Artykuł metodologiczny

Wykorzystanie MazeSuite i funkcjonalnej spektroskopii bliskiej podczerwieni do badania uczenia się w nawigacji przestrzennej

32.3K wyświetleń

⸱

DOI:

10.3791/3443

⸱

8 października 2011

 ,  ,  ,  ,  , 
1School of Biomedical Engineering, Science and Health Systems, Drexel University, 2College of Nursing and Health Professions, Drexel University

W tym artykule

Podsumowanie

MazeSuite to kompletny zestaw narzędzi do przygotowywania, przeprowadzania i analizowania eksperymentów nawigacyjnych i przestrzennych. Funkcjonalna spektroskopia bliskiej podczerwieni (fNIR) jest optyczną techniką obrazowania mózgu, która umożliwia nieinwazyjne i przenośne monitorowanie zmian w utlenowaniu krwi mózgowej. Niniejszy artykuł podsumowuje wspólne zastosowanie MazeSuite i fNIR w paradygmacie uczenia się procesów poznawczych.

Streszczenie

MazeSuite to kompletny zestaw narzędzi do przygotowywania, przeprowadzania i analizowania eksperymentów nawigacyjnych i przestrzennych1. MazeSuite można wykorzystać do projektowania i edytowania dostosowanych wirtualnych środowisk 3D, śledzenia wyników behawioralnych uczestników w środowisku wirtualnym oraz synchronizacji z zewnętrznymi urządzeniami do pomiarów fizjologicznych i neuroobrazowania, w tym elektroencefalografii i okulografii.

Funkcjonalna spektroskopia bliskiej podczerwieni (fNIR) to optyczna technika obrazowania mózgu, która umożliwia ciągłe, nieinwazyjne i przenośne monitorowanie zmian w utlenowaniu krwi mózgowej związanych z funkcjami ludzkiego mózgu2-7. W ciągu ostatniej dekady fNIR jest wykorzystywana do efektywnego monitorowania zadań poznawczych, takich jak uwaga, pamięć operacyjna i rozwiązywanie problemów7-11. fNIR może być zaimplementowana w formie urządzenia noszonego i małoinwazyjnego; posiada ona zdolność do monitorowania aktywności mózgu w środowiskach o wysokiej trafności ekologicznej.

Funkcje poznawcze oceniane poprzez wykonywanie zadań wiążą się z wzorcami aktywacji kory przedczołowej (PFC), które różnią się podczas pierwszej próby wykonania nowego zadania, po treningu oraz w trakcie testów retencji12. Wykorzystując pozytonową tomografię emisyjną (PET), Van Horn i współpracownicy stwierdzili, że regionalny przepływ krwi w mózgu był zwiększony w prawym płacie czołowym podczas kodowania (tj. pierwszej, naiwnej próby wykonania) nawigacji przestrzennej w wirtualnych labiryntach, podczas gdy po treningu i w trakcie testów retencji w obszarach czołowych nie odnotowano niemal żadnej aktywacji. Ponadto efekty interferencji kontekstowej, zjawiska uczenia się związanego z organizacją treningu, są widoczne, gdy osoby nabywają wiele umiejętności w ramach różnych harmonogramów ćwiczeń13,14. Wysoka interferencja kontekstowa (losowy harmonogram ćwiczeń) występuje, gdy zadania do nauki są prezentowane w nieukolejnionej, nieprzewidywalnej kolejności. Niska interferencja kontekstowa (blokowy harmonogram ćwiczeń) występuje, gdy zadania do nauki są prezentowane w przewidywalnej kolejności.

Nasz cel jest tutaj dwutorowy: po pierwsze, przedstawienie procesu projektowania protokołu eksperymentalnego oraz korzystania z MazeSuite, a po drugie, zaprezentowanie konfiguracji i wdrożenia systemu monitorowania aktywności mózgu fNIR z wykorzystaniem oprogramowania Cognitive Optical Brain Imaging (COBI) Studio15. Aby zilustrować nasze cele, przedstawiono podpróbkę z badania, aby pokazać zastosowanie zarówno MazeSuite, jak i COBI Studio w ramach jednego eksperymentu. Badanie obejmuje ocenę aktywności poznawczej PFC podczas nabywania i uczenia się zadań w labiryncie komputerowym dla kolejności blokowej i losowej. Dwoje praworęcznych osób dorosłych (jeden mężczyzna, jedna kobieta) przeprowadziło 315 prób nabywania, 30 prób retencji i 20 prób transferu w ciągu czterech dni. Fazy projektowania, implementacji, pozyskiwania danych i analizy badania zostały wyjaśnione w celu dostarczenia wytycznych dla przyszłych badań.

