Name: 유사성 판단의 수집과 분석을위한 정신 물리학 패러다임 (동영상) | JoVE Journal
Uploaded: 2022-03-01T13:45:00.000+00:00
Duration: 8 min 12 s
Description: 학습하세요 심리물리학 패러다임을 활용한 유사성 판단 수집 및 분석 방법을. PsychoPy 기반 실험 설계와 다차원 유클리드 공간 모델링을 통해 지각 표상의 구조를 밝히는 효율적인 연구 워크플로우를 제공합니다.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

이 연구는 국립 보건원 (NIH)의 기금으로 지원되며 EY07977을 부여합니다. 저자는 또한 소프트웨어 테스트에 도움을 준 Usman Aiyaz와 원고에 대한 그의 의견에 대해 Muhammad Naeem Ayyaz에게 감사하고 싶습니다.

<ol><li>Edelman, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Representation+is+representation+of+similarities%5BTitle%5D)+AND+%22TheBehavioral+and+Brain+Sciences%22%5BJournal%5D)">Representation is representation of similarities.</a> TheBehavioral and Brain Sciences. 21 (4), 449-498 (1998).</li>
<li>Hahn, U., Chater, N. Concepts and similarity. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aHahn%2C+U+%22Knowledge%2C+Concepts+and+Categories%22">Knowledge, Concepts and Categories</a>. , The MIT Press. 43-84 (1997).</li>
<li>Kriegeskorte, N., Kievit, R. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Representational+geometry%3A+integrating+cognition%2C+computation%2C+and+the+brain%5BTitle%5D)+AND+%22Trends+in+Cognitive+Sciences%22%5BJournal%5D)">Representational geometry: integrating cognition, computation, and the brain.</a> Trends in Cognitive Sciences. 17 (8), 401-412 (2013).</li>
<li>Hebart, M. N., Zheng, C. Y., Pereira, F., Baker, C. I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Revealing+the+multidimensional+mental+representations+of+natural+objects+underlying+human+similarity+judgements%5BTitle%5D)+AND+%22Nature+Human+Behaviour%22%5BJournal%5D)">Revealing the multidimensional mental representations of natural objects underlying human similarity judgements.</a> Nature Human Behaviour. 4 (11), 1173-1185 (2020).</li>
<li>Deng, W. S., Sloutsky, V. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+development+of+categorization%3A+Effects+of+classification+and+inference+training+on+category+representation%5BTitle%5D)+AND+%22Developmental+Psychology%22%5BJournal%5D)">The development of categorization: Effects of classification and inference training on category representation.</a> Developmental Psychology. 51 (3), 392-405 (2015).</li>
<li>Shepard, R. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Stimulus+and+response+generalization%3A+tests+of+a+model+relating+generalization+to+distance+in+psychological+space%5BTitle%5D)+AND+%22Journal+of+Experimental+Psychology%22%5BJournal%5D)">Stimulus and response generalization: tests of a model relating generalization to distance in psychological space.</a> Journal of Experimental Psychology. 55 (6), 509-523 (1958).</li>
<li>Coombs, C. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+method+for+the+study+of+interstimulus+similarity%5BTitle%5D)+AND+%22Psychometrika%22%5BJournal%5D)">A method for the study of interstimulus similarity.</a> Psychometrika. 19 (3), 183-194 (1954).</li>
<li>Gärdenfors, P. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGa%CC%88rdenfors%2C+P+%22Conceptual+Spaces%3A+The+Geometry+of+Thought%22">Conceptual Spaces: The Geometry of Thought</a>. , The MIT Press. (2000).</li>
<li>Zaidi, Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Perceptual+spaces%3A+mathematical+structures+to+neural+mechanisms%5BTitle%5D)+AND+%22The+Journal+of+Neuroscience+The+Official+Journal+of+the+Society+for+Neuroscience%22%5BJournal%5D)">Perceptual spaces: mathematical structures to neural mechanisms.</a> The Journal of Neuroscience The Official Journal of the Society for Neuroscience. 33 (45), 17597-17602 (2013).</li>
<li>Krishnaiah, P. R., Kanal, L. N. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aKrishnaiah%2C+PR+%22Handbook+of+Statistics+2%22">Handbook of Statistics 2</a>. , Elsevier. (1982).</li>
