التأثيرات المتعددة والقابلة للانفصال للتاريخ الحسي على أداء الذاكرة العاملة الجزء الثاني

اقتناء MEG

تم جلوس المشاركين في ماسح MEG بعد تلقيهم تعليمات حول تفاصيل المهمة. لقد أكملوا كتلة تدريبية واحدة أثناء جلوسهم في الماسح الضوئي قبل بدء تسجيل MEG.

يعد تخطيط الدماغ المغناطيسي (MEG) تقنية حديثة يمكنها تسجيل نشاط الدماغ البشري والإشارات العصبية. وقد تم استخدامه على نطاق واسع في أبحاث علم الأعصاب، وتشخيص وعلاج الأمراض العصبية، وما إلى ذلك. ومن منظور الذاكرة، يمكن أن يساعدنا تخطيط الدماغ المغناطيسي على التعمق في آليات الذاكرة البشرية ووظائف مناطق الدماغ.

باستخدام تخطيط الدماغ المغناطيسي، حقق العلماء بعض الاكتشافات حول الذاكرة. على سبيل المثال، وجدوا مناطق دماغية تشارك في الذاكرة العاملة والذاكرة طويلة المدى، مثل قشرة الفص الجبهي، والفص الصدغي، والحصين. بالإضافة إلى ذلك، يمكن لتصوير الدماغ المغناطيسي الكشف عن التشوهات في نشاط الدماغ المرتبطة باضطرابات الذاكرة، مثل مرض الزهايمر. ولذلك فإن لهذه التكنولوجيا آفاق تطبيق واسعة في تشخيص وعلاج اضطرابات الذاكرة.

بالإضافة إلى وجود إمكانات علاجية كبيرة، يمكن أن يساعد تخطيط الدماغ المغناطيسي أيضًا الأشخاص العاديين على تحسين ذاكرتهم. من خلال فهم كيفية معالجة أدمغتنا للمعلومات وتخزين الذكريات، يمكننا أن نفهم بشكل أفضل كيفية التعلم والتذكر بشكل أكثر فعالية. اكتشف العلماء بعض تقنيات تدريب الذاكرة التي أثبتت جدواها، مثل التكرار والارتباط، والتي يمكن أن تساعدنا في الاحتفاظ بالمعلومات بشكل أفضل.

باختصار، يعد تخطيط الدماغ المغناطيسي تقنية وثيقة الصلة بأبحاث الذاكرة. يمكنه إجراء استكشاف متعمق لآلية الذاكرة لدينا ووظائف منطقة الدماغ، مما يساعد على حل اضطرابات الذاكرة وتحسين الذاكرة. دعونا نستكشف ونتعلم كيفية الاستفادة بشكل أفضل من إمكانات تخطيط الدماغ المغناطيسي لمساعدتنا على فهم أدمغتنا واستخدامها بشكل أفضل. يمكن ملاحظة أننا بحاجة إلى تحسين الذاكرة، ويمكن لـ Cistanche deserticola أن يحسن الذاكرة بشكل كبير، لأن Cistanche deserticola يمكنه أيضًا تنظيم توازن الناقلات العصبية، مثل زيادة مستويات الأسيتيل كولين وعوامل النمو. هذه المواد مهمة جدًا للذاكرة والتعلم. بالإضافة إلى ذلك، يمكن للحوم أيضًا تحسين تدفق الدم وتعزيز توصيل الأكسجين، مما يضمن حصول الدماغ على ما يكفي من العناصر الغذائية والطاقة، وبالتالي تحسين حيوية الدماغ والقدرة على التحمل.

انقر فوق معرفة طرق تحسين وظائف المخ

تم توجيه المشاركين للحفاظ على نظرتهم إلى نقطة التثبيت المركزية وتقليل الوميض طوال فترة التجربة.

