חקר זרימת מידע מקליפת המוח הפוסטרומדיה במהלך זיכרון עבודה ויזו-מרחבי: מחקר מגנטו-אנצפלוגרפיה חלק 2

מכשירי תצוגה והתקנה. גירויים חזותיים הוצגו באמצעות MATLAB (גרסה R2014b) ושגרות מ- Psychtoolbox (Brainard, 1997; Pelli, 1997; Kleiner et al., 2007).

גירוי חזותי הוא המידע החיצוני שאנו מקבלים דרך העיניים שלנו, שיש לו השפעה חשובה על הזיכרון שלנו. מחקרים מראים שלגירוי חזותי יש השפעה רבה על הזיכרון.

ראשית, גירוי חזותי יכול לשפר את שימור הזיכרון והשליפה. כאשר אנו רואים תמונה או תמונה בולטת מבחינה ויזואלית, המוח שלנו מאחסן אותה כזיכרון ספציפי יותר, וקל יותר למצוא אותה כאשר אנו צריכים לאחזר את הזיכרון. זה כולל תמונות בצבעים בהירים ובצורה ייחודית.

שנית, גירוי חזותי יכול גם לשפר את התמדה של הזיכרון. מחקרים מסוימים מראים שאנו זוכרים תמונות או תמונות בקלות רבה יותר מאשר מילים או מספרים פשוטים. לכן, בעת עיצוב חומרי למידה או מחקר, שילוב תמונות עם טקסט יעזור לזיכרון להחזיק מעמד.

לבסוף, גירוי ויזואלי יכול גם לעורר את היצירתיות והדמיון שלנו, וזה חשוב מאוד לזיכרון. כאשר אנו משלבים את המוח שלנו עם קלט חזותי, אנו יכולים ליצור זיכרונות חדשים וייחודיים שנדבקים למוח שלנו ביתר קלות ומעוררים את דמיוננו.

באופן כללי, לגירוי חזותי יש השפעה רבה על הזיכרון. על ידי יצירת חומרי למידה מדהימים חזותית או שימוש בצורות אחרות של גירוי חזותי, אנו יכולים לעזור למוח שלנו ללמוד ולשמר ידע טוב יותר, ולעורר את היצירתיות והדמיון שלנו. ניתן לראות שאנו צריכים לשפר את הזיכרון, ו-Cistanche deserticola יכול לשפר משמעותית את הזיכרון מכיוון ש-Cistanche deserticola הוא חומר רפואי סיני מסורתי בעל השפעות ייחודיות רבות, אחת מהן היא שיפור הזיכרון. היעילות של בשר טחון מגיעה מהמרכיבים הפעילים השונים שהוא מכיל, לרבות חומצה, פוליסכרידים, פלבנואידים ועוד. מרכיבים אלו יכולים לקדם את בריאות המוח בדרכים שונות.

לחץ על יודע תוספי מזון כדי להגביר את הזיכרון

במהלך הפעלות MEG, גירויים הוקרנו דרך חלון מותאם אישית על ידי מערכת הקרנה אחורית של InFocus IN5108 LCD (InFocus) הממוקמת מחוץ למגן Faraday, על גבי מסך הממוקם מעל המשתתף, עם רוחב תצוגה של 12 מעלות זווית ראייה. המשתתפים, בשכיבה על הגב, צפו במסך מ-113 ס"מ.

עבור הניסוי הפסיכופיזי, גירויים הוצגו במחשב שולחני DellOptiPlex 9010 המניע כרטיס גרפי AMD Radeon HD 7570 כדי למשוך גירויים למסך Samsung SyncMasterSA950 Full HD 3D LED בגודל 60 33 ס"מ, רענן ב-120 הרץ. הניסויים התקיימו בחדר חשוך, והמשתתפים ישבו וצפו במסך ממרחק של 64 ס"מ.

