Pomiar subiektywnej wartości ryzykownych i niejednoznacznych opcji przy użyciu ekonomii eksperymentalnej i metod funkcjonalnego rezonansu magnetycznego

Summary

Korzystanie z funkcjonalnego rezonansu magnetycznego i metod behawioralnych w celu określenia neuronalnej reprezentacji subiektywnej wartości ryzykownych i niejednoznacznych opcji w ludzkim mózgu.

Abstract

Większość wyborów, których dokonujemy, ma niepewne konsekwencje. W niektórych przypadkach prawdopodobieństwo różnych możliwych wyników jest dokładnie znane, co określa się mianem "ryzykownego". W innych przypadkach, gdy nie można oszacować prawdopodobieństwa, jest to warunek określany jako "niejednoznaczny". Podczas gdy większość ludzi ma awersję zarówno do ryzyka, jak i niejednoznaczności^1,2, stopień tej awersji różni się znacznie u poszczególnych osób, tak że subiektywna wartość tej samej ryzykownej lub niejednoznacznej opcji może być bardzo różna dla różnych osób. Łączymy funkcjonalny rezonans magnetyczny (fMRI) z metodą opartą na ekonomii eksperymentalnej³ w celu oceny neuronalnej reprezentacji subiektywnych wartości ryzykownych i niejednoznacznych opcji⁴. Technika ta może być obecnie wykorzystywana do badania tych reprezentacji neuronalnych w różnych populacjach, takich jak różne grupy wiekowe i różne populacje pacjentów.

W naszym eksperymencie, badani dokonują konsekwentnych wyborów między dwoma alternatywami, podczas gdy ich aktywacja neuronalna jest śledzona za pomocą fMRI. W każdym badaniu uczestnicy wybierają między loteriami, które różnią się kwotą pieniężną oraz prawdopodobieństwem wygrania tej kwoty lub poziomem niejasności związanym z wygraną. Nasz projekt parametryczny pozwala nam wykorzystać zachowania związane z wyborem każdej osoby do oszacowania jej postaw wobec ryzyka i niejednoznaczności, a tym samym do oszacowania subiektywnych wartości, które każda opcja miała dla nich. Inną ważną cechą projektu jest to, że wynik wybranej loterii nie jest ujawniany podczas eksperymentu, dzięki czemu nie może mieć miejsca nauka, a tym samym niejednoznaczne opcje pozostają niejednoznaczne, a postawy wobec ryzyka są stabilne. Zamiast tego, na koniec sesji skanowania, jedna lub kilka prób jest losowo wybieranych i rozgrywanych na prawdziwe pieniądze. Ponieważ badani nie wiedzą z góry, które badania zostaną wybrane, muszą traktować każdą próbę tak, jakby była to jedyna próba, za którą otrzymają zapłatę. Ten projekt zapewnia, że możemy oszacować prawdziwą subiektywną wartość każdej opcji dla każdego tematu. Następnie szukamy obszarów w mózgu, których aktywacja jest skorelowana z subiektywną wartością ryzykownych opcji oraz obszarów, których aktywacja jest skorelowana z subiektywną wartością opcji niejednoznacznych.

