חווה הפתעה: הדינמיקה הזמנית של השפעתה על הזיכרון חלק 2

ניתוח סטטיסטי

כדי להעריך קידוד דינמי מווסת ציפיות, אספנו ערכות אובייקטים (תפוחים, מספריים וכו'). בכל סט, היו ארבעה אירועים מוגדרים (יעד; F1, הכי דומה; F2, דמיון בינוני; ו-F3, לפחות דומה), לכל אחד מהם הוקצה באופן אקראי (1) מצב ציפייה, (2) מיקום הצגה בתוך הסט, ו-(3) ) סדר ההצגה בעת השליפה (1-312 ניסויים).

הזיכרון האנושי מדהים. באמצעות ניסיון, לימוד והכשרה, אנו יכולים לשפר מאוד את יכולות הזיכרון שלנו. בחיי היומיום, לעתים קרובות אנו צריכים לזכור מידע שונה, כגון מספרי טלפון, ימי הולדת, שמות, סיסמאות וכו'. כל הדברים האלה דורשים זיכרון.

אולם אם נזכור יותר מדי דברים, או אם הם לא מוצגים בסדר הנכון, אז נתקשה או אפילו נוותר על הזכירה. זהו הקשר בין סדר המצגת לזיכרון.

סדר נכון של המצגת יכול לעזור לנו לזכור מידע טוב יותר. לדוגמה, אם נרצה לזכור מחרוזת של מספרים, נוכל לנסות לסדר אותם לפי תבנית מסוימת, כמו סדר עולה או יורד, שילובים מזווגים וכו'. שיטות אלו יכולות לעזור לנו להפוך מידע קל יותר להבנה ולזכור.

כשלומדים ידע חדש, גם סדר ההצגה חשוב מאוד. אנו לומדים דברים חדשים בצורה יעילה יותר אם אנו מפרקים ידע חדש לנתחים קטנים יותר ומגדילים בהדרגה את הקושי. שיטה זו נקראת "משימות מדורגות", שיכולות לעזור לנו לשלוט בידע חדש במהירות, ויש פחות סיכוי להשמיט או להתבלבל.

בחיי היומיום, אנו יכולים גם להשתמש בסדר ההצגה הנכון כדי לשפר את הזיכרון. יומנים משפחתיים, תזכירים ורשימות יכולים לעזור לנו לארגן טוב יותר את חיינו כך שלא נשכח עוד דברים חשובים או מחמיץ מועדים.

בקיצור, סדר ההצגה הנכון יכול לשפר מאוד את יכולת הזיכרון שלנו. באמצעות סידור וניתוח נכונים, נוכל להבין טוב יותר מידע, לזכור אותו וליישם אותו בחיינו העתידיים. הבה נשתמש בסדר המצגת הנכון כדי לעורר את הפוטנציאל המוחי שלנו, לשלוט בידע נוסף ולהפוך את חיינו למספקים ויפים יותר. ניתן לראות שאנו צריכים לשפר את הזיכרון, ו-Cistanche deserticola יכולה לשפר משמעותית את הזיכרון, מכיוון ש-Cistanche deserticola יכולה לווסת גם את איזון הנוירוטרנסמיטורים, כמו הגדלת רמות האצטילכולין וגורמי גדילה. חומרים אלו חשובים מאוד לזיכרון וללמידה. בנוסף, בשר יכול גם לשפר את זרימת הדם ולקדם אספקת חמצן, מה שיכול להבטיח שהמוח יקבל מספיק חומרים מזינים ואנרגיה, ובכך לשפר את חיוניות המוח וסיבולת.

