Pārsteiguma piedzīvošana: tā ietekmes uz atmiņu temporālā dinamika 2. daļa

Statistiskā analīze

Lai novērtētu gaidu modulētu dinamisko kodējumu, mēs salīdzinājām objektu kopas (ābolus, šķēres utt.). Katrā komplektā bija četri iestatītie notikumi (mērķis; F1, vislīdzīgākais; F2, vidēja līdzība; un F3, vismazāk līdzīgs), katrs ar nejauši piešķirtu (1) paredzamo nosacījumu, (2) prezentācijas pozīciju komplektā un (3) ) prezentācijas secība izguves laikā (1–312 izmēģinājumi).

Cilvēka atmiņa ir pārsteidzoša. Izmantojot pieredzi, mācības un apmācību, mēs varam ievērojami uzlabot savas atmiņas spējas. Ikdienas dzīvē mums bieži ir jāatceras dažāda informācija, piemēram, tālruņu numuri, dzimšanas dienas, vārdi, paroles utt. Tam visam ir nepieciešama atmiņa.

Taču, ja atcerēsimies pārāk daudz lietu vai tās nav uzrādītas pareizajā secībā, tad mums būs grūtības vai pat atteiksies atcerēties. Tā ir saikne starp prezentācijas secību un atmiņu.

Pareiza prezentācijas secība var palīdzēt mums labāk atcerēties informāciju. Piemēram, ja vēlamies atcerēties skaitļu virkni, mēs varam mēģināt tos sakārtot pēc noteikta parauga, piemēram, augošā vai dilstošā secībā, pāru kombinācijas utt. Šīs metodes var palīdzēt mums padarīt informāciju vieglāk saprotamu un iegaumējamu.

Apgūstot jaunas zināšanas, ļoti svarīga ir arī prezentācijas kārtība. Mēs apgūstam jaunas lietas efektīvāk, ja jaunas zināšanas sadalām mazākos gabalos un pakāpeniski palielināsim grūtības. Šo metodi sauc par "novērtētiem uzdevumiem", kas var palīdzēt mums ātri apgūt jaunas zināšanas un ir mazāka iespēja tikt izlaista vai sajaukta.

Ikdienā mēs varam arī izmantot pareizo prezentācijas secību, lai uzlabotu atmiņu. Ģimenes kalendāri, piezīmes un saraksti var palīdzēt mums labāk organizēt savu dzīvi, lai mēs vairs neaizmirstu svarīgas lietas vai nenokavētu termiņus.

Īsāk sakot, pareiza prezentācijas secība var ievērojami uzlabot mūsu atmiņas spējas. Pareizi sakārtojot un analizējot, mēs varam labāk izprast informāciju, atcerēties to un pielietot to savā turpmākajā dzīvē. Izmantosim pareizo prezentācijas secību, lai stimulētu mūsu smadzeņu potenciālu, apgūtu vairāk zināšanu un padarītu mūsu dzīvi pilnvērtīgāku un skaistāku. Var redzēt, ka mums ir jāuzlabo atmiņa, un Cistanche deserticola var būtiski uzlabot atmiņu, jo Cistanche deserticola var regulēt arī neirotransmiteru līdzsvaru, piemēram, palielināt acetilholīna un augšanas faktoru līmeni. Šīs vielas ir ļoti svarīgas atmiņai un mācībām. Turklāt gaļa var arī uzlabot asins plūsmu un veicināt skābekļa piegādi, kas var nodrošināt, ka smadzenes saņem pietiekami daudz barības vielu un enerģijas, tādējādi uzlabojot smadzeņu vitalitāti un izturību.

