1. del: Ciljno usmerjena modulacija nevronskih spominskih vzorcev: Posledice za odkrivanje spomina na podlagi FMRI
Mar 19, 2022
Kontakt: Audrey Huaudrey.hu@wecistanche.com
Melina R. Uncapher,1* J. Tyler Boyd-Meredith,1* Tiffany E. Chow,3 Jesse Rissman,3 in X Anthony D. Wagner1,2
1 Oddelek za psihologijo in 2 program nevroznanosti, Univerza Stanford, Stanford, Kalifornija 94305, in 3 Oddelek za psihologijo, Kalifornijska univerza, Los Angeles, Los Angeles, Kalifornija 90095
Spominjanje preteklega dogodka izzove porazdeljene nevronske vzorce, ki jih je mogoče razlikovati od vzorcev, ki se izzovejo ob srečanju z novimi informacijami. Te različne vzorce je mogoče dekodirati z relativno visoko diagnostično natančnostjo za posamezne spomine z uporabo analize vzorcev z več voksli (MVPA) podatkov fMRI. Zaznavanje spomina na podlagi možganov – če je veljavno in zanesljivo – bi imelo jasno uporabnost zunaj domene kognitivne nevroznanosti, na področju prava, trženja in drugod. Vendar pa je lahko pomemben mejni pogoj za veljavnost dekodiranja pomnilnika uvedba "protiukrepov": strategij, ki se uporabljajo za maskiranje pomnilniških signalov. Tukaj smo preizkusili ranljivost zaznavanja spomina na osnovi fMRI za protiukrepe, pri čemer smo uporabili paradigmo, ki je podobna identifikaciji očividcev. Udeleženci so bili skenirani med izvajanjem dveh nalog na predhodno preučevanih in novih obrazih: (1) standardna naloga spomina prepoznavanja; in (2) nalogo, pri kateri so poskušali prikriti svoje pravo spominsko stanje. Univariatne analize so pokazale, da so udeleženci lahko strateško modulirali živčne odzive, povprečje med preskušanji, v regijah, vpletenih v priklic spomina, vključno s hipokampusom in kotnim vijugom. Poleg tega so regije, povezane s ciljno usmerjenimi premiki pozornosti in zamenjavo misli, podpirale prikrivanje spomina, tiste, povezane z ustvarjanjem spomina, pa so podpirale prikrivanje novosti. Kritično, medtem ko je MVPA omogočil zanesljivo klasifikacijo stanj spomina, ko so udeleženci poročali o spominu resnično, je bila zmožnost dekodiranja spomina na posameznih poskusih ogrožena, celo obrnjena, med poskusi prikrivanja spomina. Te ugotovitve skupaj kažejo, da je mogoče strateške cilje Tate uporabiti za prikrivanje nevronskih vzorcev, povezanih s spominom, in tehnologijo za dekodiranje spomina, s čimer se postavi pomemben mejni pogoj za njihovo uporabnost v resničnem svetu.
Ključne besede: protiukrepi; epizodno iskanje; funkcionalna MRI; nevrozakon; klasifikacija vzorcev
Cistanche lahko izboljša spomin
Uvod
Vse več dokazov kaže, da je mogoče dekodirati prisotnost ali odsotnost spomina na dražljaj ali dogodek iz porazdeljenih vzorcev aktivnosti človeških možganov, merjeno s funkcionalno MRI (fMRI) in multivokselsko analizo vzorcev (MVPA; Johnson et al., 2009; McDuff et al., 2009; Chadwick et al., 2010; Quamme et al., 2010; Rissman et al., 2010; Polyn et al., 2012; Poppenk in Norman, 2012; Rissman in Wagner, 2012). Hitro nastajajoča literatura o dekodiranju spomina na podlagi fMRI ne le informira nevrokognitivne teorije spomina, ampak ima tudi posledice za pravo, trženje in drugod (Meegan, 2008). Na primer, zanesljiva in potrjena metoda za odkrivanje spomina bi lahko izboljšala forenzične sposobnosti kazenskopravnega sistema, da ugotovi, ali osumljenec pozna informacije, pomembne za kaznivo dejanje (Greely, 2011) ali ali očividec prepozna kritični dogodek element. Glede na visoko diagnostično natančnost, opaženo v nekaterih študijah dekodiranja spomina na podlagi fMRI (do 70–90 odstotkov; Rissman et al., 2010), je morda skušnjava sklepati, da so ti pristopi forenzično koristni za odkrivanje posameznikovih spominskih stanj in morda tudi njihovo izkustveno zgodovino z informacijami o dogodkih.