Protokół

Pakiet Maze-Suite składa się z trzech głównych aplikacji: programu edycyjnego do konstruowania środowisk labiryntowych (MazeMaker), modułu wizualizacji i renderowania (MazeWalker) oraz narzędzia do analizy i wizualizacji ścieżek (MazeAnalyzer). W poniższych sekcjach opisano sposób użytkowania MazeSuite, a więcej szczegółów znajduje się w trzech filmach uzupełniających, po jednym dla każdego modułu MazeSuite.

1. Projektowanie labiryntów

Aplikacja MazeMaker wchodząca w skład pakietu Maze-Suite umożliwia tworzenie środowisk trójwymiarowych (3D) poprzez proste rysowanie ich na dwuwymiarowym (2D) płótnie z perspektywy z lotu ptaka. Ściany i podłogi można rysować za pomocą kliknięć myszą w celu wskazania współrzędnych, a użytkownicy mogą importować pliki obiektów 3D lub edytować właściwości elementów w labiryncie, takie jak pozycja, orientacja, kolor, tekstura i oświetlenie.

Oprócz innych kryteriów wyjścia, takich jak limit czasu, można przypisać obszary startowe i końcowe labiryntu. Można również wyświetlać oddzielne komunikaty tekstowe informujące uczestnika o każdym z warunków wyjścia. Na etapie projektowania labirynty można testować, korzystając z funkcji „quick run” w programie MazeMaker.

W badaniach obrazowania funkcjonalnego uczestnicy są zazwyczaj proszeni o wykonanie serii zadań z powtarzalnymi próbami. Aby ułatwić przeprowadzanie takich powtarzalnych prób, MazeMaker może tworzyć pliki list labiryntów, które stanowią posortowane listy labiryntów oraz wiadomości tekstowych dla danej sesji eksperymentalnej. Kluczowe jest, aby plik listy labiryntów do eksperymentu został przygotowany i dokładnie przetestowany w ramach pilotażu przed dniem właściwego badania.

Krótki samouczek dotyczący użytkowania i tworzenia środowisk za pomocą MazeMaker znajduje się w „Supplementary video II – MazeMaker”.

2. Konfiguracja fNIR i rozmieszczenie podkładki z czujnikiem fNIR

Przygotowanie zestawu fNIR

  1. Z tyłu obudowy fNIR znajdują się dwa złącza kablowe. Jedno z gniazd służy do połączenia USB, a drugie do podłączenia przewodu zasilającego.
  2. Podłącz obudowę urządzenia fNIR za pomocą kabla USB do komputera PC lub laptopa, który będzie wykorzystywany do akwizycji danych.
  3. Podłącz zasilacz do urządzenia i włącz przełącznik.
  4. Kabel wstęgowy służy do połączenia panelu czujników z obudową fNIR.
    1. Panel czujników zawiera źródła światła (diody LED) oraz fotodetektory.
    2. Diody LED emitują światło podczerwone o długościach fal 730nm i 850nm, które są pochłaniane odpowiednio głównie przez hemoglobinę odtlenowaną i utlenioną, dzięki czemu mogą one przenikać przez tkankę biologiczną.

Umieszczanie podkładki czujnika

  1. Poproś uczestnika o odsunięcie włosów z czoła przed umieszczeniem czujnika. Umieść pasek czujnika tuż nad brwiami. Dopasuj środek czujnika do pionowej osi symetrii, która przechodzi również przez nos.
  2. Mocno dociśnij podkładkę czujnika do czoła i użyj klipsa, aby spiąć kable z tyłu głowy. Choć nie jest to absolutnie konieczne, zaleca się użycie opaski na głowę lub frotki tenisowej w celu zabezpieczenia podkładki czujnika.
  3. Po umieszczeniu podkładki czujnika na czole podłącz dwa końce taśmy sygnałowej do urządzenia fNIR. Taśmy należy podłączyć, dopasowując strony „I” i „II” taśmy do odpowiadających im złączy „I” i „II” w urządzeniu.

Uruchomienie oprogramowania COBI Studio w celu zbierania danych

  1. Kliknij ikonę Cognitive Optical Brain Imaging (COBI) Studio13 na pulpicie, aby otworzyć główne okno.
  2. Program posiada określone ustawienia domyślne dla gromadzenia i wizualizacji danych.
  3. W razie potrzeby należy sprawdzić i potwierdzić parametry akwizycji danych oraz wyzwalanie (synchronizację markerów) w oknie ustawień urządzenia.
  4. COBI Studio może automatycznie nazywać wszystkie powiązane pliki danych, jeśli „Tryb eksperymentu” zostanie aktywowany za pomocą kreatora „Nowy eksperyment”.
  5. W folderze z danymi zostaną utworzone 3 typy plików: (*.nir) dla danych fNIR, (*.mrk) dla danych markerów oraz (*.txt) dla dziennika sesji eksperymentalnej.

