Udforskning af informationsflow fra posteromedial cortex under visuospatial arbejdshukommelse: En magnetoencefalografiundersøgelse, del 2

Displayapparat og opsætning. Visuelle stimuli blev præsenteret ved hjælp af MATLAB (version R2014b) og rutiner fra Psychtoolbox (Brainard, 1997; Pelli, 1997; Kleiner et al., 2007).

Visuel stimulation er den ydre information, vi modtager gennem vores øjne, som har en vigtig indflydelse på vores hukommelse. Forskning viser, at visuel stimulation har stor indflydelse på hukommelsen.

For det første kan visuel stimulation forbedre hukommelsesbevarelse og genfinding. Når vi ser et visuelt slående billede eller billede, gemmer vores hjerne det som en mere specifik hukommelse, og det er nemmere at finde, når vi skal hente hukommelsen. Dette inkluderer billeder, der er farvestrålende og unikt formet.

For det andet kan visuel stimulering også forbedre hukommelsens vedholdenhed. Nogle undersøgelser viser, at vi nemmere husker billeder eller billeder end simple ord eller tal. Derfor, når du designer lærings- eller forskningsmaterialer, vil kombination af billeder med tekst hjælpe med at holde hukommelsen.

Endelig kan visuel stimulering også stimulere vores kreativitet og fantasi, hvilket er meget vigtigt for hukommelsen. Når vi kombinerer vores hjerner med visuel input, kan vi skabe nye og unikke minder, der lettere sætter sig fast i vores hjerner og sætter gang i vores fantasi.

Generelt har visuel stimulation stor indflydelse på hukommelsen. Ved at skabe visuelt slående læringsmaterialer eller bruge andre former for visuel stimulering, kan vi hjælpe vores hjerner med at lære og fastholde viden bedre og stimulere vores kreativitet og fantasi. Det kan ses, at vi skal forbedre hukommelsen, og Cistanche deserticola kan forbedre hukommelsen markant, fordi Cistanche deserticola er et traditionelt kinesisk medicinsk materiale, der har mange unikke virkninger, hvoraf den ene er at forbedre hukommelsen. Effektiviteten af ​​hakket kød kommer fra de forskellige aktive ingredienser, det indeholder, herunder syre, polysaccharider, flavonoider osv. Disse ingredienser kan fremme hjernens sundhed på forskellige måder.

Klik på kend kosttilskud for at øge hukommelsen

Under MEG-sessioner blev stimuli projiceret gennem et tilpasset vindue af et InFocus IN5108 LCD-bagprojektionssystem (InFocus) placeret uden for Faraday-skjoldet på en skærm placeret over deltageren med en visningsbredde på 12 graders synsvinkel. Deltagerne, der lå på ryggen, så skærmen fra 113 cm.

Til det psykofysiske eksperiment blev stimuli vist på en DellOptiPlex 9010 stationær computer, der kørte et AMD Radeon HD 7570-grafikkort for at trække stimuli til en 60 33 cm Samsung SyncMasterSA950 Full HD 3D LED-skærm, opdateret ved 120 Hz. Eksperimenter fandt sted i et mørkt rum, og deltagerne blev siddende og betragtede skærmen fra en afstand af 64 cm.

Visuelle stimuli og opgave. Under de psykofysiske og MEG-sessioner gennemførte deltagerne en visuospatial arbejdshukommelsesopgave. Webbaserede opgaven og stimuli på en arbejdshukommelsesudfordringsopgave, der blev brugt tidligere (Kochan et al., 2010, 2011).

Til vores opgave brugte vi 8 af de abstrakte mønsterbilleder, der blev brugt i tidligere arbejde (fig. 1A). Hver indkodnings- og genfindingsstimulus omfattede et af disse 8 billeder på en af ​​9 steder (fig. 1B).

Hvert billede var en firkantet, 2,5 graders synsvinkel i diameter, og hver af de 9 placeringer var centreret på en position 4 graders visuel vinkel fra midten af ​​skærmen. Et mørkegrå kors (se fig. 1, bredde 1 grad) var altid til stede i midten af ​​skærmen. Alle billeder blev præsenteret på en baggrund af gennemsnitlig grå.