تم الحصول على البيانات المغناطيسية العصبية باستخدام نظام VectorView كامل الرأس بما في ذلك 204 مقياس تدرج مستو و 102 مقياس مغناطيسي (Elekta Neuromag Oy) في غرفة محمية مغناطيسيًا.

طوال التجربة، تمت مراقبة وضع رأس المشاركين بشكل مستمر باستخدام ملفات مؤشر موضوعة في أربع نقاط على الرأس. تم أخذ عينات من قوة المجال المغناطيسي بمعدل 1000 هرتز وتم ترشيح تمرير النطاق عبر الإنترنت بين 0.03 و300 هرتز. بالإضافة إلى ذلك، تم قياس مخططات العين الكهربائية الرأسية والأفقية باستخدام أقطاب كهربائية موضوعة أعلى وأسفل وبجوار العينين. تمت مراقبة حركات العين باستخدام جهاز تعقب العين EyeLink 1000 (SR Research) بتردد 1000 هرتز.

المعالجة المسبقة لبيانات MEG

تمت معالجة البيانات مسبقًا في وضع عدم الاتصال باستخدام Fieldtrip (Oostenveld et al.,2011)، ومكتبة برامج OHBA (OSL) بالاعتماد على SPM8 (http://www.fil.ion.ucl.ac.uk/spam)، وبرنامج Elekta.

قبل أي معالجة مسبقة، تم فحص بيانات MEG بصريًا لإزالة واستيفاء أي أجهزة استشعار تعرض مستويات مفرطة من الضوضاء وتم بعد ذلك إزالة الضوضاء وتصحيح الحركة باستخدام Maxfilter Signal SpaceSeparation (Taulu et al., 2004) قبل إزالة المكونات المستقلة المتعلقة بالقلب والتحف طرفة العين.

تم تكرار البيانات حول الشبكة الأولى والشبكة الثانية (من 4 0 0 مللي ثانية قبل بداية الشبكة إلى 900 مللي ثانية بعد البداية) وتم اختزالها إلى 200 هرتز. تم تحديد التجارب ذات التباين العالي في أي من مقاييس التدرج أو مقاييس المغناطيسية واستبعادها باستخدام اختبار ESD المعمم (الانحراف الطلابي الشديد؛ روزنر، 1983) عند عتبة دلالة 0.05.

بالنسبة لتحليلات التحيز بين التجارب، قمنا بتدريب المصنف على جميع العروض التحفيزية من جميع التجارب غير المرفوضة. نظرًا لأننا استبعدنا التجارب ذات التباين العالي (7.49 6 3.85%، متوسط ​​6 SD، الموافق 45 6 23 عروض التحفيز) من التحليل الإضافي، فقد تم تدريب المصنف على عروض التحفيز 555 6 23 المتبقية.

قبل حساب التحيزات، قمنا بإزالة التجربة الأولى لكل كتلة (2%)، والتجارب ذات الاختلاف الزاوي المطلق مع اتجاه الهدف في التجربة السابقة البالغة 0.60 درجة (;33%)، مما أدى إلى 370 6 21 تجارب لهذا الغرض تحليل لكل مشارك.

بالنسبة لتحليلات التحيز داخل التجربة، قمنا بتدريب المصنف على جميع التجارب التي تم فيها تقديم الحافز 2 باستثناء تلك التي تمت إزالتها بسبب التباين العالي، وترك 278 6 11 تجارب في التحليل.

بالنسبة لحساب التحيز، اخترنا من بين هذه التجارب تلك التي تم تقديم الحافز 1 فيها أيضًا، وبفارق زاوي مطلق قدره 0.10 درجة و50 درجة بين المنبهات 1 و2. وفي وقت لاحق، تم حساب التحيز بشكل منفصل للتجارب ذات الحماية والحماية. إشارات التحديث، مما يؤدي إلى تجارب 62 6 5 و63 6 5، على التوالي.