לחץ על דע דרכים לשיפור תפקוד המוח

הרצנו מודל רגרסיה לוגיסטית בינארית עם אפקטים מעורבים על נתונים אלה שאינם מקובצים, תוך שימוש בסטטוס הציפיות של האירועים הנוכחיים והקודמים, ועמדת המצגת באחזור כמשתנה. מודלים חושבו באמצעות חבילת lme4 (Bates et al., 2{ {4}}15) בסביבת R (צוות R Development Core, 2008). הפרמטרים של מודלים כאלה יכולים לשמש כדי להעריך את ההסתברות לתת תגובה נכונה ("ישן" עבור מטרות, "חדש" עבור רדידים) וגם להסביר את היירוט הייחודי של כל משתתף (הטיית תגובה). כדי להעריך את השיפוע של כל מנבא במודל (H0: b=0), השתמשנו ב-omnibus x2 Waldtest (West et al., 2014), כפי שהוטמע בחבילת המכוניות (Fox andWeisberg, 2018).

מיצוי והזימה של ההשפעות המדווחות להלן נערכו באמצעות חבילות ההשפעות (Fox, 2003), אמצעים (Searle et al.,1980) ו-ggplot2 (Wickham, 2009). כדי לבחון את האינטראקציה הדינמית בין דמיון תפיסתי ומצב ציפייה, עבור כל אירוע מוגדר המצאנו שלושה מודלים של עניין, תוך מודלים של כל אירוע בנפרד כפונקציה של רצף האירועים הקודם.

לדוגמה, מטרות שקדמו ל-F1 עוצבו בנפרד מיעדים שקדמו ל-F2. כדי לבטל את ההשפעות המונעות מהבדלי חוזק הזיכרון, כללנו במודל זה רק אירועים שהתשובה הקודמת לגביהם הייתה נכונה (כלומר, עבור מטרות בעקבות אירועי F1, כללנו רק מטרות שבאו בעקבות CR1). תוצאות דומות נצפו כאשר כללו את כל הניסויים במודל (ראה מאגר GitHub לקוד להפעלת ניתוחים ויצירת דמויות). כל מודל כלל אפוא את סטטוס הציפיות הנוכחי והקודם של האירועים, כמו גם את סדר ההצגה באחזור כמשתנה משנה. קוד ונתונים זמינים כאן:https://github.com/frdarya/DynamicExpectation.

ניסוי 2

משתתפים

בסך הכל 25 משתתפים (שמונה גברים, בגילאי 18-33, ממוצעים=25, SD=4.2) נתנו הסכמה מדעת והשתתפו במחקר. למשתתפים הייתה ראייה תקינה או מתוקנת לתקינה וללא היסטוריה של הפרעות נוירולוגיות או פסיכיאטריות. כל הנהלים אושרו על ידי ועדת האתיקה של אוניברסיטת מנצ'סטר. משתתף אחד הוחרג מכל הניתוחים בגלל אי ​​למידה של התוצאה המדויקת במהלך משימת למידת החוקים.

עיצוב נסיוני

בניסוי 2 נעשה שימוש בפרדיגמה דומה ובמניפולציה של ציפיות, למעט החריגים הבאים: בשלב הקידוד, כל אובייקט הוצג שלוש פעמים ברציפות. כל אובייקט היה על המסך במשך 2000 אלפיות השנייה, עם צלב קיבוע עצבני (250-750 אלפיות השנייה) בין כל מצגת. במהלך המצגת הראשונה והשנייה, המשתתפים התבקשו לקבל החלטה סמנטית לגבי האובייקט, האם הוא מעשה ידי אדם או טבעי, והאם יש סיכוי גבוה יותר להימצא בפנים או בחוץ. סדר השאלות הללו היה אקראי. במהלך המצגת השלישית, המשתתפים התבקשו תמיד ללמוד את האובייקט תוך התמקדות בקפידה בפרטים. לאחר המצגת השלישית, היה עוד צלב קיבוע עצבני, לתקופה ארוכה יותר (800-1200ms), כדי ליצור מיני בלוקים המפרידים בין כל אובייקט.