3. Przeprowadzenie eksperymentu: Renderowanie labiryntów

Konfiguracja urządzenia i rozpoczęcie akwizycji danych fNIR

  1. Prąd sterujący diodami LED (LED Drive Current) określa jasność świecenia każdej diody LED. Domyślna wartość prądu sterującego LED wynosi 20mA. Wartość ta może wymagać zmiany w zależności od pigmentacji skóry i innych cech uczestnika. Sugerowany zakres prądu LED mieści się w przedziale od 5mA do 20mA
  2. Domyślna wartość początkowego wzmocnienia (gain) dla wszystkich kanałów wynosi 20. Sugerowane wartości wzmocnienia to 1, 5, 10, 15, 20.
  3. Kliknij łącze „Start current device” i sprawdź jakość sygnału. Jeśli surowe wartości intensywności wyświetlane w COBI zbliżają się do 4000 lub są niższe niż 1000, kliknij „Stop Device” i dostosuj prąd sterujący LED oraz wzmocnienie urządzenia (Device Gain), aż do uzyskania odpowiednich wartości. W przypadku słabego sygnału najpierw zwiększ prąd sterujący LED, a dopiero potem wzmocnienie urządzenia. W przypadku nasyconego sygnału najpierw zmniejsz wzmocnienie urządzenia, a dopiero potem prąd sterujący LED. Po uzyskaniu akceptowalnej jakości sygnału przejdź do kroku 4.
  4. Uruchom Baseline. Operacja ta spowoduje zebranie danych z 10 sekund, które zostaną wykorzystane jako linia bazowa w zmodyfikowanym zestawie równań Beera-Lamberta do obliczenia zmian stężeń hemoglobiny utlenowanej i odtlenionej8.
  5. Poczekaj na zakończenie pomiaru Baseline (może to potrwać 10-20 sekund)
  6. Kliknij „Start recording”. Rozpocznie to zapisywanie wszystkich danych. Po tej czynności należy rozpocząć protokół eksperymentu.
  7. Eksperymentator może zdecydować się na dodawanie manualnych markerów w trakcie sesji eksperymentalnej w celu oznaczenia określonych zdarzeń, naciskając przyciski „add manual marker” w menu markerów manualnych znajdującym się w lewym dolnym rogu ekranu.
  8. Uruchom Maze Suite, aby zaprezentować bodźce wizualne.

Wykorzystanie MazeWalkera do renderowania labiryntów

  1. Uruchom program MazeWalker z menu Start>Maze Suite>MazeWalker
  2. Włącz synchronizację markerów, wybierając opcję „Enable Serial Port” w menu Advanced>Serial Port Options. Upewnij się, że wybrany został prawidłowy adres portu COM.
  3. Wybierz plik z listą labiryntów (utworzony w programie MazeMaker), a następnie określ nazwę nowego pliku dziennika dla bieżącej sesji. W polu „walker” można zapisać imię lub numer uczestnika. Opcjonalnie można skorzystać z funkcji autolog, aby automatycznie zapisywać dane do pliku dziennika z aktualną datą i godziną, zamiast ręcznie określać nazwę pliku.
  4. Kliknij „Start”, aby rozpocząć proces. W zależności od ustawień wideo, protokół może być uruchomiony w trybie pełnoekranowym lub w oknie.

4. Wizualizacja ścieżki obiektu

Dzięki programowi MazeAnalyzer badacz może zwizualizować labirynt oraz ścieżkę uczestnika na podstawie plików labiryntu i plików dziennika. Dodatkowo generowany jest raport podsumowujący, zawierający całkowitą długość ścieżki oraz czas ukończenia każdego labiryntu, które służą jako wstępne miary behawioralne. Pliki dziennika zawierają informacje z rozdzielczością czasową w milisekundach na temat ścieżki, którą przebył badany, a także wektora widzenia badanego i jego interakcji z obiektami.

Film instruktażowy znajduje się w „Supplementary video I – MazeAnalyzer” i opisuje sposób korzystania z podstawowych funkcji programu MazeAnalyzer wraz z metodami generowania wskaźników behawioralnych opisanych w sekcji wyników.

5. Przetwarzanie i analiza danych fNIR

Usuwanie szumów jest pierwszym krokiem przetwarzania danych. Źródłami szumów są: 1) ruchy głowy, 2) sygnały fizjologiczne, takie jak tętno i oddychanie, oraz 3) szumy związane z aparaturą i środowiskiem.