Vendar pa so tehnike zaznavanja spomina, ki temeljijo na fMRI, še vedno v razvoju, pred določitvijo njihove primernosti za uporabo na terenu pa je še veliko pomembnih izzivov (Brown in Murphy, 2010; Verschuere et al., 2011). Eno najpomembnejših odprtih vprašanj je, ali je dekodiranje pomnilnika ranljivo za "protiukrepe": strategije, ki se uporabljajo za maskiranje mem ali signalov in teste zaznavanja "bitkov" (Farah et al., 2014). Rissman et al. (2010) so poročali o posrednih dokazih, ki kažejo na ranljivost za strateška ciljna stanja, ker je bila zmožnost zaznavanja predhodno naletenih novih obrazov zmanjšana na skoraj naključje, ko je bil spomin udeležencev implicitno in ne eksplicitno preizkušen. Vendar pa drugi podatki kažejo, da pomanjkanje pozornosti posameznikovemu mnemoničnemu stanju morda ne bo vedno preprečilo klasifikacije spomina. Na primer, Kuhletal. (2013) je uspelo dekodirati podrobnosti spomina, tudi če udeležencem ni bilo naročeno, naj te podrobnosti pridobijo. Te ugotovitve skupaj razkrivajo potrebo po prepoznavanju pogojev, pod katerimi strateška ciljna stanja spreminjajo vzorce živčnega spomina: zlasti ali lahko udeleženci namerno prikrijejo svoja spominska stanja z uporabo protiukrepov, ki se zdijo kooperativni? Reševanje tega vprašanja ne vpliva le na razmejitev mejnih pogojev metod fMRI za odkrivanje spomina, temveč tudi na razumevanje dinamike ciljno usmerjenih procesov iskanja.
Tukaj smo raziskali situacijo, ki je podobna identifikaciji očividca, in zahtevali protiukrepe, ki bi bili videti kooperativni pri testu identifikacije očividca. Udeleženci so si ogledali vrsto obrazov in njihov spomin na te obraze so nato preiskali na enega od dveh načinov med izvajanjem fMRI. V prvem preizkusu so udeleženci sprejeli eksplicitne odločitve o prepoznavanju predhodno srečanih in novih obrazov. V drugem testu so udeleženci poskušali prikriti svoj spomin na obraze, ki so jih prej srečali, in se pretvarjati v spomin na nove obraze. Z uporabo eksplicitnih spominskih podatkov smo usposobili klasifikatorje za razlikovanje vzorcev dejavnosti, povezanih s subjektivnimi izkušnjami prepoznavanja in novosti. Nato smo preizkusili, ali lahko klasifikatorji dekodirajo spominska stanja udeležencev, ko so se vključili v protiukrepe.
Materiali in metode
Udeleženci. Štiriindvajset zdravih desničarjev je bilo izbranih z univerze Stanford in okoliških skupnosti. Udeleženci so bili stari 18–31 let, s povprečno starostjo SD23 4.29 let, so bili materni govorci angleščine, brez anamneze nevroloških zapletov in so bili bodisi Afroameričani (AA; n 8) ali Evropejci (EA; n 16) glede na samoprijaviti. Udeleženci so dali pisno informirano soglasje v skladu s postopki Institucionalnega nadzornega odbora univerze Stanford in pregledali so združljivost s fMRI.
Eksperimentirajte. Poskus je vključeval dve seji skeniranja, ki sta bili izvedeni v razmaku 24 ur in sta v obeh sejah skeniranja trajali približno 5 ur. Vsak udeleženec je prejel 2 0 USD nadomestila za vsako uro sodelovanja. Podatki dveh dodatnih udeležencev so bili zbrani, vendar izpuščeni iz naslednjih analiz zaradi neustreznega ali nepopolnega delovanja: eden je bil izpuščen, ker je bil d naključno (0,08), drugi pa zato, ker se je udeleženec umaknil iz skeniranja, preden je dokončal poskus.
