레이스 모델 부등식을 사용하여 행동 다감각 통합 효과를 정량화

다감각 통합 효과의 크기를 계산하기위한 재현 가능한 방법을 확립하는 것은 중요하다, 그것은 다양한 임상 인구에 걸쳐 미래의 번역 연구의 촉진에 도움이 될 것입니다. 우리의 기술의 주요 장점은 균형, 낙상, 걸음걸이 및 집행 기능과 같은 노화의 중요한 인지 및 모터 결과와 이후에 연관되는 다감각 통합의 강력한 표현형을 정량화 할 수 있다는 것입니다. 자극 프리젠 테이션 소프트웨어를 사용하여 세 가지 실험 조건, 시각적 인 혼자, somatosensory 혼자 및 동시 시각 세포 감각과 간단한 반응 시간 실험을 프로그래밍하는 것으로 시작합니다.

세 개의 컨트롤 박스가 있는 자극 발생기를 사용합니다. 좌우 제어 상자에는 시각 자극및 somatosensory 자극을 위해 진동하는 0.8 G 진동 진폭이 있는 양자 간 파란색 발광 다이오드와 자극기를 위한 플라스틱 하우징이 포함되어 있습니다. 다음으로, 왼쪽과 오른쪽 컨트롤 박스에서 원거리 중심 더미 컨트롤 박스를 배치하고 고정 지점역할을 하는 시각적 대상 스티커를 부착합니다.

실험이 설정된 후 참가자를 시험실로 안내합니다. 참가자가 똑바로 앉게 하고 왼쪽과 오른쪽 컨트롤 박스에 손을 편안하게 놓습니다. 제어 상자 뒷면에 장착된 진동 모터 위에 인덱스 손가락을 전략적으로 배치하고 LED 아래 컨트롤 박스 의 전면에 엄지 손가락을 배치하여 빛을 차단하지 않습니다.

참가자에게 지속적인 백색 잡음이 편안한 수준에서 재생되는 헤드폰을 제공함으로써 소마토 감각 자극이 들리지 않도록 하십시오. 참가자가 응답 패드로 오른발 아래에 있는 풋 페달을 사용하게 한다. 마지막으로, 참가자가 그것을 느끼거나, 보고, 느끼고 그것을 보고, 그것을 보는지에 관계없이 가능한 한 빨리 각 자극에 응답하게 하십시오.

하나의 자극 조건에서 70% 정확도를 달성할 수 없거나 더 큰 참가자를 제외하여 분석을 시작합니다. 참가자가 설정된 응답 기간 내에 자극에 응답하지 못하고 분석에서 시험을 제외하는 대신 해당 반응 시간 또는 RT를 무한대로 설정하지 못하면 시험이 부정확하다고 판단하십시오. RT 데이터는 실험 조건에 따라 오름차순으로 정렬됩니다.

정렬된 RT 데이터의 별도의 열에 시각적, somatosensory 및 VS 조건을 배치합니다. 각 행이 하나의 평가판을 나타내고 각 셀이 실제 RT를 나타내는지 확인합니다. RT 데이터의 배포를 편향하므로 매우 느린 RT를 삭제하는 데이터 트리밍 절차를 사용하지 마십시오. 명확하게 이상값인 RT가 무한대로 설정되어 있는지 확인합니다.

그런 다음 RT 데이터를 비워 가장 빠르고 느린 RT를 식별합니다. 모든 테스트 조건에서 개인의 RT 범위를 계산하기 위해 가장 빠른 RT에서 가장 느린 RT를 뺍니다. 가장 빠른 RT를 복용하여 5%단위로 0%에서 100%로 0%에서 100%까지 의 BIN RT 데이터를 사용하여 RT 데이터의 100%를 차지할 때까지 이전에 계산된 RT 범위에 5%를 점진적으로 추가하여 21시간 쓰레기통을 생성합니다. 다음으로, 컴퓨터 스프레드시트 내에서 배열 하나가 실험 조건 중 하나에 대한 실제 RT와 같고 배열 2개는 이전에 계산된 21정량화된 RT 빈과 조건당 총 45개씩 나눈 주파수 함수를 사용합니다.