משימת לימוד החוקים הייתה זהה לזו ששימשה בניסוי 1, למעט זמן הצגת תגובה ארוך יותר של הרמז (3 שניות במקום 1 שניות) והצלב קיבוע מעורפל (250-750 אלפיות השנייה) בין כל ניסוי (ראה איור נתונים מורחבים. 1-1 עבור נתונים התנהגותיים ונתונים מורחבים איור 1-2 עבור תוצאות MRI ממטלת למידת הכלל). לפני משימת האחזור, המשתתפים פתרו בעיות חשבון במשך 2 דקות (לא נסרקו).

באחזור, השתמשנו בשתי רמות של דמיון של נייר כסף (F1 ו-F2) בכל סט, במקום שלוש. למען אופטימיזציה של זמן הסריקה, לא נעשה שימוש באובייקטי F3, מכיוון שהם לא הניבו השפעות של עניין בניסוי1. כל ניסוי שליפה התחיל עם צלב קיבוע עצבני (250-750 ms), ואחריו הצגה של הרמז למשך 1000 ms ולאחר מכן האירוע שנקבע (מטרה, F1 או F2) למשך 3000 ms. בכל המשימות הסרוקות, השתמשנו בקווי בסיס מרומזים (צלבי קיבוע עבור 3500 אלפיות השנייה במשימות קידוד ולימוד כללים, 4500 אלפיות השנייה באחזור) ב-30% מהניסויים.

ניתוח סטטיסטי התנהגותי

בעקבות הניתוח והתוצאות מניסוי 1, כיסנו יעדים ואירועי F1 ויצרנו מודל של ההסתברות לקבל החלטה נכונה (מכות ודחיות נכונות) בהתבסס על מצב הציפיות של האירוע שנקבע הנוכחי ומצב הציפיות של האירוע שנקבע הקודם.

כבלתי ניסוי 1, כדי לבטל את הבלבול של חוזק הזיכרון, נכללו רק תגובות נכונות (ראה מאגר GitHub לתוצאות דומות כשהן כוללות את כל הניסויים, ולניתוחים נפרדים של מטרות ו-F1). תיקונים של רדיד F2 עוצבו גם כפונקציה של אירועים קודמים, כפי שנעשה עבור ניסוי 1.

רכישת fMRI וניתוח סטטיסטי

סריקת MR נערכה בסורק MRI 3T (Philips, Achieva). כדי למזער את התנועה במהלך הסריקה, נעשה שימוש בטריזי קצף ורפידות רכות לייצוב ראשו של המשתתף. ראשית, תמונות T1-משוקללות (גודל מטריצה: 256 256, 160 פרוסות, גודל ווקסל 1 מ"מ איזוטרופי) נאספו בזמן שהמשתתפים נחו בסורק. נעשה שימוש ברצף הדמיית שיפוע (EPI) כדי לאסוף תמונות T2* עבור האות BOLD. 40 פרוסות במקביל לקו AC-PC, המכסות את כל המוח (גודל מטריקס 80 80, גודל ווקסל 3 3 3.5 mm3), התקבלו עבור כל נפח (TR=2.5s, TE=35 ms) .

המשתתפים ביצעו שלוש משימות בסורק (קידוד 313 כרכים; לימוד כללים 143 כרכים; אחזור 534 כרכים) ומשימת הסחת דעת, שלא נסרקה. נתוני MRI עובדו מראש ונותחו באמצעות SPM12 (Statistical ParameterMapping, Wellcome Centre for Human Neuroimaging, UniversityCollege London, UniversityCollege London : פרוסה.

תמונות אנטומיות T1 נרשמו יחד לתמונת EPI הממוצעת המתאימה. נורמליזציה מרחבית לתבנית המכון הנוירולוגי של מונטריאול (MNI) בוצעה באמצעות ארגז הכלים DARTEL המיושם ב-SPM12 (Ashburner, 2007). גרעין גאוס אניסוטרופי 8 מ"מ FWHM שימש להחלקת נתוני ה-EPI המנורמלים עבור ניתוחים חד משתנים.