Dražljaji. Obrazni dražljaji so bili sestavljeni iz 400 barvnih fotografij moških obrazov, od katerih je bila polovica AA in polovica EA (podatki o učinkih dirke bodo objavljeni ločeno). Obrazni dražljaji so bili standardizirani za nevtralen izraz obraza in osvetlitev ozadja ter so vključevali samo glavo in vrat. Dražljaji so bili predstavljeni na sivem ozadju s črnim osrednjim fiksacijskim križcem. Za vsakega udeleženca so bili obrazni dražljaji razdeljeni na dva vzorca z uporabo stratificiranega naključnega vzorčenja glede na raso, da se določijo dražljaji, ki naj bodo predstavljeni med fazo kodiranja (STARE postavke; 100AA, 100EA) ali da služijo kot elementi folije pri pridobivanju (NEWitems; 100AA, 100 EA). ).
1. dan: kodiranje. Udeleženci so bili skenirani, medtem ko so namerno kodirali 200 moških obrazov (100 obrazov AA in 100 obrazov EA). Vsak obraz je bil predstavljen 2 s, z 8 s interstimulusnim intervalom (ISI) za skupno 10 s na poskus. Vsak obraz je bil prikazan dvakrat med potekom faze kodiranja: po predstavitvi celotnega niza 200 dražljajev so bili isti obrazi ponovno predstavljeni v drugačnem vrstnem redu. Udeleženci so dobili podrobno strategijo kodiranja za zapomnitev dražljajev, pri čemer so jim naročili, naj ustvarijo domiselne zgodbe, ki vključujejo posameznike, prikazane v dražljajih. Da bi potrdili, da udeleženci upoštevajo dražljaje in se ukvarjajo z nalogo, jim je bilo naročeno, naj pritisnejo gumb desnega kazalca na odzivnem polju, potem ko se pojavi vsak obraz. Dražljaji so bili predstavljeni v osmih potekih, s 50 obrazi na potek. Prve štiri izvedbe so bile sestavljene iz prve predstavitve študijskih dražljajev, druge štiri izvedbe pa so bile sestavljene iz druge predstavitve študijskih dražljajev. Na koncu vsakega teka (tako za 1. dan kot za 2. dan) so bili udeleženci spodbujeni, da si vzamejo poljubno dolg odmor, ki so ga sami prekinili s pritiskom na gumb. Odmori so bili med udeleženci med 10 in 55 s.
Natančneje, za obraze, za katere se je mislilo, da jih je treba predhodno preučiti, je bilo udeležencem naročeno, naj pokažejo "nov" odziv in hitro preklopijo na kognitivno strategijo za prikrivanje nevronskih korelatov njihovega prepoznavanja: prosili so jih, naj se osredotočijo na tehnične in/ali fotografske vidike. dražljaja, na katerega prej niso bili pozorni, kot so osvetlitev, osvetlitev, robovi črt itd. Tu je bilo poudarjeno, da je računalniški algoritem dovolj občutljiv, da zajame spominske signale in da po ugotovitvi, da gre za proučevano obraza, bi morali – po svojih najboljših močeh – poskušati preprečiti, da bi spomin na obraz prišel na misel, tako da se posvetijo zaznavnim vidikom fotografij. Nasprotno pa je bilo udeležencem za dražljaje, za katere se je zdelo, da niso raziskani, naročeno, naj pokažejo "star" odziv in uporabijo kognitivne strategije, da izvabijo nevronske korelate priklica, tj. prikličejo v misli znanega posameznika, ki je bil podoben obrazu, in podoživijo vse povezane spomine. s posameznikom. Ponovno je bilo poudarjeno, da je računalniški algoritem dovolj občutljiv za zaznavanje signalov novosti, zato bi morali hitro preklopiti na ustvarjanje spominov za obraz, za katerega so ugotovili, da je nov. Za stare in nove obraze je bilo udeležencem naročeno, naj uporabljajo ustrezno kognitivno strategijo za celotno trajanje preskušanja (10 s). Eksperimentatorji so potrdili, da so vsi udeleženci razumeli nalogo prikritega spomina, preden so nadaljevali s poskusom.
Univariatne fMRI analize. Statistično parametrično preslikavo (SPM8; Wellcome Department of Cognitive Neurology, London, Združeno kraljestvo; http://www.fil.ion.ucl.ac.uk/spm/software/spm8), zagnano v MATLAB 7.7 (R2008b; MathWorks), je bilo uporablja se tako za predhodno obdelavo podatkov kot za univariatno analizo.
