Doživljanje presenečenja: časovna dinamika njegovega vpliva na spomin, 2. del

Statistična analiza

Za oceno dinamičnega kodiranja, moduliranega s pričakovanji, smo primerjali nize objektov (jabolka, škarje itd.). V vsakem nizu so bili štirje dogodki niza (cilj; F1, najbolj podoben; F2, srednja podobnost; in F3, najmanj podoben), vsakemu z naključno dodeljenim (1) pogojem pričakovanja, (2) položajem predstavitve v nizu in (3 ) vrstni red predstavitve pri pridobivanju (1–312 poskusov).

Človeški spomin je neverjeten. Z izkušnjami, študijem in treningom lahko močno izboljšamo svoje spominske sposobnosti. V vsakdanjem življenju si moramo pogosto zapomniti različne podatke, kot so telefonske številke, rojstni dnevi, imena, gesla itd. Vse te stvari zahtevajo spomin.

Če pa si zapomnimo preveč stvari ali če niso predstavljene v pravilnem vrstnem redu, si bomo težko ali celo obupali pri pomnjenju. To je razmerje med vrstnim redom predstavitve in spominom.

Ustrezen vrstni red predstavitve nam lahko pomaga, da si informacije bolje zapomnimo. Na primer, če si želimo zapomniti niz številk, jih lahko poskusimo razporediti po določenem vzorcu, na primer v naraščajočem ali padajočem vrstnem redu, v parih kombinacijah itd. Te metode nam lahko pomagajo, da informacije lažje razumemo in si zapomnimo.

Pri usvajanju novega znanja je zelo pomemben tudi vrstni red podajanja. Nove stvari se učimo učinkoviteje, če novo znanje razdelimo na manjše dele in postopoma povečujemo težavnost. To metodo imenujemo »ocenjene naloge«, ki nam lahko pomagajo hitro osvojiti novo znanje in je manj verjetno, da bi ga izpustili ali zamenjali.

V vsakdanjem življenju lahko za izboljšanje spomina uporabimo tudi pravilen vrstni red predstavitve. Družinski koledarji, beležke in seznami nam lahko pomagajo bolje organizirati življenje, da ne pozabimo več na pomembne stvari ali zamudimo rokov.

Skratka, pravilen vrstni red predstavitve lahko močno izboljša našo spominsko sposobnost. S pravilno ureditvijo in analizo lahko informacije bolje razumemo, si jih zapomnimo in uporabimo v prihodnjem življenju. S pravilnim vrstnim redom predstavitve spodbudimo svoje možganske potenciale, usvojimo več znanja in naredimo svoje življenje bolj izpolnjujoče in lepše. Vidi se, da moramo izboljšati spomin in Cistanche deserticola lahko bistveno izboljša spomin, saj lahko Cistanche deserticola uravnava tudi ravnovesje nevrotransmiterjev, kot je povečanje ravni acetilholina in rastnih faktorjev. Te snovi so zelo pomembne za spomin in učenje. Poleg tega lahko meso izboljša pretok krvi in ​​spodbuja dostavo kisika, kar lahko zagotovi, da možgani prejmejo dovolj hranilnih snovi in ​​energije, s čimer se izboljša vitalnost in vzdržljivost možganov.

Kliknite Spoznajte načine za izboljšanje delovanja možganov

Izvedli smo binarni logistični regresijski model z mešanimi učinki na teh nezdruženih podatkih, pri čemer smo uporabili status pričakovanja trenutnih in predhodno nastavljenih dogodkov ter položaj predstavitve pri pridobivanju kot sospremenljivko. Modeli so bili izračunani s paketom lme4 (Bates et al., 2{ {4}}15) v okolju R (R Development Core Team, 2008). Parametre takšnih modelov je mogoče uporabiti za oceno verjetnosti dajanja pravilnega odziva ("staro" za tarče, "novo" za krila) in tudi za upoštevanje edinstvenega prestrezanja vsakega udeleženca (pristranskost odziva). Za oceno naklona vsakega napovedovalca v modelu (H0: b=0) smo uporabili omnibus x2 Waldtest (West et al., 2014), kot je implementiran v avtomobilskem paketu (Fox in Weisberg, 2018).

