通过颞阶判决的基于模型的分析测量注意力和视觉处理速度
2017年1月23日
时间顺序判断可用于估计处理速度参数和注意力权重，从而推断注意力处理的机制。这种方法可以应用于广泛的视觉刺激，并与许多注意力纵一起工作。
该协议的总体目标是测量几乎任意刺激的注意力和视觉处理参数。这是通过对时间顺序判断 TOJ 的数据进行建模来实现的。在这些中，参与者判断两个目标的呈现顺序，使用一种新颖的模型分析所得数据，该模型允许测量注意力如何影响刺激编码率。
Bundesen 的视觉注意理论为参数提供了多种用途，例如注意力权重和处理速率。通常，这些是使用字母或数字的项目报告任务中估计的，使用字母或数字以外的任何内容都很困难，并且需要强化训练，因此很少这样做。例如，很难想象如何使用这种方法测量视觉显著性和弹出显示。
因此，我们提出了一种新颖的基于 TVA 的方法，它使用可以在几乎任意刺激下进行的时间顺序判断。时间顺序判断长期以来一直被用于评估注意力，但与 TVA 相结合，它们变得更加强大，提供易于解释的参数。在时间顺序判断任务中，两个刺激（此处标识为 A 和 B）以紧密连续或同时显示。
时间顺序的感知可以用独立的通道模型来建模。在这样的模型中，每个目标都有独立的处理通道。阶数比较器监控通道，并在特定目标（此处为 A）先于另一个目标到达时记录计数。
在演示之前，我们简要描述了实验数据的典型表示形式。特定类型判断的相对频率（此处为 A first）是根据 SOA 绘制的，SOA 是两个目标呈现之间的时间间隔。现在，对于一个大的负 SOA，这意味着刺激 A 领先，最有可能 A 首先到达比较对象。
刺激 B 极少数情况下会提前到来。因此，我们获得一个数据点，表示接近 1 的相对频率。对于一个大的正 SOA，即刺激 B 导联，比较器很少记录 A 的第一个结果。
因此，我们得到一个接近于零的数据点。如果 SOA 为零，则同时显示目标，并记录 5 点机会水平的数据点。当 SOA 在一系列值上变化时，可以用心理测量函数来描述生成的模式。
现在，当注意力被引导到刺激物上时，这里是刺激物 A，它更早地到达比较器，因此，这里显示 SOA 为零时，A 第一次判断的概率增加。这改变了整个心理测量功能。红色曲线穿过点 5 级的 SOA 通常用于量化注意力的影响。
时间自动判断似乎是评估感知延迟的自然方法，这种方法已经回答了许多关于注意力和时间感知影响的问题。然而，TOJ 有一个核心弱点，这就是它的相对性质。时间自动感知可能会告诉我们刺激 A 在刺激 B 之前被感知到，但它并没有告诉我们为什么。
这可能是因为刺激 A 的处理速度较快，或者因为刺激 B 的处理速度较慢。为了提高解释力，从 TVA 派生出 TOJ 模型，TVA 对视觉刺激的编码过程进行建模。在每个频道中，假设编码根据 TVA 指数竞争模型进行。
在一定持续时间内对每个目标进行编码的概率将转换为先对一个目标进行编码的概率。对时间秩序的感知。重要的是，从 TVA 继承的两个速率参数可以回答以下问题：是有人参与的刺激措施处理得更快，还是无人值守的刺激措施处理得更快？
或者，这些比率也可以表示为相对注意力权重。根据研究问题选择刺激。通常，必须能够在屏幕上的不同位置显示两个目标。
在本协议的后面，我们展示了弹出式显示、自然图像和字母目标的实验结果。以下是如何使用自然图像中的动作空间和背景对象的示例。两个目标都在场的照片被放在一个没有目标的照片上。
通过使上部图像局部透明，可以虚拟地删除对象。通过此过程，将创建同时存在、不存在任何两个对象以及两个对象中的任何一个的图像，以建立首先具有背景、首先作空间和同时呈现的 TOJ。为了规划实验的设计和样本量，可以执行贝叶斯幂分析。
重复仿真数据，并使用预期的模型、实验设计和假设参数进行拟合。达到成功标准的模拟比例（例如，注意力权重的差异）用于估计实验的功效。使用实验构建器或心理物理学演示库来实现实验。
我们为开源实验构建器 OpenSesame 提供了一个带有字母、数字和形状的 TOJ，其中只需要指定 trials 表。我们还为具有自然图像的 TOJ 提供了一个 OpenSesame 示例。对于每个条件，为所有计划的 SOA 创建 Trial。
代表性结果显示了示例 SOA 分布。这两个目标定义为 probe 和 reference。参考始终显示为零，并且是无人值守的目标，而探针刺激则受到注意力纵。
在 SOA 为负的试验中，首先呈现探针刺激，然后在 SOA 之后呈现参考刺激。对于 SOA 为阳性的试验，首先提供参考刺激，延迟后根据 SOA 进行探测。对于 SOA 为零，请同时提供两个目标。
在中性条件下，探针和参考的分配是任意的，但对于分析数据是必需的。创建所有 SOA 的重复项。随机化或系统地改变没有影响的影响，例如刺激位置或目标身份。
重复次数取决于 attended 功率。大约有 800 个试验可以在 1 小时内进行。如果需要更多重复，请考虑将实验分成几个会话。
欢迎参与者并告知他们实验的一般过程。获得参与的同意。确保他们的视力正常或矫正为正常。
为实验提供一个安静的展位。调整椅子、下巴托和键盘等，以确保最佳状态。让参与者意识到实验需要注意力和精神集中，并且可能会让人疲劳。
请他们在需要时短暂休息。在屏幕上显示详细说明演示文稿和响应集合的说明。提醒参与者，任务是报告目标的感知时间顺序，并在他们根本无法分辨顺序的试验中进行猜测。
为避免在试验期间进行眼球运动，请参与者在屏幕上显示中心标记时固定该标记。让他们把头靠在下巴托上。如有必要，请他们短暂休息。
执行 10 到 20 次试验的简短训练。确认参与者理解任务。让他们解释一下。
如果他们没有进一步的问题，请离开展位参加主要实验。在将逐个试验数据转换为探针第一次判断的计数后，可以通过运行所需的 Beyesian 分层模型来估计参数。该过程完成后，绘制所有参数的收敛诊断图，并确认链已收敛并且它们提供了足够大的有效样本量。