그런 다음, 3개의 실험 조건 각각에 대해 정량화된 쓰레기통에 걸쳐 실행 총 확률을 합산하여 누적 분포 주파수 또는 CDF를 생성한다. 다감각 상태의 CDF는 실제 CDF를 나타낸다. 예측된 CDF를 계산하려면 두 개의 단감각 CDF를 한 것으로 설정된 상한으로 합산합니다.

21정수화된 타임빈 각각에 걸쳐 이 수식을 사용합니다. 0번째 백분위수에서 시작하여 빈 21의 100번째 백분위수까지 계속 하십시오. 다음으로, 레이스 모델 불평등 테스트를 수행하기 위해, 21정수화된 타임빈 각각에 대해 실제 CDF에서 예측된 CDF를 빼서 차이 값을 얻습니다.

이러한 21값을 줄그래프로 플롯하면 x축이 정량화된 타임빈과 y축의 각 값을 나타내는 경우 실제 CDF와 예측된 CDF 간의 확률 차이를 나타냅니다. 여기서, 대기 시간에 있는 긍정적인 값은 단감각 자극의 통합을 나타내고 RMI의 위반을 반영합니다. 그룹 수준에서 다감각 효과를 정량화하기 위해 모든 참가자에 걸쳐 개별 RMI 데이터를 그룹 평균화합니다.

스프레드시트를 사용하여 개인을 열에 행 및 시간 저장소에 할당합니다. 그런 다음 새 스프레드시트에서 이전에 계산된 21개의 차이 값을 시간 저장소 내의 개별 행 및 평균 값에 배치하여 그룹 평균 차이 파형을 만듭니다. 그런 다음 그룹 평균 21값을 줄그래프로 플롯하면 x축이 정량화된 타임빈의 각 하나를 나타내고 y축은 CDF사이의 확률 차를 나타냅니다.

마지막으로 참가자 의 데이터를 예로 사용하여 각 개인의 곡선 아래 영역을 계산합니다. 시간 빈 2의 CDF 차이 값을 한 번에 CDF 차이 값을 합산한 다음 두 개로 나눕니다. 양수 값이 포함된 연속된 각 시간 저장소 쌍을 시각적으로 검사합니다.

이어서, 이러한 결과를 합산하여 0.00 내지 0.10의 위반된 백분위수 범위 동안 CDF 차이 파의 총 AUC를 생성한다. 결과는 333명의 노인 표본에 대해 0~10%의 백분위수 범위에서 발생하는 그룹 평균 위반을 나타냅니다. 3개의 퀀터에 대해 0, 1, 2 또는 3개의 양수 값의 총 수는 각각 결핍, 불량, 양호 또는 우수에 할당된 다감각 분류 그룹을 결정합니다.

앞서 설명했듯이 RT 배포를 편향하기 때문에 데이터 트리밍 절차를 피하는 것이 중요합니다. 느린 반응 시간과 생략 된 시험은 무한대로 설정해야합니다. 여기서 주요 목적은 다감각 통합의 강력한 표현형을 개발하는 것이었습니다.

그러나 우리는 노화의 차동 다감각 통합 패턴을 인식하고 있으며, 다음 단계는 특정 구조 적 또는 기능적 변화가 차동 통합 패턴에 어떻게 기여하는지 결정하면서 이러한 통합 프로세스를 담당하는 신경망을 발견하는 것입니다. 우리는 노화에 있는 시각 somatosensory 통합과 관련되었던 신경 상관관계를 확인하기 위하여 일하고 있습니다, 우리는 그 같은 발달이 알츠하이머병과 파킨슨병을 포함하되 이에 국한되지 않는 몇몇 질병에 대한 통찰력을 제공할 것이라는 점을 믿습니다.