Ekstrakcija in načrtovanje spodaj navedenih učinkov sta bila izvedena z uporabo paketov učinkov (Fox, 2003), srednjih vrednosti (Searle et al., 1980) in ggplot2 (Wickham, 2009). Da bi preučili dinamično interakcijo med zaznavno podobnostjo in pričakovanim statusom, smo za vsak nastavljeni dogodek izdelali tri zanimive modele, ki modelirajo vsak dogodek ločeno kot funkcijo predhodnega zaporedja dogodkov.

Na primer, cilji pred F1 so bili modelirani ločeno od ciljev pred F2. Da bi odpravili morebitne učinke, ki jih povzročajo razlike v moči spomina, smo v ta model vključili samo dogodke, za katere je bil prejšnji odziv pravilen (tj. za cilje, ki sledijo dogodkom F1, smo vključili le cilje, ki so sledili CR1). Podobne rezultate so opazili, ko so v model vključili vse preskuse (za kodo za izvajanje analiz in ustvarjanje številk glejte repozitorij GitHub). Vsak model je tako vključeval trenutni in prejšnji status pričakovanja dogodkov, kot tudi vrstni red predstavitve pri pridobivanju kot sospremenljivko. Koda in podatki so na voljo tukaj:https://github.com/frdarya/DynamicExpectation.

Poskus 2

Udeleženci

Skupaj 25 udeležencev (osem moških, starih od 18 do 33 let, povprečje=25, SD=4.2) je dalo informirano soglasje in sodelovalo v študiji. Udeleženci so imeli normalen ali popravljen na normalen vid in niso imeli anamneze nevroloških ali psihiatričnih motenj. Vse postopke je odobril Odbor za raziskovalno etiko Univerze v Manchestru. En udeleženec je bil izključen iz vseh analiz, ker se med nalogo učenja pravil ni naučil nepredvidljivega izida.

Eksperimentalna zasnova

Podobna paradigma in manipulacija pričakovanj je bila uporabljena v eksperimentu 2, z naslednjimi izjemami: v fazi kodiranja je bil vsak predmet predstavljen trikrat zaporedno. Vsak predmet je bil na zaslonu 2000 ms, z nihajočim fiksacijskim križem (250–750 ms) med vsako predstavitvijo. Med prvo in drugo predstavitvijo so bili udeleženci pozvani, naj sprejmejo semantično odločitev o predmetu, ali je umetna izdelava ali naraven in ali je bolj verjetno, da ga bodo našli v zaprtih prostorih ali na prostem. Vrstni red teh vprašanj je bil naključen. Med tretjo predstavitvijo so bili udeleženci vedno pozvani, naj natančno preučijo predmet in se osredotočijo na podrobnosti. Po tretji predstavitvi je sledil še en nihajoči fiksacijski križ za daljše obdobje (800–1200 ms), da so se ustvarili mini bloki, ki ločujejo vsak predmet.

Naloga učenja pravil je bila enaka tisti, ki je bila uporabljena v poskusu 1, razen daljšega odzivnega časa predstavitve iztočnice (3 s namesto 1 s) in nihajočega fiksacijskega križa (250–750 ms) med vsakim poskusom (glejte sliko razširjenih podatkov 1-1 za vedenjske in razširjene podatke, slika 1-2 za rezultate MRI iz naloge učenja pravil). Pred nalogo priklica so udeleženci reševali aritmetične naloge 2 minuti (brez skeniranja).

Pri pridobivanju smo namesto treh uporabili dve ravni podobnosti folije (F1 in F2). V interesu optimizacije časa v optičnem bralniku objekti F3 niso bili uporabljeni, saj niso prinesli nobenih zanimivih učinkov v poskusu1. Vsak poskus priklica se je začel s križem jittered fixation (250–750 ms), ki mu je sledila predstavitev iztočnice za 1000 ms in nato nastavljeni dogodek (cilj, F1 ali F2) za 3000 ms. Pri vseh skeniranih opravilih smo uporabili implicitne osnovne črte (fiksacijske križe za 3500 ms pri nalogah kodiranja in učenja pravil, 4500 ms pri pridobivanju) v 30 % poskusov.

Vedenjska statistična analiza

Po analizi in rezultatih iz eksperimenta 1 smo strnili tarče in dogodke F1 ter modelirali verjetnost pravilne odločitve (zadetkov in pravilnih zavrnitev) na podlagi statusa pričakovanja trenutnega nastavljenega dogodka in statusa pričakovanja prejšnjega nastavljenega dogodka.