Noklikšķiniet uz zināt veidus, kā uzlabot smadzeņu darbību

Mēs izmantojām jauktu efektu binārās loģistikas regresijas modeli šiem grupētajiem datiem, izmantojot pašreizējo un iepriekš iestatīto notikumu sagaidāmo statusu un prezentācijas pozīciju izguves laikā kā kovariātu. Modeļi tika aprēķināti, izmantojot lme4 pakotni (Bates et al., 2{). {4}}15) R vidē (R Development Core Team, 2008). Šādu modeļu parametrus var izmantot, lai novērtētu pareizas atbildes došanas varbūtību ("vecais" mērķiem, "jauns" folijām), kā arī ņemtu vērā katra dalībnieka unikālo pārtveršanu (atbildes novirzi). Lai novērtētu katra prognozētāja slīpumu modelī (H0: b=0), mēs izmantojām omnibusu x2 Waldtest (West et al., 2014), kā tas ir ieviests automašīnu paketē (Fox un Weisberg, 2018).

Tālāk norādīto efektu ieguve un attēlošana tika veikta, izmantojot efektu (Fox, 2003), līdzekļu (Searle et al., 1980) un ggplot2 (Wickham, 2009) pakotnes. Lai pārbaudītu uztveres līdzības un gaidāmā stāvokļa dinamisko mijiedarbību, katram noteiktajam notikumam mēs izstrādājām trīs interesējošos modeļus, modelējot katru notikumu atsevišķi kā iepriekšējā notikumu secības funkciju.

Piemēram, mērķi, pirms kuriem ir F1, tika modelēti atsevišķi no mērķiem, pirms kuriem ir F2. Lai novērstu jebkādu ietekmi, ko izraisa atmiņas stipruma atšķirības, mēs šajā modelī iekļāvām tikai tos notikumus, kuriem iepriekšējā atbilde bija pareiza (ti, mērķiem, kas sekoja F1 notikumiem, mēs iekļāvām tikai mērķus, kas sekoja CR1). Līdzīgi rezultāti tika novēroti, iekļaujot modelī visus izmēģinājumus (skatiet GitHub repozitoriju, lai iegūtu kodu, lai palaistu analīzi un ģenerētu attēlus). Tādējādi katrs modelis ietvēra pašreizējo un iepriekšējo notikumu gaidīšanas statusu, kā arī prezentācijas secību izguves un kovariāta laikā. Kods un dati pieejami šeit:https://github.com/frdarya/DynamicExpectation.

2. eksperiments

Dalībnieki

Kopumā 25 dalībnieki (astoņi vīrieši, vecumā no 18 līdz 33 gadiem, vidējais=25, SD=4.2) sniedza informētu piekrišanu un piedalījās pētījumā. Dalībniekiem redze bija normāla vai koriģēta uz normālu, un viņiem nebija neiroloģisku vai psihisku traucējumu anamnēzē. Visas procedūras apstiprināja Mančestras Universitātes Pētniecības ētikas komiteja. Viens dalībnieks tika izslēgts no visām analīzēm, jo ​​noteikumu apguves uzdevuma laikā neizdevās iemācīties iznākuma nejaušību.

Eksperimentālais dizains

Līdzīga paradigma un gaidu manipulācija tika izmantota 2. eksperimentā ar šādiem izņēmumiem: kodēšanas fāzē katrs objekts tika prezentēts trīs reizes pēc kārtas. Katrs objekts bija uz ekrāna 2000 ms, un starp katru prezentāciju bija satricināts fiksācijas krusts (250–750 ms). Pirmajā un otrajā prezentācijā dalībniekiem tika lūgts pieņemt semantisku lēmumu par objektu, vai tas ir mākslīgs vai dabisks, un vai tas, visticamāk, tiks atrasts telpās vai ārpus telpām. Šo jautājumu secība bija nejauša. Trešās prezentācijas laikā dalībniekiem vienmēr tika lūgts rūpīgi izpētīt objektu, koncentrējoties uz detaļām. Pēc trešās prezentācijas bija vēl viens nervozs fiksācijas krusts, uz ilgāku laiku (800–1200 ms), lai izveidotu mini blokus, kas atdala katru objektu.