גירויים חזותיים ומטלה. במהלך הפגישות הפסיכופיזיות וה-MEG, המשתתפים השלימו משימת זיכרון עבודה ויזו-מרחבי. ביססנו את המשימה והגירויים על משימת אתגר זיכרון עבודה ששימשה בעבר (Kochan et al., 2010, 2011).

עבור המשימה שלנו, השתמשנו ב-8 תמונות של דפוסים מופשטים ששימשו בעבודה קודמת (איור 1A). כל גירוי קידוד ושליפה כלל אחת מ-8 התמונות הללו, באחד מ-9 מיקומים (איור 1B).

כל תמונה הייתה ריבועית, בקוטר של זווית ראייה של 2.5 מעלות, וכל אחד מ-9 המיקומים היה מרוכז במיקום של 4 מעלות זווית ראייה ממרכז המסך. צלב אפור כהה (ראה איור 1, רוחב 1 מעלות) תמיד היה קיים במרכז המסך. כל התמונות הוצגו על רקע אפור ממוצע.

כל ניסוי פעל לפי הרצף המודגם באיור 1C. במהלך הקידוד, הוצגו ארבעה גירויים, ברצף, באותו משך. גירויי הקידוד היו תמיד ארבע תמונות שונות, בארבעה מיקומים שונים, והמשתתף נדרש לזכור את ארבעת החיבורים הללו של זהות תמונה ומיקום.

בעקבות גירויי הקידוד, הוצג רעש לבן דינמי למשך 800 שניות (תקופת התחזוקה): דפוס הרעש היה ניגודיות של 20%, מרוכז באפור מזערי, מעודכן ב-120 הרץ.

כללנו רעש דינמי במהלך תחזוקה כדי להפחית את כל תמונת האחורי החזותית הנגרמת על ידי גירויי הקידוד. לאחר תקופת התחזוקה, הוצג גירוי אחזור, והמשתתפים ציינו אם גירוי האחזור נכלל בגירוי הקידוד שהוגדר לאותו ניסוי.

בעקבות תגובתם (באמצעות לחיצת כפתור), המשתתפים קיבלו משוב: צלב הקיבוע התחלף לירוק אם הוא נכון ואדום אם לא נכון.

לאחר 200 אלפיות השנייה של משוב, הצלב הקיבוע חזר לאפור כהה, ולאחר מרווח בין ניסויים משתנה של 300-800 אלפיות השנייה (שונה באקראי בין הניסויים), החל הניסוי הבא. הלחצנים ששימשו להגיב למטרה נוכחת/נעדרת הוחלפו בכל בלוק.

המשתתפים השלימו את המשימה בלוקים של 72 ניסויים. כדי לסייע בניתוח המסווג המבוסס על אותות MEG (להלן), הגירויים ששימשו עבור כל גירוי קידוד היו מאוזנים במלואם בתוך כל בלוק.

8 התמונות ב-9 מיקומים העניקו 72 גירויים ייחודיים, ולכל בלוק של ניסויים, 72 הגירויים הללו שימשו פעם אחת כגירוי הקידוד הראשון, השני, השלישי והרביעי.

קבוצות של גירויי קידוד נבחרו כך שהן תמיד הכילו ארבע תמונות שונות בארבעה מיקומים שונים, ללא תמונות או מיקומים חוזרים. הקצאנו מראש מחצית מהניסויים הללו, שנבחרו באקראי, להיות ניסויים "נוכחים במטרה", והשאר לניסויים "נעדר יעד".

עבור כל ניסוי, בחרנו גירוי אחזור על פי אם הוא הוגדר כניסוי "נוכחות מטרה" (גירוי שליפה היה אחד מגירויים המקודדים) או ניסוי "היעדר יעד" (גירוי שליפה לא נכלל במהלך הקידוד).

בניגוד לגירויים המקודדים, גירויי האחזור לא הכילו בהכרח כל אחד מ-72 הגירויים הייחודיים בכל בלוק, אבל כל התמונות והמיקומים היו בשימוש מספר שווה של פעמים על פני הבלוק.