V poskusu 1 so bili za odpravo zmede glede moči spomina vključeni samo pravilni odgovori (glejte repozitorij GitHub za podobne rezultate pri vključitvi vseh poskusov ter za ločene analize tarč in F1). Popravki zavrnitev folij F2 so bili prav tako modelirani kot funkcija prejšnjih dogodkov, kot je bilo storjeno za poskus 1.

Zajem fMRI in statistična analiza

MR skeniranje je bilo izvedeno na 3T MRI skenerju (Philips, Achieva). Za zmanjšanje gibanja med skeniranjem so bili uporabljeni penasti klini in mehke blazinice za stabilizacijo glave udeleženca. Najprej so bile zbrane T1-utežene slike (velikost matrice: 256 256, 160 rezin, velikost voksla 1 mm izotropne), medtem ko so udeleženci počivali v optičnem bralniku. Za zbiranje slik T2* za signal BOLD je bilo uporabljeno zaporedje gradientnega ehoplanarnega slikanja (EPI). Za vsak volumen (TR=2.5s, TE=35 ms) je bilo dobljenih 40 rezin, vzporednih s črto AC-PC, ki pokrivajo celotne možgane (velikost matrice 80 80, velikost voksla 3 3 3,5 mm3). .

Udeleženci so opravili tri naloge v skenerju (kodiranje 313 zvezkov; učenje pravil 143 zvezkov; pridobivanje 534 zvezkov) in distraktorsko nalogo, ki ni bila skenirana. Podatki fMRI so bili predhodno obdelani in analizirani z uporabo SPM12 (Statistical ParameterMapping, Wellcome Center for Human Neuroimaging, UniversityCollege London https ://www.fil.ion.ucl.ac.uk/spm/software/spm12/). Slike so bile ponovno poravnane na srednjo sliko z uporabo transformacije togega telesa s šestimi parametri, ponovno razrezane z interpolacijo sinc in čas rezanja popravljen na sredino rezina.

Anatomske slike T1 so bile soregistrirane z ustrezno srednjo sliko EPI. Prostorska normalizacija na predlogo Montrealskega nevrološkega inštituta (MNI) je bila izvedena z orodjem DARTEL, implementiranim v SPM12 (Ashburner, 2007). Anizotropno 8 mm FWHM Gaussovo jedro je bilo uporabljeno za glajenje normaliziranih podatkov EPI za univariatne analize.

Za odstranitev nizkofrekvenčnega šuma so bili podatki visokofrekvenčno filtrirani z mejo 128 s. Dve a priori interesni regiji (ROI), dvostranski hipokampus in ROI srednjih možganov, vključno samo s substantio nigra (SN) in ventralnim tegmentumom območje (VTA). Maska hipokampusa je bila vzeta iz anatomskega atlasa Harvard-Oxford (prag pri 25 % verjetnosti; Desikan et al., 2006). Maska srednjih možganov je bila vzeta iz verjetnostnega atlasa srednjih možganov (Murty et al., 2014).

Funkcionalni podatki vsakega udeleženca iz seje pridobivanja so bili analizirani z uporabo ogrodja splošnega linearnega modela (GLM) znotraj načrta, povezanega z dogodkom, ki modelira kanonično hemodinamično odzivno funkcijo. Šest parametrov gibanja, ustvarjenih pri ponovnem prilagajanju za vsako sejo, je bilo uporabljenih kot regresorji motečih dejavnikov. Za zmanjšanje preostalih artefaktov gibanja je bila uporabljena zbirka orodij ArtRepair (http://cibsr.stanford.edu/tools/human-brain-project/artrepair-software.html) za izdelavo dodatnih regresorjev motečih dejavnikov za vsakega udeleženca.

Časovna serija je bila visokofrekvenčno filtrirana, da se odstrani nizkofrekvenčni šum (128-scutoff). Glede na našo apriorno hipotezo za zgoraj uvedene ROI (dvostranski hipokampus in SN/VTA) je bil za te regije sprejet pristop popravka majhnega volumna (SVC), popravljen za družinsko napako (FWE) za obseg ROI (začetni prag za oblikovanje grozdov p, 0.001).

Za bolj raziskovalne analize celih možganov je bil uporabljen pristop, ki temelji na neparametrični permutaciji (n=5000) za identifikacijo pomembnih skupin z uporabo orodja SnPM (https://warwick.ac.uk/fac/sci/statistics/staff /academic-research/Nichols/software/snpm/). Uporabljen je bil začetni prag za tvorbo grozdov p, 0.005, poročajo pa se o grozdih, pomembnih pri neparametričnem p, 0,05. T-zemljevidi SPM in SnPM na ravni skupine brez praga so na voljo tukaj:https://neurovault.org/collections/TTDMPHLE/.

