Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Methodenartikel

Assoziatives Lernen und belastende Kindheitserfahrungen: Ein Multi-System-Protokoll

133 Aufrufe

⸱

DOI:

10.3791/72357

⸱

21. August 2026

 ,  ,  ,  ,  ,  ,  ,  ,  , 
1Escuela de Psicología, Universidad de los Andes, Chile, 2Facultad de Ingeniería y Ciencias aplicadas, Universidad de los Andes, Chile, 3Departamento de Psicología, Universidad de Chile, 4Departamento de Kinesiología, Universidad Metropolitana de Ciencias de la Educación, 5Centro Nacional de Inteligencia Artificial (CENIA), 6Universidad de O'Higgins, 7Departamento de Psiquiatría Norte, Universidad de Chile

In diesem Artikel

Zusammenfassung

Dieses Protokoll beschreibt eine integrierte 60-minütige Testbatterie – pavlovianische zu operanter Angstbedingung mit Vermeidung, Angstakquise–Extinktion–Reakquise mit sozialen Reizen und probabilistisches Belohnungslernen –, die gleichzeitig Hautleitfähigkeit, Verhalten und phasenweise Bewertungen erfasst, um pro Teilnehmer Indizes des Lernens im Bereich Bedrohung und Belohnung bei Erwachsenen abzuleiten.

Zusammenfassung

Schlechte Kindheitserfahrungen (ACEs) sind etablierte transdiagnostische Risikofaktoren für Angststörungen und Depressionen im Erwachsenenalter, doch die neurokognitiven Mechanismen, die frühe Belastungen mit Symptomen verbinden, bleiben innerhalb eines einheitlichen Modells unklar. Dieses Protokoll stellt eine integrierte, multisystemische experimentelle Testbatterie vor, die innerhalb einer einzigen Laborsitzung die Unterscheidung von Bedrohungen, das Erlernen von Sicherheit und die Empfindlichkeit gegenüber Belohnung erfasst. Achtunddreißig gesunde Erwachsene absolvierten drei Verhaltensparadigmen – pavlov’sche zur operanten Angstbedingung mit Vermeidung (Experiment 1), Erwerb-Auslöschung-Wiedererwerb von Angst mit sozialen Reizen (Experiment 2) und probabilistisches Belohnungslernen (Experiment 3) – sowie validierte Selbstberichte über belastende Kindheitserfahrungen (CTQ-SF), positive Kindheitserfahrungen (BCE), Depressionen (PHQ-9) und Angst (GAD-7, STAI). Mehrkanalige Daten wurden gleichzeitig erhoben: die Hautleitfähigskeitsreaktion (SCR) als physiologischer Indikator autonomer Erregung, Tastendruck-Vermeidung und probabilistische Entscheidungen als Verhaltensindikatoren sowie phasenspezifische subjektive Einschätzungen von Erwartung, Bedrohung und Erleichterung. Jedes Paradigma zeigte den erwarteten Effekt: pavlov’sche Diskriminierung in der SCR (p = 0,009, ηp2 = 0,12), in der Erwartung (p < 0,001, ηp2 = 0,58) und in den Bedrohungsbewertungen (p < 0,001, ηp2 = 0,35); operante Erleichterung unterschied vermeidbare von unvermeidbaren Bedrohungen (p < 0,001, d = 0,86); unterschiedliche autonome Reaktionen während des Erwerbs, jedoch nicht während der Auslöschung in Experiment 2 (Erwerb p = 0,008; Auslöschung p = 0,168), die gleichzeitig mit einer persistenten deklarativen Kenntnis der Kontingenz bestand (p < 0,001, d = 3,08); und ein über dem Zufallsniveau liegendes probabilistisches Belohnungslernen in Experiment 3 (M = 73 %, p < 0,001, d = 1,97). Das multisystemische Design offenbarte Dissoziationen, die ein einzelner Messkanal übersehen hätte, insbesondere eine abgeschwächte autonome Reaktion bei gleichzeitig anhaltender subjektiver Bedrohung. Indizes pro Teilnehmer, abgeleitet aus dem Protokoll, reagierten empfindlich auf individuelle Unterschiede in der Kindheitserfahrung, wobei exemplarische Moderationsanalysen im ergänzenden Material dargestellt sind. Das Protokoll bietet einen tragbaren, skalierbaren Rahmen, um abzubilden, wie frühe Belastungen die Verarbeitung von Bedrohung und Belohnung im Erwachsenenalter neu justieren.

Einleitung

Belastende Kindheitserfahrungen (Adverse Childhood Experiences, ACEs), zu denen Missbrauch, Vernachlässigung und familiäre Dysfunktion gehören, sind weltweit weit verbreitet, wobei die Häufigkeit in vielen Bevölkerungsgruppen über 60 % liegt1. Forschungssynthesen zeigen, dass die meisten Kinder während ihrer Entwicklung mindestens einer belastenden Erfahrung ausgesetzt sind2. ACEs sind als transdiagnostische Risikofaktoren für psychische Erkrankungen im Erwachsenenalter gut dokumentiert3 und tragen schätzungsweise zu 30 % der Angststörungen und 40 % der Depressionen bei1. Trotz dieser starken Assoziation stützen sich gängige klinische Assessments auf kategoriale Diagnosen und retrospektive Selbstberichte, die anfällig für Erinnerungsbias sind und neurokognitive Prozesse in Echtzeit nicht erfassen können4.

Um diese Einschränkungen zu überwinden, rückt zunehmend die transdiagnostische Herangehensweise in den Vordergrund, die auf zugrundeliegende Mechanismen abzielt, insbesondere auf assoziatives Lernen. Assoziatives Lernen, das sowohl das pavlov’sche als auch das operante Konditionieren umfasst, bietet einen Rahmen, um zu verstehen, wie Individuen Beziehungen zwischen Umweltreizen, Verhaltensweisen und Ergebnissen erfassen, um daraus Handlungsentscheidungen abzuleiten4,5. In diesem Rahmen besagt die Theorie der latenten Verletzlichkeit, dass frühe Belastungen neurobiologische Anpassungen hervorrufen, wie beispielsweise eine erhöhte Wachsamkeit, die in unvorhersehbaren Umgebungen ursprünglich vorteilhaft ist, sich jedoch in späteren, sichereren Kontexten als nachteilig erweisen kann6,7.

Befunde deuten darauf hin, dass belastende Kindheitserfahrungen (ACEs) sowohl lernbezogene Prozesse im Zusammenhang mit Bedrohung als auch mit Belohnung beeinflussen. Personen mit einer Vorgeschichte von Belastungen weisen häufig eine verminderte Unterscheidungsfähigkeit zwischen konditionierten Gefahrenreizen (CS+) und Sicherheitsreizen (CS−) auf, was auf verändertes Bedrohungslernen hinweist8. Parallel dazu wurde bei früher Belastung eine verminderte Empfindlichkeit gegenüber Belohnungen beobachtet, die sich in geringerer Genauigkeit und langsamerem Erwerb von Belohnungskontingenzen äußert8. Unter Bedingungen der Unsicherheit können diese Personen zudem eine erhöhte Variabilität in ihren Entscheidungen und eine Tendenz zeigen, zufällige Belohnungsereignisse anzunehmen – ein Befund, der mit einer frühen Exposition gegenüber instabilen Umgebungen übereinstimmt5,9.

Diese Lernmuster werden zudem durch schützende und zustandsabhängige Faktoren geprägt. Positive Kindheitserfahrungen (BCEs) können die Auswirkungen von Belastungen auf Lernsysteme abschwächen10, während aktuelle affektive Zustände, wie beispielsweise Angst, Konditionierungsprozesse modulieren können11. Physiologische Messgrößen der autonomen Erregung, einschließlich der Hautleitfähigskeitsreaktion (SCR), liefern objektive Indizes dieser Prozesse und werden in Konditionierungsparadigmen weit verbreitet eingesetzt12.

Eine wesentliche Einschränkung der bisherigen Literatur besteht in der Verwendung isolierter Aufgaben, die Lernen im Hinblick auf Bedrohung oder Belohnung unabhängig voneinander erfassen, wodurch die Möglichkeit eingeschränkt wird, integrierte neurokognitive Funktionen abzubilden1. Das vorliegende Protokoll schließt diese Lücke, indem es einen standardisierten Rahmen bietet, der Verhaltens- und physiologische Messungen über mehrere Lernbereiche hinweg kombiniert. Insbesondere umfasst das Protokoll drei experimentelle Bestandteile: (1) ein Paradigma zur Untersuchung des Übergangs von klassischer zu operanter Konditionierung, (2) eine Aufgabe zur sozialen Angstextinktion und (3) eine Aufgabe zum probabilistischen Belohnungslernen8.