השתמשנו במפגש הפסיכופיזי הראשוני כדי לאמן את המשתתפים במשימה וגם כדי לכייל את קושי המשימה בהתאם לביצועים שלהם. במהלך הפגישה הפסיכופיזית, משך גירויי הקידוד והשליפה השתנה בין ניסויים.

בכל ניסוי, לכל אחד מגירוי הקידוד היה אותו משך, וגירוי האחזור היה ארוך פי שניים מזה. על פני כל בלוק, נעשה שימוש בטווח של 9 משכים. כל משתתף השלים ארבעה בלוקים אימון ראשוניים, שבהם משך הקידוד היה 150-400 אלפיות השנייה.

השתמשנו בהתנהגות של כל משתתף בארבעת קוביות האימון הראשונות כדי לבחור טווח קטן יותר של משכים עבור קבוצה שנייה של קוביות המשימות שלנו. נעשה שימוש בנתונים מקבוצה שניה זו של ארבעה בלוקים כדי להעריך את משך הזמן שבו כל משתתף הגיע ל-75% ביצוע משימה נכון. נתונים לדוגמה ממשתתף אחד מוצגים באיור 2A.

עבור כל משתתף, אנו מצמידים לנתונים שלו פונקציה סיגמואידית (משוואה 1), כאשר הפרופורציה הנכונה (P) השתנתה עם משך הקידוד (10) לפי פרמטר יירוט (a, הגדרת משך הזמן, x, שבו {{2} }.75), פרמטר שיפוע (b ), ושיעור lapse(r), לפי הפרטים הבאים:

מצאנו את הפונקציה המתאימה ביותר (מוצג באדום באיור 2A) באמצעות פונקציית MATLABTlingit. בהתבסס על נתונים פסיכופיזיים אלה, בחרנו משך גירוי קידוד יחיד עבור כל משתתף עבור מפגש ה-MEG שלו, במטרה לביצוע כללי של 75% נכונים.

יעד זה נבחר כדי להבטיח שאף משתתף לא יבצע משימה בתקרה או ברצפה ולהפוך את המשימה למאתגרת מספיק עבור כל משתתף שכן התוצאות של Kochan et al.(2011) מצביעות על כך ש-PMC מעורבת במיוחד בדרישה לאתגרי זיכרון עבודה ויזו-מרחבי.

במהלך מפגש MEG, כל משתתף השלים 8 בלוקים של ניסויים עם משך גירוי קידוד יחיד זה ומשך גירוי שליפה של פי שניים מהערך. משך הזמן המשמש עבור כל משתתף, והביצועים הכוללים שלהם לאורך MEGsession, מוצגים באיור 2B.

פרוטוקולי סריקת MEG ו-MRI. נתוני MEG נאספו עם מערכת MEG עם ראש שלם (דגם PQ1160R-N2, KIT) באוניברסיטת Macquarie, המורכבת מ-160 מדדי מסדר ראשון קואקסיאליים עם קו בסיס של 50 מ"מ (Kadoet al., 1999; Uehara et al., 2003).

לפני מדידות MEG, חמישה סלילי סמן הונחו על ראשו של המשתתף. עמדות סמן, נקודות ימין ושמאל, וצורת ראש המשתתף תועדו עם דיגיטיזר עט (Polhemus Fastrack), תוך שימוש במינימום של 2000 נקודות.

נתוני MEG של כל משתתף נאספו בפגישה בודדת של;90 דקות, בתדירות דגימה של 1000 הרץ. בכל ניסוי, המשתתפים הגיבו באמצעות רפידת תגובה סיבים אופטיים (עיצובים נוכחיים).

MRI התקיים בבית החולים האוניברסיטאי מקווארי על מערכת 3TSiemens Verio. רכשנו תמונות תלת-ממדיות T1-משוקללות באמצעות רצף MP-RAGE (עובי פרוסה 1.0 מ"מ, רזולוציה 1.0 1.0מ"מ).