تصنيف التحليل التمييزي الخطي

وتمت معالجة البيانات بشكل أكبر. تمت مطابقة أحجام مقاييس المغناطيسية تقريبًا مع مقاييس التدرج عن طريق الضرب (العامل 20) وإخضاعها لفك التشفير الزماني المكاني (الكود متاح على https://pypi.org/project/temp-dec/؛ كما هو موضح سابقًا، Wolff et al., 2017, 2020; هاجونيدس وآخرون، 2021). تم تجميع البيانات من جميع أجهزة استشعار MEG البالغ عددها 306 عبر نافذة منزلقة من 30-نقاط زمنية (150 مللي ثانية) في متجه الأبعاد 9180-.

تم تقليل الأبعاد باستخدام تحليل المكون الرئيسي، الذي تم حسابه بشكل منفصل لكل نقطة زمنية، مع الحفاظ على 90% من التباين (بين 250 و600 مللي ثانية، وكان هذا حوالي 209 6 39 مكونات لكل مشارك، يعني 6 SD).

وقد أدى ذلك إلى إزالة التشويش عن البيانات، وزيادة التباين الفريد المشفر بواسطة كل بعد، وتمكين المصنف من حساب مصفوفات التباين المشترك بشكل أكثر فعالية. لم يتم تطبيق Prestimulusbaselining للحفاظ على معلومات مستقرة من المحفزات المقدمة مسبقًا.

لتدريب مصنف التحليل التمييزي الخطي (LDA)، تم تقسيم البيانات إلى مجموعات تدريب واختبار باستخدام {{0}}fold التحقق المتبادل الطبقي. تم تجميع زوايا الشبكة في صناديق توجيه متباعدة بشكل متساوٍ، مما أدى إلى إنشاء 10 فئات متميزة (0-18 درجة، 18-36 درجة، 36-54 درجة، 54-72 درجة، 72-90 درجة، 90-108 درجة، 108-126 درجة، 126-144 درجة، 144-162 درجة، 162-180 درجة). لتدريب مصنف LDA، تم تقسيم البيانات إلى مجموعات تدريب واختبار باستخدام 10-fold Stratified Cross Validation.

استنادًا إلى مجموعة التدريب، يقوم مصنف LDA بإسقاط البيانات في مساحة منخفضة الأبعاد (من تسعة أبعاد؛ عدد الفئات ناقص 1) والتي تفصل البيانات عن الفئات العشر إلى أقصى حد. ثم تم عرض البيانات من مجموعة الاختبار في نفس {{ 3}}مساحة الأبعاد. لقد حصلنا على 10 مسافات LDA لكل تجربة في مجموعة الاختبار عن طريق حساب المسافة الإقليدية الخاصة بها من كل فئة تدريب متوسطة في الفضاء منخفض الأبعاد.

أتاحت لنا هذه المسافات تقدير احتمالية توافق أي تجربة اختبار معينة مع كل فئة من الفئات العشرة. وقد تكرر هذا لكل طية تحقق متقاطع وكل نقطة زمنية. تحليلات فك تشفير التحفيز، تم استخدام الزاوية المقدمة للتصنيف.

في تحليلات فك التشفير المتقاطع، تم تدريب مصنفات LDA على صناديق التوجيه لحدث واحد (على سبيل المثال، الشبكة المقدمة) ولكن تم محاذاة أدلة المصنف حول صناديق ذات اتجاه آخر (على سبيل المثال، اتجاه الهدف في التجربة السابقة). كانت منحنيات التشابه التمثيلي الناتجة ملتوية مع جيب التمام.

لاختبار أجهزة الاستشعار التي ساهمت بشكل كبير في احتمالات التصنيف التي لوحظت في أساليبنا متعددة المتغيرات، أجرينا أيضًا تحليلًا لفك تشفير الكشاف (Kriegeskorte et al.، 2006).