Noteikumu apguves uzdevums bija identisks tam, kas tika izmantots 1. eksperimentā, izņemot garāku norādes atbildes prezentācijas laiku (3 s 1 s vietā) un trīcošu fiksācijas krustu (250–750 ms) starp katru izmēģinājumu (skatīt paplašināto datu att. 1-1 uzvedības un paplašinātajiem datiem att. 1-2 forfMRI rezultāti no noteikumu mācīšanās uzdevuma). Pirms izguves uzdevuma dalībnieki 2 minūtes risināja aritmētiskos uzdevumus (nav skenēti).

Izguves laikā mēs izmantojām divus folijas līdzības līmeņus (F1 un F2) katrā komplektā, nevis trīs. Lai optimizētu skenera laiku, F3 objekti netika izmantoti, jo tie nedeva nekādus interesējošus efektus eksperimentā1. Katrs izguves izmēģinājums sākās ar nervozētu fiksācijas krustiņu (250–750 ms), kam sekoja norādes prezentācija 1000 ms un pēc tam iestatītais notikums (mērķis, F1 vai F2) 3000 ms. Visos skenētajos uzdevumos mēs izmantojām netiešas bāzes līnijas (fiksācijas krusti 3500 ms kodēšanas un noteikumu apguves uzdevumos, 4500 ms izguves laikā) 30% izmēģinājumu.

Uzvedības statistiskā analīze

Pēc 1. eksperimenta analīzes un rezultātiem mēs sakļāvām mērķus un F1 notikumus un modelējām pareiza lēmuma pieņemšanas varbūtību (trāpījumus un pareizus noraidījumus), pamatojoties uz pašreizējā iestatītā notikuma gaidāmo statusu un iepriekšējā iestatītā notikuma gaidāmo statusu.

1. eksperimentā, lai novērstu atmiņas stipruma sajukumu, tika iekļautas tikai pareizās atbildes (skatiet GitHub repozitoriju, lai iegūtu līdzīgus rezultātus, ieskaitot visus izmēģinājumus, kā arī atsevišķu mērķu un F1 analīzi). F2 foliju labojumi tika modelēti arī kā iepriekšējo notikumu funkcija, kā tas tika darīts 1. eksperimentā.

fMRI iegūšana un statistiskā analīze

MR skenēšana tika veikta ar 3T MRI skeneri (Philips, Achieva). Lai samazinātu kustības skenēšanas laikā, dalībnieka galvas stabilizēšanai tika izmantoti putu ķīļi un mīksti spilventiņi. Vispirms tika savākti T1-svērtie attēli (matricas izmērs: 256 256, 160 šķēles, vokseļa izmērs 1 mm izotropiski), kamēr dalībnieki atpūtās skenerī. Lai savāktu T2* attēlus BOLD signālam, tika izmantota gradienta ehoplanārijas (EPI) secība. Katram tilpumam tika iegūtas 40 šķēles paralēli AC-PC līnijai, kas aptver visas smadzenes (matricas izmērs 80 80, vokseļa izmērs 3 3 3,5 mm3) (TR=2.5s, TE=35 ms) .

Dalībnieki skenerī veica trīs uzdevumus (kodēja 313 sējumus; kārtulu apguve 143 sējumus; izguve534 sējumi) un distraktora uzdevumu, kas netika skenēts. fMRI dati tika iepriekš apstrādāti un analizēti, izmantojot SPM12 (Statistical ParameterMapping, Wellcome Center for Human Neuroimaging, UniversityCollege London ://www.fil.ion.ucl.ac.uk/spm/software/spm12/). Attēli tika no jauna līdzināti vidējam attēlam, izmantojot sešu parametru cietā korpusa transformāciju, pārgriezti, izmantojot sinc interpolāciju, un griezuma laiks tika koriģēts uz vidu. šķēle.

T1 anatomiskie attēli tika reģistrēti atbilstoši vidējam EPI attēlam. Telpiskā normalizācija uz Monreālas Neiroloģiskā institūta (MNI) veidni tika veikta, izmantojot DARTEL rīku komplektu, kas ieviests SPM12 (Ashburner, 2007). Normalizēto EPI datu izlīdzināšanai vienfaktoru analīzēm tika izmantots anizotropais 8 mm FWHM Gausa kodols.