<li>Tsogo, L., Masson, M. H., Bardot, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multidimensional+Scaling+Methods+for+Many-Object+Sets%3A+A+Review%5BTitle%5D)+AND+%22Multivariate+Behavioral+Research%22%5BJournal%5D)">Multidimensional Scaling Methods for Many-Object Sets: A Review.</a> Multivariate Behavioral Research. 35 (3), 307-319 (2000).</li>
<li>Kriegeskorte, N., Mur, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Inverse+MDS%3A+Inferring+dissimilarity+structure+from+multiple+item+arrangements%5BTitle%5D)+AND+%22Frontiers+in+Psychology%22%5BJournal%5D)">Inverse MDS: Inferring dissimilarity structure from multiple item arrangements.</a> Frontiers in Psychology. 3, 245(2012).</li>
<li>Rao, V. R., Katz, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Alternative+Multidimensional+Scaling+Methods+for+Large+Stimulus+Sets%5BTitle%5D)+AND+%22Journal+of+Marketing+Research%22%5BJournal%5D)">Alternative Multidimensional Scaling Methods for Large Stimulus Sets.</a> Journal of Marketing Research. 8 (4), 488-494 (1971).</li>
<li>Hoffman, J. I. E. Hypergeometric Distribution. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aHoffman%2C+JIE+%22Biostatistics+for+Medical+and+Biomedical+Practitioners%22">Biostatistics for Medical and Biomedical Practitioners</a>. , Academic Press. 179-182 (2015).</li>
<li>Victor, J. D., Rizvi, S. M., Conte, M. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Two+representations+of+a+high-dimensional+perceptual+space%5BTitle%5D)+AND+%22Vision+Research%22%5BJournal%5D)">Two representations of a high-dimensional perceptual space.</a> Vision Research. 137, 1-23 (2017).</li>
<li>Knoblauch, K., Maloney, L. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Estimating+classification+images+with+generalized+linear+and+additive+models%5BTitle%5D)+AND+%22Journal+of+Vision%22%5BJournal%5D)">Estimating classification images with generalized linear and additive models.</a> Journal of Vision. 8 (16), 1-19 (2008).</li>
<li>Maloney, L. T., Yang, J. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Maximum+likelihood+difference+scaling%5BTitle%5D)+AND+%22Journal+of+Vision%22%5BJournal%5D)">Maximum likelihood difference scaling.</a> Journal of Vision. 3 (8), 573-585 (2003).</li>
<li>Logvinenko, A. D., Maloney, L. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+proximity+structure+of+achromatic+surface+colors+and+the+impossibility+of+asymmetric+lightness+matching%5BTitle%5D)+AND+%22Perception+%26+Psychophysics%22%5BJournal%5D)">The proximity structure of achromatic surface colors and the impossibility of asymmetric lightness matching.</a> Perception & Psychophysics. 68 (1), 76-83 (2006).</li>
<li>Zhou, Y., Smith, B. H., Sharpee, T. O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hyperbolic+geometry+of+the+olfactory+space%5BTitle%5D)+AND+%22Science+Advances%22%5BJournal%5D)">Hyperbolic geometry of the olfactory space.</a> Science Advances. 4 (8), (2018).</li>
<li>Goldstone, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+efficient+method+for+obtaining+similarity+data%5BTitle%5D)+AND+%22Behavior+Research+Methods%2C+Instruments%2C+%26+Computers%22%5BJournal%5D)">An efficient method for obtaining similarity data.</a> Behavior Research Methods, Instruments, & Computers. 26 (4), 381-386 (1994).</li>
<li>Townsend, J. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Theoretical+analysis+of+an+alphabetic+confusion+matrix%5BTitle%5D)+AND+%22Perception+%26+Psychophysics%22%5BJournal%5D)">Theoretical analysis of an alphabetic confusion matrix.</a> Perception & Psychophysics. 9, 40-50 (1971).</li>
</ol>

저자는 공개 할 것이 없습니다.