في هذا التحليل، تم النظر بشكل متكرر في مجموعة صغيرة من أجهزة الاستشعار، وبالتالي تمكنوا من تحديد الموقع التقريبي للتأثير الملحوظ. وبشكل أكثر تحديدًا، قمنا باختيار البيانات من كل مستشعر بالإضافة إلى جيرانه الـ 47 الأقرب (بما في ذلك أجهزة قياس المغناطيسية ومقاييس التدرج) وقمنا بإجراء نفس تحليل التصنيف كما هو موضح أعلاه.

حساب درجة عدم التماثل العصبي كمقياس للتحيز العصبي

بالنسبة للتحيزات داخل التجربة، قمنا بتقييم معالجة الشبكة الثانية واعتبرنا فقط تجارب مكونة من عنصرين. تم تدريب المصنف على جميع العروض التقديمية للشبكة الثانية وتم إنشاء احتمالات الصندوق لكل تجربة. بالنسبة للتحليلات بين التجارب، قمنا بتحليل معالجة التوجه لكل من الشبكة الأولى والثانية في التجربة الحالية. لهذا السبب، قمنا بتدريب المصنف على جميع التجارب وقمنا بإنشاء تنبؤات بن لجميع التجارب.

بعد ذلك، واستنادًا إلى نتائج تحليلات تحيز الأداء، قمنا باختيار تجارب أدت فيها المسافة الزاوية بين المحفز واتجاه الشبكة على الشاشة إلى تحيز سلوكي كبير على مستوى المجموعة.

في حالة التحيز البغيض داخل التجربة، كان المحفز هو اتجاه الشبكة الأولى في نفس التجربة. بالنسبة للتحليلات بين التجارب، كان المحفز هو الاتجاه المستهدف المذكور في التجربة السابقة (باستثناء تحليلات المراقبة، حيث تم استخدام الاتجاه غير المبلغ عنه كهدف). كمتغير تابع، أخذنا في الاعتبار تقديرات الاحتمالية لكل صندوق توجيه، حيث نتوقع أعلى احتمال للصندوق الزاوي الذي له إزاحة صفرية للاتجاه المقدم وتناقص احتمالات الصناديق ذات المسافات الزاويّة الأكبر للاتجاه المعروض.

قمنا بشكل منفصل بتقييم تقديرات الاحتمالية للتجارب التي كان فيها اتجاه المحفز في اتجاه عقارب الساعة (CW) مقابل عكس اتجاه عقارب الساعة (CCW) فيما يتعلق بالاتجاه الحالي. بالنسبة لكل من تجارب CW وCCW، قمنا بشكل منفصل بحساب متوسط ​​الأدلة من صناديق التوجيه CW (72 درجة إلى 18 درجة) والأدلة من صناديق CCW (18 درجة إلى 72 درجة).

تم حساب درجات عدم التماثل عن طريق الحصول على الفرق بين مجموعتي الصناديق الزاوية (CW ناقص CCW). أخيرًا، قمنا بحساب درجة التحيز العصبي الإجمالية عن طريق طرح درجات عدم التماثل في التجارب التي أجريت على محفزات الأسلحة الكيميائية مقابل محفزات الأسلحة التقليدية.

أدت التحيزات العصبية الجذابة إلى نتيجة إيجابية (على سبيل المثال، أدت التجارب ذات المسافات الزاوية CW إلى المزيد من أدلة الأسلحة الكيميائية، وأدت المسافات الزاوية تجاه الأسلحة التقليدية إلى المزيد من أدلة الأسلحة التقليدية)، في حين أدت التحيزات العصبية التنافرية إلى نتيجة سلبية (على سبيل المثال، أدت المسافات الزاوية تجاه الأسلحة التقليدية إلى أدلة أقل على الأسلحة الكيميائية من محاكمات اتفاقية الأسلحة التقليدية، والعكس بالعكس).

الاختبارات الإحصائية

تم حساب الاختبارات الإحصائية باستخدام كل من JASP (JASP Team, 2020) وScipy (Virtanen et al., 2020).