Ruchy głowy mogą powodować przemieszczenie detektorów fNIR i utratę kontaktu ze skórą, co naraża je na: 1) światło otoczenia; 2) światło emitowane bezpośrednio przez źródła fNIR; lub 3) światło odbite od skóry, zamiast od tkanek kory mózgowej. Ten rodzaj artefaktu ruchowego jest łatwo rozpoznawalny, ponieważ powoduje nagłe, duże skoki w danych fNIR. Bardziej subtelny artefakt ruchu głowy wynika z wpływu grawitacji na krew mózgową. Szybki ruch głowy może spowodować przemieszczenie krwi w stronę (lub z dala od) monitorowanego obszaru, co prowadzi do szybkiego wzrostu (lub spadku) objętości krwi z towarzyszącym temu zniekształceniem danych. Ponieważ dynamika tego typu artefaktu ruchowego jest wolniejsza niż w przypadku „odskoku” (pop) diod LED, mogą one być mylone z rzeczywistą odpowiedzią hemodynamiczną wynikającą z aktywacji mózgu. W związku z tym usunięcie artefaktów ruchowych z danych fNIR jest ważnym i niezbędnym krokiem, jeśli fNIR ma być wykorzystywane jako technologia monitorowania mózgu w środowiskach naturalnych16.

Sygnały fizjologiczne, takie jak tętno (powyżej 0.5 Hz) i oddychanie (powyżej 0.2 Hz), znajdują się w wyższych zakresach częstotliwości niż odpowiedzi hemodynamiczne, w związku z czym można je usunąć za pomocą liniowego filtru FIR dolnoprzepustowego o częstotliwości odcięcia od 0.1 do 0.15 Hz9.

Szum aparatury i środowiskowy może wynikać z oświetlenia otoczenia, takiego jak światło dzienne (DC) i światło pokojowe (60Hz) lub światło z monitora komputera (60-75Hz). Sugeruje się, że najlepszym sposobem na wyeliminowanie tego rodzaju szumu jest odpowiednie przygotowanie środowiska eksperymentalnego oraz procesu akwizycji danych. W urządzeniu fNIR zaimplementowano analogowy filtr dolnoprzepustowy (filtr antyaliasingowy), aby zapobiec nakładaniu się szumów o wysokiej częstotliwości na zakres częstotliwości próbkowania.

Dostępnych jest wiele zaawansowanych algorytmów redukcji szumów, które wykorzystują różne charakterystyki sygnału17-20. Jednakże, jeśli dane są nieodzyskiwalne (np. nasycone), badany lub sesja mogą zostać wykluczone.

Wykres przedstawiający natężenie światła w funkcji czasu z cyklami pracy serca, oddychania, falami Meyera oraz artefaktami ruchowymi.
Rycina 1. Składniki sygnału fNIR

Surowe sygnały fNIR to pomiary intensywności światła (patrz Rysunek 1). Poprzez pomiar zmian gęstości optycznej (OD) przy dwóch długościach fal, można uzyskać względną zmianę poziomu oxy-Hb i deoxy-Hb w czasie, korzystając z zmodyfikowanego prawa Beera–Lamberta21-23. OD przy określonej długości fali wejściowej (λ) jest logarytmicznym stosunkiem intensywności światła wejściowego (Iin) do intensywności światła wyjściowego (wykrytego) (Iout). OD jest również powiązana z koncentracją (c) i współczynnikiem ekstynkcji (e) chromoforów, skorygowaną odległością (d) między źródłem światła a detektorem oraz stałym współczynnikiem tłumienia (G).
Równanie gęstości optycznej obejmujące absorpcję światła, schemat ilustrujący obliczanie OD.

Mając tę samą wartość Iin w dwóch różnych momentach czasowych oraz wykrytą intensywność światła podczas linii bazowej (Irest) i podczas wykonywania zadania (Itest), różnica w OD dla długości fali λ wynosi
Wzór spektroskopowy, równanie ΔODλ dla analizy gęstości optycznej w badaniach spektroskopowych.

Pomiar OD przy dwóch różnych długościach fal pozwala otrzymać
Równanie spektroskopowe dla gęstości optycznej; forma macierzowa; analiza absorpcji i stężenia.

Ten zestaw równań można rozwiązać dla stężeń, jeśli macierz 2x2 jest nieosobliwa. Zazwyczaj dwie długości fal wybiera się i) w zakresie 700-900nm, gdzie absorpcja oxy-Hb i deoxy-Hb dominuje nad innymi chromoforami tkankowymi, oraz ii) poniżej i powyżej punktu izosbestycznego (~805nm, gdzie widma absorpcyjne deoxy-Hb i oxy-Hb przecinają się), aby skupić zmiany absorpcji odpowiednio na deoxy-Hb lub oxy-Hb. Instrument fNIR zastosowany w niniejszym badaniu wykorzystuje długości fal 730nm i 850nm.