여기에 설명 된 프로토콜은 시각적으로 제시 될 수있는 자극에 대한 유사성 판단을 얻고 분석하는 데 효과적입니다. 실험 패러다임, 분석 및 가능한 확장이 먼저 논의되고 나중에이 방법의 장점과 단점이 논의됩니다.
실험 패러다임: 제안 된 방법은 37 동물 이름의 도메인을 사용하여 시연되며, 5 단계의 분석을 따르고 그림 3-6의 일부를 재현 할 수 있도록 지각 적 판단의 샘플 데이터 세트가 제공됩니다 (프로토콜 단계 1.4). 실험 설계는 이러한 37개의 자극을 222개의 시도로 그룹화합니다 - 각각 중앙에 기준 자극을 포함하고 주변 고리에 여덟 개의 비교 자극을 포함함- 몇 가지 기준이 유지되도록 합니다: a) 37개의 자극 각각은 기준으로서 동일한 수(6회)의 횟수(222 = 37×6), b) 자극이 기준이 되는 6번의 시도에 걸쳐, ...

인간은 들어오는 감각 정보를 정신적으로 처리하고 표현하여 객체 인식, 탐색, 환경에 대한 추론 및 기타 여러 작업을 수행합니다. 유사성 판단은 일반적으로 이러한 정신적 표현을 조사하는 데 사용됩니다1. 정신적 표현의 구조를 이해하면 개념적 지식의 조직에 대한 통찰력을 제공 할 수 있습니다2. 유사성 판단을 뇌 활성화 패턴과 관련시킴으로써 신경 계산에 대한 통찰력을 얻는 것도 가능합니다3. 또한, 유사성 판단은 인식에서 두드러진 특징을 드러낸다4. 발달 과정에서 정신적 표현이 어떻게 변하는지 연구하는 것은 그들이 어떻게 학습되는지를 밝힐 수 있습니다5. 따라서 유사성 판단은 뇌의 정보 처리에 대한 귀중한 통찰력을 제공합니다.
유사성을 사용하는 정신적 표현의 일반적인 모델은 기하학적 공간 모델6,7,8이다. 감각 영역에 적용된 이러한 종류의 모델은 종종 지각 공간9이라고 불립니다. 공간의 점들은 자극을 나타내며 점들 사이의 거리는 그들 사이의 인식 된 불일치에 해당합니다. 유사성 판단으로부터 유사성에 대한 정량적 추정치를 얻을 수 있습니다. 이러한 쌍 방향 불일치(또는 지각 거리)는 다차원 스케일링(multidimensional scaling)10을 통해 지각 공간을 모델링하는 데 사용될 수 있습니다.
유사성 판단을 수집하는 방법에는 여러 가지가 있으며 각 방법에는 장점과 단점이 있습니다. 불일치에 대한 양적 척도를 얻는 가장 간단한 방법은 피험자에게 각 자극 쌍 사이의 불일치 정도를 척도로 평가하도록 요청하는 것입니다. 이것은 비교적 빠르지 만, 피험자가 이전의 판단으로 돌아갈 수 없기 때문에 추정치가 긴 세션에서 불안정한 경향이 있으며, 문맥 효과가있는 경우 감지 할 수 없습니다. (여기서, 문맥 효과는 비교되지 않는 다른 자극의 존재에 기초하여, 두 자극 사이의 판단된 유사성의 변화로서 정의된다.) 대안적으로, 피험자는 자극의 모든 쌍을 다른 모든 자극 쌍과 비교하도록 요청받을 수 있다. 이것은 불일치의 더 신뢰할 수있는 순위 순서를 산출 할 것이지만, 비교의 수는 자극 수의 네 번째 힘과의 척도를 필요로했기 때문에 작은 자극 세트에서만 실현 가능했습니다. 미리 정의된 수의 클러스터로 정렬11 또는 자유 정렬과 같은 더 빠른 대안에는 자체 제한이 있습니다. 자유로운 정렬 (임의의 수의 말뚝으로)은 직관적이지만, 자극이 쉽게 분류에 도움이되지 않더라도 피험자가 자극을 분류하도록 강요합니다. 보다 최근의 다중 배열 방법인 역 MDS는 이러한 많은 한계를 우회하며 매우 효율적입니다12. 그러나이 방법은 피험자가 자신의 정신적 표현을 2D 유클리드 평면에 투사하고 특정 기하학적 방식으로 유사성을 고려하여 유사성 구조가 평면의 유클리드 거리에서 회복 될 수 있다고 가정해야합니다. 따라서, 판단의 기초가 되는 기하학에 대한 가정을 하지 않고, 많은 양의 유사성 판단을 수집하는 효율적인 방법에 대한 필요성이 여전히 남아 있다.
여기에 설명 된 방법은 합리적으로 효율적이며 위의 잠재적 인 함정을 피하는 방법입니다. 피험자에게 각 임상시험에서 중심 기준과 유사성의 순서로 자극의 순위를 매기도록 요청함으로써13, 상대적 유사성은 피험자의 반응의 기하학적 구조에 대해 아무 것도 가정하지 않고 직접 조사될 수 있다. 패러다임은 동일하고 다른 컨텍스트 모두와 비교의 하위 집합을 반복하여 컨텍스트 효과에 대한 직접적인 평가뿐만 아니라 선택 확률 측면에서 등급이 매겨진 응답을 획득 할 수 있습니다. 분석 절차는 이러한 순위 판단을 여러 쌍 별 비교로 분해하고이를 사용하여 판단을 설명하는 지각 공간의 유클리드 모델을 구축하고 검색합니다. 이 방법은 중간 크기(예를 들어, 19 내지 49)의 자극 세트의 표현을 상세하게 기술하는데 적합하다.
접근법의 타당성을 입증하기 위해, 자극으로 37 마리의 동물 세트를 사용하여 실험을 수행했다. 데이터는 10 1 시간 세션의 과정에 걸쳐 수집 된 다음 각 피험자에 대해 개별적으로 분석되었습니다. 분석은 피험자 간의 일관성과 무시할 수있는 문맥 효과를 보여주었습니다. 또한 지각 공간의 유클리드 모델과 자극 사이의 인식 된 불일치의 일관성을 평가했습니다. 이 논문에 설명 된 패러다임 및 분석 절차는 유연하며 다양한 지각 공간의 기하학적 특성을 특성화하는 데 관심이있는 연구원에게 유용 할 것으로 예상됩니다.