כדי להסיר רעש בתדר נמוך, הנתונים סוננו במעבר גבוה באמצעות חתך של 128 שניות. שני אזורי עניין אפריוריים (ROIs), ההיפוקמפוס הדו-צדדי והחזר ROI של המוח האמצעי הכולל רק את ה-substantia nigra (SN) והטגמנטום הגחוני. נעשה שימוש בשטח (VTA). מסכת ההיפוקמפוס נלקחה מהאטלס האנטומי של הרווארד-אוקספורד (סף בסבירות של 25%; Desikan et al., 2006). מסכת המוח האמצעי נלקחה מהאטלס ההסתברותי של המוח התיכון (Murty et al., 2014).

הנתונים התפקודיים של כל משתתף מפגישת האחזור נותחו באמצעות מסגרת המודל הליניארי הכללי (GLM) בתוך עיצוב הקשור לאירועים המדגים את פונקציית התגובה ההמודינמית הקנונית. ששת פרמטרי התנועה שהופקו בעת יישור מחדש לכל הפעלה שימשו כרגרסורי מטרד. כדי למזער חפצי תנועה שיוריים נעשה שימוש בארגז הכלים של ArtRepair (http://cibsr.stanford.edu/tools/human-brain-project/artrepair-software.html) כדי לייצר רגרסורי מטרד נוספים עבור כל משתתף.

סדרות הזמן סוננו במעבר גבוה כדי להסיר רעש בתדר נמוך (128-scutoff). בהינתן ההשערה האפריורית שלנו לגבי החזר ה-ROI שהוצג לעיל (היפוקמפוס דו-צדדי ו-SN/VTA), אומצה גישת תיקון נפח קטן (SVC) עבור אזורים אלה, מתוקנת עבור שגיאה משפחתית (FWE) עבור נפח החזר ה-ROI (סף יצירת אשכולות ראשוני של p, 0.001).

לניתוחי מוח שלם יותר, נעשה שימוש בגישה מבוססת תמורה לא פרמטרית (n=5000) כדי לזהות אשכולות משמעותיים באמצעות ארגז הכלים SnPM (https://warwick.ac.uk/fac/sci/statistics/staff /academic-research/Nichols/software/snpm/). נעשה שימוש בסף ראשוני ליצירת אשכולות של p, 0.005, ומדווחים על אשכולות משמעותיים ב-p לא פרמטרי, 0.05. מפות T ברמת קבוצה ללא סף מ-SPM ו-SnPM זמינות כאן:https://neurovault.org/collections/TTDMPHLE/.

כדי לבדוק את ההשפעה ההתנהגותית של אינטראקציה בין הציפייה ההקשרית של אירוע קודם לבין הציפייה ההקשרית של האירוע הנוכחי, כיסנו יעדים ו-F1 וסיווגנו אותם על סמך סדר המצגת (שהגיע ראשון) ומצב הציפייה שלהם. אירועי F2 עוצבו כתנאי נפרד.

בניתוח זה, אנו משווים את הפריט הנוכחי בין מצב הציפיות הנוכחי והקודם (למשל, EprevUcurr . EprevEcurr). בהתחשב בתכנון הניסוי שלנו, ישנם ארבעה פרמטרים שניתן לחקור עוד יותר את האינטראקציות ביניהם: אירוע מוגדר (יעד, F1, F2), ציפייה קונטקסטואלית (צפויה או בלתי צפויה), תגובת זיכרון שניתנה (נכונה או שגויה), וסדר המצגת בתוך הסט (ראשון, שני , או אחרון). כתוצאה מכך נוצרים 36 תנאים; עם זאת, לא ניתן היה לעצב אותם יחד בגלל המספר הלא מספיק של פח ניסוי (n, 7) עבור רוב המשתתפים.