Die Begründung für diese spezielle Kombination von Paradigmen liegt nicht darin, dass eine dieser drei Aufgaben für sich genommen empfindlicher gegenüber früher Belastung ist als die zahlreichen anderen etablierten Lernparadigmen; vielmehr liegt die Begründung in der Messtechnik. In ihrer systematischen Übersichtsarbeit über 81 Studien (38 zur Bedrohung, 43 zur Belohnung) zeigten Ruge et al.1, dass die Literatur zum Zusammenhang zwischen ACEs und assoziativem Lernen heterogen bleibt und in entscheidenden Aspekten unklar ist, genau deshalb, weil Studien typischerweise eine einzelne Aufgabe verwenden, einen einzigen Antwortkanal erfassen und Belastung auf nicht harmonisierte Weise operationalisieren. Beispielsweise berichteten die Hälfte der Verhaltensstudien zum Belohnungslernen von abgeschwächtem Lernen, während die andere Hälfte keine signifikanten Ergebnisse fand; die kleine Literatur zur Extinktion wird dominiert von negativen Befunden und von Berichten, die die vorhergehende Erwerbsphase auslassen; und kein Ergebnismaß hat sich als universell zuverlässiger erwiesen, sodass verschiedene Antwortkanäle nicht austauschbar sind. Ihre ausdrückliche Empfehlung ist ein Übergang hin zu within-subject-, mehrdimensionalen und mehrkanaligen Protokollen, die Indizes auf individueller Ebene liefern. Die vorliegende Triade folgt dieser Empfehlung, da ihre drei Aufgaben drei rechnerisch unterscheidbare Anforderungen abdecken, die kein einzelnes Paradigma umfasst und die laut der Theorie der latenten Verwundbarkeit7 von Belastung unterschiedlich geprägt werden sollten: (i) Diskriminierung von Bedrohung und Sicherheit in Kombination mit instrumenteller Kontrollierbarkeit, wobei Erleichterung als vermutlicher Verstärker von Vermeidung gilt13; (ii) inhibitorisches (Sicherheits-)Lernen und Rückkehr der Angst, untersucht mit sozialen Gesichtsreizen11, dem ökologisch relevanten Stimulusbereich für zwischenmenschliche Misshandlung; und (iii) Verstärkungslernen unter probabilistischer Unsicherheit, das pro Teilnehmer rechnerische Parameter liefert (Lernrate Alpha, inverse Temperatur Beta)8. Da alle drei Aufgaben innerhalb desselben Teilnehmers durchgeführt werden, ist das Design darauf ausgelegt, zu prüfen, ob ACE-assoziierte Veränderungen übergeordnet sind – eine globale Neukalibrierung des assoziativen Lernens, wie Hanson et al.8 vorschlagen und wie ein neurokomputationales Modell latenter Verwundbarkeit vorhersagen würde6 – oder valenzspezifisch, auf den Bereich der Bedrohung beschränkt. Eine Studie mit nur einer Aufgabe kann aufgrund ihres Aufbaus nicht zwischen diesen konkurrierenden Hypothesen entscheiden.

Die Batterie dient dazu, eine Reihe expliziter, gerichteter Vorhersagen zu testen, die an der vorliegenden Stichprobe aufgrund unzureichender statistischer Power nicht überprüft werden können und hier als Zielvorgaben für ausreichend powered Studien formuliert werden. Im Einklang mit dem von Ruge et al.1 beschriebenen abgeschwächten Lernmuster wird erwartet, dass eine höhere ACE-Belastung assoziiert ist mit (i) einer verminderten Diskriminierung zwischen CS+ und CS− im Experiment 1, verursacht durch eine abgeschwächte Reaktion auf den CS+, wobei dieser Effekt im autonomen Kanal (SCR) stärker ausgeprägt sein dürfte als in der deklarativen Erwartung, die intakt bleiben könnte; (ii) stärkerem Vermeidungsverhalten und höherer subjektiver Erleichterung beim vermeidbaren CS+, was mit einer durch Erleichterung verstärkten Vermeidung übereinstimmt13; (iii) langsamerer Extinktion und schnellerem, stärkerem Wiederauftreten der Angst bei der Neuerwerbung im Experiment 2, ein Effekt, der durch soziale Reize (Gesichter) verstärkt werden soll, die ökologische Relevanz für zwischenmenschliche Belastungen besitzen11; sowie (iv) geringerer Wahlgenauigkeit, einer niedrigeren Lernrate (Alpha) und größerer Wahlvariabilität (niedrigeres Beta) im Experiment 38. Entscheidend ist, dass die drei Aufgaben gemeinsam eine fünfte, differenzierende Vorhersage adressieren: Falls ACE-bedingte Veränderungen übergeordnet (domain-general) sind, sollte eine Abschwächung in allen drei Aufgaben sichtbar werden; falls sie valenzspezifisch sind, sollte sie auf die beiden Bedrohungsparadigmen beschränkt sein und bei dem probabilistischen Belohnungslernen fehlen. Da die Antwortkanäle simultan erfasst werden, lässt sich eine weitere Vorhersage prüfen – nämlich dass ACE-Effekte kanalabhängig und nicht einheitlich sind, sodass aus einem einzelnen Kanal gezogene Schlussfolgerungen nicht auf die anderen übertragbar wären.

Experiment 1 passt das von San Martín et al.13 entwickelte Pavlov’sche-zu-operanden Angst-Konditionierungsparadigma mit Vermeidung und trialweise abgefragten Erleichterungsbewertungen an, bei dem zwei CS+-Reize (einer vermeidbar, einer unvermeidbar) und ein CS− verwendet werden, um die pavlov’sche Diskrimination von der instrumentellen Kontrolle über das aversive Ergebnis zu trennen. Im ursprünglichen Paradigma wurden die Erwartungsbewertungen bezüglich des US während der pavlov’schen Erwerbsphase retrospektiv am Ende der Phase durch den Versuchsleiter erfasst, nicht trialweise. Bei der vorliegenden Anpassung wurden subjektive Bewertungen von Erwartung, Bedrohung und Erleichterung kontinuierlich während der Aufgabe phasenweise mittels visueller Analogskalen erhoben, wodurch eine fortlaufende Erfassung der Lernprozesse über die einzelnen Phasen hinweg ermöglicht wird.

Experiment 2 passt das Angst-Akquisition-Extinktions-Protokoll mit sozialen (Gesichts-)Reizen von Dibbets und Evers9 an und erweitert es um einen kurzen Re-Akquisitionstest zur Bewertung des schnellen Wiederauftretens konditionierter Reaktionen (Spar-Effekt).

Experiment 3 passt die von Hanson et al.8 eingeführte Aufgabe zum probabilistischen Belohnungslernen für die Untersuchung lernbezogener Unterschiede im Zusammenhang mit früher Belastung an, mit zwei Belohnungskontingenzen (80/20 und 70/30), die die Schätzung individuenspezifischer Parameter des Verstärkungslernens (Q-Learning Alpha und Beta) ermöglichen. Durch die Integration dieser drei Paradigmen in eine einzige Laborsitzung erlaubt der vorliegende Protokollansatz einen direkten intra-individuellen Vergleich von Lernprozessen im Bereich von Bedrohung und Belohnung, die typischerweise isoliert untersucht werden. Neben der Versuch-genauen Genauigkeit und den Q-Learning-Parametern liefert die Analyse-Pipeline auch individuelle Steigungen der Lernverläufe aus einem angepassten linearen gemischten Modell, die für die Verwendung in größeren Stichproben zur Verfügung stehen.