<table><tbody><tr><td>컴퓨터 워크스테이션</td><td>해당</td><td>없음</td><td>OS: Windows/ MacOS 10 이상/ Linux; 3.1GHz 듀얼 코어 Intel Core i5 또는 유사 제품; 8GB 이상의 메모리; 파일 쓰기 및 실행을 위한 사용자 권한</td></tr><tr><td>conda</td><td></td><td>버전 4.11</td><td>OS: Windows/ MacOS 10 이상/ Linux</td></tr><tr><td>Microsoft Excel</td><td>Microsoft</td><td>Any</td><td>평가판 조건 파일의 행과 열을 열고 섞습니다.</td></tr><tr><td>PsychoPy</td><td>N/A</td><td>버전 2021.2</td><td>정신물리학 연구를 실행하기 위한 프레임워크</td></tr><tr><td>Python 3</td><td>Python Software Foundation</td><td>Python 버전 3.8</td><td>Python3 및 관련 내장 라이브러리</td></tr><tr><td>필수 Python 라이브러리</td><td>N/A</td><td>numpy 버전: 1.17.2 이상; matplotlib 버전 3.4.3 이상; scipy 버전 1.3.1 이상; pandas 버전 0.25.3 이상; seaborn 버전 0.9.0 이상, scikit_learn 버전 0.23.1 이상; yaml 버전 6.0 이상&nbsp;</td><td>numpy, scipy 및 scikit_learn는 최적화 및 벡터 연산을 위한 내장 함수가 있는 컴퓨팅 모듈입니다. matplotlib 및 seaborn은 플로팅 라이브러리입니다. pandas는 csv 파일에서 데이터를 읽고 편집하는 데 사용됩니다.</td></tr></tbody></table>