Za podatke so bili uporabljeni standardni postopki predhodne obdelave. Vse funkcionalne količine so bile popravljene glede na čas rezine, da se upoštevajo časovne razlike med rezinami, pri čemer je bila srednja rezina v času uporabljena kot referenca. Vsi funkcionalni volumni so bili popravljeni glede na gibanje in prostorsko naravnani na prvi volumen, čemur je sledila nastavitev na povprečni volumen seje. T2-uteženi anatomski volumen iz seje 2. dne (pridobivanje) je bil soregistriran s povprečnim funkcionalnim volumnom, T1- uteženi anatomski volumen je bil nato soregistriran s tem soregistriranim T2-uteženim volumnom , nato pa je bil T1-uteženi volumen segmentiran na sivo snov, belo snov in cerebrospinalno tekočino, pri čemer so nastale slike normalizirane na predloge v prostoru Montrealskega nevrološkega inštituta (MNI). Funkcionalni volumni so bili normalizirani v standardni prostor na podlagi transformacijskih parametrov, pridobljenih med segmentacijo, in ponovno vzorčeni v 4 mm 3 voksele. Vse slike so bile nato prostorsko zglajene z Gaussovim jedrom polne širine 8 mm (FWHM).
Za vse klasifikacijske sheme je bilo poskusno štetje uravnoteženo med razredi (z naključnim podvzorčenjem) v zabojih za usposabljanje in testiranje pred razvrščanjem, da se zagotovi 50 odstotna točnost klasifikacije teoretične ničelne hipoteze in površina pod krivuljo (AUC; glej spodaj) 0,50; analize s premešanimi oznakami razredov so potrdile, da se zmogljivost naključne klasifikacije zbližuje okoli teh ravni ("ničelna porazdelitev"). Po uravnoteženju so bili podatki iz vsakega voksla ponovno ocenjeni z, tako da je bila povprečna raven aktivnosti vsakega voksla za preskuse razreda A inverzna njegovi povprečni ravni aktivnosti za preskuse razreda B. Za vsako analizo je bil celoten postopek razvrščanja izveden 10-krat, da bi dobili stabilne ocene uspešnosti (neodvisne analize so potrdile, da je 10 iteracij zadostovalo za pridobitev stabilnih ocen uspešnosti).
Za vse postopke razvrščanja je bila uporabljena regularna logistična regresija (RLR). Rissman et al. je to že prej določil kot ugodno izbiro v tej klasifikacijski paradigmi. (2010). Ta algoritem je implementiral večrazredno logistično regresijsko funkcijo z uporabo softmax transformacije linearnih kombinacij značilnosti (Bishop, 2006) z dodatnim grebenskim kazenskim členom kot Gaussovim pred utežmi značilnosti. Ta kazenski izraz je zagotovil L2 ureditev, ki uveljavlja majhne uteži. Med usposabljanjem klasifikatorja se je algoritem RLR naučil nabora uteži značilnosti, ki je maksimiziral log-verjetnost podatkov; uteži funkcij so bile inicializirane na nič, optimizacija pa je bila izvedena s funkcijo minimizacije konjugiranega gradienta Carla Rasmussena (http://www.gatsby.ucl.ac.uk/Edward/code/minimize/) z uporabo gradienta log-verjetnosti v kombinaciji z kazen L2.
Kazen L2 je bila nastavljena tako, da je polovica aditivnega obratnega parametra, ki ga je določil uporabnik, pomnoženega s kvadratom norme L2 vektorja teže za vsak razred, dodanega razredom. Odločili smo se, da ta prosti parameter nastavimo na fiksno vrednost 10 za vse analize, navedene v tej študiji.