Zwei unterschiedliche Ziele müssen hier getrennt betrachtet werden, da sie nicht äquivalent sind. Das erste Ziel besteht darin, nachzuweisen, dass eine Batterie dieser Art als einzelne, integrierte 60-minütige Sitzung durchgeführt werden kann und dass jedes ihrer Bestandteile den kanonischen Effekt hervorruft, für den es konzipiert wurde; die Reproduktion kanonischer Effekte stellt dafür ausreichende Evidenz dar. Das zweite Ziel besteht darin, nachzuweisen, dass die resultierenden Indizes empfindlich und spezifisch gegenüber den Folgen kindlicher Belastungserfahrungen sind; die Reproduktion kanonischer Effekte allein ist dafür nicht ausreichend, und die vorliegende Stichprobe ist nicht ausreichend dimensioniert, um dies zu leisten. Das primäre Ziel dieser Arbeit ist daher die technische und methodische Durchführbarkeit der integrierten Testbatterie: ob Bedrohungserwerb, instrumentelle Vermeidung mit Erleichterung, Extinktion und Rückkehr der Angst mit sozialen Reizen sowie probabilistisches Belohnungslernen simultan über autonome, verhaltensbezogene und selbstberichtete Kanäle innerhalb einer einzigen Sitzung erfasst werden können und ob die Analysepipeline stabile, wiederverwendbare Indizes pro Teilnehmer liefert (differenzielle SCR-Kontraste, operanter Erleichterungskontrast, Q-Learning-Alpha- und Beta-Parameter sowie individuelle Lernverlaufssteigungen). Die Bewertung von ACE-bezogenen Veränderungen im Lernen stellt ein sekundäres, exploratives und veranschaulichendes Ziel dar: Die hier berichteten Einzelunterschiedsanalysen sollen die Messfähigkeit des Protokolls demonstrieren und seine Kandidatenindizes für zukünftige Arbeiten verfügbar machen, nicht jedoch spezifisch Trauma-Lern-Pfade testen. Das Protokoll liefert somit Kandidatenindizes; ob diese die erforderliche Sensitivität und Spezifität besitzen, um die neurokognitiven Folgen kindlicher Belastungserfahrungen zu charakterisieren, muss in größeren, idealerweise extremgruppenangereicherten und vorregistrierten Stichproben geklärt werden1,14.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Das vorliegende Protokoll beschreibt die Verfahren und Instrumente zur Messung der Hautleitfähigkeitsreaktion (SCR) bei gesunden Teilnehmern ab 18 Jahren gemäß den Anforderungen des Ethikkomitees. Vor der Teilnahme an der Studie unterschrieben alle Teilnehmer eine informierte Einwilligungserklärung, die auch die Möglichkeit vorsah, sie nach sechs Monaten zu einer Nachuntersuchung erneut zu kontaktieren. Alle in diesem Dokument beschriebenen Verfahren wurden vom Wissenschaftlichen Ethikkomitee der Universidad de los Andes (ID: CEC2025023) genehmigt.

HINWEIS: Dieses Protokoll enthält eine detaillierte Beschreibung des gesamten experimentellen Ablaufs (Abbildung 1), einschließlich der Terminplanung der Teilnehmer, der Laborvorbereitung, der Erfassung physiologischer Signale, der Datenorganisation und der datenbezogenen Maßnahmen nach dem Experiment. Außerdem wird das Schulungsverfahren für das Personal beschrieben, das sicherstellt, dass SCR-Aufzeichnungen über alle experimentellen Sitzungen hinweg konsistent, standardisiert und zuverlässig erhoben werden.

Integriertes Mehrsystemprotokoll-Diagramm; Fragebögen, Experimente; physiologische, verhaltensbezogene Messungen
Abbildung 1: Übergeordnetes Schema des Studiendesigns. Jeder Teilnehmer absolvierte eine einzige Laborsitzung, die drei aufeinanderfolgende Verhaltensparadigmen umfasste: pavlovianische zu operanter Angstbedingung mit Vermeidung (Experiment 1), Angstakquisition–Extinktion–Reakquisition mit sozialen Reizen (Experiment 2) und probabilistisches Belohnungslernen (Experiment 3). Selbstberichte über kindliche Belastungen (CTQ-SF), positive kindliche Erfahrungen (BCE) und aktuelle Symptome (PHQ-9, GAD-7, STAI) wurden ebenfalls erhoben. Multikanal-Daten – Hautleitfähigkeitsreaktion, Verhalten (Vermeidung, probabilistische Entscheidungen) und subjektive Bewertungen (Erwartung, Bedrohung, Erleichterung) – wurden gleichzeitig aufgezeichnet. Die personenspezifischen Kennwerte wurden in Analysen individueller Unterschiede eingegeben (siehe Ergänzende Datei 2). Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

1. Schulung des Personals

  1. Schulen Sie jedes Teammitglied in drei progressiven Stufen, um standardisierte und genaue Datenerfassung sicherzustellen.
    1. Führen Sie interne Probelauf durch, bei denen jedes Teammitglied Proben entnimmt und alle drei Experimente gemäß den jeweiligen Protokollen durchführt, sodass der Auszubildende mit der Ausrüstung und der Handhabung der Teilnehmer vertraut wird.
    2. Anschließend entnimmt jeder Auszubildende unter Aufsicht mindestens eines der leitenden Forscher Proben von echten Teilnehmern, um seine Fähigkeit zur Durchführung des Protokolls zu überprüfen und eventuelle Fehler zu korrigieren.
    3. Ermächtigen Sie den Assistenten erst dann, Proben eigenständig zu entnehmen und neue Teilnehmer einzuplanen, wenn das vollständige Protokoll unter Aufsicht korrekt angewendet wurde.

2. Zeitplanung

  1. Rekrutieren und planen Sie Teilnehmer über soziale Medien, wobei die allgemeinen Forschungsziele und die Teilnahmekriterien angegeben werden.
    1. Erstellen Sie ein digitales Plakat und verbreiten Sie es über die Rekrutierungskanäle, um möglichst viele potenzielle Teilnehmer zu erreichen.
    2. Weisen Sie interessierte Kandidaten an, das Forschungsteam per E-Mail zu kontaktieren, und vereinbaren Sie einen Termin an einem für den Teilnehmer günstigen Tag.
    3. Schicken Sie dem Teilnehmer einen Link zu dem Online-Fragebogen mit dem Titel „The Invisible Marks: The Role of Associative Learning in the Relationship between Adverse Childhood Experiences and Mental Health in Adulthood“.
    4. Beginnen Sie den Fragebogen mit einem Aufklärungsbogen, den der Teilnehmer lesen und akzeptieren muss, bevor weitere Fragen angezeigt werden.
    5. Nehmen Sie in den Fragebogen einen soziodemografischen Abschnitt sowie die folgenden validierten psychometrischen Skalen auf: Patient Health Questionnaire-9 (PHQ-9)15, Generalized Anxiety Disorder Screener (GAD-7)16, State-Trait Anxiety Inventory (STAI)17, Childhood Trauma Questionnaire—Short Form (CTQ-SF)18 und Benevolent Childhood Experiences (BCEs)10.

3. Vorbereitungen

  1. Stellen Sie sicher, dass mindestens eine Mitarbeiterin oder ein Mitarbeiter im Labor anwesend ist, bevor die Versuchsperson eintrifft. Bereiten Sie die Versuchsumgebung vor, überprüfen Sie die ordnungsgemäße Funktion der Geräte und stellen Sie sicher, dass alle protokollbasierten Anforderungen erfüllt sind, bevor die Sitzung beginnt:
    1. Schalten Sie den Laborcomputer ein und überprüfen Sie, ob das Betriebssystem, die Versuchssoftware und alle Peripheriegeräte ordnungsgemäß funktionieren.
    2. Stellen Sie sicher, dass die Versuchsdateien und das Datenerfassungssystem einsatzbereit sind.
    3. Öffnen und prüfen Sie die tägliche Ablaufdatei, bevor die Versuchsperson das Labor betritt.
    4. Identifizieren Sie den entsprechenden Identifikationscode (ID), der der eintreffenden Versuchsperson zugewiesen wurde.
    5. Überprüfen Sie die Reihenfolge der experimentellen Bedingungen gemäß der vorgegebenen Gegenbalancierung.
    6. Stellen Sie sicher, dass der Versuchsperson die korrekte experimentelle Reihenfolge zugewiesen wurde, bevor die Datenerfassung beginnt.
      HINWEIS: Die tägliche Ablaufdatei enthält alle notwendigen Informationen, um die ID der Versuchsperson zuzuweisen und die Durchführungsreihenfolge des Experiments festzulegen, wobei die erforderliche Gegenbalancierung über alle experimentellen Bedingungen hinweg gewahrt bleibt. Beispielsweise kann einer Versuchsperson die ID „015“ zugewiesen werden.
    7. Richten Sie die Datenspeicherung auf dem Laborcomputer in der standardisierten Verzeichnisstruktur ein, die von der automatisierten Verarbeitungspipeline vorausgesetzt wird: ein Hauptordner pro Experiment, ein Unterordner pro Gegenbalancierungsbedingung und ein Ordner pro Teilnehmer-ID sowie zwei globale Ordner für die verarbeiteten Daten und die konsolidierten Datenbanken (siehe Supplementary File 1).
    8. Erstellen Sie den Teilnehmerordner entsprechend der im täglichen Ablaufdokument angegebenen ID und Gegenbalancierungsbedingung, bevor die Datenerfassung beginnt, und befolgen Sie während der gesamten Sitzung die in Supplementary File 1 festgelegten Benennungskonventionen für Verzeichnisse und Dateien, da die Vorverarbeitungs- und Datenbankskripte die Dateien anhand ihres Pfads und Namens lokalisieren.
      HINWEIS: Der Verzeichnisbaum, die Bezeichnungen der Gegenbalancierungs-Unterordner, die Dateibenennungskonventionen sowie ein vollständiges Beispiel sind in Supplementary File 1 dargestellt. Abweichungen von diesen Konventionen verhindern, dass die automatisierte Pipeline die Dateien der Versuchsperson auffinden kann.
    9. Stellen Sie sicher, dass auf dem Versuchstisch keine externen oder ablenkenden Gegenstände vorhanden sind. Erlauben Sie lediglich das Datenerfassungssystem und die für das Experiment erforderlichen Computerperipheriegeräte auf dem Tisch.
    10. Bitten Sie die Versuchsperson ruhig und professionell in den Raum.
    11. Bitten Sie die Versuchsperson, alle persönlichen Gegenstände im dafür vorgesehenen Bereich abzulegen.
    12. Weisen Sie die Versuchsperson an, ihr Mobilgerät auf stumm zu schalten, um Unterbrechungen oder Ablenkungen während der experimentellen Sitzung zu vermeiden.
    13. Bitten Sie die Versuchsperson, alle Accessoires von ihrer nicht-dominanten Hand zu entfernen, insbesondere Ringe, Armbänder oder jegliche Gegenstände an Mittel- und Ringfinger, da diese die Messungen beeinträchtigen könnten.
    14. Führen Sie die Versuchsperson an, sich bequem auf den Stuhl vor dem Laborcomputer zu setzen.
    15. Überreichen Sie der Versuchsperson eine gedruckte physische Kopie des Dokuments zur informierten Einwilligung.
    16. Gewähren Sie der Versuchsperson ausreichend Zeit, um das Dokument zu lesen, und ermutigen Sie sie gegebenenfalls, Fragen zu stellen.
    17. Stellen Sie sicher, dass das Einwilligungsformular ordnungsgemäß unterschrieben wurde, bevor mit irgendeinem experimentellen Verfahren begonnen wird.
      HINWEIS: Das Verfahren zur informierten Einwilligung wird physisch wiederholt, um den Anforderungen des Ethikkomitees zu genügen und eine physische Sicherungskopie der Einwilligung der Versuchsperson zu erhalten.