유사성 판단의 수집과 분석을위한 정신 물리학 패러다임

A Psychophysics Paradigm for the Collection and Analysis of Similarity Judgments

유사성 판단은 일반적으로 정신적 표현과 신경 상관 관계를 연구하는 데 사용됩니다. 이 접근법은 색상, 객체, 이미지, 단어 및 소리와 같은 많은 영역에서 지각 공간을 특성화하는 데 사용되었습니다. 이상적으로, 모든 자극 쌍 사이의 인식 된 유사성에 대한 추정치를 비교하고 싶을 수도 있지만, 이것은 종종 비실용적입니다. 예를 들어, 피험자에게 두 항목의 유사성을 다른 두 항목의 유사성과 비교하도록 요청하면 비교 횟수는 자극 집합 크기의 네 번째 힘에 따라 증가합니다. 대안적인 전략은 피험자에게 고립된 쌍들의 유사성을 예를 들어, Likert 척도로 평가하도록 요청하는 것이다. 이것은 훨씬 더 효율적이지만 (등급의 수는 사분위가 아닌 설정된 크기에 따라 사분면으로 증가합니다), 이러한 등급은 불안정하고 해상도가 제한적인 경향이 있으며 접근 방식은 컨텍스트 효과가 없다고 가정합니다.
여기에서는 유사성 판단의 효율적인 수집을위한 새로운 순위 패러다임과 유클리드 거리 모델이 데이터를 설명하는지 여부를 테스트하는 분석 파이프 라인 (소프트웨어 제공)이 제시됩니다. 전형적인 시험은 중앙 기준 자극을 중심으로 여덟 가지 자극으로 구성된다: 피험자는 기준과의 유사성 순서대로 자극을 순위화한다. 각 임상시험에서 사용된 자극의 조합을 신중하게 선택함으로써, 접근법은 일관성과 맥락 효과에 대한 내부 통제를 갖는다. 이 접근법은 최대 다섯 차원의 유클리드 공간에서 가져온 자극에 대해 검증되었습니다. 
이 접근법은 37 단어 사이의 유사성을 측정하는 실험으로 설명됩니다. 각 시험은 "A가 B보다 참조와 더 유사합니까?"라는 형태의 28 쌍 비교 결과를 산출합니다. 모든 자극 쌍을 직접 비교하는 것은 221445 번의 시험이 필요했지만,이 설계는 222 번의 시도에서 얻은 5994 건의 비교에서 지각 공간을 재구성 할 수있게합니다.

그림 1A는 단어 실험에 대해 3.3단계에서 스크립트에서 생성된 조건 파일의 일부를 보여 줍니다. 각 행은 평가판에 해당합니다. ref 열의 자극이 디스플레이 중앙에 나타납니다. stim1에서 stim8까지의 열 이름은 원을 따라 8개의 위치에 해당하며, 중앙 참조의 오른쪽에 있는 위치부터 시계 반대 방향으로 실행됩니다. 실험이라는 단어의 샘플 시험이 그림 1B에 나와 있습니다.
타당성과 재현성을 입증하기 위해 자극 세트가 37 마리의 동물의 이름으로 구성된 실험이 수행되었습니다. 완전한 데이터 세트는 연구의 일환으로 정상적인 시력을 가진 여덟 명의 건강한 피험자로부터 수집되었습니다. 이 방법을 입증하기 위해 세 명의 피험자의 데이터가 여기에 표시되며, 그 중 두 명은 연구 목적에 순진했습니다. 정보에 입각 한 동의는 헬싱키 선언과 Weill ...

이 프로토콜은 많은 양의 유사성 판단과 그에 수반되는 분석 워크 플로우를 얻기 위해 실험적 정신 물리학 패러다임을 제시합니다. 패러다임은 컨텍스트 효과를 조사하고 적어도 다섯 차원의 유클리드 공간의 관점에서 유사성 데이터의 모델링을 가능하게합니다.