لقد اختبرنا السلاسل الزمنية لأدلة المصنف الملتفة بجيب التمام مقابل الصفر باستخدام اختبار التقليب القائم على الكتلة، والذي يعالج مشكلة المقارنة المتعددة (باستخدام MNE؛ Gramfort et al., 2013). ويران 100،000 تكرارات.

تتم الإشارة إلى المجموعات التي تحتوي على مجموعات من النقاط الزمنية تختلف بشكل كبير عن الصفر في الأشكال ذات الصلة باستخدام الخطوط الأفقية. تم أيضًا تطبيق اختبار التقليب القائم على الكتلة على تحيز الأداء عبر المسافة الزاوية بين الاتجاه المقدم واتجاه المحفز.

ولاختبار أهمية تحليلاتنا المتحيزة، قمنا بإنشاء توزيع عشوائي بعد مرحلة فك التشفير. عندما تم تصنيف التجارب على أساس التوجه النسبي للتجربة/المحفز السابق، قمنا بشكل عشوائي بقلب هذه المسافة الزاوية وأعدنا حساب التحيز. قمنا بحساب التحيز لجميع المشاركين ومتوسط ​​هذه النتيجة. تم تكرار هذه العملية 10,000 مرة، وكان التوزيع الناتج ذو علامة z.

تم تطبيق نفس تحويل درجة z على درجة التحيز المرصودة عندما لم يتم تطبيق التقليب العشوائي للإشارة. ويمكن بعد ذلك استخدام هذه النتيجة z للحصول على القيمة p (ثنائية الذيل) للتأثير الأصلي بالنسبة لتوزيع الخلط (في جميع المتوسطات الزمنية المبلغ عنها، تم استخدام نقاط زمنية تتراوح بين 250 و600 مللي ثانية).

وكانت جميع الاختبارات على الوجهين ما لم ينص على خلاف ذلك.

نتائج

معدلات الخطأ

كان المشاركون دقيقين في إعادة إنتاج الاتجاه المستهدف (متوسط ​​خطأ الاستجابة 11.73 6 0.7 0 درجة SEM؛ متوسط ​​SD 17.61 61.07 درجة SEM؛ انظر الجدول 1 للأداء الشرطي). أظهر تحليل التباين (ANOVA) للقياسات المتكررة اثنين تلو اثنين على خطأ الاستجابة التأثيرات الرئيسية لنوع الإشارة (F(1,19)=16.49، p، 0.001، h2=0.374) والعديد من المحفزات المقدمة (F (1،19)=29.78، ص، 0.001، ح 2=0.075).

كان نوع الإشارة مهمًا لكل من التجربتين المكونتين من عنصر واحد أو عنصرين، مع وجود خطأ مطلق أعلى في التقرير الأول من التقرير الثاني في التجارب لكلا التجربتين المكونتين من عنصرين (t(19)=3.972,p, {{6} }.001، د=0.888؛ راجع الجدول 1) وتجارب عنصر واحد (t(19) =3.948، تصحيح Bonferroni p، 0.001، d {{ 18}}.883). وعلى النقيض من ذلك، فإن العديد من البنود المعروضة أثرت في المقام الأول على الشروط الأولى للتقرير.

كان الخطأ أعلى في التقريرين الأولين منه في التجارب الأولى المكونة من عنصر واحد في التقرير (t(19)=5.665، p، 0.001، d=1.267) ولكنه لم يحدث بشكل ملحوظ تختلف بين التقرير الثاني المكون من عنصرين والتقرير الثاني المكون من عنصر واحد (t(19)=1.885، p=0.075،d=0.421)، مما يؤدي إلى اختلاف كبير التفاعل بين العاملين (F(1,19)=10.90، ص=0.004، ح2=0.026).