4. Experimenteller Aufbau

HINWEIS: Der experimentelle Aufbau muss einem strengen und standardisierten Protokoll folgen, um sicherzustellen, dass alle physiologischen Messungen unter identischen, kontrollierten Bedingungen bei allen Teilnehmern durchgeführt werden.

  1. Schalten Sie das Erfassungssystem ein und überprüfen Sie, ob das Gerät ordnungsgemäß mit dem Labormessrechner verbunden ist und von der Erfassungssoftware erkannt wird (siehe Abbildung 2A–E).
  2. Vergewissern Sie sich erneut, dass alle erforderlichen Module und Peripheriegeräte ordnungsgemäß funktionieren, bevor Sie mit der Vorbereitung des Probanden fortfahren.
  3. Nehmen Sie zwei Elektrodermale-Aktivitäts-(EDA-)Elektroden (siehe Abbildung 2F).
  4. Tragen Sie eine kleine Menge leitfähiges Gel auf die Kontaktfläche jeder Elektrode auf (siehe Abbildung 2G,H).
  5. Stellen Sie sicher, dass das leitfähige Gel gleichmäßig über die Elektrodenoberfläche verteilt ist, um den elektrischen Kontakt mit der Haut des Probanden zu verbessern und die Signalqualität zu optimieren.
    HINWEIS: Wenn kein leitfähiges Gel auf die Elektroden aufgetragen wird, kann das aufgezeichnete Signal übermäßiges Rauschen enthalten, und die Qualität der Hautleitfähigkeitsreaktions-(SCR-)Messung kann erheblich beeinträchtigt sein.
  6. Platzieren Sie die Elektroden an der nicht-dominanten Hand des Probanden.
  7. Befestigen Sie eine Elektrode am ersten Glied des Mittelfingers (dritter Finger) und die zweite Elektrode am ersten Glied des Ringfingers (vierter Finger) (siehe Abbildung 2I).
  8. Überprüfen Sie, ob beide Elektroden fest angebracht sind und stabilen Hautkontakt aufrechterhalten, ohne dem Probanden Unbehagen zu bereiten.
  9. Legen Sie das Armband am Handgelenk des Probanden an.
  10. Lassen Sie die EDA-Elektroden während der Kalibrierungsphase vom Armband getrennt (siehe Abbildung 2J).
  11. Schalten Sie das Armband ein, um eine drahtlose Kommunikation mit dem physiologischen Erfassungssystem herzustellen.
  12. Bestätigen Sie, dass das Gerät erfolgreich erkannt wurde.
    HINWEIS: Während der gesamten experimentellen Sitzung ist besondere Aufmerksamkeit auf das Armband zu richten. Das Personal muss kontinuierlich überprüfen, ob das Gerät eingeschaltet bleibt und verbunden ist, bevor das Experiment beginnt, da jede Unterbrechung der Kommunikation die physiologische Aufzeichnung beeinträchtigen kann.
  13. Starten Sie den Erfassungsprozess in der Erfassungssoftware.
  14. Warten Sie auf das Kalibrierungsfenster, das automatisch auf dem Bildschirm erscheint, sobald die Erfassung beginnt.
  15. Führen Sie die Kalibrierung durch, während die Elektroden weiterhin vom Armband getrennt sind.
  16. Befolgen Sie die Kalibrierungsanweisungen der Software, bis der Vorgang abgeschlossen ist.
  17. Nach erfolgreicher Kalibrierung verbinden Sie die EDA-Elektroden mit dem Armband (siehe Abbildung 2K).
  18. Überprüfen Sie in der Software, ob das Hautleitfähigkeitsreaktions-(SCR-)Signal korrekt erfasst wird.
  19. Weisen Sie den Probanden an, die nicht-dominante Hand während des gesamten Experiments vollständig ruhig zu halten.
  20. Erklären Sie, dass unnötige Bewegungen, Fingerkontraktionen oder Haltungsänderungen Rauschen im SCR-Signal verursachen können.
  21. Bitten Sie den Probanden, während der Sitzung eine bequeme und entspannte Haltung beizubehalten.
  22. Stellen Sie dem Probanden vor Beginn der experimentellen Aufgabe Kopfhörer zur Verfügung.
  23. Überprüfen Sie, ob die Kopfhörer ordnungsgemäß funktionieren und der Proband die während des Experiments präsentierten akustischen Reize deutlich wahrnehmen kann.
  24. Starten Sie die experimentelle Aufgabe in PsychoPy19.
  25. Wenn die PsychoPy-Oberfläche geöffnet wird, geben Sie den Namen des Probanden in das zusätzliche Fenster ein, das dazu auffordert.
  26. Geben Sie die zugewiesene Probanden-ID exakt wie in der täglichen Ablaufdatei angegeben ein, bevor Sie das Experiment starten.
    HINWEIS: Gemäß dem vorherigen Beispiel sollte die in PsychoPy eingegebene Probanden-ID „015“ lauten.

EDA-Signalakquisitionssystem mit Elektroden; isotonische Gel-Anordnung zur Aufzeichnung physiologischer Daten.
Abbildung 2: Aufzeichnungssystem, Materialien und Platzierung der Elektroden zur Ableitung der Hautleitfähigkeit. (A) Hauptgerät Biopac MP200. (B) Modul zur Erfassung physiologischer Signale (PPG/EDA). (C) Sensoranschlussmodul. (D) Analogeingabemodul. (E) TTL-Modul zur Kommunikation zwischen PsychoPy und AcqKnowledge. (F) Einweg-Elektroden (EL507A). (G) Isotonisches Gel (GEL101A) zur Verbesserung des Hautkontakts. (H) Auftragung des Gels auf die Elektrode. (I) Platzierung der Elektroden an der ersten Phalanx des dritten und vierten Fingers der nicht-dominanten Hand. (J) Befestigung des Handgelenkbandes an der nicht-dominanten Hand zur SCR-Messung. (K) Angeschlossene Elektroden nach Abschluss des Kalibrierungsprozesses. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

5. Beginn des Experiments

  1. Erklären Sie dem Teilnehmer vor Beginn der Experimentalaufgabe ausführlich, wie auf die während des Experiments gestellten Fragen zu reagieren ist.
  2. Stellen Sie sicher, dass der Teilnehmer folgende Punkte klar versteht: (i) die während der Aufgabe zu verwendende Antwortmethode, (ii) die Bedeutung der auf dem Bildschirm angezeigten Anweisungen und (iii) die Wichtigkeit, aufmerksam zu bleiben und unnötige Bewegungen während des gesamten Experiments zu minimieren.
  3. Beantworten Sie alle offenen Fragen des Teilnehmers, bevor die Aufzeichnungssitzung beginnt.
  4. Führen Sie eine abschließende Überprüfung des gesamten experimentellen Aufbaus durch, um sicherzustellen, dass alle Systeme gemäß dem festgelegten Protokoll ordnungsgemäß funktionieren, einschließlich: Kommunikation des physiologischen Erfassungssystems, Anschluss des Handgelenk-Straps, Qualität des SCR-Signals, Ausführung von PsychoPy, Audiopräsentation über die Kopfhörer und korrekte Registrierung der Teilnehmer-ID.
  5. Starten Sie die Experimentalaufgabe, sobald alle Systeme überprüft wurden und der Teilnehmer bestätigt hat, bereit zu sein.
  6. Verlassen Sie den Experimentierraum, sobald die Aufgabe begonnen hat, um äußere Einflüsse und Ablenkungen während der Datenaufnahme zu minimieren.
  7. Bleiben Sie in der Nähe und erreichbar, falls technische Unterstützung oder Betreuung des Teilnehmers erforderlich sein sollte, und warten Sie, bis der Teilnehmer die Sitzung abgeschlossen hat.