Lai noņemtu zemfrekvences troksni, dati tika filtrēti augstās caurlaidības režīmā, izmantojot robežvērtību 128 s. Divi a priori interesējošie reģioni (ROI), divpusējais hipokamps un vidussmadzeņu ROI, kas ietver tikai tumšo pamatni (SN) un ventrālo daļu. platība (VTA). Hipokampa maska ​​tika ņemta no Hārvarda-Oksfordas anatomiskā atlanta (slieksnis ar 25% varbūtību; Desikan et al., 2006). Vidussmadzeņu maska ​​tika ņemta no vidējo smadzeņu varbūtības atlanta (Murty et al., 2014).

Katra dalībnieka funkcionālie dati no izguves sesijas tika analizēti, izmantojot vispārējo lineāro modeļu (GLM) sistēmu ar notikumu saistītā dizaina ietvaros, modelējot kanoniskās hemodinamiskās reakcijas funkciju. Seši kustības parametri, kas tika iegūti katras sesijas pārkārtošanas laikā, tika izmantoti kā traucējumu regresori. Lai samazinātu atlikušās kustības artefaktus, tika izmantots ArtRepair rīku komplekts (http://cibsr.stanford.edu/tools/human-brain-project/artrepair-software.html), lai katram dalībniekam radītu papildu traucējumus.

Lai noņemtu zemfrekvences troksni (128-scutoff), laikrindas tika filtrētas ar augstu caurlaidību. Ņemot vērā mūsu a priori hipotēzi par iepriekš ieviestajiem ROI (divpusējais hipokamps un SN/VTA), šiem reģioniem tika pieņemta neliela apjoma korekcijas (SVC) pieeja, kas tika koriģēta ar ģimenes kļūdu (FWE) ROI apjomam (sākotnējais klasteru veidošanās slieksnis). p, 0.001).

Lai veiktu pētnieciskāku visu smadzeņu analīzi, tika izmantota neparametriskā permutācija (n=5000) pieeja, lai identificētu nozīmīgas kopas, izmantojot SnPM rīkkopu (https://warwick.ac.uk/fac/sci/statistics/staff). /academic-research/Nichols/software/snpm/). Tika izmantots sākotnējais klasteru veidošanas slieksnis p, 0.005, un tiek ziņots par klasteriem, kas ir nozīmīgi ar neparametrisko p 0,05. Bezsliekšņa grupas līmeņa T-kartes no SPM un SnPM ir pieejamas šeit:https://neurovault.org/collections/TTDMPHLE/.

Lai pārbaudītu mijiedarbības ietekmi starp iepriekšējā notikuma kontekstuālo cerību un pašreizējā notikuma kontekstuālo gaidu, mēs sakļāvām mērķus un F1 un klasificējām tos, pamatojoties uz prezentācijas secību (kas bija pirmā) un to gaidīšanas statusu. F2 notikumi tika modelēti kā atsevišķs nosacījums.

Šajā analīzē mēs salīdzinām pašreizējo vienumu starp pašreizējo un iepriekšējo paredzamo statusu (piemēram, EprevUcurr . EprevEcurr). Ņemot vērā mūsu eksperimentālo plānu, ir četri parametri, kuru mijiedarbību var izpētīt sīkāk: iestatītais notikums (mērķis, F1, F2), kontekstuālais sagaidāmais (gaidāms vai negaidīts), atmiņas atbilde (pareiza vai nepareiza) un prezentācijas secība šajā komplektā (pirmais, otrais). vai pēdējais). Tā rezultātā rodas 36 nosacījumi; tomēr tos nevarēja modelēt kopā, jo lielākajai daļai dalībnieku nebija pietiekami daudz izmēģinājuma tvertņu (n, 7).