Hvert forsøg fulgte sekvensen illustreret i figur 1C. Under indkodning blev fire stimuli præsenteret sekventielt med samme varighed. Kodningsstimulierne var altid fire forskellige billeder på fire forskellige steder, og deltageren skulle huske disse fire konjunktioner af billedidentitet og placering.

Efter indkodningsstimulierne blev dynamisk hvid støj præsenteret i 800 ms (vedligeholdelsesperioden): støjmønsteret var 20 % kontrast, centreret på meangray, opdateret ved 120 Hz.

Vi inkluderede dynamisk støj under vedligeholdelse for at reducere eventuelle visuelle efterbilleder forårsaget af kodningsstimuli. Efter vedligeholdelsesperioden blev en genfindingsstimulus præsenteret, og deltagerne angav, om genfindingsstimulus var inkluderet i kodningsstimulussættet for det pågældende forsøg.

Efter deres svar (via knaptryk) modtog deltagerne feedback: fikseringskrydset skiftede til grønt, hvis det var korrekt, og rødt, hvis det var forkert.

Efter 200 ms feedback vendte fikseringskrydset tilbage til mørkegrå, og efter et variabelt intertrialinterval på 300-800 ms (tilfældigt varieret på tværs af forsøg), begyndte det næste forsøg. Knapperne, der blev brugt til at reagere på mål til stede/fraværende, blev byttet om hver blok.

Deltagerne udførte opgaven i blokke af 72 forsøg. For at hjælpe med klassificeringsanalysen baseret på MEG-signaler (nedenfor) blev de anvendte stimuli til hver kodende stimulus fuldstændig modvægtet inden for hver blok.

De 8 billeder på 9 steder gav 72 unikke stimuli, og for hver blok af forsøg blev disse 72 stimuli brugt én gang hver som den første, anden, tredje og fjerde kodende stimuli.

Sæt af kodende stimuli blev valgt, så de altid indeholdt fire forskellige billeder på fire forskellige steder, uden gentagne billeder eller lokationer. Vi præallokerede halvdelen af ​​disse forsøg, tilfældigt udvalgte, til at være "mål til stede" forsøg, og resten til at være "mål fraværende" forsøg.

For hvert forsøg valgte vi en genfindingsstimulus i henhold til, om den blev udpeget som et "måltilstedeværende" forsøg (hentningsstimulus var en af ​​kodningsstimulierne) eller et "målfraværende" forsøg (hentningsstimulus var ikke inkluderet under kodning).

I modsætning til de kodende stimuli indeholdt genfindingsstimuli ikke nødvendigvis hver af de 72 unikke stimuli på hver blok, men alle billeder og placeringer blev brugt lige mange gange på tværs af blokken.

Vi brugte den indledende psykofysiske session til både at træne deltagerne i opgaven og til at kalibrere opgavens sværhedsgrad efter deres præstation. Under den psykofysiske session varierede varigheden af ​​kodnings- og genfindingsstimuli på tværs af forsøg.

I hvert forsøg havde kodningsstimuli hver den samme varighed, og genfindingsstimulus var dobbelt så lang som denne. På tværs af hver blok blev der brugt et interval på 9 varigheder. Hver deltager gennemførte fire indledende træningsblokke, hvor kodningsvarigheden var 150-400 ms.

Vi brugte hver deltagers adfærd på de første fire træningsblokke til at vælge et mindre varighedsområde for et andet sæt af vores opgaveblokke. Data blev brugt fra dette andet sæt på fire blokke til at estimere varigheden, hvor hver deltager nåede 75 % korrekt opgaveydelse. Prøvedata fra 1 deltager er vist i figur 2A.