Protocol

1. Przygotowanie eksperymentu

1. Pierwszym krokiem jest zaprojektowanie bodźców wizualnych reprezentujących ryzykowne i niejednoznaczne wybory, które zostaną zaprezentowane na ekranie w skanerze. Używamy obrazów, takich jak te przedstawione na rysunku 1, aby przedstawić torby wypełnione żetonami do pokera, które nazywamy "torbami loteryjnymi". Graficznie obrazy te można traktować jako stosy żetonów do pokera przed umieszczeniem ich w torbie. Co ważne, obrazy te reprezentują prawdziwe pojemniki, w naszym przypadku koperty, wypełnione 100 czerwonymi i niebieskimi żetonami do pokera, które badany zobaczy przed rozpoczęciem eksperymentu. Gwarantuje to, że badani zarówno rozumieją loterie, z którymi przyjdzie im się zmierzyć, jak i wierzą, że wyświetlacz komputera dokładnie przedstawia te loterie. W przypadku ryzykownych loterii prawdopodobieństwo wygranej, czyli stosunek czerwonych do niebieskich żetonów w danej kopercie, jest precyzyjnie określone zarówno za pomocą liczb, jak i bodźca graficznego (Rysunek 1A). W przypadku loterii niejednoznacznych brakuje części informacji o prawdopodobieństwie (rysunek 1B), w związku z czym możliwy stosunek czerwonych do niebieskich żetonów jest ograniczony, ale nie określony, co sprawia, że prawdopodobieństwo wygranej jest częściowo niejednoznaczne.
2. W przypadku ryzykownych loterii czerwone i niebieskie obszary każdego obrazu są proporcjonalne do liczby czerwonych i niebieskich żetonów w kopercie. Zalecamy użycie co najmniej 3 prawdopodobieństw wyniku⁴ (Rysunek 1A). Użyte dokładne prawdopodobieństwa mogą się różnić w zależności od konkretnych wymagań eksperymentu, ale eksperymentatorzy powinni zachować ostrożność przy używaniu bardzo wysokich i bardzo niskich prawdopodobieństw. Wiadomo, że ludzie zazwyczaj błędnie przedstawiają prawdopodobieństwo poniżej 10% lub powyżej 90%⁵. O ile ktoś nie ma zamiaru badać tego systematycznego przeinaczania, należy unikać tych skrajności.
3. Aby przekazać niejednoznaczność, środkowa część stosu chipów na wyświetlaczu komputera jest zasłonięta szarym okluderem (rysunek 1B). W szarym obszarze liczba żetonów każdego koloru będzie nieznana, a co za tym idzie, prawdopodobieństwo wylosowania czerwonej lub niebieskiej żetonki nie będzie dokładnie znane. Na przykład w środkowej torbie na rysunku 1B okluder pokrywa 50% worka, a zatem liczba czerwonych żetonów może wynosić od 25 (jeśli wszystkie żetony za okluderem są niebieskie) do 75 (jeśli wszystkie żetony za okluderem są czerwone). Oczywiście liczba blue chipów może również mieścić się w dowolnym miejscu między tymi dwiema wartościami.
4. Zwiększenie rozmiaru okludera zwiększa poziom niejednoznaczności (zakres możliwych prawdopodobieństw wylosowania czerwonej lub niebieskiej żetonki). Zalecamy stosowanie co najmniej 3 poziomów okluzji, pokrywających ~25, 50 lub 75% worka (rysunek 1B).
5. Kiedy badani wykonują zadanie na komputerze, prezentujemy każdy poziom prawdopodobieństwa/niejednoznaczności wygranej wraz z zakresem możliwych kwot wyników. Zalecamy korzystanie z 5 poziomów nagród⁴, obejmujących szeroki zakres kwot, na przykład: 5, 9,5, 18, 34 i 65 dolarów. Na wyświetlaczu prezentujemy kwotę wyniku obok zwycięskiego koloru i wyświetlamy "0" obok drugiego koloru. Na przykład, na rysunku 2 wylosowanie czerwonego żetonu skutkowałoby wygraną w wysokości 18 $, podczas gdy wylosowanie niebieskiego żetonu skutkowałoby wynikiem zerowym.