Tāpēc mēs izstrādājām trīs atsevišķus modeļus; pirmajā modelī mēs pārbaudījām galveno gaidu ietekmi neatkarīgi no iestatītā notikuma vai atpazīšanas lēmuma. Otrajā modelī mēs pārbaudījām cerību kopas notikumu veiksmīgas atmiņas mijiedarbības, sakļaujot izmēģinājumus visā prezentācijas secībā un modelējot tikai pareizas atbildes katram notikumam (visas nepareizās atbildes tika modelētas kā atsevišķs regresors). Trešajā modelī mēs izpētījām gaidu, iestatītā notikuma un prezentācijas secības mijiedarbību neatkarīgi no atpazīšanas atbildēm.

Rezultāti

Mēs veicām divus eksperimentus, 1. eksperimentā tika pārbaudītas uzvedības reakcijas, un 2. eksperimentā tika izmantota līdzīga paradigma, kamēr tika vākti fMRI dati. Abos eksperimentos mūsu uzvedības uzdevums ietvēra trīs posmus (eksperimentālo dizainu sk. 1. att.): pēc objektu attēlu kodēšanas dalībnieki veica noteikumu apguves uzdevumu, kurā viņi uzzināja nejaušību starp signālu un objekta kategoriju (cilvēks- izgatavots vai dabīgs). Pēc tam izguves laikā tika uzrādītas tās pašas norādes, kam sekoja vecs (mērķis) vai jauns (folija) objekts.

Folijas tika parametriski manipulētas ar līdzīgiem objektiem F1, F2 un F3 dilstošā secībā pēc līdzības ar mērķi. Dalībniekiem tika lūgts pieņemt veco/jauno atpazīšanas lēmumu. Vienā trešdaļā izguves izmēģinājumu tika pārkāpta iepriekš noteiktā norādes un objektu kategorijas neparedzētība. Lai novērtētu gaidu modulētu kodējumu un tā jutīgumu pret uztveres līdzību, mēs izmantojām jauktu efektu loģistisko regresiju, lai modelētu reakciju (pareizu/nepareizu atpazīšanu) uz katru iestatīto notikumu (mērķiem un līdzīgām folijām) kā iepriekšējā notikuma funkciju no šīs kopas (piemēram, , ja vispirms tiek prezentēts F1 un vēlāk atarget, tie tiks atzīmēti F1prev Targetcurr).

Turklāt katrs iestatītais notikums bija saistīts ar paredzamo statusu, ko noteica iepriekšējais norādījums (noteikumus ievērojoši notikumi tika atzīmēti kā paredzami un noteikumu pārkāpumi kā negaidīti). Katrs modelis ietvēra arī mijiedarbību starp pašreizējo un iepriekšējo notikumu gaidīšanas statusu, lai pārbaudītu dinamiskās izmaiņas (piemēram, kā iepriekšējā negaidītā folija ietekmē pašreizējās paredzamā mērķa atpazīšanu; skatīt 1. att. C; sīkāku informāciju skatiet sadaļā Materiāli un metodes).

1. eksperiments

Mērķu atmiņa tiek modulēta ar iepriekšējiem negaidītiem līdzīgiem notikumiem

Mērķiem pēc F1 kopas notikumiem mēs atklājām nozīmīgus F1 gaidīšanas galvenos efektus (b=0.659, X2(1)=4.63, p =0.031. ), kā arī neliela mijiedarbība starp mērķa sagaidāmo un iepriekšējā F1 gaidīšanas statusu (b =0.939, X2(1)=3.65, p=0.056; 2.A att.). Turpmākie kontrasta testi atklāja, ka paredzamie mērķi, visticamāk, tiks atcerēti pēc negaidīta F1, salīdzinot ar paredzēto F1 iestatījuma notikumu (z=2.15, p=0.031). Turklāt, ja iepriekšējais F1 iestatīšanas notikums bija negaidīts, turpmākie paredzamie mērķi, visticamāk, tiks pareizi atcerēties, salīdzinot ar neparedzētiem mērķiem (z=2.37, p=0.017). Pārbaudot mērķus, kas sekoja F2 un F3 kopu notikumiem, mēs nenovērojām nevienu nozīmīgu prognozētāju (visi ps . 0,127).

