2, sa sljedećim izuzecima: u fazi kodiranja, svaki objekt je predstavljen tri puta uzastopno. Svaki objekat je bio na ekranu 2000 ms, sa potresanim fiksacionim krstom (250–750 ms) između svake prezentacije. Tokom prve i druge prezentacije, od učesnika je zatraženo da donesu semantičku odluku o objektu, da li je umjetni ili prirodni, te da li je vjerojatnije da će se naći u zatvorenom ili na otvorenom. Redoslijed ovih pitanja bio je nasumičan. Tokom treće prezentacije, od učesnika se uvek tražilo da pažljivo prouče objekat fokusirajući se na detalje. Nakon treće prezentacije, postojao je još jedan nemirni fiksacijski križ, za duži period (800–1200 ms), kako bi se stvorili mini blokovi koji razdvajaju svaki objekt.

Zadatak učenja pravila bio je identičan onom korištenom u eksperimentu 1, osim dužeg vremena prezentacije odgovora signala (3 s umjesto 1 s) i potresanog križanja fiksacije (250-750 ms) između svakog pokušaja (pogledajte Prošireni podaci, sl. 1-1 za bihevioralne i proširene podatke Slika 1-2 za MRI rezultate iz zadatka učenja pravila). Prije zadatka preuzimanja, učesnici su rješavali aritmetičke zadatke 2 minute (bez skeniranja).

Prilikom izvlačenja koristili smo dva nivoa sličnosti folije (F1 i F2) u svakom setu, umjesto tri. U interesu optimizacije vremena u skeneru, F3 objekti nisu korišćeni, jer nisu dali nikakve efekte od interesa u eksperimentu1. Svaki pokušaj pronalaženja počinjao je s potresanim fiksacijskim ukrštanjem (250–750 ms), nakon čega je slijedila prezentacija signala u trajanju od 1000 ms, a zatim postavljenim događajem (cilj, F1 ili F2) u trajanju od 3000 ms. U svim skeniranim zadacima koristili smo implicitne osnovne linije (ukrštanja za fiksiranje za 3500 ms u kodiranju i zadacima učenja pravila, 4500 ms u pronalaženju) u 30% pokušaja.

Statistička analiza ponašanja

Prateći analizu i rezultate iz eksperimenta 1, skupili smo ciljeve i F1 događaje i modelirali vjerovatnoću donošenja ispravne odluke (pogodi i tačna odbacivanja) na osnovu statusa očekivanja trenutno postavljenog događaja i statusa očekivanja prethodnog postavljenog događaja.

Kao u eksperimentu 1, da bi se eliminisala konfuzija u snazi ​​memorije, uključeni su samo tačni odgovori (pogledajte GitHub spremište za slične rezultate kada su uključena sva ispitivanja i za odvojene analize ciljeva i F1). Korekcije F2 folija također su modelirane kao funkcija prethodnih postavki, kao što je urađeno za eksperiment 1.

fMRI akvizicija i statistička analiza

MR skeniranje je obavljeno na 3T MRI skeneru (Philips, Achieva). Da bi se minimizirali pokreti tokom skeniranja, pjenasti klinovi i mekani jastučići korišćeni su za stabilizaciju glave učesnika. Prvo su prikupljene T1-ponderisane slike (veličina matrice: 256 256, 160 rezova, veličina voksela 1 mm izotropna) dok su se učesnici odmarali u skeneru. Za prikupljanje T2* slika za BOLD signal je korištena gradijentna ehoplanarimaging sekvenca (EPI). 40 rezova paralelnih sa AC-PC linijom, koji pokrivaju cijeli mozak (veličina matrice 80 80, veličina voksela 3 3 3,5 mm3), dobijeno je za svaki volumen (TR=2.5s, TE=35 ms) .

Učesnici su izvršili tri zadatka u skeneru (kodiranje 313 tomova; učenje pravila 143 svezaka; pronalaženje 534 svezaka) i zadatak distraktora, koji nije skeniran. fMRI podaci su prethodno obrađeni i analizirani pomoću SPM12 (Statistical ParameterMapping, Wellcome Center for Human Neuroleimage Londona ://www.fil.ion.ucl.ac.uk/spm/software/spm12/). Slike su ponovo poravnate sa srednjom slikom pomoću transformacije krutog tijela od šest parametara, ponovno isječene korištenjem sink interpolacije i ispravljene u vremenu isječka na sredinu slice.

T1 anatomske slike su zajedno registrovane na odgovarajuću srednju EPI sliku. Prostorna normalizacija na šablon Montrealskog neurološkog instituta (MNI) sprovedena je korišćenjem DARTEL alata implementiranog u SPM12 (Ashburner, 2007). Anizotropno 8 mm FWHM Gaussovo jezgro je korišteno za ujednačavanje normaliziranih EPI podataka za univarijantne analize.