6. Co ważne, w każdej próbie badani będą wybierać między dwiema loteriami. Dla uproszczenia jedna z opcji jest niezmienna przez cały czas trwania eksperymentu (w tym przykładzie 50% szans na wygranie 5 USD) i zmieniamy tylko drugą opcję. Ma to dwie zalety. Po pierwsze, opcja stała nie musi pojawiać się na ekranie, co upraszcza wizualne wyświetlanie (chociaż przypomnienie co jakiś czas może być pomocne). Po drugie, ponieważ jedna opcja nigdy się nie zmienia, analizy sygnału fMRI oparte na regresji mogą skutecznie pominąć ten parametr. Należy zauważyć, że aby mieć "wspólną walutę" dla subiektywnych wartości ryzykownych i niejednoznacznych loterii, opcja referencyjna musi być taka sama dla obu typów prób.
7. Każda kombinacja poziomu i wielkości prawdopodobieństwa lub niejednoznaczności powinna być przedstawiona łącznie co najmniej 4 razy, a najlepiej więcej, aby zapewnić wystarczającą moc statystyczną zarówno w analizie behawioralnej, jak i fMRI. W połowie powtórzeń kolor czerwony powinien kojarzyć się z wynikiem niezerowym, a w drugiej połowie z niebieskim, aby uniknąć stronniczości kolorów i zapewnić symetrię w niejednoznaczności.
8. Zdecydowaliśmy się na zastosowanie powolnego projektu związanego ze zdarzeniem (ryc. 3), w którym odpowiedź hemodynamiczna na różne próby jest dobrze oddzielona w czasie. W takim projekcie każda loteria powinna być przedstawiona jako bodziec krótko, w naszym przypadku przez 2 s, po którym następuje okres opóźnienia (w naszym przypadku 6 s), aby dać czas na nagromadzenie aktywacji neuronalnej związanej z decyzją. Odpowiedzi powinny być udzielone w krótkim czasie (1-2 sekundy). Użyj obrazu, takiego jak ten pokazany na rysunku 3, jako krótkiej informacji zwrotnej, aby osoba badana wiedziała, że jej odpowiedź została zarejestrowana. Oddziel badania długimi okresami odpoczynku (10 s lub więcej), aby umożliwić powrót odpowiedzi hemodynamicznej do wartości wyjściowej. Krótsze okresy odpoczynku mogą być stosowane z odpowiednim jitterem. Pogrupuj próby w bloki po maksymalnie 30 prób każdy, ale pamiętaj, aby bloki nie trwały dłużej niż około 10 minut. Pozwala to na okresy odpoczynku w skanerze, które maksymalizują wydajność i minimalizują zmęczenie obiektu. Aby umożliwić co najmniej 4 powtórzenia każdej kombinacji prawdopodobieństwa/niejednoznaczności i kwoty, łączna liczba prób wyniesie co najmniej 120, tj. 4 bloki.
9. Przygotuj fizyczne torby (w naszym przypadku koperty) tak, aby można je było pokazać badanym przed wykonaniem zadania. Zostaną one później wykorzystane do rozegrania losowo wybranej próby, aby się opłacić. Przygotuj torbę dla każdego obrazu loterii użytego w eksperymencie. Wypełnij każdą torbę łącznie 100 czerwonymi i niebieskimi żetonami pokera/bingo, w proporcjach odpowiadających prawdopodobieństwu wylosowania żetonu każdego koloru z tej torby pokazanej na wyświetlaczu. W przypadku niejednoznacznych toreb użyj generatora liczb losowych, aby zdecydować o rzeczywistej liczbie czerwonych i niebieskich żetonów, odpowiadających każdemu poziomowi niejednoznaczności. Przygotuj torbę referencyjną z 50 czerwonymi i 50 niebieskimi chipsami. Przygotowanie fizycznych toreb i pokazanie ich badanym jest szczególnie ważne w przypadku przedmiotów rekrutowanych na wydziałach psychologii. Osoby te prawdopodobnie podejrzewają jakiś rodzaj oszustwa, a jeśli podejrzewają oszustwo, ich odpowiedzi będą nieinterpretowalne.