然后，绘制并评估感兴趣的参数。本视频的下一部分显示了示例结果。第一个实验测量了视觉显著性对处理速度的影响。
参与者判断背景图案中的两个目标线段（左侧或右侧）中的哪一个首先闪烁。在一半的试验中，探针是彩色弹出的。数据使用前面描述的 TVA 衍生的 TOJ 模型进行拟合。
显着刺激的好处可以在注意力条件下看到，因为探针的注意力权重增加了 5 点 9。在没有目标突出的对照条件下，获得了第 5 点的中性权重，因此探针在注意力条件下的注意力权重可靠地更高。零，没有差异，不包括在 95 HDI 中。
探针和参考的单个权重表明，显著刺激优势是由于非显著刺激的 16 赫兹处理速率降低造成的。可能显著目标在一定程度上抑制了非显著目标的加工，因此相对受益。第二个实验调查了自然图像中描绘的动作空间中的注意力优势。
作空间、探针和背景对象引用，出现在 TOJ 中。在对照实验中，使用图像的倒置版本记录没有动作空间优势的基线，场景布局感知受到干扰。参数 posterius 表示 attention 条件下的动作空间优势。
探针重量高于第 5 点的中性线。奇怪的是，这在控制条件中也被发现，这表明图像反转并没有消除潜在的动作空间优势。因此，很可能是由显著性或可见性等因素引起的优势，这些因素不会被场景反转去除。
实验功率太低而无法检测到动作空间效应的可能性，在本协议的书面部分中进行了讨论。在第三个实验中使用了外围提示，导致附加参数产生很大的影响，该参数对编码过程之间的延迟进行建模。该实验在本协议的书面部分有详细讨论。
总之，本文中的协议描述了如何进行简单的 TOJ，并根据刺激编码的基本模型拟合数据。在三个实验中，我们表明结果可以在分层贝叶斯估计框架中进行评估。我们发现，弹出式显示器中的显著性会导致注意力权重增加。
此外，估计自然图像中动作空间对象的权重增加，但是，由于持续的优势，当空间关系因颠倒显示图像而受到干扰时，另一个注意力优势可能会导致权重增加。实验 3 中的外围提示导致一个参数值很大，该参数模拟编码过程之间的额外延迟。该协议的优点是 TOJ 任务的简单性，它几乎可以利用任意刺激。
TVA 的彻底理论基础和贝叶斯评估方案。尽管显著性在许多研究中起着重要作用，但其中只有少数研究试图量化视觉显著性。然而，量化视觉显著性将使我们能够比较不同的特征维度，如方向、颜色或运动。
在这里，我们研究了颜色对比对源自 TVA 的形式模型的注意力权重的影响，使我们能够以心理学上合理的方式定量测量显著性。为了该协议的成功，只有两个刺激在目标位置产生时间信号至关重要。在 TOJ 中明确建模其他刺激，例如外围线索，是未来研究的目标。
查看完整文字稿并访问数千部科学视频
概览
本协议旨在使用时间顺序判断（TOJs）来测量注意力和视觉处理参数。参与者评估两个目标的顺序，从而允许分析注意力如何影响刺激编码速率。
关键研究组成部分
科学领域
- 神经科学
- 视觉处理
- 注意力机制
背景
- 时间顺序判断可以估计处理速度和注意力权重。
- Bundesen的视觉注意理论为理解注意力参数提供了框架。
- 传统方法通常依赖于字母或数字，限制了多样化刺激的使用。
- 在这种情况下，测量视觉显著性和突出显示呈现的挑战。
研究目的
- 对各种视觉刺激的TOJ数据进行建模。
- 分析注意力如何影响刺激编码速率。
- 将注意力测量的应用扩展到传统项目之外。
使用的方法
- 参与者判断两个视觉目标的呈现顺序。
- 使用新颖的注意力效应模型分析数据。
- 应用Bundesen的理论来推导注意力参数。
- 关注任意刺激以评估视觉处理。
主要结果
- 证明了使用非传统刺激测量注意力的可行性。
- 提供了关于注意力如何调节编码速率的见解。
- 验证了TOJs在评估视觉处理参数中的使用。
- 强调了传统方法在多样化背景下的局限性。
结论
- 这种方法为研究注意力提供了一种稳健的方法。
- 它为使用多样化视觉刺激进行未来研究开辟了途径。
- 研究结果有助于更深入地理解注意力机制。
常见问题
Executive Industry Relevance
This protocol enables quantitative measurement of attentional weights and visual processing speed using temporal-order judgments, offering a mechanistic approach to de-risk target validation in early discovery. By extending Bundesen's Theory of Visual Attention to arbitrary stimuli, it supports assay development for phenotypic screening where traditional letter/digit-based methods fail. The hierarchical Bayesian framework provides group- and subject-level parameter estimates, enhancing predictive confidence in target engagement studies.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Measures attentional weight as a proxy for target salience, enabling interrogation of therapeutic hypotheses in complex visual environments.