Na koniec, wykorzystując markery (sygnały synchronizacji czasu), oznacza się okresy bazowe/odpoczynku oraz zadania, a następnie z danych o utlenowaniu ekstrahuje się wybrane cechy, takie jak wartości średnie, minimalne i maksymalne. Oprogramowanie COBI Studio zapisuje zarówno surowe pomiary natężenia światła, jak i obliczone wartości utlenowania (zgodnie z zmodyfikowanym prawem Beera-Lamberta) w plikach tekstowych, a także pliki synchronizacji czasu (markery). COBI Studio może być również wykorzystane do zastosowania metod usuwania szumów, takich jak filtry dolnoprzepustowe lub pasmowe o skończonej odpowiedzi impulsowej. Pliki wyjściowe można eksportować do powszechnie stosowanego oprogramowania analitycznego (takiego jak Matlab, Excel, SPM i SPSS) lub dedykowanego oprogramowania do analizy, takiego jak fnirSoft24, w celu dalszego przetwarzania.

6. Reprezentatywne wyniki:

Przykłady sygnałów fNIR

Rysunki 2-5 przedstawiają surowe sygnały fNIR z jednego miejsca pomiaru z dwiema składowymi długości fali (730nm i 850nm) pokazanymi oddzielnie. Rysunek 2 przedstawia prawidłową i akceptowalną epokę sygnału, natomiast rysunki 3 i 4 są nieakceptowalne i muszą zostać odrzucone. Rysunek 5 przedstawia surowy sygnał zanieczyszczony artefaktami ruchowymi, który wymaga oczyszczenia lub odrzucenia.

Wykres analizy widmowej, natężenie światła w funkcji czasu, wykazujący stabilność dla długości fal 730nm i 850nm.
Rysunek 2. Przykładowy prawidłowy surowy sygnał fNIR

Wykres wyników spektroskopii przedstawiający natężenie światła w czasie dla długości fal 730nm i 850nm.
Rysunek 3. Przykładowy błędny surowy sygnał fNIR, w którym kanał 850nm jest nasycony.

Wykres spektroskopowy, natężenie światła przy 730nm i 850nm, czas względem detektora, problem z badaniem optycznym.
Rysunek 4. Przykład błędnego surowego sygnału fNIR, w którym występuje problem sprzętowy lub problem z łącznością kablową.

Wykres natężenia światła pokazujący artefakty ruchowe przy 730nm i 850nm; wynik analizy spektroskopowej.
Rycina 5. Przykładowy nieprawidłowy surowy sygnał fNIR z widocznymi artefaktami ruchowymi.

Protokół badania

Oceny procesu uczenia się najlepiej obrazują testy retencji (tj. pamięci) oraz transferu (tj. zdolności do generalizacji). W naszym badaniu podczas fazy nabywania umiejętności ćwiczono trzy labirynty (maze1, maze2 i maze3), wykonując łącznie po 105 prób dla każdego z nich w ciągu trzech dni. Dwa warunki: losną kolejność ćwiczeń (RND) oraz blokową kolejność ćwiczeń (BLK) przedstawiono w podsumowaniu na Rysunku 6. W czterodniowym badaniu uczestniczyły dwie osoby. W 4tym dniu przeprowadzono 10 prób retencyjnych dla każdego labiryntu, a labirynty prezentowano w losowej kolejności. Stworzono dwa nowe labirynty (maze4 i maze5), które posiadały dodatkowe korytarze oraz inne punkty startowe i końcowe niż labirynty ćwiczone pierwotnie. Uczestnicy wykonali po dziesięć prób dla każdego z dwóch nowych labiryntów. Labirynty te stanowiły fazę transferu i były prezentowane wszystkim w losowej kolejności. Labirynty w fazie transferu posłużyły do określenia stopnia, w jakim każdy uczestnik był w stanie zgeneralizować zdobytą wiedzę i umiejętności nabyte podczas ćwiczeń z labiryntami w fazie nabywania.

Schemat praktyki blokowej w porównaniu do losowej; rozkład prób w ciągu dni; badanie nabywania umiejętności.
Rysunek 6. Reprezentatywny schemat protokołu eksperymentalnego.

Analiza wyników behawioralnych

Poniższe rysunki od 7 do 9 przedstawiają średnie wartości cech (długość ścieżki, całkowity czas ukończenia oraz prędkość) badanych w każdym dniu. Najpierw przedstawiono wyniki dla labiryntu maze1, maze2 i maze3 zarówno dla praktyki RND, jak i BLK. Następnie wymieniono wyniki dla labiryntu maze4 i maze5, aby porównać wyniki praktyki losowej (random) i blokowej (blocked). Wszystkie słupki błędu przedstawiają błąd standardowy średniej (SEM).

Wykresy słupkowe wyników w labiryncie przedstawiające długość ścieżki, całkowity czas i prędkość w dniach 1-4.
Rycina 7. Podsumowanie wyników behawioralnych w treningu RND dla zadań nabywania i utrwalania umiejętności, obejmujące całkowitą długość ścieżki, całkowity czas wykonania oraz średnią prędkość.

