Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Zadanie związane z potencjałem związanym ze zdarzeniami semantycznego torowania (ERP) do badania przetwarzania leksycyczno-semantycznego i wzrokowo-semantycznego w zaburzeniach ze spektrum autyzmu

10.3K wyświetleń

⸱

DOI:

10.3791/57217

⸱

12 kwietnia 2018

1Department of Communication Sciences and Disorders, University of Vermont

W tym artykule

Podsumowanie

Ten artykuł opisuje zadanie ERP oparte na semantycznym torowaniu, wykorzystujące pary obrazów i słów w obrębie modalności do badania przetwarzania semantycznego u osób z zaburzeniami ze spektrum autyzmu (ASD).

Streszczenie

Osoby z zaburzeniami ze spektrum autyzmu (ASD) mają charakterystyczne deficyty w rozumieniu znaczenia języka lub przetwarzania semantycznego. Jednak niektóre dowody wskazują, że semantyczne przetwarzanie bodźców niejęzykowych jest nienaruszone, co sugeruje, że deficyty semantyczne mogą być specyficzne dla języka. Aby właściwie scharakteryzować deficyty przetwarzania semantycznego u osób z ASD, konieczne jest porównanie wewnątrzmodalnych bodźców językowych (np. słowa pisane) i niejęzykowych (np. obrazy). W artykule opisano taką metodologię, która wykorzystuje paradygmat torowania semantycznego podczas jednoczesnego rejestrowania danych elektroencefalograficznych (EEG). EEG zapewnia dynamiczną miarę aktywności mózgu, która jest dobrze dopasowana do charakteryzowania subtelnych różnic w przetwarzaniu semantycznym, które mogą nie być obserwowane na poziomie behawioralnym. Paradygmat torowania semantycznego przedstawia obraz lub słowo pierwsze (np. pies), po którym następuje docelowy obraz lub słowo, które jest związane (np. kot) lub niezwiązane (np. ołówek) z liczbą pierwszą. Paradygmat ten może być zatem wykorzystany do oceny przetwarzania semantycznego w różnych modalnościach oraz do porównania zdolności przetwarzania leksyko-semantycznego i wzrokowo-semantycznego u osób z ASD oraz tego, jak mogą się one różnić od osób z TD. Omówiono konkretne etapy związane z tworzeniem bodźców, wykonywaniem badania EEG i analizą danych EEG. Reprezentatywne wyniki ilustrują, w jaki sposób komponent N400 potencjału związanego ze zdarzeniem (ERP) jest redukowany w wyniku semantycznie powiązanych par prime-target w porównaniu z parami niepowiązanymi. Porównania N400 między warunkami, modalnościami i grupami mogą dostarczyć szacunków dotyczących sukcesu przetwarzania semantycznego, a tym samym mogą być wykorzystane do scharakteryzowania deficytów semantycznych u osób z ASD lub innych populacji klinicznych.

Wprowadzenie

Badacze zajmujący się psychologią poznawczą od dawna interesują się tym, jak ludzie rozumieją znaczenie języka. Przetwarzanie języka obejmuje sekwencję kroków o rosnącym stopniu złożoności, od rozpoznawania liter i słów, przez przetwarzanie semantyczne, po analizowanie składniowe. Przetwarzanie semantyczne odnosi się do uzyskiwania dostępu do znaczenia bodźca, czy to słowa, obrazu czy dźwięku. Podążając za wczesnymi krokami początkowego rozpoznawania słów, dostęp do znaczenia słowa lub semantyki jest kluczowym krokiem w przetwarzaniu języka. Integracja semantyczna odnosi się do procesu integrowania znaczenia bodźców w celu zrozumienia ich relacji i ma kluczowe znaczenie dla przetwarzania języka wyższego poziomu, takiego jak rozumienie zdań. Nie tylko znaczenie każdego słowa w zdaniu musi być dostępne, ale znaczenia każdego pojedynczego słowa muszą być zintegrowane, aby stworzyć spójne zrozumienie znaczenia zdania lub "sedna".

Osoby z zaburzeniami ze spektrum autyzmu (ASD) często mają znaczne deficyty w rozumieniu języka1. Istnieją pewne dowody sugerujące, że trudności te wynikają z deficytów w przetwarzaniu i integracji semantycznej2,3,4. Jednak inne badania sugerują, że osoby z ASD nie wykazują deficytów przetwarzania semantycznego, gdy materiały są prezentowane w modalnościach niejęzykowych (np. wzrokowych lub słuchowych)3,5,6. Takie odkrycia sugerują, że deficyty przetwarzania semantycznego w ASD mogą być ograniczone do modalności językowych (tj. pisanych lub mówionych). W związku z tym podejścia, które kontrastują różne modalności, mogą dostarczyć informacji na temat zakresu, w jakim deficyty przetwarzania semantycznego są specyficzne dla danej dziedziny lub wskazują na wszechobecny styl przetwarzania. Celem artykułu jest opisanie metodologii porównywania przetwarzania semantycznego między różnymi modalnościami za pomocą zadania torowania semantycznego podczas jednoczesnej rejestracji elektrofizjologicznej.