6. Zwischen den Experimenten

  1. Betreten Sie den Versuchsraum erneut, sobald die Versuchsperson die Aufgabe abgeschlossen hat, und beenden Sie die physiologische Aufzeichnung in der Aufnahmesoftware.
  2. Speichern Sie die physiologische Aufzeichnung im Ordner der Versuchsperson als Aufnahmedatei und exportieren Sie dieselbe Aufzeichnung anschließend im MATLAB-Format mit Ereignissen, sodass die exportierte Datei die von PsychoPy über das TTL-Modul generierten Stimulusmarker enthält; der Export erzeugt zusätzlich eine separate Markerdatei.
    HINWEIS: Die Ereignis- und Markerinformationen werden von der Vorverarbeitungspipeline (Abschnitt 8) benötigt, um das Signal nach Durchläufen und Stimulustypen zu segmentieren.
  3. Speichern Sie die am Ende der Aufgabe generierte PsychoPy-Ausgabedatentabelle im selben Ordner der Versuchsperson. Verwenden Sie für alle vier Dateien die standardisierte Benennungskonvention, die in Supplementary File 1 beschrieben ist.
    HINWEIS: Am Ende jedes Experiments muss der Ordner der Versuchsperson die Aufnahmedatei, die exportierte MATLAB-Datei, die Markerdatei und die PsychoPy-Datentabelle enthalten. Genauere Angaben zu Dateinamen, Pfaden und ein vollständiges Beispiel finden sich in Supplementary File 1.
  4. Trennen Sie die EDA-Elektroden vorsichtig von der Versuchsperson, wobei sichergestellt werden muss, dass während des Entfernens keine übermäßigen Bewegungen oder Beschwerden auftreten.
  5. Öffnen Sie die nächste PsychoPy-Versuchsaufgabe und starten Sie die Aufnahmesoftware neu, um die Vorbereitung für das folgende Experiment abzuschließen.
  6. Wiederholen Sie den gesamten Vorbereitungs- und Aufnahmeprozess ausgehend von Schritt 4.1.
    HINWEIS: Die gesamte experimentelle Sitzung besteht aus drei unabhängigen Experimenten. Daher muss der oben beschriebene Vorgang nach Abschluss des zweiten Experiments für das dritte Experiment erneut durchgeführt werden.
  7. Stellen Sie am Ende der gesamten experimentellen Sitzung sicher, dass die Versuchsperson über drei Unterordner für jede experimentelle Aufgabe verfügt, wobei jeder Unterordner alle zuvor genannten Dateien enthält.
    HINWEIS: Die ungefähre Dauer jeder experimentellen Aufgabe wurde zuvor geschätzt, um es den Mitarbeitern zu ermöglichen, die Versuchsperson zu überwachen und die korrekte Funktion des Aufnahmesystems während der Sitzung zu überprüfen. Die geschätzte Dauer jedes Experiments beträgt wie folgt:
    Experiment_1: ungefähr 24 min.
    Experiment_2: ungefähr 17 min.
    Experiment_3: ungefähr 8 min.
    Unter Berücksichtigung der Vorbereitung, Kalibrierung, Übergangsphasen zwischen den Experimenten und des Abschlussverfahrens dauert die gesamte experimentelle Sitzung ungefähr 60 min.

7. Ende der Experimente

  1. Schließen Sie die physiologische Aufnahmesitzung, sobald alle drei experimentellen Aufgaben abgeschlossen wurden.
  2. Beenden Sie den Erfassungsprozess in der Erfassungssoftware, falls dieser noch nicht gestoppt wurde.
  3. Trennen Sie die EDA-Elektroden vom Handgelenkband und entfernen Sie das Handgelenkband vom Handgelenk des Teilnehmers.
  4. Erlauben Sie dem Teilnehmer, die EDA-Elektroden selbst zu entfernen, um Unbehagen zu minimieren und eine sichere Entfernung von der Haut zu gewährleisten.
  5. Überprüfen Sie, ob alle experimentellen Dateien und physiologischen Aufzeichnungen korrekt gespeichert wurden, bevor die Sitzung beendet wird.
  6. Bedanken Sie sich bei dem Teilnehmer für seine Mitarbeit und reichen Sie nach Abschluss des experimentellen Verfahrens einen kleinen Imbiss als Zeichen der Wertschätzung.
    HINWEIS: Falls während der physiologischen Aufzeichnung aufgrund technischer Probleme ein Problem auftritt, einschließlich, aber nicht beschränkt auf: Verbindungsverlust zwischen dem Handgelenkband und dem Modul des physiologischen Erfassungssystems, unerwarteter Herunterlauf des Handgelenkbands, lose oder teilweise abgelöste Elektroden oder vorübergehende Signalunterbrechungen bzw. übermäßiges Rauschen aufgrund von Verbindungsproblemen, muss das Experiment wie geplant fortgesetzt werden, und der Teilnehmer darf die experimentelle Sitzung nicht wiederholen.

8. Vorverarbeitung der Daten

HINWEIS: Sobald die experimentelle Sitzung abgeschlossen und alle physiologischen Aufzeichnungen ordnungsgemäß gespeichert sind, müssen die SCR-Daten vor der Analyse einem standardisierten Vorverarbeitungsverfahren unterzogen werden.