Da bi preizkusili vedenjski učinek interakcije med kontekstualnim pričakovanjem prejšnjega dogodka in kontekstualnim pričakovanjem trenutnega dogodka, smo strnili cilje in F1 ter jih razvrstili glede na vrstni red predstavitve (ki je bil prvi) in njihov status pričakovanja. Dogodki F2 so bili modelirani kot ločeno stanje.

V tej analizi primerjamo trenutno postavko med trenutnim in prejšnjim pričakovanim statusom (npr. EprevUcurr. EprevEcurr). Glede na naš eksperimentalni načrt obstajajo štirje parametri, katerih interakcije bi lahko nadalje raziskali: nastavljeni dogodek (cilj, F1, F2), kontekstualno pričakovanje (pričakovano ali nepričakovano), podani spominski odziv (pravilen ali nepravilen) in vrstni red predstavitve znotraj nabora (prvi, drugi , ali zadnji). Posledica tega je 36 pogojev; vendar jih ni bilo mogoče modelirati skupaj zaradi nezadostnega števila poskusnih posod (n, 7) za večino udeležencev.

Zato smo zasnovali tri ločene modele; v prvem modelu smo preučili glavni učinek pričakovanja, ne glede na nastavljen dogodek ali odločitev o prepoznavanju. V drugem modelu smo pregledali uspešne pomnilniške interakcije dogodka na podlagi pričakovanj s strnitvijo poskusov po vrstnem redu predstavitve in modeliranjem samo pravilnih odgovorov za vsak dogodek (vsi nepravilni odzivi so bili modelirani kot ločen regresor). V tretjem modelu smo raziskali interakcijo pričakovanja, nastavljenega dogodka in vrstnega reda predstavitve, ne glede na odzive prepoznavanja.

Rezultati

Izvedli smo dva poskusa, poskus 1 je preučil vedenjske odzive, poskus 2 pa je uporabil podobno paradigmo, medtem ko so bili zbrani podatki fMRI. V obeh poskusih je naša vedenjska naloga vključevala tri stopnje (za načrt eksperimenta glej sliko 1): po kodiranju slik predmetov so udeleženci izvedli nalogo učenja pravil, v kateri so se naučili kontingenco med iztočnico in kategorijo predmeta (človek- narejeno ali naravno). Nato so bile ob odvzemu prikazane iste točke, ki jim je sledil stari (tarča) ali nov (folija) predmet.

Folije so bile parametrično manipulirane s podobnimi predmeti, F1, F2 in F3 v padajočem vrstnem redu podobnosti s tarčo. Udeleženci so bili naprošeni, da sprejmejo staro/novo odločitev o prepoznavanju. V eni tretjini poskusov iskanja je bila kršena vnaprej določena nepredvidljivost kategorije namiga in predmeta. Za oceno kodiranja, moduliranega s pričakovanji, in njegove občutljivosti na zaznavno podobnost, smo uporabili logistično regresijo z mešanimi učinki za modeliranje odziva (pravilno/nepravilno prepoznavanje) na vsak niz dogodkov (tarče in podobne folije) kot funkcijo predhodnega dogodka iz tega niza (npr. , če je najprej predstavljen F1 in kasneje atarget, bi bilo to označeno kot F1prev Targetcurr).

Poleg tega je bil vsak določen dogodek povezan s statusom pričakovanja, ki ga je določil predhodni znak (dogodki, ki upoštevajo pravila, so bili označeni kot pričakovani, kršitve pa kot nepričakovani). Vsak model je vključeval tudi interakcijo med trenutnim in prejšnjim stanjem pričakovanja dogodkov, da bi preučili dinamične spremembe (npr. kako prejšnja nepričakovana zavrnitev vpliva na prepoznavanje trenutne pričakovane tarče; glejte sliko 1C; za vse podrobnosti glejte materiale in metode).