Paradygmat torowania semantycznego ma długą historię w badaniach nad tym, jak przetwarzanie semantyczne wpływa na rozpoznawanie słów niższego poziomu7,8. W tradycyjnych zadaniach torowania semantycznego prezentowane jest słowo pierwsze (np. kot), po którym następuje słowo docelowe, które jest semantycznie związane (np. pies) lub niezwiązane (np. książka) z liczbą pierwszą. Takie zadanie jest często wykonywane w kontekście leksykalnego zadania decyzyjnego, w którym uczestnicy są proszeni o określenie, czy słowo docelowe jest prawdziwym słowem, czy nie. Inne paradygmaty mogą wymagać od uczestników wykonania zadania kategoryzacji semantycznej słowa docelowego lub oceny, czy te dwa bodźce są powiązane, czy nie. Niezależnie od konkretnego zadania, dziesięciolecia dowodów wykazały, że czasy reakcji (RT) są szybsze w przypadku słów semantycznie związanych z liczbą pierwszą w porównaniu z tymi, które nie są powiązane.

Ten "semantyczny efekt torowania" został przypisany wielu mechanizmom w teoretycznych ujęciach7,8. Jednym z nich jest to, że efekt torowania jest spowodowany automatyczną aktywacją rozprzestrzeniania się przez sieć semantyczną, tak że odzyskanie znaczenia pierwszego słowa aktywuje znaczenie innych semantycznie powiązanych słów, w tym słowa docelowego. To z kolei skraca czas potrzebny na semantyczną aktywację słowa docelowego. Drugim teoretycznym mechanizmem jest mechanizm oczekiwania, który zakłada, że po zobaczeniu pierwszego słowa uczestnicy generują oczekiwany zestaw potencjalnych celów. Słowa docelowe, które znajdują się w tym zestawie, są wtedy szybciej rozpoznawane. Wreszcie, inni postulują istnienie postleksykalnego mechanizmu dopasowania semantycznego, który ustanawia istnienie semantycznego związku między słowem pierwszym a docelowym. Niezależnie od konkretnego mechanizmu leżącego u podstaw efektu, torowanie semantyczne może być użytecznym wskaźnikiem przetwarzania i integracji semantycznej. Ten paradygmat nie ogranicza się również do bodźców leksykalnych i może być również używany do badania semantycznego torowania bodźców niejęzykowych, takich jak obrazy9, a także torowania semantycznego międzymodalnego (np. między słowami a obrazami)3.

Efekty torowania semantycznego zostały dobrze zbadane w literaturze psycholingwistycznej i zostały zbadane pod kątem rodzaju relacji liczba pierwsza - cel, czasu prezentacji liczby pierwszej i docelowej oraz wielu innych manipulacji8. Elektrofizjologiczne korelaty tego efektu zostały również dobrze scharakteryzowane10. Elektroencefalografia (EEG) to metoda rejestrowania aktywności neuronalnej poprzez zmiany aktywności elektrycznej mierzone na skórze głowy. EEG jest użytecznym wyborem metodologii dla paradygmatu torowania semantycznego, ponieważ ma bardzo dobrą rozdzielczość czasową (rzędu milisekund, ms) i może tym samym zapewnić subtelne różnice w przetwarzaniu semantycznym między warunkami lub grupami, nawet przy braku efektów behawioralnych lub reakcji.

Potencjały związane ze zdarzeniami (ERP) to zablokowane w czasie zmiany w EEG, które powstają w odpowiedzi na określony bodziec lub zachowanie. W zależności od czasu i polaryzacji odpowiedzi, różne komponenty ERP odzwierciedlają różne aspekty przetwarzania poznawczego. Komponent N400 jest dobrze znanym wyznacznikiem przetwarzania semantycznego i integracji semantycznej11,12 (chociaż istnieje kilka innych interpretacji10,13). Amplituda N400 jest zmniejszana, gdy integracja semantyczna jest łatwiejsza (na przykład gdy liczba pierwsza i docelowa w paradygmacie torowania semantycznego są semantycznie powiązane) w porównaniu z sytuacją, gdy integracja semantyczna jest trudniejsza (na przykład gdy dwa słowa nie są ze sobą powiązane). Co ważne, różnica amplitudy między warunkami powiązanymi i niepowiązanymi (tj. "efekt N400") nie jest specyficzna dla języka. Efekty N400 obserwuje się również w modalnościach niejęzykowych, takich jak odpowiedzi na pary semantycznie powiązanych i niepowiązanych obrazów lub dźwięków otoczenia14,15,16,17. N400 jest zatem użytecznym komponentem ERP dla celów obecnego paradygmatu, ponieważ może być używany jako niezależne od modalności oszacowanie zdolności przetwarzania semantycznego i integracji.