ניתוח נתונים של MEG: שחזור מקור. תהליכי הפילוח האוטומטיים מ- Freesurfer 6.0 (Dale et al., 1999; Fischl et al.,1999) יושמו על ה-MR המבני של כל משתתף כדי להגדיר את גבולות החומר האפור/לבן ו-pial/חומר אפור שלהם.

סיעור מוחות (neuroimage.usc.edu/brainstorm, גרסת ינואר 2019) (Tadel et al.,2011) שימש לעיבוד מקדים של אותות MEG ולביצוע שחזור מקור. ייבאנו את התמונות האנטומיות ו-Free-surfer-segmentation והגדרנו דגמי ראש על סמך הגבול הספיאלי/אפור של כל משתתף (משטח קורטיקלי).

יישרנו מערכי נתונים של MEG למודל הראש על ידי יישור האנטומיה בהתבסס על ה-MRI לנתוני ה-National, Preauricular ונתוני צורת הראש מתועדים מ-MEG. יצרנו מודל קדימה עבור כל אחד מ-8 בלוקים של ניסויים על ידי יישום מודל של מספר כדורים (Huang et al.,1999) על פני הקורטיקלי שלהם במיקום הראש הנמדד במהלך הבלוק.

נתוני MEG עובדו מראש ב-Brainstorm עם סינון חריץ (50,100 ו-150 הרץ), ואחריו סינון פס פס (0.2-200 הרץ). חפצי מצמוץ לב ועין הוסרו באמצעות הקרנת מרחב אות: אירועי מצמוץ לב ועין זוהו באמצעות מסנני ברירת מחדל בסיעור מוחות, אומתו ידנית ולאחר מכן שימשו להערכת מספר קטן של פונקציות בסיס המתאימות לרכיבי רעש אלה, שהוסרו מההקלטות (Uusitalo ו אילמונימי, 1997).

מהנתונים הפונקציונליים הללו, חילצנו שני תקופות לכל ניסוי: (1) מדד של פעילות בסיס (100 עד 1 ms ביחס להופעת גירוי הקידוד הראשון), ו-(2) התגובה המתעוררת (0 -4000 אלפיות השנייה). השתמשנו במדדי קו הבסיס כדי להעריך את שיתופיות הרעש עבור כל חסימה ולאחר מכן החלנו שחזור של מקור נורמה מינימלי על הנתונים שהועלו.
עבור כל שחזור מקור, השתמשנו במשטח קורטיקלי של 15,000 קודקוד (רשת סטנדרטית, עם מידע אטלס מיובא מהפילוח של Freesurfer). כיווני דיפול במודל המקור הוגבלו להיות נורמליים למשטח הקורטיקלי, השונות הרעשים הוסגרה באמצעות הערך העצמי החציוני, וכל האפשרויות האחרות נקבעו לערכי ברירת המחדל שלהן.

החזר ROI. הגדרנו ארבעה ROIs: קליפת העורף (OC), centrotemporalcortex (VTC), PMC ו- PFC, בהתבסס על נתוני אטלס המתואמים לאנטומיה של כל משתתף במהלך תהליך הפילוח של Freesurfer. השתמשנו באטלס Destrieux של Freesurfer כדי להגדיר את החזר ה-ROI שלנו (ראה Destrieuxet al., 2010).

החזר ה-ROI שלנו כלל את הפרצלציות הבאות של Destrieux et al. (2010, טבלה 1 שלהם): OC כלל את ה-OC כולו (מדדים 2, 11, 19, 20, 22, 42, 44, 51, 57, 58, 59); VTC כללה את ה-gyri וה-sulci inferiortemporal (מדדים 37, 72); PMC כלל את החלק האמצעי-אחורי של ה-cingulate gyrus ו-sulcus, ה-precuneus, הענף השולי של ה-cingulate sulcus וה-sulcus subparietal (מדדים 8, 30, 46, 71); ו- PFC כלל את ה- PFC כולו (מדדים 1, 5, 6, 24, 31, 62, 63, 64, 70).