2. Przygotowanie tematu

1. Każdy uczestnik musi wypełnić formularz zgody i kwestionariusz przesiewowy. Formularz przesiewowy sprawdza, czy osoba badana nie ma w swoim ciele żadnego metalu, czy nie jest w ciąży ani nie ma klaustrofobii i czy można ją bezpiecznie zeskanować. Badani muszą również usunąć wszystkie metale ze swojego ciała, aby zapewnić bezpieczeństwo w środowisku skanera. Ma to kluczowe znaczenie.
2. Przekaż osobie badanej szczegółowe instrukcje dotyczące eksperymentu. Zadaj im kilka prostych pytań, aby upewnić się, że rozumieją, w jaki sposób prawdopodobieństwa i kwoty są przekazywane na każdym obrazie i aby upewnić się, że rozumieją swoje zadanie. Upewnij się, że nie ujawniasz żadnych informacji, które mogłyby wpłynąć na ich wybory. Na przykład, nie ujmuj problemu wyboru, przed którym stoją, w taki sposób, aby skłonić badanych do określonej postawy ryzyka. Pokaż im fizyczne torby i podkreśl, że każdy obraz w eksperymencie odnosi się do jednej konkretnej fizycznej torby, przy której nie możesz i nie będziesz manipulować. Wyjaśnij również, że w połowie prób zwycięskim kolorem będzie niebieski, a w połowie czerwonym. Wyjaśnij mechanizm płatności, aby podmiot zrozumiał, że zostanie zapłata zgodnie z jego wyborami. Zachęcaj badanych do zadawania pytań na temat wszystkiego, czego nie rozumieją. Jest to krytyczny okres, w którym ustalają się przekonania badanych na temat eksperymentu. Istotne jest, aby badani byli pewni, że eksperyment nie obejmuje żadnego rodzaju oszustwa, w przeciwnym razie wyniki behawioralne i neuronalne będą nieinterpretowalne.
3. Zapieczętuj torby i poproś osobę, aby podpisała się swoim imieniem i nazwiskiem na plombie. Wyjaśnij, że umożliwi im to sprawdzenie pod koniec eksperymentu, czy zawartość toreb nie została zmieniona w trakcie eksperymentu. Pomaga to upewnić badanych, że grają w całkowicie uczciwą grę. Wyjaśnij również, że po rozegraniu loterii, na koniec eksperymentu, będą mogli przyjrzeć się zawartości torebek, aby upewnić się, że są one zgodne z podanym poziomem prawdopodobieństwa lub niejednoznaczności.

3. Skanowanie

1. Używamy skanera MRI 3T z cewką głowicową (4 kanały lub więcej), aby uzyskać sygnały zależne od poziomu natlenienia krwi (BOLD) z całego mózgu.
2. Użyj 2-przyciskowego pola odpowiedzi, aby zapisać wybory tematów.
3. Skan anatomiczny: Używamy sekwencji MPRAGE zależnej od T1, aby uzyskać wyraźny obraz mózgu pacjenta o wysokiej rozdzielczości (1x1x1 mm), który można wykorzystać do rekonstrukcji 3D. Do tego celu można użyć dowolnej sekwencji o wysokiej rozdzielczości.
4. Skany funkcjonalne: Używamy sekwencji EPI ważonej T2*, z TR 2 s i wokselami 3x3x3 mm. Upewnij się, że umieścisz plasterki tak, aby zawierały obszary mózgu, które najbardziej Cię interesują, zazwyczaj korę przedczołową, korę ciemieniową i zwoje podstawy. Parametry skanowania powinny być zoptymalizowane pod kątem konkretnego skanera, zastosowaliśmy: TE 30ms, kąt obrotu 75°, 36 warstw 3 mm bez przerwy między warstwami, równolegle do linii AC-PC, rozdzielczość w płaszczyźnie 3x3 mm, FOV 192 mm. Inne badania sugerują, że ustawienie warstw pod kątem 30° do linii AC-PC może zmniejszyć zanik sygnału w korze oczodołowo-czołowej⁶.