Analiza nawigacji w labiryncie; wykresy słupkowe; porównanie długości ścieżki, czasu i prędkości w poszczególnych dniach.
Rysunek 8. Podsumowanie wyników behawioralnych treningu BLK dla zadań nabywania i retencji, obejmujące całkowitą długość ścieżki, całkowity czas wykonania oraz średnią prędkość.

Analiza wyznaczania ścieżki, wykresy słupkowe porównujące wskaźniki w Maze4 i Maze5; długość ścieżki, czas, prędkość.
Rycina 9. Porównanie wyników behawioralnych dla praktyki BLK i RND w zadaniach transferowych, obejmujące całkowitą długość ścieżki, całkowity czas wykonania oraz średnią prędkość.

Analiza wyników fNIR

Zmiany stężenia hemoglobiny utlenowanej względem wartości bazowej zostały uśrednione w czasie przejścia każdego labiryntu z osobna, z wykorzystaniem danych znacznikowych otrzymanych z systemu MazeWalker (wskazujących początek i koniec każdego labiryntu). Przyjęto, że większa amplituda zmian stężenia reprezentuje wyższy poziom regionalnej aktywacji mózgu. Wyższy poziom aktywacji zaobserwowano zarówno podczas zadań retencyjnych, jak i transferowych w przypadku praktyki typu BLK w porównaniu do praktyki typu RND. Podczas zadań transferowych odnotowano wyższy poziom aktywacji przy praktyce BLK w porównaniu z praktyką RND (patrz Rysunek 10).

W przypadku badanego z grupy praktyki BLK próby transferu wymagały wyższej aktywacji w porównaniu do prób retencji. W przypadku badanego z grupy praktyki RND poziom aktywacji NIE różnił się dla zadań transferu i retencji, w przeciwieństwie do badanego z grupy praktyki BLK (patrz Rycina 11).

Wykres słupkowy stężenia oxy-Hb podczas fazy retencji i transferu, porównujący grupy BLK i RND.
Rysunek 10. Porównanie średnich zmian stężenia oxy-Hb dla praktyki BLK w stosunku do RND w przypadku zadań retencyjnych (po lewej) oraz zadań transferowych (po prawej).

Wykres słupkowy porównujący średnią zmianę stężenia ∆Oxy-Hb w warunkach BLK i RND, zapamiętywanie vs transfer.
Rysunek 11. Porównanie średnich zmian stężenia oxy-Hb dla zadań zapamiętywania i transferu zarówno dla praktyki BLK (lewo), jak i RND (prawo).

Dyskusja

Kora przedczołowa (PFC) w ludzkim mózgu umożliwia kontrolę poznawczą nad koordynacją myśli i działań w odniesieniu do wewnętrznych celów. W szczególności wiadomo, że przednia/grzbietowo-boczna część PFC pośredniczy w wyższych funkcjach poznawczych, takich jak zarządzanie zadaniami, planowanie i nawigacja przestrzenna25. fNIR to przenośne, bezpieczne i nieinwazyjne narzędzie do monitorowania mózgu, które jest wykorzystywane w warunkach klinicznych, laboratoryjnych i naturalnych do badania aktywacji mózgu. Niniejsze badanie eksploracyjne zaprezentowało wykorzystanie Maze Suite oraz fNIR do badania neurobehawioralnych aspektów nawigacji przestrzennej. W tym badaniu eksploracyjnym platforma MazeSuite jest używana w połączeniu z fNIR w celu zbadania neurobehawioralnych aspektów nawigacji przestrzennej w grzbietowo-bocznej PFC oraz w celu zademonstrowania możliwości połączenia tych dwóch narzędzi.

MazeSuite to platforma do projektowania eksperymentalnego, prezentacji i analizy. Umożliwia ona tworzenie i stosowanie prostych środowisk 3D za pomocą przyjaznego dla użytkownika interfejsu graficznego oraz automatycznie rejestruje miary behawioralne do porównań wewnątrzgrupowych lub międzygrupowych. Podczas prezentacji środowisk MazeSuite przeprowadzono jednoczesne, zsynchronizowane czasowo pomiary fNIR przy użyciu dostępnego komercyjnie, przenośnego systemu fNIR z falą ciągłą (Imager 1000, fNIR Devices, LLC) oraz oprogramowania COBI Studio15. fNIR zostało wcześniej uznane za bezpieczne i skuteczne nieinwazyjne narzędzie do monitorowania mózgu w warunkach klinicznych, laboratoryjnych i naturalnych w celu badania aktywacji mózgu7,11, a w niniejszym badaniu wykorzystano je do analizy odpowiedzi poznawczych związanych z interferencją kontekstową podczas zadań z nawigacją przestrzenną.