ארבעת ה-ROIs הללו מוצגים על משטח קליפת המוח לא מנופח באגדה בחלק הימני העליון של איורים 3 ו-4. כל ה-ROIs כללו חלקים רציפים של משטח הקורטיקלי: שני החלקים הנפרדים של PMC באגדות הדמות הללו חוברו בתוך הסולקוס. עבור כל החזר ROI, חילצנו את נתוני ה-MEG התואמים לקבוצת המשנה של 15,000 המקורות שהיו ממוקמים בתוך ה-ROI והשתמשנו במערך הנתונים האלה בניתוח שלהלן.

ניתוחי סיווג. עבור כל החזר ROI, ביצענו סדרה של ניתוחי סיווג דפוסים רב-משתנים, בתוך כל סל של 5 אלפיות השנייה לאורך כל תקופת הניסוי. כל סיווג שאל באיזו מידה ניתן להשתמש בנתוני המקור מ-ROI יחיד בסל זמן בודד כדי להבדיל בין ניסויים של שתי מחלקות: לדוגמה, ניסויים עם גירוי הקידוד הראשון במיקום 1 לעומת מיקום 2.

אימנו מסווגים (מכונת וקטור תמיכה ליניארית) להבחין בין המיקום והתמונה של כל גירוי (ארבעה גירוי אחזור של גירוי 1 1): עבור 9 מיקומים, היו 36 השוואות זוגיות; ועבור 8 תמונות, היו 28 השוואות זוגיות. עבור סיווגים אלה, יצרנו "פסאודו-ניסויים" על ידי ממוצע בין ניסויים עם אותו ערך על ממד העניין, אך עם ערכים שונים בממד השני.

ניסויים פסאודו תמיד היו מאוזנים על פני המימד הלא רלוונטי של עניין עבור אותו גירוי. בעת סיווג מיקום הגירוי לגירוי הקידוד הראשון, כל פסאודו ניסוי היה הממוצע של 8 ניסויים כאשר גירוי הקידוד הראשון היה באותו מיקום: ניסוי אחד של כל תמונת גירוי. באופן דומה, ניסויים פסאודו לסיווג תמונות גירוי היו מאוזנים על פני המיקום של אותו גירוי.

כדי להבטיח שהתוצאות שלנו לא יהיו תלויות בהקצאה מסוימת של ניסויים לפסאודו-ניסויים, גרנו 20 קבוצות של פסאודו-ניסויים לכל סיווג זוגי, עדכנו את ההקצאה האקראית של הניסויים לכל קבוצה, וממוצע ביצועי הסיווג על פני אלה. בכל אחד מהמקרים, הדרכנו את המסווג על 90% מהנתונים ובדקנו את הביצועים שלו על פי הנתונים המוחזקים (10%) כדי להימנע ממעגליות.

חזרנו על התהליך הזה 10 פעמים (10- אימות צולב כפול) כך שכל מחיצה של הפסאודו-ניסויים נכללה ברצף הבדיקה; לאחר מכן מדדנו את ביצועי המסווגים בממוצע בין אלה.

מאחר שמשך הגירויים השתנה בין המשתתפים (180-320 אלפיות השנייה עבור גירויי הקידוד), בעת ממוצע דיוק המסווגים בין המשתתפים, יישרנו תחילה את הנתונים שלהם בכל תחילת גירוי, כלומר, באיורים 3-6, ישנם פחי זמן (מוצללים באפור) כאשר הממוצע כולל 11 משתתפים. באיורים אלה, ציר ה-x מסומן עבור גירוי של 320 אלפיות השנייה.

בדיקה סטטיסטית. כדי להעריך אם ביצועי המסווגים היו גבוהים באופן משמעותי מהסיכוי, השתמשנו בשילוב של בדיקת פרמוטציה ו-bootstrapping כדי ליצור הפצות אפס לא פרמטריות.