4. Procedura płatności

1. Po usunięciu obiektu ze skanera pobierz dane behawioralne z komputera, na którym zarejestrowano odpowiedzi obiektu.
2. Losowo wybierz jedną lub kilka prób do zapłaty. Najlepiej jest pozwolić badanemu dokonać wyboru, na przykład poprzez wyciągnięcie numerowanego żetonu do pokera z nieprzezroczystej torby, która zawiera żetony ze wszystkimi numerami próbnymi. Zapewni to badanemu, że wybór jest rzeczywiście losowy.
3. Dla każdej wybranej próby pokaż uczestnikowi przedstawioną opcję i wybór, którego dokonał w tej próbie. Poproś ich, aby wylosowali żeton z torby wybranej podczas tej próby i zapłać im zgodnie z wylosowanym kolorem i kwotą przedstawioną w próbie.

Na przykład, jeśli wybrana próba przedstawiała loterię przedstawioną na rysunku 2 (niejednoznaczna loteria, oferująca 18 dolarów w przypadku wylosowania czerwonego żetonu), a badany wybrał tę loterię (zamiast loterii referencyjnej), to badany powinien wylosować żeton z fizycznej torby odpowiadającej obrazowi loterii. Jeśli zostanie wylosowany czerwony żeton, podmiot otrzyma 18 $, jeśli zostanie wylosowany niebieski żeton, nie otrzyma nic.

5. Analiza danych behawioralnych

1. Korzystając z maksymalnego prawdopodobieństwa, dopasowujemy dane wyboru każdego tematu do funkcji logistycznej formularza:

Gdzie Pv jest prawdopodobieństwem, że badany wybrał loterię zmienną, SV_F i SV_V są subiektywnymi wartościami odpowiednio opcji stałej i zmiennej, a γ jest nachyleniem funkcji logistycznej, która jest parametrem specyficznym dla tematu. Alternatywnym podejściem jest użycie dystrybucji probit.

2. Aby zamodelować subiektywną wartość każdej opcji dla każdego tematu, można użyć jednego z wielu modeli, które uwzględniają ilość, prawdopodobieństwo i poziom niejednoznaczności opcji oraz postawy indywidualnego podmiotu wobec ryzyka i niejednoznaczności. Zdecydowaliśmy się użyć funkcji potęgowej⁵, która zawiera liniowy wpływ niejednoznaczności na postrzegane prawdopodobieństwo⁷:

Gdzie p jest obiektywnym prawdopodobieństwem (z definicji 0,5 dla tej klasy niejednoznacznych loterii), A jest poziomem niejednoznaczności (ułamkiem całkowitego prawdopodobieństwa, który jest nieznany, 0 dla ryzykownych loterii), V jest kwotą, a α i β są odpowiednio specyficznymi dla przedmiotu parametrami ryzyka i postawy niejednoznaczności. Jednym z kilku alternatywnych podejść jest uwzględnienie niejednoznaczności jako efektu wykładniczego⁸:

Dopasowanie danych wyboru do funkcji wyboru zapewnia zatem oszacowania postawy wobec ryzyka (α) i postawy niejednoznaczności (β) dla każdego podmiotu.

6. Analiza danych neuronowych

1. Wykonaj standardowe wstępne przetwarzanie danych, w tym: 1) korektę czasu skanowania wycinków w celu uwzględnienia niewielkich różnic w czasach skanowania różnych wycinków; 2) korekcja ruchu w celu uwzględnienia ruchu obiektu w trakcie i między biegami; oraz 3) usunięcie niskich częstotliwości, które są zwykle związane z szumem fizjologicznym i dryfowaniem skanera.
2. Zarejestruj dane funkcjonalne każdego pacjenta z jego danymi anatomicznymi.
3. Do analizy na poziomie pojedynczego podmiotu modeluj aktywność każdego woksela jako trwałą odpowiedź podczas całego badania (w naszym przypadku 10 s), połączoną ze standardową funkcją odpowiedzi hemodynamicznej⁹. Użyj ogólnego modelu liniowego z następującymi predyktorami:

• Dwa predyktory wartości subiektywnej (SV), jeden dla badań ryzykownych i jeden dla badań niejednoznacznych. Użyj równania 2 i indywidualnych parametrów specyficznych dla przedmiotu pochodzących z dopasowania behawioralnego, aby obliczyć SV każdej loterii. Ponieważ loteria referencyjna jest taka sama dla wszystkich prób, możemy użyć samego SV loterii zmiennej w każdej próbie. Dla ryzykownego predyktora SV należy wstawić SV dla każdej ryzykownej próby, a 0 dla każdej niejednoznacznej próby i odwrotnie dla niejednoznacznego predyktora.
• Dwa fikcyjne predyktory, jeden dla ryzykownych prób i jeden dla prób niejednoznacznych, w celu uchwycenia ogólnej aktywacji, takiej jak aktywacja wzrokowa i motoryczna.

4. Szukaj wokseli, w których współczynniki SV w ryzyku i/lub niejednoznaczności są znaczące. Test istotności powinien uwzględniać przeprowadzone wielokrotne porównania. Metoda, którą zastosowaliśmy, polegała na ograniczeniu minimalnego rozmiaru klastra do 6 ciągłych funkcjonalnych wokseli¹⁰. Alternatywnie można użyć innych metod, takich jak False Discovery Rate (FDR)¹¹, w celu skorygowania wielu poprawek.

7. Reprezentatywne wyniki

Zachowanie

Rysunek 4 przedstawia wyniki behawioralne trzech reprezentatywnych osób. Każdy panel przedstawia dane wyboru i wyniki dopasowania modelu dla jednego obiektu pod kątem ryzyka (po lewej) lub niejednoznaczności (po prawej). Wykresy przedstawiają odsetek prób, w których badany wybrał loterię zmienną w funkcji kwoty, oddzielnie dla każdego poziomu prawdopodobieństwa lub niejednoznaczności. Jak widać, badani mogą się bardzo różnić w swoim podejściu do ryzyka i niejednoznaczności.

Aby sprawdzić jakość dopasowania, sprawdź r², który najlepiej powinien wynosić ponad 0,5, a także sprawdź krzywe wizualnie. Podczas gdy wszyscy nasi trzej przykładowi badani wykazywali zgodne z prawem zachowanie, które umożliwiało rozsądne dopasowania, należy zauważyć, że podmiot 2 prawie nie wybrał opcji zmiennej w warunku ryzyka o najniższym prawdopodobieństwie (0,13). Sugeruje to, że rozszerzenie zakresu dawek i/lub użycie wyższych prawdopodobieństw może zapewnić lepsze wyniki, ponieważ zapewni, że uczestnicy wybiorą opcje zmiennych w przynajmniej niektórych badaniach. Inną opcją jest wstępne przetestowanie każdego badanych w szerokim zakresie kwot i wybranie tych ilości, które zapewniają porównywalną liczbę opcji referencyjnych i zmiennych dla każdej osoby.

fMRI

Rysunek 5 przedstawia wyniki obrazowania u jednego reprezentatywnego podmiotu. Wyróżnione woksele to takie, w których współczynnik subiektywnego predyktora wartości w warunkach niejednoznaczności (na górze) lub ryzyka (na dole) różnił się istotnie od 0. U tego typowego osobnika stwierdzono istotną korelację w przyśrodkowej korze przedczołowej (MPFC) i prążkowiu w obu warunkach. Obszary te są najbardziej spójne u wszystkich badanych, ale znaczących korelacji można się również spodziewać w obszarach przyśrodkowej i bocznej kory ciemieniowej, a także w ciele migdałowatym. Ponieważ aktywność w tego typu zadaniach jest zwykle słaba i hałaśliwa, należy spodziewać się dużej zmienności między tematami, przy czym wiele osób wykazuje znaczące korelacje tylko w podzbiorze obszarów.