  1. Führen Sie das MATLAB-Skript Ledalab_Format aus, um die Datenstruktur der aus der Erfassungssoftware exportierten physiologischen Aufzeichnung neu zu organisieren, sodass sie mit Ledalab kompatibel ist, einer auf MATLAB basierenden Toolbox zur Analyse von EDA-Signalen.
    ANMERKUNG: Definieren Sie im Code Ledalab_Format.mat den Pfad der Datei {Identification_Code}.mat als Eingabevariable. Dadurch kann die exportierte physiologische Aufzeichnungsdatei in ein Format konvertiert werden, das von Ledalab korrekt gelesen und verarbeitet werden kann. Nach Abschluss des Konvertierungsprozesses muss eine neue MATLAB-Datei generiert und im entsprechenden Teilnehmerordner unter folgender Namenskonvention gespeichert werden: Ledalab_{Identification_Code}.mat. Am vorherigen Beispiel orientiert: Wenn die Daten aus Experiment_1 für den Teilnehmer „015“ konvertiert werden, muss die resultierende Datei folgendermaßen benannt werden: Ledalab_015.mat.
  2. Öffnen Sie Ledalab, wählen Sie in der Menüleiste oben links Datei > Daten importieren > Matlab-Datei (*.mat) und laden Sie anschließend die neu generierte Datendatei, die der experimentellen Bedingung des Teilnehmers entspricht.
  3. Geben Sie die Abtastparameter im Konfigurationsfenster ein, das Ledalab nach dem Laden der Datei anzeigt.
  4. Die ursprüngliche Abtastrate des SCR-Signals beträgt 2000 Hz. Um den Rechenaufwand zu reduzieren, wird das Signal mithilfe der folgenden Parameter auf 10 Hz heruntergerechnet: Ziel-Abtastrate: 10 Hz, Downsampling-Faktor: 200, Resampling-Methode: Steps.
  5. Nach Abschluss des Downsampling-Verfahrens führen Sie innerhalb von Ledalab eine kontinuierliche Dekompositionsanalyse (CDA)20 durch, um das EDA-Signal in seine tonischen und phasischen Komponenten zu zerlegen.
  6. Wählen Sie in der Menüleiste Analysen > Kontinuierliche Dekompositionsanalyse (Extraktion kontinuierlicher phasischer/tonischer Aktivität).
  7. Warten Sie, bis das Konfigurationsfenster auf dem Bildschirm erscheint.
  8. Wählen Sie in diesem Fenster die Option Optimieren, um die Analyseparameter automatisch anzupassen.
  9. Nach Abschluss des Optimierungsprozesses klicken Sie auf Anwenden, um die CDA-Analyse zu starten.
  10. Nach Abschluss der CDA-Analyse wählen Sie Ergebnisse > Ereignisbezogene Analyse, woraufhin ein Konfigurationsfenster auf dem Bildschirm erscheint.
  11. Stellen Sie die minimale Amplitudenschwelle auf den Ledalab-Standardwert von 0,01 µS ein und belassen Sie die z-Skalierungsoption deaktiviert. Die Ereignismarker, die aus der Erfassungssoftware exportiert wurden, kennzeichnen den Beginn des konditionierten Reizes und den Beginn des unkonditionierten Reizes separat, sodass die ereignisbezogene Analyse jeweils eine Antwort liefert. Legen Sie das Antwortfenster wie folgt fest:
    1. Für Experiment 1: 0 s bis 9 s nach dem Ereignismarker.
    2. Für Experiment 2: 0 s bis 6 s nach dem Ereignismarker.
  12. Exportieren Sie das Ergebnis als Tabellendatei. Ledalab generiert eine Tabelle mit den relevanten physiologischen und ereignisbezogenen Informationen, die aus dem SCR-Signal extrahiert wurden.
    ANMERKUNG: Das Antwortfenster entspricht der vollen Dauer des konditionierten Reizes in jeder Aufgabe (Ergänzende Tabelle 1: 9 s in Experiment 1 und 6 s in Experiment 2), sodass die CS-reaktivierte Antwort das gesamte CS-US-Intervall abdeckt und nicht durch die unkonditionierte Reaktion verfälscht wird, die separat anhand ihres eigenen Ereignismarkers bewertet wird. Antworten, die unter der Schwelle von 0,01 µS liegen, werden von Ledalab als Null geschrieben und als Nullwerte in die Analyse einbezogen; löschen Sie diese nicht, da ihre Entfernung die mittlere Antwort von Teilnehmern mit geringer Reaktivität künstlich erhöhen würde.
  13. Wiederholen Sie den gesamten Vorverarbeitungs-, Downsampling- und CDA-Prozess für Experiment 2 (siehe ANMERKUNG unten für Experiment 3, das einem anderen Verfahren folgt und keine CDA-Ausgabe erfordert).
    ​ANMERKUNG: Am Ende der Vorverarbeitungsphase muss jeder experimentelle Ordner eine zusätzliche Tabellendatei enthalten, die den Ergebnissen der von Ledalab generierten CDA-Analyse entspricht. Diese Datei muss anschließend in das .xlsx-Format konvertiert werden, um sie speichern, organisieren und weiter analysieren zu können. Experiment 3 folgt einem anderen Vorverfahren. Für dieses Experiment muss lediglich das MATLAB-Skript verwendet werden, das keine CDA-Ausgabe benötigt, sondern nur die Alpha- und Beta-Werte. Wenn das Skript für „Experiment_3“ ausgeführt wird, extrahiert es automatisch die Alpha- und Beta-Werte, verbindet sie mit den Verhaltensdaten und speichert die resultierende Tabelle in Global_Data/Exp_3.
  14. Führen Sie die Signalqualitätskontrolle, die Identifizierung von Nicht-Reagierenden und die Behandlung von Artefakten durch.
    1. Zeigen Sie vor jeder statistischen Analyse den vollständigen heruntergerechneten Hautleitfähigkeitsverlauf jedes Teilnehmers in Ledalab an und prüfen Sie ihn visuell vom ersten bis zum letzten Ereignismarker. Führen Sie diese Prüfung für jeden Teilnehmer und jede Aufgabe separat durch, da die Signalqualität kanal- und aufgabenspezifisch ist.
    2. Verwerfen Sie einen gesamten Verlauf und behandeln Sie den SCR-Kanal dieser Aufgabe für diesen Teilnehmer als fehlend, wenn eines der folgenden Phänomene beobachtet wird: (i) ein flaches oder fehlendes Signal während der gesamten Aufgabe, was auf einen Verlust der drahtlosen Kommunikation mit dem Armband, ein ausgeschaltetes Armband oder eine abgelöste Elektrode hindeutet; (ii) ein tonischer Hautleitfähigkeitswert unter 0,05 µS, der über die gesamte Aufgabe anhält und auf unzureichenden Elektroden-Haut-Kontakt statt auf geringe Erregung hindeutet; (iii) uninterpretierbare Drift oder eine plötzliche, anhaltende Amplitudensteigerung, die nicht an ein Ereignis gebunden ist; oder (iv) Sättigung des Verstärkerbereichs.
      ​ANMERKUNG: Wiederholen Sie die Sitzung nicht und schließen Sie den Teilnehmer nicht von den anderen Aufgaben oder von den Verhaltens- und Selbstberichtskanälen aus.
    3. Definieren Sie einen Teilnehmer als Nicht-Reagierenden für eine bestimmte Aufgabe, wenn keine phasische Reaktion auf irgendein Ereignis dieser Aufgabe – einschließlich der unkonditionierten Stimulusereignisse der verstärkten Durchgänge – die Schwelle von 0,01 µS erreicht oder überschreitet, d. h., wenn der Teilnehmer selbst auf das aversive Ergebnis keine messbare elektrodermale Reaktion zeigt.
      1. Schließen Sie einen Nicht-Reagierenden von jedem Kanal dieser Aufgabe aus – Hautleitfähigkeit, Verhalten und subjektive Bewertungen gleichermaßen –, da das Fehlen jeglicher elektrodermaler Reaktion selbst auf den unkonditionierten Stimulus darauf hindeutet, dass das elektrodermale System in dieser Sitzung nicht messbar war und die Frage aufwirft, ob der Teilnehmer überhaupt auf die Kontingenz eingegangen ist.
      2. Behalten Sie diesen Teilnehmer in den beiden verbleibenden Aufgaben bei. Unterscheiden Sie diesen Fall von technischem Signalverlust (abgelöste Elektrode oder Armband mit verloren gegangener drahtloser Kommunikation), bei dem der Teilnehmer reagiert hat, das Signal jedoch nicht aufgezeichnet wurde: In diesem Fall behandeln Sie den SCR-Kanal dieser Aufgabe als fehlend, behalten aber die Verhaltens- und subjektiven Daten dieser Aufgabe bei, die von der elektrodermalen Signalqualität unbeeinflusst sind.
      3. Berichten Sie die Rate der Nicht-Reagierenden und die Rate des technischen Verlusts für jede Aufgabe getrennt.
    4. Identifizieren Sie Bewegungsartefakte im Verlauf als (i) abrupte Anstiegsimpulse, die nicht an einen Ereignismarker gebunden sind, oder (ii) stufenartige Verschiebungen des tonischen Niveaus, die durch Fingerkontraktion, eine Körperhaltungsänderung oder das Reiben der Elektroden am Stuhl oder Tisch verursacht werden.
    5. Kennzeichnen Sie jeden Durchgang, der ein solches Artefakt innerhalb seines Bewertungsfensters enthält, und schließen Sie ihn auf Durchgangsebene aus; schließen Sie jedoch nicht den Teilnehmer aus.
    6. Schließen Sie einen Teilnehmer von jedem Kanal einer Aufgabe aus – und nicht nur von der SCR-Analyse –, wenn mehr als 25 % der Durchgänge dieser Aufgabe als artefaktenbehaftet markiert sind: Die verbleibenden Durchgänge erlauben keine stabile schätzungsweise pro Teilnehmer, und die Aufnahmebedingungen dieser Sitzung sind für keinen Kanal ausreichend. Behalten Sie diesen Teilnehmer in den beiden verbleibenden Aufgaben bei.
    7. Transformieren Sie die amplitudenbasierten Durchgangswerte mit log(SCR + 1), bevor Sie sie mitteln, um die positiv schiefe Verteilung der elektrodermalen Amplituden zu normalisieren; setzen Sie vor der Transformation etwaige negative CDA-Werte, eine seltene Folge von Basisliniendrift, auf Null.
    8. Aggregieren Sie die transformierten Durchgänge, um je einen Wert pro Teilnehmer, pro Phase und pro Stimulus zu erhalten.
    9. Berichten Sie das analytische n separat für jeden Kanal (SCR, Verhalten, Bewertungen) und für jede Aufgabe, da der kanalspezifische Verlust dazu führt, dass sich diese n-Werte unterscheiden.
    10. Dokumentieren Sie jede Entscheidung aus den Schritten 8.14.1–8.14.9 in einem qualitätssichernden Protokoll pro Teilnehmer, das Folgendes enthält: Teilnehmer-ID, Aufgabe, Counterbalancing-Bedingung, Verlauf akzeptiert oder verworfen (mit Begründung), Bereich des tonischen Niveaus, Anzahl und Identität der als artefaktenbehaftet ausgeschlossenen Durchgänge, Prozentsatz der ausgeschlossenen Durchgänge, Status als Nicht-Reagierender und den endgültigen Beitrag zum analytischen n für jeden Kanal.
    11. Speichern Sie das Qualitätsprotokoll zusammen mit den konsolidierten Datenbanken, sodass der kanalspezifische Datenverlust nachvollziehbar und reproduzierbar ist.
      ANMERKUNG: In der vorliegenden Stichprobe erfüllte kein Teilnehmer das Kriterium für Nicht-Reagierende aus Schritt 8.14.3, und kein Teilnehmer überschritt die 25 %-Artefaktgrenze aus Schritt 8.14.6; folglich wurde kein Teilnehmer von allen Kanälen einer Aufgabe ausgeschlossen. Die Unterschiede im analytischen n resultieren aus zwei unabhängigen Ursachen: technischer Verlust des elektrodermalen Kanals, der die Verhaltens- und subjektiven Aufzeichnungen dieser Aufgabe unangetastet lässt, und unvollständige Verhaltens- oder Selbstberichtsdaten (eine nicht abgeschlossene Aufgabe oder fehlende visuell-analoge Antworten), die unabhängig von der elektrodermalen Signalqualität sind. Das exakte analytische n für jeden Kanal und jede Aufgabe wird im Abschnitt „Analytische Stichprobe“ der repräsentativen Ergebnisse berichtet. Experiment 3 enthält keinen SCR-Kanal, sodass sein n auf Verhaltensdaten und nicht auf elektrodermale Datenverluste zurückgeht. Die explizite Berichterstattung dieser Kriterien begegnet dem von Ruge et al.1 hervorgehobenen Mangel an Harmonisierung bei der Operationalisierung und Berichterstattung elektrodermaler Ergebnisse.