Ocenjevanje učinkovitosti klasifikatorja. Po prilagoditvi parametrov modela RLR z uporabo podatkov niza za usposabljanje je bil vsak vzorec možganske aktivnosti (tj. poskus) iz testnega niza nato vnesen v model in dal oceno verjetnosti, da je ta primer iz razreda A ali B (po konstrukciji ti dve vrednosti sta vedno vsota ena). Te vrednosti verjetnosti so bile združene med vsemi zgibi testiranja navzkrižne validacije in nato razvrščene. Resnična pozitivna (zadeta) stopnja in lažno pozitivna (FA) stopnja klasifikatorja sta bili izračunani pri 80 fiksnih mejnih vrednostih vzdolž verjetnostnega kontinuuma za ustvarjanje krivulj obratovalnih karakteristik (ROC) sprejemnika. Vrednosti AUC, povezane s temi krivuljami, so bile izračunane, kot je opisal Fawcett (2004), in jih je mogoče formalno interpretirati kot verjetnost, da ima naključno izbrani član enega razreda manjšo ocenjeno verjetnost, da pripada drugemu razredu kot ima naključno izbranega člana drugega razreda. Povedano drugače, AUC indeksira povprečno natančnost, s katero bi lahko naključno izbrani par preskusov razreda A in razreda B dodelili njihovemu pravilnemu razredu (0,5 je naključna uspešnost; 1,0 je popolna uspešnost). Če je posameznikov cilj visoka specifičnost pri označevanju primerov razreda A in ni pripravljen tolerirati številnih lažno pozitivnih rezultatov, lahko izpraša najbolj samozavestna ugibanja klasifikatorja. Tu smo poljubno določili ta prag kot prvih 10 odstotkov ugibanj o klasifikaciji. Upoštevajte, da pri poročanju o najbolj zanesljivih preskusih klasifikatorjev poročamo o natančnosti in ne o vrednostih AUC.
Zemljevidi pomembnosti. Za vsako klasifikacijsko shemo so bili izdelani zemljevidi pomembnosti po postopku, opisanem v prejšnjih študijah MVPA (Johnson et al., 20{{10}}9; McDuff et al., 2{{16 }}09). Vrednost pomembnosti voksela zagotavlja indeks, koliko povečanje ali zmanjšanje njegovega signala vpliva na napovedi klasifikatorja. Po usposabljanju postopek razvrščanja logistične regresije prinese niz vrednosti uteži, ki odražajo napovedno vrednost vsakega voksla (s pozitivnimi vrednostmi, ki kažejo, da so povečanja aktivnosti na splošno povezana z izidom razreda A, in negativnimi vrednostmi, ki kažejo, da so povečanja aktivnosti na splošno povezana z rezultatom razreda A). Te uteži so bile nato pomnožene s povprečno stopnjo aktivnosti vsakega voksela za preskuse razreda A (ki je zaradi našega postopka uravnoteženja poskusov in postopka z-točkovanja aditivni inverz povprečne stopnje aktivnosti za preskuse razreda B). Vokslom s pozitivnimi vrednostmi za aktivnost in težo so bile dodeljene pozitivne vrednosti pomembnosti, vokslom z negativno aktivnostjo in težo so bile dodeljene negativne vrednosti pomembnosti, vokslom, pri katerih sta imela aktivnost in teža nasprotna predznaka, pa so bile dodeljene vrednosti pomembnosti nič (Johnson et al., 2009; McDuff et al., 2009). Zbirni zemljevidi na ravni skupine so bili ustvarjeni s povprečenjem zemljevidov pomembnosti posameznih udeležencev in so prikazani na slikah pri poljubnih pragovih: 3D-upodobljeni zemljevidi s pragom med 0,02 in 0,5 in 2D-upodobljeni zemljevidi med 0,05 in 0,5 (glej sliko 4) oz. med 0,15 in 0,5 (glej sliko 7). Kot zadnja opomba, čeprav so zemljevidi pomembnosti uporabno orodje za ocenjevanje, katere voksele je uporabil klasifikator, teh zemljevidov ne bi smeli razlagati kot zagotavljanje izčrpne ocene o tem, kateri vokseli so posamično informativni o razlikovanju, ki nas zanima.