For hver deltager tilpasser vi deres data med en sigmoidal funktion (Eq. 1), hvor andelen korrekt (P) varierede med indkodningsvarighed (10) i henhold til en interceptparameter (a, der definerer varigheden, x, hvorp {{2} }.75), en hældningsparameter (b ) og en lapse rate(r) i henhold til følgende:

Vi fandt den bedst passende funktion (vist i rødt i fig. 2A) ved hjælp af MATLAB-funktionen Tlingit. Baseret på disse psykofysiske data valgte vi en enkelt kodende stimulusvarighed for hver deltager til deres MEG-session, med det formål at opnå en samlet præstation på 75 % korrekt.

Dette mål blev valgt for at sikre, at ingen deltager var ved loftet eller gulvet, og for at gøre opgaven tilstrækkeligt udfordrende for hver deltager, da resultaterne af Kochan et al.(2011) tyder på, at PMC er særligt involveret i at kræve udfordringer med visuelt og rumligt arbejdshukommelse.

Under MEG-sessionen gennemførte hver deltager 8 blokke af forsøg med denne enkelte kodende stimulusvarighed og en genfindingsstimulusvarighed på det dobbelte af denne værdi. De varigheder, der bruges for hver deltager, og deres samlede præstation på tværs af MEG-sessionen, er vist i figur 2B.

MEG- og MR-scanningsprotokoller. MEG-data blev indsamlet med et helhovedet MEG-system (model PQ1160R-N2, KIT) ved MacquarieUniversity bestående af 160 koaksiale første-ordensgradiometre med en 50 mm basislinje (Kadoet al., 1999; Uehara et al., 2003).

Før MEG-målinger blev fem markørspoler placeret på deltagerens hoved. Markørpositioner, nasion, venstre og højre præaurikulære punkter og deltagerhovedets form blev registreret med en pen digitizer (Polhemus Fastrack), ved at bruge mindst 2000 punkter.

Hver deltagers MEG-data blev indsamlet i en enkelt session på 90 min. ved en prøveudtagningsfrekvens på 1000 Hz. På hvert forsøg svarede deltagerne ved hjælp af en fiberoptisk responspude (nuværende design).

MR fandt sted på Macquarie University Hospital på et 3TSiemens Verio-system. Vi erhvervede 3D T1--vægtede billeder ved hjælp af en MP-RAGE-sekvens (skivetykkelse 1.0 mm, opløsning 1.0 1.0mm).

MEG-dataanalyse: kilderekonstruktion. De automatiske segmenteringsprocesser fra Freesurfer 6.0 (Dale et al., 1999; Fischl et al.,1999) blev anvendt på hver deltagers strukturelle MR for at definere deres grå/hvide stof og pial/grå stof grænser.

Brainstorm (neuroimage.usc.edu/brainstorm, januar 2019 version) (Tadel et al., 2011) blev brugt til at forbehandle MEG-signalerne og udføre kilderekonstruktion. Vi importerede de anatomiske billeder og Freesurfer-segmentering og definerede hovedmodeller baseret på hver deltagers spiale/grå grænse (kortikal overflade).

Vi justerede MEG-datasæt til hovedmodellen ved at justere anatomien baseret på MRI til de registrerede nasion-, præaurikulære punkter og hovedformdata fra MEG-sessionen. Vi genererede en fremadrettet model for hver af de 8 blokke af forsøg ved at anvende en model med flere sfærer (Huang et al., 1999) på deres kortikale overflade ved den målte hovedplacering under blokken.

MEG-data blev forbehandlet i Brainstorm med notch-filtrering (50, 100 og 150 Hz), efterfulgt af båndpasfiltrering (0,2-200 Hz). Hjerte- og øjeblinkartefakter blev fjernet ved hjælp af signalrumsprojektion: hjerte- og øjenblinkhændelser blev identificeret ved hjælp af standardfiltre i Brainstorm, manuelt verificeret og derefter brugt til at estimere et lille antal basisfunktioner svarende til disse støjkomponenter, som blev fjernet fra optagelserne (Uusitalo og Ilmoniemi, 1997).