לכן, המצאנו שלושה דגמים נפרדים; במודל הראשון, בחנו את ההשפעה העיקרית של הציפייה, ללא קשר לאירוע שנקבע או להחלטת הכרה. במודל השני, בדקנו אינטראקציות זיכרון מוצלחות של אירוע מבוסס-ציפיות על-ידי כיווץ ניסויים על פני סדר המצגת ויצירת מודלים של תגובות נכונות בלבד עבור כל אירוע (כל התגובות השגויות עונו כרגרסור נפרד). במודל השלישי, חקרנו את האינטראקציה של ציפייה, אירוע מוגדר וסדר המצגת, ללא קשר לתגובות זיהוי.

תוצאות

ערכנו שני ניסויים, ניסוי 1 בדק תגובות התנהגותיות, וניסוי 2 השתמש בפרדיגמה דומה בזמן שנאספו נתוני fMRI. בשני הניסויים, המשימה ההתנהגותית שלנו כללה שלושה שלבים (לתכנון ניסוי, ראה איור 1): בעקבות הקידוד של תמונות אובייקט, המשתתפים ביצעו משימת למידת כללים שבה למדו קשר בין רמז לקטגוריה של האובייקט (אדם- עשוי או טבעי). לאחר מכן, בעת השליפה, הוצגו אותם סימנים, ואחריהם אובייקט ישן (מטרה) או חדש (רדיד).

רדידים עברו מניפולציה פרמטרית עם אובייקטים דומים, F1, F2 ו-F3 בסדר יורד של דמיון למטרה. המשתתפים התבקשו לקבל החלטת הכרה ישנה/חדשה. בשליש מניסויי ההחזרה, הופר את המקרה שנקבע מראש בקטגוריית ה-cue and object. כדי להעריך קידוד מאופנן ציפיות, ואת הרגישות שלו לדמיון תפיסתי, השתמשנו ברגרסיה לוגיסטית עם אפקטים מעורבים כדי ליצור מודל של התגובה (זיהוי נכון/שגוי) לכל אירוע מוגדר (מטרות וסדידים דומים) כפונקציה של האירוע הקודם מאותה קבוצה (למשל , אם תחילה יוצג F1, ומאוחר יותר ב-atarget, אלה יצוינו F1prev Targetcurr).

יתר על כן, כל אירוע מוגדר היה קשור לסטטוס ציפייה שנקבע על ידי הרמז הקודם (אירועים שמקיימים כללים סומנו כצפויים ומפרים כללים כבלתי צפויים). כל מודל כלל גם אינטראקציה בין מצב הציפיות הנוכחי לאירועים קודמים כדי לבחון שינויים דינמיים (למשל, כיצד רדיד בלתי צפוי קודם משפיע על זיהוי של יעד צפוי נוכחי; ראה איור 1C; לפרטים מלאים, ראה חומרים ושיטות).

ניסוי 1

זיכרון עבור מטרות מאופנן על ידי אירועי ערכה דומים קודמים לא צפויים

עבור יעדים בעקבות אירועי F1, מצאנו השפעות עיקריות משמעותיות של תוחלת F1 (b=0.659, X2(1)=4.63, p =0.031 ), כמו גם אינטראקציה שולית בין תוחלת היעד לבין מצב הציפיות של F1 הקודם (b =0.939, X2(1)=3.65, p=0.056; איור 2א). בדיקות ניגודיות עוקבות גילו שמטרות צפויות היו בסבירות גבוהה יותר להיזכר בעקבות F1 בלתי צפוי, בהשוואה לאירוע ערכת F1 צפוי (z=2.15, p=0.031). יתר על כן, כאשר אירוע ערכת F1 הקודם היה בלתי צפוי, סביר יותר שהמטרות הצפויות הבאות ייזכרו בצורה נכונה, בהשוואה למטרות בלתי צפויות (z=2.37, p=0.017). כאשר בחנו יעדים שבאו בעקבות אירועי F2 ו-F3, לא צפינו במנבאים משמעותיים כלשהם (כולם פס. 0.127).