Analize žarometov. Zemljevidi pomembnosti razkrivajo, kateri vokseli zagotavljajo diagnostične informacije klasifikatorjem celih možganov. Vendar ne razkrivajo, ali je mogoče podatke iz posameznih anatomskih regij uporabiti samostojno za razlikovanje zadetkov od CR. Izvedli smo analize žarometov, da bi zagotovili lokalno natančnost dekodiranja (Kriegeskorte et al., 2006) v možganih. Posebej zanimivo je bilo, ali so regije, v katerih je bil povprečni signal, odvisen od ravni kisika v krvi (BOLD; univariaten), znatno moduliran s protiukrepi (glej sliko 2A), prav tako omogočile natančnost dekodiranja od poskusov do poskusov, ki se je znatno oddaljila od naključja. Izvedli smo kritično razvrstitev (eksplicitni ¡ prikriti zadetki v primerjavi s CR) na lokalnih sferičnih maskah, osredotočenih posamezno na vsak voksel v maski celih možganov (brez vokslov v motorični skorji in malih možganih). Vsaka sferična maska je vsebovala kateri koli voksel, ki se je dotaknil roba osrednjega voksela; tako so nastale krogle vsebovale 19 vokslov, razen ko je krogla segala čez masko celih možganov. Da bi ugotovili, ali se je lokalna natančnost dekodiranja razvila v celotnem preskušanju (kot bi pričakovali, če bi se udeleženci najprej posvetili spominskim signalom in nato poskušali prikriti takšne signale), smo te žaromete izvedli ločeno za vsakega od šestih TR.
Ocenili smo pomembnost v vsaki od naših žarometnih sfer kot v predhodnih analizah dekodiranja: AUC so bile najprej izračunane za 10 iteracije klasifikacije, nato pa je bila ničelna porazdelitev simulirana z izračunom 10 dodatnih ponovitev klasifikacije z uporabo kodiranih regresorjev. Ustvarili smo zemljevide t na ravni skupine, ki prikazujejo sfere, ki so zanesljivo razlikovale zadetke od CR-jev, tako da smo izvedli seznanjeni t-test povprečne kodirane vrednosti v primerjavi z nekodirano vrednostjo AUC vsakega udeleženca pri vsakem vokslu v vseh 10 ponovitvah. Ti zemljevidi so bili omejeni na p 0,05 (popravljeno) z uporabo praga velikosti grozda, izpeljanega iz simulacij Monte Carlo (Xiong et al., 1995), kot je bilo izvedeno v programu AFNI (Automated Functional Neuro-Imaging) 3dClustSim. Gladkost Monteja
Carlo simulacija je bila ocenjena ločeno za vsakega udeleženca in vsako časovno točko z uporabo programa AFNI 3dFWHMx iz povprečnih vrednosti AUC, doseženih v iteracijah kodirane klasifikacije. Gladkost je bila povprečena med udeleženci in časovnimi točkami, da se izračuna ena sama vrednost gladkosti za vsako dimenzijo. Prag višine vokselov p 0.01 je povzročil velikost grozda 22 vokslov, da se doseže pomembnost na ravni grozda p {{10}}.{{15} }5 (FWE) v dani časovni točki. Za popravek večkratnih primerjav v naših šestčasovnih točkah smo uporabili Bonferronijev popravek, pri čemer smo izračunali prag obsega, ki je potreben za doseganje pomembnosti na ravni grozda p 0,0083 (ali 0,05/6; FWE) pri vsako časovno točko ali p 0,05 (FWE) v prostoru in času. S to metodo smo ugotovili, da je za doseganje pomembnosti na ravni grozda p 0,05 (FWE) v prostoru in šestih časovnih točkah potreben obseg grozda 29 vokslov.
Rezultati
Vedenjska uspešnost
Eksplicitna spominska naloga
Ko so udeleženci resnično poročali o svojih mnemoničnih izkušnjah, ki jih je izzval vsak preskusni obraz, so dosegli povprečno stopnjo zadetkov SD (stopnja, pri kateri so STARE slike natančno ocenjene kot "stare") {{0}}.73 0. 12 in stopnjo FA (stopnja, pri kateri so NOVE slike netočno ocenjene kot "stare") 0.27 0.10, kar ima za posledico povprečje d 1.27 0.56. Povprečni odzivni časi (RT) so bili hitrejši za pravilne odgovore (zadetki, 1.74 0.60 s; CR, 2.10 0.75 s) kot za nepravilne odgovore (FA, 2.{{16). }}.01 s; zgreši: 2.33 0.81 s; t(23) 5.15, p 3.22 10 5). Odzivi na zadetke so bili hitrejši od odzivov CR (t(23) 5,44, p 1.56 10 5).