Fra disse funktionelle data udtog vi to epoker for hvert forsøg: (1) et mål for basislinjeaktivitet (100 til 1 ms i forhold til begyndelsen af ​​den første kodende stimulus), og (2) den fremkaldte respons (0) –4000 ms). Vi brugte basislinjemålingerne til at estimere støjkovariansen for hver blok og anvendte derefter en minimumsnormkilderekonstruktion på de fremkaldte data.
Til hver kilderekonstruktion brugte vi en 15,000 toppunkts kortikal overflade (standard mesh, med atlasoplysninger importeret fra Freesurfer-segmenteringen). Dipol-orienteringer i kildemodellen var begrænset til at være normal til den kortikale overflade, støjkovariansen blev regulariseret ved hjælp af medianegenværdien, og alle andre muligheder blev sat til deres standardværdier.

ROI'er. Vi definerede fire ROI'er: occipital cortex (OC), centrotemporalcortex (VTC), PMC og PFC, baseret på atlasdata tilpasset hver deltagers anatomi under Freesurfer-segmenteringsprocessen. Vi brugte Destrieux-atlasset fra Freesurfer til at definere vores ROI'er (se Destrieux et al., 2010).

Vores ROI'er inkluderede følgende parcelleringer fra Destrieux et al. (2010, deres tabel 1): OC inkluderede hele OC (indeks 2, 11, 19, 20, 22, 42, 44, 51, 57, 58, 59); VTC inkluderede de inferiortemporale gyri og sulci (indeks 37, 72); PMC inkluderede den midterste-posteriore del af cingulate gyrus og sulcus, precuneus, den marginale gren af ​​cingulate sulcus og subparietal sulcus (indeks 8, 30, 46, 71); og PFC inkluderede hele PFC (indeks 1, 5, 6, 24, 31, 62, 63, 64, 70).

Disse fire ROI'er vises på en ikke-oppustet kortikal overflade i legenden øverst til højre i figur 3 og 4. Alle ROI'er omfattede kontinuerlige dele af den kortikale overflade: de to separate dele af PMC i disse figurlegender blev forbundet i sulcus. For hver ROI udtrak vi MEG-dataene svarende til delmængden af ​​de 15,000 kilder, der var placeret i ROI, og brugte disse datasæt i analysen nedenfor.

Klassifikationsanalyser. For hver ROI udførte vi en række multivariate mønsterklassificeringsanalyser inden for hver 5 ms bin på tværs af forsøgets varighed. Hver klassifikation spurgte, hvor godt kildedataene fra et enkelt ROI i en enkelt tidsbeholder kunne bruges til at skelne mellem forsøg af to klasser: for eksempel forsøg med den første kodningsstimulus på lokation 1 versus lokation 2.

Vi trænede klassifikatorer (lineær støttevektormaskine) til at skelne placeringen og billedet af hver stimulus (fire kodende stimuli 1 1 genfindingsstimulus): for 9 steder var der 36 parvise sammenligninger; og for 8 billeder var der 28 parvise sammenligninger. Til disse klassifikationer oprettede vi "pseudo-forsøg" ved at tage et gennemsnit på tværs af forsøg med den samme værdi på interessedimensionen, men med forskellige værdier på tværs af den anden dimension.

Pseudo-forsøg var altid afbalanceret på tværs af den irrelevante dimension af interesse for den samme stimulus. Ved klassificering af stimulusplacering for den første indkodningsstimulus var hver pseudo-forsøg gennemsnittet af 8 forsøg, hvor den første kodningsstimulus var på samme sted: en afprøvning af hvert stimulusbillede. På samme måde blev pseudo-forsøg til klassificering af stimulusbilleder afbalanceret på tværs af placeringen af ​​denne stimulus.

For at sikre, at vores resultater ikke var afhængige af en bestemt tildeling af forsøg til pseudo-forsøg, beregnede vi 20 sæt pseudo-forsøg for hver parvise klassifikation, opdatering af den tilfældige tildeling af forsøg for hvert sæt og den gennemsnitlige klassifikationsydelse på tværs af disse. I hvert tilfælde trænede vi klassifikatoren på 90 % af dataene og testede dens ydeevne på de tilbageholdte data (10 %) for at undgå cirkularitet.