Osoby z ASD wykazują zmniejszone lub nieobecne efekty semantycznego torowania i efekty N400 w odpowiedzi na bodźce językowe2,3,4, co sugeruje upośledzenie przetwarzania semantycznego. Takie efekty stwierdzono w odpowiedzi na bodźce wzrokowo-semantyczne i audio-semantyczne3,5,6, co potwierdza twierdzenie, że przetwarzanie semantyczne jest selektywnie upośledzone dla bodźców językowych. Jednak większość wcześniejszych badań porównujących modalności wykorzystywała torowanie międzymodalne, tak że para prime-target zawiera bodziec leksykalny. Biorąc pod uwagę propozycję, że osoby z ASD mają deficyty w semantycznym przetwarzaniu bodźców językowych, takie bodźce intermodalne mogły mieć wpływ na wyniki. Aby naprawdę zbadać, czy semantyczne przetwarzanie języka jest selektywnie upośledzone u osób z ASD, należy użyć par bodźców leksykalnych i nieleksykalnych w obrębie modalności. W niedawnym badaniu Coderre i wsp.6 dostarczył pierwszego bezpośredniego porównania semantycznego torowania słów i obrazów w ramach modalności w celu zbadania deficytów przetwarzania semantycznego u dorosłych (w wieku 18-68 lat) z ASD. Uczestnicy z ASD i typowo rozwijający się (TD) oglądali pary obrazków i słów i zostali poproszeni o ocenę, czy bodźce są powiązane, czy nie. Podczas tego zadania semantycznego torowania aktywność ich mózgu była rejestrowana za pomocą EEG. Porównując efekty N400 między grupami i modalnościami, paradygmat ten dostarczył wglądu w naturę przetwarzania semantycznego u osób z ASD.

Celem tego artykułu jest opisanie metodologii ERP stosowanej przez Coderre et al.6. Chociaż ten paradygmat został początkowo wdrożony do badania przetwarzania semantycznego u dorosłych z ASD, może okazać się przydatny dla wszystkich eksperymentatorów chcących zbadać neuronalne korelaty przetwarzania leksyko-semantycznego i wzrokowo-semantycznego, zarówno u osób TD, jak i w określonych populacjach klinicznych.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Wszystkie opisane tutaj metody zostały zatwierdzone przez Instytucjonalną Komisję Przeglądową (Institutional Review Board) Uniwersytetu Johns Hopkins, gdzie przeprowadzono oryginalne badanie6.