9. Datenbanken

  1. Führen Sie das Python-Skript Data_Bases.py aus, um für jeden Teilnehmer die aus den SCR-Aufzeichnungen gewonnenen physiologischen Messungen mit den während der experimentellen Aufgabe gesammelten Antworten zu verbinden.
    HINWEIS: Das Skript integriert die Informationen aus den physiologischen Aufzeichnungen, die über Ledalab verarbeitet wurden, die Ergebnisse der CDA-Analyse sowie die während des Experiments erstellten PsychoPy-Antwort-Tabellen.
  2. Stellen Sie nach erfolgreichem Durchlauf des Skripts sicher, dass eine zusammengefasste Tabelle mit sowohl physiologischen als auch verhaltensbezogenen Daten für einen einzelnen Teilnehmer erstellt und im Ordner Global_Data gespeichert wird.
    HINWEIS: Wie im vorherigen Beispiel beschrieben, durchläuft das Python-Skript automatisch die Ordner aller Teilnehmer, die mit diesem Experiment verbunden sind, wenn Experiment_1 zur Analyse ausgewählt wird, verbindet die CDA-Ergebnisse mit den entsprechenden Verhaltensdaten jedes Teilnehmers und erzeugt eine individuelle Tabellendatei für jeden Teilnehmer im Ordner Global_Data/Exp_1.
  3. Nachdem die individuellen Teilnehmerdatenbanken erstellt wurden, verwenden Sie das Python-Skript Completed_Bases_Per_Experiment.py, um die Daten aller Teilnehmer für jede experimentelle Aufgabe zusammenzuführen.
    HINWEIS: Das Skript kombiniert die Informationen aus allen Teilnehmerordnern zu einer einheitlichen Datenbank pro Experiment, was anschließende statistische Analysen und die Datenverarbeitung erleichtert. Bei erfolgreichem Abschluss des Verfahrens werden drei endgültige Tabellen erstellt, jeweils eine für eines der drei Experimente:
    Eine Tabelle für Experiment_1
    Eine Tabelle für Experiment_2
    Eine Tabelle für Experiment_3
  4. Speichern Sie die resultierenden vollständigen Datenbanken im Ordner Complete_Data_Bases.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Analysenprobe

Insgesamt nahmen 38 gesunde Erwachsene an der kompletten experimentellen Sitzung und der Selbstbericht-Batterie (CTQ-SF, BCE, PHQ-9, GAD-7, STAI) teil. Die Stichprobengrößen für die einzelnen Analysen variierten geringfügig aufgrund datenspezifischer Verluste einzelner Kanäle, nicht wegen Teilnehmerausfällen. Stichprobengrößen nach Analyse: Experiment 1 — SCR- und Ratings-ANOVA (pavlovianische und operante Phase), n = 37; operante Knopfdruck-ANOVA, n = 38. Exper...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Die vorliegenden Ergebnisse belegen die technische und methodische Durchführbarkeit einer integrierten, einheitlichen Testbatterie in einer einzigen Sitzung, die die Bedrohungsassoziation mit instrumenteller Kontrolle, das Erlernen von Sicherheit sowie die Rückkehr der Angst und das probabilistische Belohnungslernen umfasst. In einer Stichprobe von 35 bis 38 gesunden Erwachsenen (die analytischen Stichprobengrößen variierten geringfügig zwischen den Experimenten aufgrund signalbedingter Kanalverluste, nicht jedoch aufgru...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren erklären, dass keine konkurrierenden finanziellen oder nicht-finanziellen Interessen bestehen.