أكدت التحليلات باستخدام نمذجة الخليط (Bays et al., 2009) أن الأخطاء الناشئة عن الاستجابات لاتجاه الشبكة غير الملوثة كانت نادرة (معدل المبادلة 0.033 6 0.01 في التجارب المكونة من عنصرين؛ انظر أيضًا Huang ، 2020).

تحيزات الأداء المثيرة للاشمئزاز داخل التجارب

قمنا بتحليل التحيزات داخل التجربة في الأداء السلوكي من خلال تقييم ما إذا كان الاتجاه المبلغ عنه قد تم الإبلاغ عنه بشكل منهجي على أنه أقرب إلى الاتجاه غير المستهدف أو بعيدًا عنه في نفس التجربة (انظر المواد والأساليب).

لقد حصرنا التحليلات في التجارب المكونة من عنصرين. يوضح الشكل 2A تحيز الأداء لجميع المسافات الزاوية المطلقة بين اتجاه الشبكة الأول والثاني للتقرير الأول وتقرير التجارب الثانية. المهمة المطروحة (ت(19)=0.74، ص=0.467).

في المقابل، كشفت التجارب التي تحتوي على إشارات التقرير الثانية عن انحيازات كبيرة بعيدًا عن اتجاه الشبكة الأول المشفر في البداية (t(19)=2.33، p=0.031؛ كما هو موضح في الشكل 2B). تم تأكيد التجارب الثانية لتقرير التحيز البغيض باستخدام اختبار التقليب القائم على الكتلة، والذي يُظهر مجموعة كبيرة (ع=0.012) عندما كانت المسافة الزاوية بين الاتجاهين بين 10 درجة و49 درجة (الشكل 2A).

تحيز الأداء الجذاب بين التجارب

قمنا بعد ذلك بتقييم التحيز بين التجارب على الاستجابات في التجربة الحالية نحو الاتجاه الذي تم الإشارة إليه في التجربة السابقة (الشكل 3). قمنا بتقييم تحيز الأداء كدالة للاختلافات الزاوية بين الشبكة المستهدفة في التجربة الحالية والسابقة.

أخذ التحليل في الاعتبار أيضًا موضع الشبكة المستهدفة في التجربة الحالية (الأولى أو الثانية) وعدد العناصر في التجربة الحالية (عنصر واحد أو عنصرين). من أجل الاتساق، نقوم بتصنيف جميع التجارب التي يبلغ فيها المشاركون عن تقرير التوجيه الأول للمحاكمات الأولى والتجارب التي يبلغ فيها المشاركون عن تقرير التوجيه الثاني عن المحاكمات الثانية، بغض النظر عن عدد الشبكات المقدمة.

مرة أخرى، قمنا بحساب مجموع التحيز عبر المسافات الزاوية بين الأهداف في التجارب الحالية والسابقة (الشكل 3A، B). وعلى النقيض من التحيز البغيض الموصوف في القسم السابق، وجدنا أن جميع الظروف أظهرت تحيزًا جذابًا في الأداء (جميع p، 0.05 في الاختبارات الإحصائية ذات الوجهين). كان التحيز التسلسلي الجذاب أكثر وضوحًا بالنسبة للمسافات الزاوية الصغيرة والمتوسطة بين المحفز واتجاه التيار (0-60 درجة).

أشارت ANOVA للتدابير المتكررة على مجموع التحيزات عبر المسافات الزاوية إلى تأثير نوع الإشارة، مع حدوث تحيزات أكبر في التجارب الأولى للتقرير (F(1,19)=5.706, p=0.027, h2=0.172)، ولكن ليس بعدد الشبكات المقدمة في التجربة (F(1,19)=0.980، p=0.335، h2 =0 .007). ولم يتفاعل العاملان (F(1,19)=0.377، ص=0.547،ح2=0.002). وهذا يوضح أن الانحياز كان أقوى عند استدعاء العنصر الأول، الذي تم ترميزه في وقت أقرب إلى التجربة السابقة.

For more information:1950477648nn@gmail.com