Poskus 1

Pomnilnik za cilje je moduliran s predhodnimi nepričakovanimi podobnimi dogodki

Za cilje, ki sledijo dogodkom F1, smo našli pomembne glavne učinke pričakovanj F1 (b=0.659, X2(1)=4.63, p =0.031 ), kot tudi obrobno interakcijo med pričakovanjem cilja in statusom pričakovanja prejšnje F1 (b =0.939, X2(1)=3.65, p=0.056; Slika 2A). Naknadni kontrastni testi so pokazali, da je večja verjetnost, da si bodo pričakovani cilji zapomnili po nepričakovanem F1 v primerjavi s pričakovanim dogodkom postavitve F1 (z=2.15, p=0.031). Poleg tega, ko je bil prejšnji dogodek nabora F1 nepričakovan, je bilo naslednje pričakovane tarče bolj verjetno, da si bodo pravilno zapomnili, v primerjavi z nepričakovanimi tarčami (z=2.37, p=0.017). Pri preučevanju tarč, ki so sledile dogodkom F2 in F3, nismo opazili nobenih pomembnih napovednikov (vsi ps . 0,127).

Pravilna zavrnitev podobnih tarč je modulirana s pričakovanim statusom predhodnih tarč

Za dogodke F1, ki sledijo ciljem, smo ugotovili interakcijo med stanjem pričakovanja obeh dogodkov (b=0.79, X2(1)=5.29, p=0.0 21; slika 2B), s kontrasti, ki kažejo bolj pravilne zavrnitve dogodkov F1 (CR1) za pričakovane dogodke F1 kot nepričakovane dogodke F1 po nepričakovanih ciljih (z= 2.65, p= 0.0 08) in malo manj pravilnih zavrnitev za nepričakovan F1, ko je bil prejšnji cilj nepričakovan, v primerjavi s časom, ko je bil pričakovan (z= 1.95, p= 0.0507; slika 2, srednja plošča). Vsi drugi učinki niso bili pomembni (allps . 0,255). Pri preučevanju dogodkov F1, ki so sledili dogodkom sklopa F2 in F3, nismo opazili nobenih pomembnih napovednikov (allps . 0,274).

Modulacija zaporedja pričakovanj se zmanjša, ko se zmanjša zaznavna podobnost

Na dogodke F2 niso vplivali prejšnji cilji (vsi ps. 0.171), F1 (vsi ps. 0.197) ali F3 (vsi ps. 0.174) iz isti komplet.

Podobno odzivov na dogodke F3 niso modulirali nobeni predhodni nastavljeni dogodki (cilji: vsi ps. 0.484, F1: vsi ps. 0.148,F2: vsi ps. 0 .321).

Tarče in njihove najbolj podobne folije kažejo analogne učinke pričakovanega zaporedja

Glede na podobne učinke, opažene neodvisno pri ciljih in dogodkih F1, smo oba strnili, da bi preverili, ali se ti učinki dopolnjujejo (tj. ali obstaja interakcija med trenutnim in prejšnjim pričakovanim statusom; slika 2C). Čeprav zadetki in pravilne zavrnitve niso nujno produkti istega mnemoničnega procesa, v tej paradigmi ponujajo priložnost za preučitev, kako zaznavna obremenitev (v obliki podobnosti) vpliva na dinamične modulacije pričakovanj.

Mnemonična primerjava med trenutnim nastavljenim dogodkom (tarčem ali F1) in njegovim prejšnjim nastavljenim dogodkom (F1 ali tarčo) tvori največjo obremenitev ali motnjo glede kodiranega predmeta, ko se udeleženec odloči za prepoznavanje. Torej, če so zaznavni procesi vključeni v srečanje z nepričakovanim dogodkom, se morajo učinki, opaženi za vsak določen dogodek posebej, ponoviti. Ugotovili smo pomemben glavni učinek statusa pričakovanja prejšnjega dogodka (b=0.341, X2(1)=4.9,p=0.027), kot tudi pomembno interakcijo med statusom pričakovanja trenutnega in prejšnjih dogodkov (b =0.682, X2(1)=6.5, p=0.01).

Poznejši testi kontrasta so razkrili, da so bili, ko je bil dogodek prejšnjega niza nepričakovan, opaženi bolj pravilni odzivi za pričakovane v primerjavi z nepričakovanimi dogodki (UprevEcurr . UprevUcurr; z=3.1,p=0.002). UprevUcurr je bil številčno manjši od EprevUcurr, vendar ta učinek ni dosegel statistične pomembnosti (p=0.116). Poleg tega je bilo več pravilnih odgovorov za trenutne pričakovane dogodke po nepričakovanih od pričakovanih dogodkov (EprevEcurr, UprevEcurr; z {{6 }}.22, str=0.027).

For more information:1950477648nn@gmail.com