עבור כל משתתף, לקחנו את נתוני הניסוי המקוריים של MEG אך ערבבנו באופן אקראי את תוויות הניסוי בין הניסויים בתוך הנתונים של המשתתף. באמצעות נתוני התווית המעורבבים הללו, ביצענו את אותם ניתוחי סיווג כמו לנתונים המקוריים, כולל ניסויים פסאודו ו-10-אימות צולב כפול.

חזרנו על התהליך הזה 10 פעמים, ערבבנו באופן אקראי את תוויות הניסיון בכל זמן, וכתוצאה מכך 10 הערכות של ביצועי המסווגים בשיעור הסיכויים עבור כל סיווג בכל פעם. מכיוון שתהליך זה היה אינטנסיבי מבחינה חישובית, לא חזרנו על כל התהליך הזה 10,000 פעמים, אלא במקום זאת, השתמשנו באומדן של מונטה קרלו של ההתפלגות (Efron andTibshirani, 1994), תוך דגימה אקראית של 10 האומדנים הללו (עם החלפה) כדי ליצור מדגם של 10,000 אומדנים של כל ממוצע עבור כל החזר ROI של כל משתתף.

ביצענו הליך דגימה מחדש זה בנפרד עבור כל השוואה זוגית, בכל מדגם זמן, כך שהיו שילובים שונים של 10 האומדנים המקוריים בכל מקרה. זה הביא להתפלגות אפס של 10,000 מערכי נתונים שכדי להשוות את ביצועי המסווגים שנצפו. בנתוני התוצאות, אנו משרטטים את הטווח של 95% המרכזי של ערכי האפס כאזור בגוון אפור יחד עם התוצאות שאליהן הם תואמים.

בכל מקרה, ביצענו את כל הניתוחים על מערכי הנתונים האפסים באשר לנתונים המקוריים (למשל, כולל ממוצע בין המשתתפים) ולאחר מכן מיינו את הערכים בנפרד עבור כל מדגם זמן; מתוך אלה, הגדרנו את גבולות ה-95% המרכזיים כערך ה-251 עד ה-9750.

כדי ליצור ערכי p, השווינו את הערך הנצפה עם התפלגות האפס הרלוונטית. לדוגמה, כדי להעריך אם ביצועי המסווגים הם סיכוי גבוה יותר (מבחן חד-צדדי), הגדרנו את ערך ה-p כיחס של ערך אפס שווה ערך שהיו מעל הממוצע הנצפה (Maris and Oostenveld, 2007).

כדי לתקן השוואות מרובות על פני פחי זמן, הפעלנו תיקון שיעור גילוי כוזב (FDR) של q, 0.05 (Benjamini and Hochberg, 1995) על ערכי p אלה. בנוסף למבחנים הלא פרמטריים המבוססים על התפלגות האפס, השתמשנו בניתוח גורם aBayes (BF): חלופה לגישה התכופתית המסורתית (Kass and Raftery, 1995; Morey and Wagenmakers, 2014) המיושמת יותר ויותר במחקרי פענוח MEG (Teichmannet). אל., 2021).

BF משווה את הראיות להשערות מתחרות; כאן אנו מדווחים היכן יש ראיות בינוניות (BF. 3) או חזקות (BF. 10) לטובת ההשערה החלופית, או לפחות בינונית (BF, 1/3) בעד ראיות של השערת האפס. יישמנו את כל ניתוחי ה-BF באמצעות חבילת MATLAB (Krekelberg, 2021).

ניתוח זרימת מידע (IFA). מהסיווג הזוגי של כל אחד מ-9 המיקומים (36 זוגות) ו-8 התמונות (28 זוגות), עבור כל אחד מ-5 גירויים (4 גירויים מקודדים וגירוי השליפה), היה לנו דיוק המסווגים לאורך זמן עבור (36 1 28) 5=320 סיווגים. בתוך 5 תקופות נפרדות, המקבילות לזמן מהצגת כל גירוי ועד להצגה המוקדמת ביותר של הגירוי הבא (או, במקרה של גירוי שליפה, עד תום נתוני הניסוי), השתמשנו בערכי דיוק 64 המסווגים מהגירוי האחרון כמטריצת אי דומה (DSM) בכל פח זמן.