Similarity judgments are commonly used to study mental representations and their neural correlates. This approach has been used to characterize perceptual ...

이것은 유사성 판단을 수집하고 분석하기위한 효율적인 방법이며, 정신적 표현의 기초가되는 피험자의 기하학적 특성에 대해서는 아무 것도 가정하지 않습니다. 이 방법의 주요 장점은 지각 표현의 성격에 대한 가정의 유연성과 최소화입니다. 자극의 종류와 시험의 복잡성은 다양 할 수 있으며 광범위한 기하학적 모델이 데이터에 적합 할 수 있습니다.이 방법은 시각적 자극의 낮고 높은 수준의 측면의 정신적 표현을 특성화하는 데 관심이있는 연구원에게 유용 할 수 있습니다. 실행할 실험을 선택합니다. 유사성을 클릭하여 실험이라는 단어로 이동한 다음 실험을 한 다음 word_exp하거나 유사성을 클릭하여 이미지 실험으로 이동한 다음 실험을 한 다음 image_exp니다.실험 자극을 마무리하십시오. 단어 실험을 실행 중인 경우 단어 목록을 준비합니다. 그리고 이미지 실험을 위해 새 디렉토리를 만들고 모든 자극 이미지를 배치하십시오.실험 디렉토리에서 config라는 구성 파일을 찾습니다. 유사성을 클릭 한 다음 실험 한 다음 config.yaml을 클릭하여 yaml. 소스 코드 편집기에서 파일을 열고 파일 변수의 값을 자극 세트가 포함된 디렉토리의 경로로 업데이트합니다.이것은 PsychoPy가 이미지 자극을 찾는 곳입니다. 구성을 열어 평가판 구성을 만듭니다. yaml 파일을 분석 디렉토리에 있는 다음, path_2_stimulus_list 매개변수의 값을 stimuli.txt의 경로로 설정한다.similarities 디렉터리에서 창에 표시된 명령을 차례로 실행하여 스크립트를 실행합니다. 이렇게 하면 trial_conditions라는 파일이 만들어집니다. csv는 각 행에 자신의 위치와 함께 재판에 나타나는 자극의 이름을 포함하는 유사성의 csv입니다.생성된 222개의 평가판의 전체 세트를 세션으로 분할하고 창에 표시된 명령을 실행하여 시험 순서를 무작위화합니다. 일반적인 설계에서 세션은 111개의 평가판으로 구성되며, 각 평가판을 실행하는 데 약 1시간이 걸립니다. 메시지가 표시되면 표시된 입력 매개 변수를 입력합니다.이름을 바꾸고 생성된 각 파일을 조건으로 저장합니다. csv는 자체 디렉토리에 있습니다. 조건을 복사합니다.csv 파일을 사용하여 psyexp 파일이 들어 있는 현재 디렉토리에 붙여넣습니다. PsychoPy를 열고 관련 실험 디렉토리에서 psyexp 또는 py 파일을 엽니 다. PsychoPy에서 녹색 재생 버튼을 클릭하여 실험을 실행합니다.모달 팝업에서 주체 이름 또는 ID 및 세션 번호를 입력하고 확인을 클릭하여 시작합니다. 각 세션이 시작될 때 지침이 표시됩니다. 피험자가 과제를 완료하는 데 약 한 시간 정도 허용하고 과제가 스스로 진행됨에 따라 필요한 경우 피험자가 휴식을 취하도록 격려하십시오.