Aby zbadać wpływ interferencji kontekstowej wynikającej z kolejności ćwiczeń, badanym przedstawiono schemat ćwiczeń o niskim stopniu interferencji (BLK) lub wysokim stopniu interferencji (RND). Te odmienne harmonogramy ćwiczeń zostały wykorzystane do przetestowania efektu uczenia się wielu wirtualnych zadań z nawigacji przestrzennej w labiryncie podczas testów nabywania, retencji i transferu. Wyniki behawioralne wskazują, że dla obu kolejności ćwiczeń występuje monotoniczny trend spadkowy całkowitego czasu niezbędnego do ukończenia labiryntu, co sugeruje, że w miarę ćwiczeń badani kończyli każdy labirynt w krótszym czasie. Ponadto średnia prędkość, z jaką badani nawigowali po labiryncie (prędkość w labiryncie), wzrosła wraz z praktyką. Poprawy w miarach behawioralnych w czasie są oczekiwanymi wnioskami z procesu uczenia się. Średnie zmiany stężenia oxy-Hb podczas prób ćwiczebnych wskazują, że praktyka BLK wymagała silniejszej aktywacji mózgu w porównaniu z kolejnością ćwiczeń RND.

Praktyka RND doprowadziła do krótszego czasu wykonania zadania i mniejszej długości ścieżek w porównaniu z kolejnością praktyki BLK, odpowiednio dla retencji i transferu. Obserwowany trend spadkowy średniego poziomu oxy-Hb dla praktyki BLK i RND w próbach retencyjnych wskazuje na zmniejszoną aktywność w PFC. Wynik ten jest zgodny z oczekiwaniami, ponieważ wcześniejsze badania sugerowały redukcję aktywności PFC w późniejszych etapach uczenia się12,26.

Co więcej, nawigacja w nowych labiryntach podczas fazy transferu wymagała silniejszej aktywacji mózgu u osób z grupą praktyki BLK w porównaniu do osób z grupą praktyki RND. Biorąc pod uwagę, że kolejność ćwiczeń była inna dla zadań już opanowanych (tj. labirynt 1, labirynt 2 i labirynt 3), ta warstwowa randomizowana kolejność praktyki u osób, które uczyły się zadań w kolejności sekwencyjnej (praktyka BLK), mogła być wystarczająco nowatorska, aby wymagać dodatkowego wysiłku i zasobów poznawczych do wykonania zadań12,26. Jednak w przypadku praktyki RND aktywacja neuronalna w fazie transferu nie była wyższa niż w fazie retencji. Wyniki te potwierdzają ustalenia z badań PET nad nawigacją przestrzenną w wirtualnych labiryntach zgłoszone przez Van Horna i współpracowników12.

Podsumowując, opisaliśmy zastosowanie MazeSuite w połączeniu z COBI Studio w badaniu nad efektami interferencji kontekstowej związanej z kolejnością ćwiczeń podczas nauki zadań nawigacji przestrzennej. Omówione tutaj metody fNIR nie ograniczają się do zadań nawigacji przestrzennej i mogą być wykorzystywane w szerokim zakresie zadań w innych badaniach neuroobrazowych. Fazy projektowania, implementacji, pozyskiwania danych oraz analizy badania zostały wyjaśnione w celu zapewnienia wytycznych dla przyszłych badań.

Oświadczenia

Firma fNIR Devices, LLC produkuje instrument do optycznego obrazowania mózgu, korzystając z licencjonowanej własności intelektualnej oraz know-how z Drexel University. H. Ayaz, M. Izzetoglu, K. Izzetoglu i B. Onaral uczestniczyli w rozwoju technologii, w związku z czym otrzymali niewielki udział w nowej firmie typu startup fNIR Devices, LLC.

Podziękowania

Finansowanie niniejszej pracy zostało zapewnione częściowo przez Commonwealth of Pennsylvania # 4100037709, podumowa #240468 oraz Drexel University, podumowa #280773.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Zestaw Labiryntów
Obrazownik fNIR 1000