Vi gentog denne proces 10 gange (10-fold krydsvalidering), så hver partition af pseudo-forsøgene blev inkluderet i test-setonen; så beregnede vi et gennemsnit af klassificeringsydelsen på tværs af disse.

Da varigheden af ​​stimuli varierede på tværs af deltagere (180-320 ms for kodningsstimuli), ved gennemsnittet af klassificeringsnøjagtighed på tværs af deltagere, justerede vi først deres data ved hver stimulusstart, hvilket betyder, at der i figur 3-6 er tidsbakker (skraveret). i grå), hvor gennemsnittet omfatter 11 deltagere. I disse figurer er x-aksen mærket for en 320 ms stimulus.

Statistisk test. For at evaluere, om klassificeringsydelsen var væsentligt over tilfældighederne, brugte vi en kombination af permutationstest og bootstrapping til at generere ikke-parametriske nulfordelinger.

For hver deltager tog vi de originale MEG-forsøgsdata, men blandede tilfældigt forsøgsetiketterne på tværs af forsøg i deltagerens data. Ved at bruge disse blandede etiketdata udførte vi de samme klassifikationsanalyser som for de originale data, inklusive pseudo-forsøg og 10-fold krydsvalidering.

Vi gentog denne proces 10 gange, hvor vi tilfældigt blandede forsøgsetiketten hver gang, hvilket resulterede i 10 estimater af chance-rate klassifikator ydeevne for hver klassifikation på hvert tidspunkt. Da denne proces var beregningsintensiv, gentog vi ikke hele denne proces 10,000 gange, men i stedet brugte vi en Monte Carlo-estimering af fordelingen (Efron og Tibshirani, 1994), idet vi tilfældigt udtog disse 10 estimater (med erstatning) at generere en stikprøve på 10,000 estimater af hver gennemsnitlig ROI for hver deltager.

Vi udførte denne resampling-procedure separat for hver parvis sammenligning, på hvert tidspunkt prøve, så der var forskellige kombinationer af de oprindelige 10 estimater i hvert tilfælde. Dette resulterede i en nulfordeling på 10,000 datasæt, som den observerede klassificeringspræstation kunne sammenlignes med. I resultatfigurerne plotter vi intervallet for de centrale 95 % af nulværdier som en gråtonet regional sammen med de resultater, som de svarer til.

I hvert tilfælde udførte vi alle analyser på nul-datasættene som for de originale data (f.eks. inklusive gennemsnit på tværs af deltagere) og sorterede derefter værdierne separat for hver tidsprøve; ud fra disse definerede vi grænserne for den centrale 95 % som værdien 251. til 9.750.

For at generere p-værdier sammenlignede vi den observerede værdi med den relevante nulfordeling. For eksempel, for at vurdere, om klassificeringspræstation er en over chance (ensidig test), definerede vi p-værdien som andelen af ​​ækvivalente nul-middelværdier, der var over det observerede middelværdi (Maris og Oostenveld, 2007).

For at korrigere for flere sammenligninger på tværs af tidsrum anvendte vi en korrektion af falsk opdagelseshastighed (FDR) af q, 0.05 (Benjamini og Hochberg, 1995) på disse p-værdier. Ud over de ikke-parametriske test baseret på nulfordelingen brugte vi aBayes faktor (BF) analyse: et alternativ til den traditionelle hyppige tilgang (Kass og Raftery, 1995; Morey og Wagenmakers, 2014), der i stigende grad anvendes til MEG-afkodningsundersøgelser (Teichmannet) al., 2021).

En BF sammenligner evidensen for konkurrerende hypoteser; her rapporterer vi, hvor der er moderat (BF . 3) eller stærk (BF . 10) evidens til fordel for den alternative hypotese, eller i det mindste moderat (BF, 1/3) evidens for af nulhypotesen. Vi implementerede alle BF-analyser ved hjælp af en MATLAB-pakke (Krekelberg, 2021).