모든 세션이 완료되면 원시 데이터 파일을 결합하고 단일 JSON 파일로 다시 포맷하여 전처리를 실행하여 추가 처리를 수행합니다. 화면에 보이는 명령을 사용하여 터미널에서 py. 메시지가 표시되면 주체 데이터 디렉터리에 대한 경로, 데이터를 사전 처리할 주체 ID 및 출력 파일의 이름을 지정하는 데 사용된 실험 이름을 포함하여 요청된 입력 매개 변수를 입력한 다음 Enter 키를 누릅니다.이렇게 하면 출력 디렉터리에 JSON 파일이 생성되어 각 평가판에 대한 반복 간에 응답을 결합합니다. 순위 순서 판단에서 쌍 단위 선택 확률을 결정하려면 유사성으로 이동 한 다음 분석하고 실행describe_data하십시오. 명령 줄에서 py.메시지가 표시되면 피사체 데이터의 경로와 분석을 실행할 피험자 목록을 입력합니다. 이렇게 하면 세 가지 종류의 플롯이 만들어집니다. model_fitting을 실행하여 선택 확률을 사용하여 지각 공간의 저차원 유클리드 모델을 생성합니다.py 화면에 표시된 명령 줄을 사용합니다. 메시지가 표시되면 디렉토리에 대한 입력을 피사체 데이터/사전 처리된 항목, 기본적으로 37개인 자극 수, 반복 횟수, 출력 디렉토리 및 가우시안 노이즈의 양을 제공하는데, 이는 기본적으로 0.18이 됩니다. 획득한 모델의 로그 가능성을 시각화하고 유사성, 분석 model_fitting_figure.py을 실행하여 적합도를 평가합니다.메시지가 표시되면 로그 가능성이 포함된 CSV 파일에 필요한 경로를 입력합니다. 각 피사체에 대한 지각 공간을 시각화하고 표시된 명령을 실행하여 처음 두 원리 구성 요소에 투영된 5D 모델의 점을 보여 주는 산점도를 생성합니다. 메시지가 표시되면 입력 매개변수와 5D 점이 포함된 NPY 파일의 경로를 입력합니다.스크립트가 실행된 후 가상 환경을 종료합니다. 단어 실험에 대해 생성 된 파일에서 첫 번째 행은 참조 자극 원숭이 주위에 여덟 가지 자극이 나타나는 시험에 해당합니다. 계급 판단은 쌍 단위 선택으로 분해되었다.선택 확률의 분포는 피험자 전반에 걸쳐 매우 일관적이었습니다. 각 패널의 대각선 근처에 클러스터링된 데이터는 피험자 간의 선택 확률과 극단적이지 않은 판단에 대한 많은 일관성을 나타냅니다. 지배적 인 대각선은 0과 하나 사이의 중간 선택 확률을 포함하여 두 컨텍스트의 선택 확률이 각 주제에 대해 거의 동일하다는 것을 나타냅니다.로그 가능성은 최상의 모델의 로그 가능성, 즉 기하학적 고려 사항에 의해 이러한 확률을 제한하지 않고 각 비교에 관측된 선택 확률을 할당하는 모델입니다. 원리 성분 분석은 지각 공간의 5D 모델로부터의 점들에 대해 수행되었고, 여기서 동물들은 유사한 것으로 인식되었고 서로 가까운 점들로 표시되었다. 실험을 설계할 때 모든 매개 변수를 결정하고 두 단계를 시작하기 전에 구성 파일에서 설정하는 것이 중요합니다.각 과목의 데이터를 신중하게 추적하는 것도 매우 중요합니다. 이 방법은 많은 유사성 판단을 제공하므로 클러스터 분석, 컨텍스트에 대한 초점 또는 다른 기하학적 공간을 사용한 모델링과 같은 여러 분석을 적용 할 수 있습니다.