דחייה נכונה של רדידים דומים מווסתת על ידי מצב הציפיות של היעדים הקודמים

עבור אירועי F1 בעקבות יעדים, מצאנו אינטראקציה בין סטטוס הציפיות של שני האירועים (ב=0.79, X2(1)=5.29, p=0.0 21; איור 2B), עם ניגודים המראים דחיות נכונות יותר של F1events (CR1), עבור F1 צפויים מאשר אירועי F1 בלתי צפויים בעקבות יעדים בלתי צפויים (z= 2.65, p= 0.0 08) ודחיות פחות נכונות עבור F1 בלתי צפוי כאשר היעד הקודם היה בלתי צפוי, בהשוואה למועד זה היה צפוי (z= 1.95, p= 0.0507;איור 2, לוח אמצעי). כל ההשפעות האחרות לא היו מובהקות (אלפים 0.255). כאשר בחנו אירועי F1 שבאו בעקבות אירועי קבוצת F2 ו-F3, לא צפינו במנבאים מובהקים (אלפים 0.274).

אפנון רצף הציפיות פוחת ככל שהדמיון התפיסתי פוחת

אירועי F2 לא הושפעו מיעדים קודמים (כולם פס. 0.171), F1s (כל פס. 0.197), או F3s (כל פס. 0.174) מ אותו סט.

באופן דומה, תגובות לאירועי F3 לא היו מווסתות על ידי אירועי מוגדרים קודמים (יעדים: כל ה-ps . 0.484, F1s: all ps. 0.148,F2s: all ps . 0 .321).

מטרות והרדידים הדומים ביותר שלהם מראים השפעות מקבילות של רצף הציפיות

בהתחשב בהשפעות הדומות שנצפו עבור מטרות ואירועי F1 באופן עצמאי, כיסנו את השניים, כדי לבחון האם ההשפעות הללו משלימות (כלומר, האם יש אינטראקציה בין מצב הציפיות הנוכחי למצב הציפיות הקודם; איור 2C). אף על פי שהמכות ודחיות נכונות אינן בהכרח תוצרים של תהליך אותו זכרון, בפרדיגמה זו הם מספקים הזדמנות לבחון כיצד עומס תפיסתי (בצורת דמיון) מקיים אינטראקציה עם אפנון ציפיות דינמי.

ההשוואה המנמונית בין אירוע הסט הנוכחי (יעד או F1) לאירוע הסט הקודם שלו (F1 או יעד, בהתאמה), יוצרת את העומס הגבוה ביותר, או ההפרעה, לגבי האובייקט המקודד, כאשר המשתתף מקבל החלטת זיהוי. לכן, אם תהליכים תפיסתיים מעורבים, במפגש עם אירוע בלתי צפוי, ההשפעות שנצפו עבור כל אירוע מוגדר בנפרד צריכות להשתכפל. מצאנו השפעה עיקרית משמעותית של מצב הציפיות של האירוע הקודם (b=0.341, X2(1)=4.9,p=0.027), כמו גם אינטראקציה משמעותית בין מצב הציפיות של האירועים הנוכחיים והקודמים (ב =0.682, X2(1)=6.5, p=0.01).

בדיקות ניגודיות שלאחר מכן חשפו שכאשר אירוע הסט הקודם היה בלתי צפוי, נצפו תגובות נכונות יותר לציפיות בהשוואה לאירועים בלתי צפויים (UprevEcurr . UprevUcurr; z=3.1,p=0.002). UprevUcurr היה קטן יותר מבחינה מספרית מ-EprevUcurr, אך השפעה זו לא הגיעה למובהקות סטטיסטית (עמ'=0.116). בנוסף, היו תגובות נכונות יותר עבור אירועים עכשוויים צפויים בעקבות אירועים בלתי צפויים מהצפוי (EprevEcurr, UprevEcurr; z {{6 }}.22, עמ'=0.027).

For more information:1950477648nn@gmail.com