Rysunek 1. Ryzykowne i niejednoznaczne bodźce. A) W ryzykownych bodźcach czerwone i niebieskie obszary każdego obrazu na ekranie są proporcjonalne do liczby czerwonych i niebieskich żetonów w kopercie. Wykorzystano tutaj trzy prawdopodobieństwa wynikowe: 0,13, 0,25 i 0,38. B) W bodźcach niejednoznacznych środkowa część obrazu jest zasłonięta szarym okluderem. W szarym obszarze liczba żetonów każdego koloru jest nieznana, a co za tym idzie, prawdopodobieństwo wylosowania żetonu określonego koloru nie jest dokładnie znane. Stosowane są tu trzy poziomy niejednoznaczności, gdzie 25, 50 lub 75% obrazu jest zasłonięte.

Rysunek 2. Przykład loterii. Jest to niejednoznaczna loteria, na poziomie 50% niejednoznaczności. Co najmniej 25 żetonów w kopercie jest czerwonych, a co najmniej 25 niebieskich. Jeśli zostanie wylosowany czerwony żeton, podmiot wygra 18 $, podczas gdy nie wygra nic, jeśli zostanie wylosowany niebieski żeton.

Rysunek 3. Struktura badania. Pokrótce przedstawiana jest loteria, po której następuje okres opóźnienia. Wskazówka odpowiedzi prosi badanych o wskazanie wyboru między loterią na ekranie a loterią referencyjną (w tym przypadku 50% szansy na wygranie 5 USD). Próby przeplatają się z długimi okresami odpoczynku.

Rysunek 4. Przykłady zachowań związanych z wyborem pojedynczego przedmiotu. Wykresy przedstawiają odsetek prób, w których każdy badany wybrał opcję zmienną zamiast referencyjnej, w funkcji oferowanej kwoty, w badaniach ryzykownych (po lewej) i niejednoznacznych (po prawej). Różne krzywe dotyczą różnych poziomów ryzyka lub niejednoznaczności. α, parametr postawy ryzyka; β, parametr postawy niejednoznaczności; r², pseudo R-kwadrat McFaddena, miara dobroci dopasowania modelu behawioralnego, równoważna części wariancji, która jest wyjaśniona przez model; n, liczba badań, w których udzielono odpowiedzi (z łącznej liczby 180).

Rysunek 5. Przykład map aktywacji pojedynczego podmiotu. Mapy aktywacji prezentowane są na obrazie anatomicznym o wysokiej rozdzielczości. Wyróżnione obszary to te, których aktywacja była istotnie skorelowana z subiektywną wartością w obszarze ryzyka (u góry) lub pod niejednoznacznością (na dole). U większości osób przyśrodkowa kora przedczołowa (MPFC) i prążkowie reprezentują wartość subiektywną zarówno w przypadku ryzyka, jak i niejednoznaczności. Skorygowane wartości p są oparte na minimalnym rozmiarze klastra wynoszącym 6 funkcjonalnych wokseli. Kliknij tutaj, aby zobaczyć większą postać.

Discussion

Wykorzystaliśmy metodę zaczerpniętą z ekonomii eksperymentalnej, aby scharakteryzować zachowanie badanych i oszacować indywidualne postawy wobec ryzyka i niejednoznaczności. Następnie wykorzystaliśmy te szacunki do analizy danych neuronowych.

Inne metody badania aktywności fMRI, podczas gdy badani dokonują wyborów w oparciu o ryzyko i niejednoznaczność, były stosowane wcześniej^8,12. Nasze podejście łączy jednak w sobie kilka ważnych cech. Po pierwsze, wykorzystuje projekt parametryc...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Skaner MRI Allegra Head Only 3.0 T	Siemens AG	Można również użyć
NM-011 cewka głowicy nadawczej	Nova Medical
E-prime	Psychology Software Tools		prezentacji bodźców
Matlab	Mathworks