Informationsflowanalyse (IFA). Fra den parvise klassificering af hver af de 9 steder (36 par) og de 8 billeder (28 par), for hver af 5 stimuli (4 kodende stimuli og genfindingsstimulus), havde vi klassificeringsnøjagtighed over tid for (36 1 28) 5=320 klassifikationer. Inden for 5 forskellige epoker, svarende til tiden fra præsentationen af ​​hver stimulus indtil den tidligste præsentation af den næste stimulus (eller, i tilfælde af genfindingsstimulus, indtil slutningen af ​​forsøgsdataene), brugte vi 64 klassificeringsnøjagtighedsværdierne fra den seneste stimulus som en dissimilaritetsmatrix (DSM) ved hver tidsbeholder.

Vi brugte disse DSM'er til at teste for Granger kausale sammenhænge mellem hvert par af ROI'er (IFA; for denne og lignende analyser, se Ince et al., 2015; Goddard et al., 2016, 2022; Karimi-Rouzbahani, 2018; Kietzmann et al., 2019).

ROI A siges at "Granger forårsager" mønsteret for klassificeringsydelse i et andet ROI (B), hvis fortiden for det første ROI kan bruges til at forudsige den fremtidige ydeevne for det andet ROI bedre end fortiden for det andet ROI alene. udførte en glidende vinduesanalyse af et forenklet (specielt tilfælde) af Granger-kausalitet ved at bruge de partielle korrelationer (Spearman's r) i ligning 2 til at definere informationsstrømmen (IF) fra ROI A til ROI B(IFA.B) for hver tidsbeholder (t).

hvor DSM(loc,t) er DSM baseret på kilderne i ROI loc på tidspunktet t mefter stimulusstart, og DSM(loc,t,d,w) er DSM baseret på kilderne i ROI loc, gennemsnittet over alle tidsfelter fra td ms til t-(d 1 w) ms efter stimulusstart. Vi beregnede FF og FB for 30 overlappende vinduer: for 5 vinduesbredder (w= 10, 20, 30, 40 eller 50 ms) for hver af 6 forsinkelser (d=50, 60, 70, 80 , 90 eller 100). Som i tidligere arbejde (Goddard et al., 2022), da resultaterne stort set var ens på tværs af værdierne af w og d, blev IFA.B-værdierne i værdier i gennemsnit på tværs af alle værdier af w og d.

Ud over at rapportere IFA.B og IFB. For hvert par af ROI'er, skal du rapportere forskellen mellem disse, som vist i ligning 3, for at vurdere de tidspunkter, hvor informationsstrømmen mellem ROI A og ROI B domineres af den ene retning frem for den anden.

For at vurdere, om hver informationsstrøm var signifikant .0, og om hver forskel var signifikant forskellig fra nul, blev informationsstrømsanalyserne gentaget på hvert af de 10,000 datasæt, der blev genereret ved at blande prøveetiketter (beskrevet ovenfor) .

For hvert par af ROI'er genererede dette nulfordelinger af informationsflow (IF) og forskelle (Diff), som de observerede værdier kunne sammenlignes med. Vi brugte disse til at definere de centrale 95% af nulfordelingen på en analog metode til den ovenfor beskrevne for klassificeringsydelse. Tilsvarende opnåede vi også p-værdier fra disse nulfordelinger: for IF spurgte vi, om den observerede værdi var større end nul (ensidig test, som ovenfor); og for Diff spurgte vi, om den absolutte værdi af den observerede forskel var større i amplitude end den absolutte værdi af nulfordelingen, idet vi definerede p-værdien som andelen af ​​nulværdier med større absolut værdi end den observerede (tosidet test).

Som før anvendte vi en FDR-korrektion på q, 0.05 på disse p-værdier for at korrigere for flere sammenligninger på tværs af tidspunkter. For at supplere disse analyser udførte vi en BF-analyse som et indeks for den relative styrke af de observerede effekter.

For more information:1950477648nn@gmail.com