- Operational Value: Uses simple temporal-order judgments to assess how attentional manipulations affect stimulus encoding rates without intensive training.
- Predictive Value: Provides interpretable parameters (attentional weight, processing rate) that support biological de-risking and portfolio triage based on target engagement strength.
Screening & Assay Development
- Assay Readiness: Enables preparation of validated biological systems using synthetic pop-out displays, natural images, or cued letter-report paradigms for downstream compound evaluation.
- Quantitative Outputs: Generates psychometric functions from temporal-order judgment data, allowing standardized, reproducible measurement of attentional effects across conditions.
- Platform Reuse: Supports screening scalability by accommodating almost arbitrary stimuli, reducing need for assay redevelopment when testing novel target classes.
Translational & Preclinical Research
- Translational Continuity: Connects discovery-phase attentional mechanism assessment to preclinical validation through disease-relevant systems where visual processing speed modulates phenotypic readouts.
- Risk-Adjusted Advancement: Hierarchical Bayesian estimates allow cross-functional teams to assess group-level effects with subject-level variability, supporting go/no-go decisions based on statistical confidence.
- Mechanistic De-risking: Distinguishes whether attentional benefits arise from faster target encoding or slower distractor processing, clarifying mechanism of action in target validation.
Pipeline & Workflow Integration
The method fits within the discovery continuum from hypothesis testing through lead identification, particularly when attentional modulation influences phenotypic assay outcomes or biomarker detection.
- Discovery Biology: Supports hypothesis testing by quantifying how attention modulates stimulus encoding rates, clarifying whether observed effects stem from target engagement or perceptual confounds.
- Screening: Delivers assay-ready, reproducible outputs via psychometric function fitting, enabling reliable compound library screening in attention-sensitive models.
- Analytics: Provides hierarchical Bayesian parameter estimates (attentional weight, processing rate) that allow quantitative comparison of experimental conditions and effect sizes.
- Translational Research: Connects to preclinical work when visual processing speed influences biomarker detection or functional readouts in disease models.
- Enterprise Reuse: Establishes a reusable capability for attentional mechanism assessment across projects, reducing redundant method development.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in target validation by reducing mechanistic ambiguity in attentional effects.
- Operational Value: Enhances standardization and reproducibility through model-based analysis of temporal-order judgments.
- Strategic Value: Improves go/no-go decision quality by quantifying attentional contributions to phenotypic signals, reducing late-stage biological risk.
- Portfolio Impact: Enables risk-adjusted prioritization of targets based on robust, quantifiable engagement metrics in complex visual contexts.
Implementation Considerations
- Requires expertise in psychophysical testing, computational modeling, and hierarchical Bayesian estimation.
- Needs stimulus presentation hardware (e.g., calibrated display) and software capable of precise SOA control (e.g., OpenSesame).
- Demands cross-team standardization of stimulus design, SOA ranges, and response collection protocols for multi-site reproducibility.
- Involves adaptation considerations when translating from synthetic displays to natural images or clinical-relevant visual paradigms.
- Limited by the assumption of independent processing channels; may not capture interactions in highly complex or crowded visual fields.
Biopharma FAQs
Chapters in this video
0:00
Title
0:24
Theroretical Background
3:38
A TVA-based TOJ Model
4:27
Selection of Stimulus Material
5:16
Power Estimation and Planning
5:41
Specification or Programming of the Experiment
7:09
Experimental Procedure
8:19
Model-based Analysis of TOJ Data
8:51
Reprensentative Results
11:07
Conclusion