Da bi se uklonio niskofrekventni šum, podaci su visokopropusni filtrirani korištenjem granične vrijednosti od 128 s. Dvije apriorne regije od interesa (ROI), bilateralni hipokampus i ROI srednjeg mozga uključujući samo supstanciju nigru (SN) i ventralni tegmentum područja (VTA). Maska hipokampusa uzeta je iz anatomskog atlasa Harvard-Oxford (prag na 25% vjerovatnoće; Desikan et al., 2006). Maska srednjeg mozga uzeta je iz atlasa vjerovatnoće srednjeg mozga (Murty et al., 2014).

Funkcionalni podaci svakog učesnika iz sesije preuzimanja analizirani su koristeći okvir opšteg linearnog modela (GLM) u okviru dizajna vezanog za događaje koji modelira kanonsku funkciju hemodinamskog odgovora. Šest parametara kretanja proizvedenih prilikom ponovnog poravnanja za svaku sesiju korišteno je kao regresori smetnji. Da bi se minimizirali artefakti rezidualnog pokreta, kutija sa alatkama ArtRepair (http://cibsr.stanford.edu/tools/human-brain-project/artrepair-software.html) korišćena je za proizvodnju dodatnih regresora smetnji za svakog učesnika.

Vremenske serije su visokopropusno filtrirane kako bi se uklonio niskofrekventni šum (128-scutoff). S obzirom na našu apriornu hipotezu za ROI uvedenu gore (bilateralni hipokampus i SN/VTA), usvojen je pristup korekcije malog volumena (SVC) za ove regije, ispravljen za porodičnu grešku (FWE) za ROI volumen (početni prag formiranja klastera p, 0.001).

Za detaljnije analize cijelog mozga, korišten je neparametarski pristup baziran na permutaciji (n=5000) za identifikaciju značajnih klastera koristeći SnPM alatni okvir (https://warwick.ac.uk/fac/sci/statistics/staff /academic-research/Nichols/software/snpm/). Korišten je početni prag formiranja klastera od p, 0.005, a prikazani su klasteri značajni za neparametarski p, 0,05. T-mape na nivou grupe bez praga od SPM i SnPM dostupne su ovdje:https://neurovault.org/collections/TTDMPHLE/.

Da bismo testirali učinak na ponašanje interakcije između kontekstualnog očekivanja prethodnog događaja i kontekstualnog očekivanja trenutnog događaja, skupili smo ciljeve i F1 i klasifikovali ih na osnovu redosleda prezentacije (koji je bio prvi) i njihovog statusa očekivanja. F2 događaji su modelirani kao poseban uslov.

U ovoj analizi, upoređujemo trenutnu stavku između trenutnog i prethodnog statusa očekivanja (npr. EprevUcurr . EprevEcurr). S obzirom na naš eksperimentalni dizajn, postoje četiri parametra čije se interakcije mogu dalje istražiti: postavljeni događaj (cilj, F1, F2), kontekstualno očekivanje (očekivano ili neočekivano), dat memorijski odgovor (tačan ili netačan) i redoslijed prezentacije unutar skupa (prvi, drugi). , ili posljednji). Ovo rezultira 36 stanja; međutim, ovi se ne mogu modelirati zajedno zbog nedovoljnog broja kanti za probne testove (n, 7) za većinu učesnika.

Stoga smo osmislili tri odvojena modela; u prvom modelu, ispitali smo glavni efekat očekivanja, bez obzira na postavljeni događaj ili odluku o priznanju. U drugom modelu, ispitali smo uspješne memorijske interakcije događaja postavljenih očekivanjima tako što smo sažimali pokušaje po redoslijedu prezentacije i modelirali samo tačne odgovore za svaki događaj (svi netačni odgovori su modelirani kao poseban regresor). U trećem modelu istražili smo interakciju očekivanja, postavljenog događaja i redoslijeda prezentacije, bez obzira na odgovore na prepoznavanje.

Rezultati

Proveli smo dva eksperimenta, eksperiment 1 je ispitivao bihevioralne odgovore, a eksperiment 2 koristio je sličnu paradigmu dok su fMRI podaci prikupljeni. U oba eksperimenta, naš bihejvioralni zadatak uključivao je tri faze (za eksperimentalni dizajn, vidi sliku 1): nakon kodiranja slika objekta, sudionici su izveli zadatak učenja pravila u kojem su naučili kontingentnost između znaka i kategorije objekta (čovjek- napravljeno ili prirodno). Zatim su, prilikom izvlačenja, prikazani isti znakovi, a zatim stari (meta) ili novi (folijski) objekt.

Folije su parametarski manipulisane sličnim objektima, F1, F2 i F3 u opadajućem redosledu sličnosti sa metom. Učesnici su zamoljeni da donesu staru/novu odluku o prepoznavanju. U jednoj trećini pokušaja pronalaženja, unaprijed je utvrđena kontingentnost znaka i kategorije objekta prekršena. Da bismo procijenili kodiranje modulirano očekivanjima i njegovu osjetljivost na perceptualnu sličnost, koristili smo logističku regresiju mješovitih efekata da modeliramo odgovor (tačno/netočno prepoznavanje) na svaki skup događaj (ciljane i slične folije) kao funkciju prethodnog događaja iz tog skupa (npr. , ako se prvo predstavi F1, a kasnije cilj, to će biti označeno kao F1prev Targetcurr).