Bibliografia

  1. Ayaz, H., Allen, S. L., Platek, S. M., Onaral, B. Maze Suite 1.0: a complete set of tools to prepare, present, and analyze navigational and spatial cognitive neuroscience experiments. Behav. Res Methods. 40, 353-359 (2008).
  2. Chance, B., Zhuang, Z., UnAh, C., Alter, C., Lipton, L. Cognition-activated low-frequency modulation of light absorption in human brain. Proceedings of the National Academy of Sciences of the United States of America. 90, 3770-3774 (1993).
  3. Villringer, A., Planck, J., Hock, C., Schleinkofer, L., Dirnagl, U. Near infrared spectroscopy (NIRS): a new tool to study hemodynamic changes during activation of brain function in human adults. Neuroscience letters. 154, 101-104 (1993).
  4. Hoshi, Y. Non-synchronous behavior of neuronal activity, oxidative metabolism and blood supply during mental tasks in man. Neuroscience letters. 172, 129-133 (1994).
  5. Strangman, G., Boas, D. A., Sutton, J. P. Non-invasive neuroimaging using near-infrared light. Biological psychiatry. 52, 679-693 (2002).
  6. Coyle, S., Ward, T. E., Markham, C. M. Brain-computer interface using a simplified functional near-infrared spectroscopy system. Journal of neural engineering. 4, 219-226 (2007).
  7. Ayaz, H. Optical brain monitoring for operator training and mental workload assessment. Neuroimage. , (2011).
  8. Izzetoglu, M. Functional near-infrared neuroimaging. IEEE Trans Neural Syst Rehabil Eng. 13, 153-159 (2005).
  9. Izzetoglu, M., Bunce, S. C., Izzetoglu, K., Onaral, B., Pourrezaei, K. Functional brain imaging using near-infrared technology. IEEE Eng Med Biol Mag. 26, 38-46 (2007).
  10. Shalinsky, M. H., Kovelman, I., Berens, M. S., Petitto, L. A. Exploring Cognitive Functions in Babies, Children & Adults with Near Infrared Spectroscopy. J. Vis. Exp. (29), e1268-e1268 (2009).
  11. Izzetoglu, K. The evolution of field deployable fNIR spectroscopy from bench to clinical settings. Journal of Innovative Optical Health Sciences. 4, 1-12 (2011).
  12. Van Horn, J. D. Changing patterns of brain activation during maze learning. Brain Res. 793, 29-38 (1998).
  13. Shewokis, P. A. Memory consolidation and contextual interference effects with computer games. Perc Motor Skills. 97, 581-589 (2003).
  14. Magill, R. A., Hall, K. G. A review of the contextual interference effect in motor skill acquisition. Human Movement Science. 9, 241-289 (1990).
  15. Ayaz, H., Onaral, B. Analytical software and stimulus-presentation platform to utilize, visualize and analyze near-infrared spectroscopy measures Masters Degree thesis [dissertation]. , Drexel University. (2005).
  16. Ayaz, H. Advances in Understanding Human Performance: Neuroergonomics, Human Factors Design, and Special Populations. Marek, T., Karwowski, W., Rice, V. 3, CRC Press Taylor & Francis Group. 21-31 (2010).
  17. Izzetoglu, M., Chitrapu, P., Bunce, S., Onaral, B. Motion artifact cancellation in NIR spectroscopy using discrete Kalman filtering. Biomedical engineering online. 9, 16-16 (2010).
  18. Huppert, T. J., Diamond, S. G., Franceschini, M. A., Boas, D. A. HomER: a review of time-series analysis methods for near-infrared spectroscopy of the brain. Appl Opt. 48, 280-298 (2009).
  19. Zhang, Q., Strangman, G., Ganis, G. Adaptive filtering to reduce global interference in non-invasive NIRS measures of brain activation: How well and when does it work? Neuroimage. 45, 788-794 (2009).
  20. Izzetoglu, M., Devaraj, A., Bunce, S., Onaral, B. Motion artifact cancellation in NIR spectroscopy using Wiener filtering. IEEE Trans Biomed Eng. 52, 934-938 (2005).
  21. Cope, M. The development of a near infrared spectroscopy system and its application for non invasive monitoring of cerebral blood and tissue oxygenation in the newborn infant. , University College London. London. (1991).
  22. Elwell, C. Quantification of adult cerebral hemodynamics by near-infrared spectroscopy. Journal of Applied Physiology. 77, 2753-2753 (1994).
  23. Wyatt, J. Quantitation of cerebral blood volume in human infants by near-infrared spectroscopy. Journal of Applied Physiology. 68, 1086-1086 (1990).
  24. Ayaz, H. Functional Near Infrared Spectroscopy based Brain Computer Interface PhD thesis [dissertation]. , Drexel University. (2010).
  25. Wood, J. N., Grafman, J. Human prefrontal cortex: processing and representational perspectives. Nat Rev Neurosci. 4, 139-147 (2003).
  26. Shadmehr, R., Holcomb, H. H. Neural correlates of motor memory consolidation. Science. 277, 821-825 (1997).

Przedruki i uprawnienia

Tagi

Uczenie si nawigacji przestrzennejaktywno kory przedczo owejefekt interferencji kontekstowejpoznawcze optyczne obrazowanie m zguledzenie wynik w behawioralnychoptyczny monitoring m zgupomiar odpowiedzi hemodynamicznejrozmieszczenie podk adek sensorycznych
Wykorzystanie MazeSuite i funkcjonalnej spektroskopii bliskiej podczerwieni do badania uczenia się w nawigacji przestrzennej
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.