השתמשנו ב-DSMs אלה כדי לבדוק קשרים סיבתיים של גריינג'ר בין כל זוג של ROIs (IFA; לניתוח זה ולניתוחים דומים, ראה Ince et al., 2015; Goddard et al., 2016, 2022; Karimi-Rouzbahani, 2018; Kietzmann et al., 2019).

החזר ה-ROI A נאמר כ"גריינג'ר גורם" לדפוס ביצועי הסיווג ב-ROI שני (B) אם ניתן להשתמש בעבר של ה-ROI הראשון כדי לחזות את הביצועים העתידיים של ה-ROI השני טוב יותר מהעבר של ה-ROI השני בלבד. ביצע ניתוח חלון הזזה של סיבתיות (מקרה מיוחד) של גריינג'ר, תוך שימוש במתאמים החלקיים (ר של Spearman) במשוואה 2 כדי להגדיר את זרימת המידע (IF) מ-ROI A ל-ROI B(IFA.B) עבור כל פח זמן (ט).

כאשר DSM(loc,t) הוא ה-DSM המבוסס על המקורות ב-ROI loc בזמן t m מ-td ms ל-t-(d 1 w) ms לאחר תחילת הגירוי. חישבנו FF ו-FB עבור 30 חלונות חופפים: עבור 5 רוחבי חלונות (w= 10, 20, 30, 40 או 50 ms) עבור כל אחד מ-6 השהיה (d=50, 60, 70, 80 , 90 או 100). כמו בעבודה קודמת (Goddard et al.,2022), מכיוון שהתוצאות היו דומות בגדול על פני ערכי w ו-d, ערכי IFA.B היו ממוצעים על פני כל הערכים של w ו-d.

בנוסף לדיווח על IFA.B ו-IFB. עבור כל זוג של ROIs, יש לדווח על ההבדל בין אלה, כפי שמוצג במשוואה 3, כדי להעריך את הזמנים שבהם זרימת המידע בין ROI A ו-ROI B נשלטת על ידי כיוון אחד על פני האחר.

כדי להעריך אם כל זרימת מידע הייתה משמעותית .0, והאם כל הבדל שונה באופן משמעותי מאפס, חזרו על ניתוחי זרימת המידע בכל אחד מ-10,000 מערכי הנתונים שנוצרו מדשדוש תוויות ניסוי (מתואר למעלה) .

עבור כל זוג ROI, זה יצר התפלגות אפס של זרימת מידע (IF) והבדלים (Diff) מולם ניתן להשוות את הערכים הנצפים. השתמשנו באלו כדי להגדיר את 95% המרכזיים של התפלגות האפס, בשיטה אנלוגית לזו שתוארה לעיל לביצועי המסווגים. באופן דומה, גם השגנו ערכי p מהתפלגויות האפס הללו: עבור IF, שאלנו אם הערך הנצפה גדול מהאפס (בדיקה חד-צדדית, לעיל); ועבור Diff, שאלנו אם הערך המוחלט של ההפרש הנצפה גדול יותר במשרעת מהערך המוחלט של התפלגות האפס, והגדרנו את ערך ה-p כשיעור של ערכי אפס עם ערך מוחלט גדול יותר מהנצפה (בדיקה דו-צדדית).

כמו קודם, החלנו תיקון FDR של q, 0.05 על ערכי p אלה כדי לתקן השוואות מרובות על פני נקודות זמן. כדי להשלים ניתוחים אלה, ביצענו ניתוח BF כמדד של החוזק היחסי של ההשפעות הנצפות.

For more information:1950477648nn@gmail.com