Nadalje, svaki postavljeni događaj je bio povezan sa statusom očekivanja koji je određen prethodnim znakom (događaji koji se pridržavaju pravila označeni su kao očekivani, a kršeći pravila kao neočekivani). Svaki model je takođe uključivao interakciju između trenutnog i prethodnog statusa očekivanja seteventa da bi se ispitale dinamičke promene (npr. kako prethodna neočekivana folija utiče na prepoznavanje trenutno očekivane mete; videti sliku 1C; za sve detalje pogledajte materijale i metode).

Eksperiment 1

Memorija za ciljeve je modulirana prethodnim neočekivanim događajima sličnog skupa

Za mete nakon događaja postavljenih u F1, pronašli smo značajne glavne efekte očekivanja F1 (b=0.659, X2(1)=4.63, p =0.031 ), kao i marginalna interakcija između očekivanja mete i prethodnog statusa očekivanja F1 (b =0.939, X2(1)=3.65, p=0.056; Slika 2A). Naknadni testovi kontrasta su otkrili da je veća vjerovatnoća da će se očekivani ciljevi zapamtiti nakon neočekivanog F1, u ​​poređenju sa očekivanim događajem postavljenog F1 (z=2.15, p=0.031). Nadalje, kada je prethodni događaj F1 set bio neočekivan, vjerovatnije je da će naredni očekivani ciljevi biti ispravno zapamćeni, u poređenju sa neočekivanim ciljevima (z=2.37, p=0.017). Prilikom ispitivanja ciljeva koji su pratili događaje F2 i F3, nismo uočili nikakve značajne prediktore (svi ps. 0,127).

Ispravno odbacivanje sličnih folija je modulirano statusom očekivanja prethodnih meta

Za F1 događaje koji prate mete, pronašli smo interakciju između statusa očekivanja dva događaja (b=0.79, X2(1)=5.29, p=0.0 21; Slika 2B), sa kontrastima koji pokazuju ispravnije odbacivanje događaja F1 (CR1), za očekivanu F1 od neočekivanih događaja F1 nakon neočekivanih ciljeva (z= 2.65, p= 0.0 08) i neznatno manje ispravnih odbijanja za neočekivani F1 kada je prethodni cilj bio neočekivan, u poređenju sa onim kada se očekivao (z= 1.95, p= 0.0507; sl. 2, srednji panel). Svi ostali efekti nisu bili značajni (allps .0,255). Prilikom ispitivanja događaja F1 koji su pratili događaje F2 i F3, nismo uočili nikakve značajne prediktore (allps . 0,274).

Modulacija sekvence očekivanja opada kako se smanjuje perceptivna sličnost

F2 događaji nisu bili pod uticajem prethodnih ciljeva (svi ps . 0.171), F1 (svi ps . 0.197) ili F3 (svi ps . 0.174) od isti set.

Slično, odgovori na F3 događaje nisu bili modulirani bilo kojim prethodnim skupom događaja (ciljevi: svi ps . 0.484, F1s: svi ps . 0.148,F2s: svi ps . 0 .321).

Mete i njihove najsličnije folije pokazuju analogne efekte sekvence očekivanja

S obzirom na slične efekte uočene za mete i događaje F1 nezavisno, skupili smo ta dva, da bismo ispitali da li su ovi efekti komplementarni (tj. da li postoji interakcija između trenutnog i prethodnog statusa očekivanja; slika 2C). Iako pogoci i ispravna odbacivanja nisu nužno proizvodi istog mnemoničkog procesa, u ovoj paradigmi oni pružaju priliku da se ispita kako perceptivno opterećenje (u obliku sličnosti) stupa u interakciju s dinamičkim modulacijama očekivanja.

Mnemoničko poređenje između trenutnog postavljenog događaja (cilj ili F1) i njegovog prethodnog postavljenog događaja (F1 ili cilj, respektivno), formira najveće opterećenje ili smetnju oko kodiranog objekta, dok učesnik donosi odluku o prepoznavanju. Stoga, ako su perceptivni procesi uključeni, u susretu s neočekivanim događajem, efekti uočeni za svaki postavljeni događaj pojedinačno bi se trebali ponoviti. Pronašli smo značajan glavni efekat statusa očekivanja prethodnog događaja (b=0.341, X2(1)=4.9,p=0.027), kao i značajnu interakciju između statusa očekivanja trenutnog i prethodnih događaja (b =0.682, X2(1)=6.5, p=0.01).

Naknadni testovi kontrasta su otkrili da kada je prethodni postavljeni događaj bio neočekivan, uočeni su tačniji odgovori za očekivane u poređenju sa neočekivanim događajima (UprevEcurr . UprevUcurr; z=3.1,p=0.002). UprevUcurr je bio brojčano manji od EprevUcurr, ali ovaj efekat nije dostigao statističku značajnost (p=0.116). Osim toga, bilo je više tačnih odgovora za trenutno očekivane događaje nakon neočekivanih događaja od očekivanih (EprevEcurr, UprevEcurr; z {{6 }}.22, p=0.027).

For more information:1950477648nn@gmail.com