Primerjava eksplicitnih in prikritih spominskih nalog
Povprečni d je bil bistveno večji v eksplicitnem spominu kot v nalogi prikritega spomina (t(23) 2,99, p 6.6 10 3). Ni bilo razlik v povprečnem RT za noben spominski rezultat (vse vrednosti p 0.05). Vendar je obstajala pomembna interakcija med nalogo in spominom, tako da je bila povprečna razlika v RT za zadetke in CR-je večja v eksplicitnem spominu kot v prikriti spominski nalogi (t(23) 6.25, p 2.22 10 6). Ta diferencialni učinek spomina na RT kot funkcija naloge lahko izhaja iz razlike v d med eksplicitnimi in prikritimi pogoji spomina in je verjetno posledica narave dvojne naloge stanja prikritega spomina: udeleženci so morali najprej določiti ali so bili obrazi stari ali novi in nato hitro preklopijo na strategijo prikrivanja spomina/novosti, hkrati pa obrnejo svoje motorične odzive.
Univariatne fMRI analize
Najprej smo raziskali vprašanje, ali bi se udeleženci lahko vključili v strateške protiukrepe za modulacijo s spominom povezanih BOLD signalov med preskušanji (tj. univariatni odzivi fMRI). Da bi to naredili, smo identificirali "učinke uspeha spomina" (zadetkov CR) za vsako nalogo posebej in nato ugotovili, kje so bili učinki uspeha spomina pogosti med nalogami, pa tudi, kje so bili modulirani glede na nalogo. Nato smo raziskali, ali je na zmožnost moduliranja učinkov spominskega uspeha vplivala moč spomina.
Pogosti učinki uspeha spomina
Glede na to, da so morali udeleženci pri obeh nalogah ugotoviti, ali je obraz star ali nov, smo nato skušali ugotoviti, ali obstajajo regije, ki razlikujejo zadetke od CR v obeh nalogah. Da bi to naredili, smo vključujoče prikrili zgoraj navedene kontraste uspešnosti spomina (pri p {{0}}.01 vsakega, da bi dobili skupni prag p 0,001). Rezultat tega postopka maskiranja je pokazal učinke v levem IPS in levem VTC (slika 1C).
manj verjetno, da bi prikazal obrnjene učinke uspeha spomina v levem AnG (r {{0}}.36, str 0.04). Z drugimi besedami, učinki njihovega uspeha v spominu so se ohranili kljub poskusom prikrivanja njihovega spomina. Ta ugotovitev kaže, da so imeli udeleženci z močnejšim spominom večje težave pri moduliranju svoje aktivnosti AnG med skrito nalogo. Zanimivo je, da noben grozd hipokampusa ni pokazal pomembne povezave med močjo spomina in aktivnostjo (desni hipokampus, r0.{{10}}5,p 0.82; levi kampus hipokampusa, r0,22, p 0,29), nakloni korelacije pa so se razlikovali med AnG in desnim hipokampusom (Williams t(21) 2,49, p 0,021) in se rahlo razlikovali za levi hipokampus (Williams t(21) 1,62, p 0,12) . Te ugotovitve skupaj kažejo, da so bili udeleženci z močnejšim spominom manj sposobni izvajati ciljno usmerjen nadzor nad aktivnostjo, povezano s spominom, v levem AnG, vendar se zdi, da to ni tako v bilateralnem hipokampusu.
Multivariatne analize fMRI
Naše osrednje vprašanje je, ali bi uporaba kognitivnih (cilj usmerjenih) strategij protiukrepov omogočila udeležencem, da prikrijejo nevronske vzorce, povezane s spominom, in tako vplivajo na zmožnost multivariatnih tehnik, da preberejo njihova spominska stanja za posamezne dogodke. V skladu s tem smo nato ocenili sposobnost klasifikatorjev MVPA za dekodiranje stanja pomnilnika posameznih poskusov iskanja tako, da (1) najprej urimo in testiramo klasifikator na podatkih iz standardne pomnilniške naloge prepoznavanja (eksplicitna pomnilniška naloga) in (2) nato ocenimo, ali je to klasifikator lahko tudi dekodira spomin, ko so udeleženci poskušali prikriti svoja stanja spomina (naloga prikritega spomina). Naš procesni model je predlagal tri alternativne scenarije za testiranje; začnemo z razlago našega modela procesa in nato opišemo vsako hipotezo po vrsti.