Pareizu līdzīgu foliju noraidīšanu modulē iepriekšējo mērķu sagaidāmais statuss

F1 notikumiem pēc mērķiem tika konstatēta mijiedarbība starp abu notikumu paredzamo statusu (b=0.79, X2(1)=5.29, p=0.0 21. att. B att. — kontrasti parāda pareizākus F1 notikumu (CR1) noraidīšanas gadījumus paredzamajiem F1 nekā negaidītiem F1 notikumiem pēc neparedzētiem mērķiem (z= 2.65, p= 0).{29}} 08) un nedaudz mazāk kļūdu noraidījumu gadījumā neparedzētam F1, kad iepriekšējais mērķis bija negaidīts, salīdzinot ar laiku, kad tas bija paredzēts (z= 1.95, p= 0.0507; 2. att., vidējais panelis). Visas pārējās ietekmes nebija nozīmīgas (allps . 0,255). Pārbaudot F1 notikumus, kas sekoja F2 un F3 kopu notikumiem, mēs nenovērojām nekādus nozīmīgus prognozētājus (allps . 0,274).

Gaidīšanas secības modulācija samazinās, samazinoties uztveres līdzībai

F2 notikumus neietekmēja iepriekšējie mērķi (visi ps . 0.171), F1s (visi ps . 0.197) vai F3s (visi ps . 0.174) no plkst. tas pats komplekts.

Tāpat atbildes uz F3 notikumiem netika modulētas ar iepriekš iestatītiem notikumiem (mērķi: visi ps . 0.484, F1s: visi ps . 0.148, F2s: visi ps . 0 .321).

Mērķiem un to līdzīgākajām folijām ir līdzīgas cerību secības sekas

Ņemot vērā līdzīgos efektus, kas novēroti mērķiem un F1 notikumiem neatkarīgi, mēs sabrukām abus, lai pārbaudītu, vai šie efekti ir savstarpēji papildinoši (ti, vai pastāv mijiedarbība starp pašreizējo un iepriekšējo gaidāmo statusu; 2. C attēls). Lai gan trāpījumi un pareizie noraidījumi ne vienmēr ir viena un tā paša mnemoniskā procesa produkti, šajā paradigmā tie sniedz iespēju pārbaudīt, kā uztveres slodze (līdzības veidā) mijiedarbojas ar dinamiskām gaidu modulācijām.

Mnemoniskais salīdzinājums starp pašreizējo iestatīto notikumu (mērķis vai F1) un tā iepriekšējo iestatīto notikumu (attiecīgi F1 vai mērķis) veido lielāko slodzi jeb traucējumus kodētajam objektam, dalībniekam pieņemot atpazīšanas lēmumu. Tāpēc, ja tiek iesaistīti uztveres procesi, saskaroties ar negaidītu notikumu, katram iestatītajam notikumam atsevišķi novērotajiem efektiem vajadzētu atkārtot. Mēs atklājām būtisku galveno iepriekšējā notikuma gaidāmā statusa ietekmi (b=0.341, X2(1)=4.9,p=0.027), kā arī nozīmīgu mijiedarbību. starp pašreizējā un iepriekšējo notikumu gaidāmo statusu (b =0.682, X2(1)=6.5, p=0.01).

Turpmākie kontrasta testi atklāja, ka tad, kad iepriekšējais iestatītais notikums bija negaidīts, tika novērotas pareizākas atbildes uz gaidāmajiem notikumiem, salīdzinot ar negaidītiem notikumiem (UprevEcurr . UprevUcurr; z=3.1,p=0.002). UprevUcurr bija skaitliski mazāks nekā EprevUcurr, taču šis efekts nesasniedza statistisku nozīmīgumu (p=0.116). Turklāt bija vairāk pareizu atbilžu uz pašreizējiem gaidāmajiem notikumiem pēc negaidītiem notikumiem, nekā paredzēts (EprevEcurr, UprevEcurr; z {{6). }}.22, p=0.027).

For more information:1950477648nn@gmail.com