a-psychophysics-paradigm-for-collection-analysis-similarity

Research

연구

JoVE Journal

Neuroscience

신경과학

인간 초상권 초자연적 인 밸리 가설 &#39;차원의 인식 및 분류 처리 : 어떤 방법 론적 문제

우리는 객관적인 측정이 널리 채택 고무 손 착각 패러다임에 종사 할 수있는 방법을 보여줍니다. 이 측정은 잘 확립 crossmodal 일치 성은 작업을 수정하여 얻을 수 있습니다. 이 작업은 고무 손 착각에서와 같이 신체 표현의 변조에 중요한 감각적 프로세스를 조사 할 수 있습니다.

고무 손 환상 패러다임에서 목표 행동 측정을 확보하는 수단으로 Crossmodal 일치 성은 작업

이 실험 패러다임이 진짜 범죄에 목격자가 메모리에서 범인의 전체적인 얼굴 합성을 만든 다음 범죄자 또는 그 또는 그녀가하는 일을 포함하는 비디오 라인업에서 범인을 식별하기 위해 시도 할 수있는 상황을 복제 적용 현재가 아닌.

전체적 얼굴 복합 작성 및 후속 비디오 라인업 목격자 식별 패러다임

시간 순서 판단은 처리 속도, 매개 변수 및주의 가중치를 추정하고 이에 따라주의 처리의 메커니즘을 추론하는 데 사용할 수 있습니다. 이 방법론은 광범위한 시각적 자극에 적용할 수 있으며 많은 주의 조작과 함께 작동합니다.

시간적 순서 심판의 모델 기반 분석에 의해주의 및 Visual 처리 속도를 측정

예를 들면 QUEST 추정 절차와 정신 물리학 적 방법을 효율적으로 자극 강도 고통스러운 감각에에 아프지 않은 감각이 전환의 강력한 견적을 산출 할 수 있습니다. 임계 강도 반복 자극하여, 평가 응답의 변화는 직접적으로 후속 분석에 지각 적 분류에 기인 할 수있다.

재화 진 동성 Prestimulus 활동의 통증 관련 공부에 Psychophysically - 고정, 강력한 임계 화

Psychophysics 감각 정보를 통해 지 각 현상을 공부 하는 것이 필수적입니다. 여기 우리는 참가자의 펄스의 주기적인 열차 시각, 청각 또는 시청각 간격의 기간을 추정 인간의 psychophysics에 이전 보고서에서 구현에 2 간격 강제 선택 작업을 수행 하는 프로토콜을 제시.

낯익은 비교 2 간격 강제 선택 작업

우리는 기능성 자기 공명 이미징을 사용하여인지에 대한 감정의 해로운 영향을 중재 신경 메커니즘의 조사를 허용하는 프로토콜을 제시한다. 이 프로토콜은 건강하고 임상 참가자 모두 사용할 수 있습니다.

인식에 대한 감정의 혼란 효과의 두뇌 이미징 조사

이 방법은 organotypic 소뇌 문화의 생성 및 다른 소뇌 세포 유형의 생존 능력에 특정 apoptotic 자극의 효과를 설명합니다.

Organotypic 소뇌 문화 : Apoptotic 도전과 감지

이 보고서에서는 마우스 좌골 신경을 파멸시키는 방법을 설명합니다. 이 방법은 쉽게 사용할 수 hemostatic 집게를 사용하여 쉽고 reproducibly 전체 좌골 신경 호감을 생산하고 있습니다. 또한 좌골 신경 호감 후 신경 재생의 분석에 적합한 근육 전체가 마운트를 준비하는 방법을 설명합니다.

전체 마운트 근육 분석에 의한 재현성 마우스 좌골 신경 크러시와 중생의 후속 평가

우리는 자기 공명 영상 (MRI)를 사용하여 뇌 기능과 구조의 동시 분석을위한 새로운 접근 방식을 설명합니다. 우리는 고해상도 확산 - 가중 영상과 흰색 물질 섬유 tractography로 뇌 구조를 신고 할 수 있습니다. 표준 구조 MRI는 달리,이 기술은 우리가 직접 뇌 네트워크의 기능 속성에 해부학 적 연결을 연관 할 수 있습니다.

fMRI 및 확산 - 가중 영상을 사용하여 뇌의 구조와 기능의 공동 분석

학습하세요 심리물리학 패러다임을 활용한 유사성 판단 수집 및 분석 방법을. PsychoPy 기반 실험 설계와 다차원 유클리드 공간 모델링을 통해 지각 표상의 구조를 밝히는 효율적인 연구 워크플로우를 제공합니다.

유사성 판단의 수집과 분석을위한 정신 물리학 패러다임

더 많은 동영상 탐색