人種モデルの不等式を使用して行動多感覚統合効果を定量化する

多感覚統合効果の大きさを計算する再現性のある方法を確立することは、多様な臨床集団にわたる将来の翻訳研究の促進に役立つため、重要である。私たちの技術の主な利点は、バランス、転倒、歩行、執行機能などの老化における重要な認知および運動結果に関連する多感覚統合の堅牢な表現型を定量化できることです。まず、刺激提示ソフトウェアを使用して、視覚単独、体性感覚単独、同時視覚体感覚の3つの実験条件を用いて簡単な反応時間実験をプログラムします。

3つの制御箱と刺激発電機を使用してください。左右の制御ボックスには、視覚刺激用の二国間の青色発光ダイオードと、体性感覚刺激のために振動する0.8G振動振幅の両側モーターと、刺激装置用のプラスチックハウジングが含まれています。次に、左右のコントロールボックスから等距離に中央のダミーコントロールボックスを配置し、固定点として機能する視覚的なターゲットステッカーを貼り付けます。

実験が設定された後、参加者をテストルームに護衛します。参加者に直立させ、左右のコントロールボックスに手を置きます。制御ボックスの背面に取り付けられた振動モーターの上に人差し指を、LEDの下のコントロールボックスの前面に親指を戦略的に配置して、ライトをブロックしないようにします。

連続したホワイトノイズが快適なレベルで再生されるヘッドフォンを参加者に提供することにより、体性感覚刺激が聞こえないことを確認します。参加者に、右足下にあるフットペダルをレスポンスパッドとして使用してもらいます。最後に、参加者は、それを感じるか、見るか、それを感じてそれを見るかに関係なく、できるだけ早く各刺激に応答してもらいます。

1つの刺激条件で70%以上の精度を達成できない参加者を除外して分析を開始します。参加者が設定された応答時間内の刺激に応答しなかった場合は、不正確な試験を考慮し、対応する反応時間(RT)を分析から除外するのではなく無限大に設定します。RTデータは実験条件で昇順にソートされます。

並べ替えられた RT データの別々の列にビジュアル、体性感覚、VS 条件を配置します。各行が 1 回の試行を表し、各セルが実際の RT を表していることを確認します。RT データの分布に偏りが生じるため、非常に低速な RT を削除するデータ トリミング手順を使用しないでください。明らかに外れ値である RT が無限大に設定されていることを確認します。

次に、RT データをビンに入れて、最も高速で最も低速な RT を識別します。すべてのテスト条件にわたって個人の RT 範囲を計算するために、最も低速の RT を最も高速から差し引きます。0%から100%までのビンRTデータは、最速のRTを取り、RTデータの100%が占まるまで、以前に計算されたRT範囲に徐々に5%を加算することによって、21時間のビンになります。次に、コンピュータスプレッドシート内で、配列1が実験条件の1つに対して実際のRTに等しく、配列2が以前に計算された21の量子化されたRTビンを条件当たりの合計試行数45で割った値に等しい周波数関数を使用します。

次に、3 つの実験条件のそれぞれについて、量子化されたビン全体の確率の累計を合計して、累積分布頻度(CDF)を作成します。多感覚条件の CDF は、実際の CDF を表します。予測 CDF を計算するには、上限が 1 に設定された 2 つの単感覚 CDF を合計します。

この式は、21 個の量子化されたタイムビンの各々に渡って使用します。ゼロパーセンタイルから始めて、ビン21の100パーセンタイルまでずっと続きます。次に、競合モデルの不等式の検定を実施するには、21 個の量子化されたタイムビンのそれぞれについて、実際の CDF から予測された CDF を差し引いて、差分値を取得します。

これらの 21 個の値を折れ線グラフとしてプロットし、x 軸は量子化されたタイム ビンのそれぞれを表し、y 軸は実際の CDF と予測された CDF の確率差を表します。ここで、任意の遅延での正の値は、単感覚刺激の統合を示し、RMIの違反を反映する。グループ レベルでの多感覚効果を定量化するには、すべての参加者の個々の RMI データをグループ平均化します。

スプレッドシートを使用して、個人を行に割り当て、時間ビンを列に割り当てます。次に、新しいスプレッドシートで、以前に計算した 21 個の差分値を個別の行に配置し、時間ビン内に平均値を配置して、1 つのグループ平均差分波形を作成します。次に、グループ平均21の値を折れ線グラフとしてプロットし、ここでx軸は量子化されたタイムビンのそれぞれを表し、y軸はCDF間の確率差を表す。

最後に、参加者のデータを例として使用して、各個人の曲線の下の領域を計算します。タイムビン1のCDF差値を、タイムビン2のCDF差値と合計し、2で除算します。正の値を含む連続するタイム ビンの各ペアを視覚的に検査します。

次に、これらの結果を合計して、0.00~0.10のパーセンタイル範囲に違反した間のCDF差分波の合計AUCを生成する。結果は、333人の高齢者のサンプルについてゼロから10%パーセンタイル範囲で発生するグループ平均違反を示す。これらの 3 つの分位 (0.00 ~ 0.10) の正の値の総数は、それぞれ、不十分、不良、良好、または上位の、人が割り当てられている多感覚分類グループを決定します。

前述のとおり、RT 分布に偏りがあるため、データトリミング手順を避ける必要があります。反応時間が遅く、試行を省略した場合は無限大に設定する必要があります。ここでの主な目的は、多感覚統合の堅牢な表現型を開発することであった。

しかし、高齢化における多感覚の差分積分パターンを認識しており、次のステップは、このような統合プロセスを担うニューラルネットワークを明らかにし、特定の構造的または機能的変化が差分統合パターンにどのように寄与するかを決定することです。加齢における視覚・体性感覚の統合に関連する神経相関の同定に取り組んでおり、アルツハイマー病やパーキンソン病を含むいくつかの疾患に関する洞察を提供すると考えています。