Danksagungen

Die Autoren danken allen Teilnehmenden für ihre Zeit und Beteiligung sowie den wissenschaftlichen Hilfskräften und dem Labor-Team der Universidad de los Andes. Diese Studie wurde von der Agencia Nacional de Investigacion y Desarrollo de Chile (ANID) im Rahmen des Fondecyt-Iniciacion-Stipendiums #11250037 (Leitende Wissenschaftlerin: Maria Consuelo San Martin) unterstützt. R.C.V. wurde vom Nationalen Zentrum für Künstliche Intelligenz CENIA FB210017, Basal ANID, unterstützt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
AcqKnowledge-SoftwareBIOPAC Systems Inc.ACK100W (Windows) / ACK100M (Mac)Software zur Erfassung und Analyse physiologischer Signale. RRID:SCR_014279 (überprüfen Sie den aktuellen SciCrunch-Eintrag).
afex (R-Paket)Singmann, Bolker, Westfall, Aust & Ben-ShacharVersion 1.5-1R-Paket für faktorielle Experimente. Wird für alle ANOVAs mit Messwiederholung (Experimente 1–3) über aov_ez() verwendet. RRID:SCR_022761 (überprüfen Sie den aktuellen SciCrunch-Eintrag).
ARTool (R-Paket)Wobbrock, Findlater, Gergle & HigginsVersion 0.11.2Aligned Rank Transform für nichtparametrische faktorielle ANOVA. Wird für die Phase × Stimulus-ANOVA an der Hautleitfähigkeit im Experiment 2 verwendet, deren Verteilung nicht gaußförmig ist.
Benevolent Childhood Experiences (BCE)-SkalaNarayan, Rivera, Bernstein, Harris & Lieberman (2018)Publikumswirksames Instrument (10 Items)Spanische Adaptation wurde verwendet. Kein RRID für dieses Instrument vergeben; zitieren Sie die ursprüngliche Validierungsarbeit.
BioNomadix Handgelenkband (Sender)BIOPAC Systems Inc.BN-PPGED-TTragbarer Sender für EDA- und PPG-Signale. Wird zusammen mit dem BioNomadix-Empfängermodul verwendet.
Childhood Trauma Questionnaire – Kurzform (CTQ-SF)Bernstein et al. (2003)Validierte retrospektive Selbstbeurteilung mit 28 ItemsFünf Subskalen (EA, PA, SA, EN, PN). Kein RRID vergeben; zitieren Sie die ursprüngliche Validierungsarbeit. Spanische Adaptation wurde verwendet.
Leitgel für EDA-ElektrodenBIOPAC Systems Inc.GEL101AIsotonisches Gel für Hautleitfähigkeitsmessungen.
Einweg-Ag/AgCl-EDA-ElektrodenBIOPAC Systems Inc.EL507AEinweg-Elektroden zur Aufzeichnung der Hautleitfähigkeit.
Generalized Anxiety Disorder Scale (GAD-7)Spitzer, Kroenke, Williams & Löwe (2006)7-Item-SelbstbeurteilungValidierte spanische Version wurde verwendet. Kein Instrumenten-RRID vergeben; zitieren Sie die Originalarbeit.
ggplot2 (R-Paket)WickhamVersion 4.0.3Plot-System nach der Grammatik der Grafiken. RRID:SCR_014601 (überprüfen Sie den aktuellen SciCrunch-Eintrag).
Kopfhörer (Over-Ear)HyperX (HP Inc.)Cloud IIIKabelgebundener geschlossener Gaming-Headset; wird zur Darbietung des auditiven unkonditionierten Reizes während der Angst-Konditionierung verwendet.
LedalabBenedek & Kaernbach (2010)Open-Source-MATLAB-Toolbox v3.2.5Kontinuierliche Dekompositionsanalyse (CDA) von Hautleitfähigkeitssignalen. Kein RRID vergeben (stattdessen Originalarbeit zitieren).
lme4 (R-Paket)Bates, Maechler, Bolker & WalkerVersion 1.1-37Lineare Mixed-Effects-Modelle. Wurden verwendet, um die lernverlaufsbezogenen Steigungen pro Teilnehmer im Experiment 3 zu schätzen. RRID:SCR_015654 (überprüfen Sie den aktuellen SciCrunch-Eintrag).
MATLABMathWorksR2025aWurde verwendet, um Ledalab und die SCR-Vorverarbeitungspipeline auszuführen. RRID:SCR_001622.
Patient Health Questionnaire-9 (PHQ-9)Kroenke, Spitzer & Williams (2001)9-Item-SelbstbeurteilungValidierte spanische Version wurde verwendet. Kein Instrumenten-RRID vergeben; zitieren Sie die Originalarbeit.
Einheit zur Erfassung physiologischer Daten (PsychoPy)BIOPAC Systems Inc.MP200Hauptgerät zur Erfassung physiologischer Signale. Wird mit dem drahtlosen EDA-Modul BioNomadix kombiniert.
PythonPython Software FoundationVersion 3.12Wird für die Vorverarbeitungspipeline verwendet, die die Ledalab-Ausgabe mit den PsychoPy-Verhaltensdaten verbindet (Data_Bases.py, Completed_Bases_Per_Experiment.py). RRID:SCR_008394 (überprüfen Sie den aktuellen SciCrunch-Eintrag).
R (statistische Rechenumgebung)R Foundation for Statistical ComputingVersion 4.5.0Umgebung, in der alle statistischen Analysen durchgeführt wurden. Moderationsmodelle wurden mittels gewöhnlicher Kleinster-Quadrate-Regression mit der lm()-Funktion des Basis-Stats-Pakets geschätzt, wobei die Prädiktoren z-standardisiert und der Interaktionsterm als deren Produkt berechnet wurde; es wurde kein spezialisiertes Moderationspaket verwendet. RRID:SCR_001905 (überprüfen Sie den aktuellen SciCrunch-Eintrag).
State-Trait Anxiety Inventory (STAI)Spielberger et al. (1983)STAI Form Y (40 Items, SAI + TAI)Validierte spanische Version wurde verwendet. Kein Instrumenten-RRID vergeben; zitieren Sie die Originalarbeit.
Monitor zur StimulusdarbietungSamsungLS22D300GALXZS (S22D300, 22-Zoll-LED)Display zur Darstellung visueller CS+/CS−-Stimuli und Bewertungsskalen.

Referenzen

  1. Ruge J, et al. How adverse childhood experiences get under the skin: a systematic review, integration and methodological discussion on threat and reward learning mechanisms. eLife. 2024;13:e92700.
  2. Madigan S, et al. Adverse childhood experiences: a meta-analysis of prevalence and moderators among half a million adults in 206 studies. World Psychiatry. 2023;22(3):463-71.
  3. Teicher MH, Gordon JB, Nemeroff CB. Recognizing the importance of childhood maltreatment as a critical factor in psychiatric diagnoses, treatment, research, prevention, and education. Mol Psychiatry. 2022;27(3):1331-8.
  4. Smith KE, Pollak SD. Children's value-based decision making. Sci Rep. 2022;12:5953.
  5. Montague PR, Hyman SE, Cohen JD. Computational roles for dopamine in behavioural control. Nature. 2004;431(7010):760-7.
  6. Gerin MI, et al. A neurocomputational investigation of reinforcement-based decision making as a candidate latent vulnerability mechanism in maltreated children. Dev Psychopathol. 2017;29(5):1689-705.
  7. McCrory EJ, Viding E. The theory of latent vulnerability: reconceptualizing the link between childhood maltreatment and psychiatric disorder. Dev Psychopathol. 2015;27(2):493-505.
  8. Hanson JL, et al. Early adversity and learning: implications for typical and atypical behavioral development. J Child Psychol Psychiatry. 2017;58(7):770-8.
  9. van den Bos W, Güroğlu B, van den Bulk BG, Rombouts SARB, Crone EA. Better than expected or as bad as you thought? The neurocognitive development of probabilistic feedback processing. Front Hum Neurosci. 2009;3:52.
  10. Narayan AJ, Rivera LM, Bernstein RE, Harris WW, Lieberman AF. Positive childhood experiences predict less psychopathology and stress in pregnant women with childhood adversity. Child Abuse Negl. 2018;78:19-30.
  11. Dibbets P, Evers EAT. The influence of state anxiety on fear discrimination and extinction in females. Front Psychol. 2017;8:347.
  12. Sperl MFJ, Panitz C, Hermann C, Mueller EM. A pragmatic comparison of noise burst and electric shock unconditioned stimuli for fear conditioning research with many trials. Psychophysiology. 2016;53(7):1017-34.
  13. San Martín C, Jacobs B, Vervliet B. Further characterization of relief dynamics in the conditioning and generalization of avoidance: effects of distress tolerance and intolerance of uncertainty. Behav Res Ther. 2020;124:103526.
  14. McLaughlin KA, DeCross SN, Jovanovic T, Tottenham N. Mechanisms linking childhood adversity with psychopathology: learning as an intervention target. Behav Res Ther. 2019;118:101-9.
  15. Kroenke K, Spitzer RL, Williams JBW. The PHQ-9: validity of a brief depression severity measure. J Gen Intern Med. 2001;16(9):606-13.
  16. Spitzer RL, Kroenke K, Williams JBW, Löwe B. A brief measure for assessing generalized anxiety disorder: the GAD-7. Arch Intern Med. 2006;166(10):1092-7.
  17. Spielberger CD. Manual for the State-Trait Anxiety Inventory (Form Y). Consulting Psychologists Press; Palo Alto (CA); 1983.
  18. Bernstein DP, et al. Development and validation of a brief screening version of the Childhood Trauma Questionnaire. Child Abuse Negl. 2003;27(2):169-90.
  19. Peirce J, et al. PsychoPy2: experiments in behavior made easy. Behav Res Methods. 2019;51(1):195-203.
  20. Benedek M, Kaernbach C. A continuous measure of phasic electrodermal activity. J Neurosci Methods. 2010;190(1):80-91.
  21. Lonsdorf TB, et al. Don't fear "fear conditioning": methodological considerations for the design and analysis of studies on human fear acquisition, extinction, and return of fear. Neurosci Biobehav Rev. 2017;77:247-85.
  22. LeDoux JE, Moscarello J, Sears R, Campese V. The birth, death and resurrection of avoidance: a reconceptualization of a troubled paradigm. Mol Psychiatry. 2017;22(1):24-36.
  23. Wobbrock JO, Findlater L, Gergle D, Higgins JJ. The aligned rank transform for nonparametric factorial analyses using only ANOVA procedures. Presented at: Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (CHI '11); New York (NY); 2011.
  24. Fritz MS, MacKinnon DP. Required sample size to detect the mediated effect. Psychol Sci. 2007;18(3):233-9.
  25. Bouton ME. Learning and behavior: a contemporary synthesis. Sinauer Associates; Sunderland (MA); 2007.
  26. Rescorla RA, Wagner AR. A theory of Pavlovian conditioning: variations in the effectiveness of reinforcement and nonreinforcement. In: Black AH, Prokasy WF, editors. Classical Conditioning II: Current Research and Theory. Appleton-Century-Crofts; New York (NY); 1972.
  27. McClelland GH, Judd CM. Statistical difficulties of detecting interactions and moderator effects. Psychol Bull. 1993;114(2):376-90.
  28. Maier SF, Seligman MEP. Learned helplessness at fifty: insights from neuroscience. Psychol Rev. 2016;123(4):349-67.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Tags

BedrohungsdiskriminierungSicherheitslernenBelohnungssensitivitätAngstkonditionierungprobabilistisches BelohnungslernenHautleitwertreaktionautonomes Arousalbelastende Kindheitserfahrungen

Dieser Artikel wurde veröffentlicht

Video demnächst verfügbar

Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.