1.Tworzenie bodźców

  1. Utworzenie wstępnej listy rzeczowników konkretnych, z których zostaną sformułowane pary bodziec-cel.
    1. Z wybranego korpusu, takiego jak Subtlex19, wybrać około 50 rzeczowników konkretnych i uzyskać zmienne interesujące badacza (np. częstość, długość, konkretność, obrazowość itp.) dla każdego słowa.
      UWAGA: Można również wykorzystać inne korpusy, takie jak Psycholinguistic Database Medical Research Council (MRC)18 lub Corpus of Contemporary American English20. W oryginalnym badaniu zastosowano Subtlex, ponieważ baza ta jest dużym plikiem Excel, co ułatwia wyszukiwanie w celu generowania bodźców. Inne korpusy mają inne interfejsy graficzne i mogą wymagać od użytkownika wprowadzenia konkretnego ciągu znaków w polu wyszukiwania oraz sprawdzenia żądanych zmiennych.
  2. Przeprowadzenie analizy semantycznej latentnej (LSA) między bodźcami w celu ustalenia powiązań semantycznych
    1. Wybór metody lub narzędzia LSA. Przydatne narzędzie online udostępnia University of Colorado Boulder (http://lsa.colorado.edu/).
      1. Na stronie głównej kliknąć Matrix Comparison.
      2. Wpisać poszczególne słowa do porównania, oddzielając je pustą linią.
      3. Kliknąć Submit Texts.
    2. Przy użyciu arkusza kalkulacyjnego stworzyć macierz wartości LSA pomiędzy każdym słowem a wszystkimi pozostałymi.
  3. Podział bodźców na warunki powiązane i niepowiązane na podstawie LSA (Rysunek 1A).
    1. Ręcznie wybrać 20 par słów o wysokich wartościach LSA (około 0,5 lub więcej) do warunku „powiązane”.
    2. Ręcznie wybrać 20 par słów o niskich wartościach LSA (około 0,1 lub mniej) do warunku „niepowiązane”.
      UWAGA: Eksperymentator może potrzebować ręcznej weryfikacji par słów, aby upewnić się, że relacja semantyczna jest sensowna dla danej kategorii. Niektóre pary słów mogą mieć wysokie oceny LSA, ale powiązanie semantyczne może nie być natychmiast oczywiste dla uczestników. Podobnie, niektóre mogą mieć niskie oceny LSA, ale być powiązane semantycznie w inny sposób.
    3. Podczas tworzenia par powiązanych i niepowiązanych, ręcznie dopasować słowa pod względem częstości, długości oraz wszelkich innych zmiennych, które uznano za istotne w literaturze (np. kierunek asocjacji7,8) lub które są istotne dla konkretnego badania. Dopasować słowa jak najściślej pod kątem interesujących zmiennych (np. w granicach 1-2 jednostek log10 częstości; w granicach 1-2 liter lub sylab).
  4. Podział bodźców na modalności słowną i obrazkową (Rysunek 1A).
    1. W pliku ze bodźcami w arkuszu kalkulacyjnym dodać kolejną kolumnę „warunek”.
    2. W kolumnie „warunek” oznaczyć 10 par powiązanych i 10 par niepowiązanych jako warunek „obrazek”. Pozostałe bodźce oznaczyć jako warunek „słowo”.
  5. Pozyskanie bodźców obrazkowych.
    UWAGA: Bodźce obrazkowe można pozyskać ze źródeł internetowych (np. wyszukiwarka obrazów Google) lub z innych źródeł dostępnych dla eksperymentatora.
    1. Wybrać 2–3 obrazy reprezentujące każde słowo.
    2. Przeprowadzić wstępne testy pilotażowe, prosząc jednego lub więcej niezależnych oceniających (np. studentów, asystentów badawczych, którzy nie uczestniczyli w opracowywaniu bodźców) o decyzję, który obraz najlepiej reprezentuje dany koncept.
      1. Otworzyć wszystkie potencjalne pliki obrazów jednocześnie w programie do przeglądania zdjęć, następnie przeczytać słowo na głos i poprosić oceniającego o wybranie najbardziej reprezentatywnego obrazu. Zapisać odpowiedzi każdego oceniającego dla każdego słowa.
      2. Dla każdego słowa zidentyfikować obraz, który większość oceniających wybrała jako najlepiej reprezentujący koncept, i użyć tego pliku jako bodźca dla danego słowa. Jeśli nie uzyska się większości, wybrać inny zestaw obrazów i powtórzyć krok 1.5.
    3. Używając programu GIMP (lub innego wybranego programu do edycji zdjęć), przeskalować obrazy tak, aby wszystkie miały ten sam rozmiar (około 40 pikseli lub 3–5 cali wysokości lub szerokości).
      UWAGA: Dokładny rozmiar obrazów może się różnić w zależności od rozmiaru monitora, na którym prezentowane będą bodźce. Poziomy i wizualny kąt bodźców powinien wynosić od 7 do 13°.
  6. Przeprowadzenie testów pilotażowych
    1. Przeprowadzić testy pilotażowe dla par słownych i obrazkowych, prosząc 3–4 niezależnych oceniających (np. studentów, asystentów badawczych, którzy nie uczestniczyli w opracowywaniu bodźców) o ocenę każdej pary jako powiązanej lub niepowiązanej.
      1. Zaprogramować eksperyment w E-Prime (lub innym wybranym programie do prezentacji bodźców) tak, aby oba słowa były prezentowane na ekranie jednocześnie, jedno nad drugim lub obok siebie. Poprosić uczestników o ocenę słów jako powiązanych lub niepowiązanych poprzez naciśnięcie przycisku (np. 1 dla powiązanych, 2 dla niepowiązanych). Szczegółowe informacje na temat programowania eksperymentu w tym oprogramowaniu znajdują się w instrukcji E-Prime21.
        UWAGA: Testy pilotażowe mogą odbywać się w laboratorium, w którym będą przeprowadzane testy eksperymentalne, lub na dowolnym komputerze z zainstalowanym programem do prezentacji bodźców. Nie jest wymagane specjalne pomieszczenie.
      2. Powtarzać testy pilotażowe (z nowymi niezależnymi oceniającymi, którzy nie widzieli bodźców) aż do uzyskania zestawu słów i obrazów z wiarygodnymi ocenami powiązań i braku powiązań. Uzyskać łącznie 10 powiązanych par słownych, 10 niepowiązanych par słownych, 10 powiązanych par obrazkowych i 10 niepowiązanych par obrazkowych.
        UWAGA: Sugeruje się, aby badacze wykorzystujący komponent N40 do badania funkcji poznawczych u populacji klinicznych zbierali minimum 40 użytecznych prób na typ próby, aby wywołać wiarygodny efekt2. Przewidując utratę części prób podczas procesu czyszczenia danych, liczbę prób w paradygmacie należy zwiększyć. Wcześniejsze prace wykorzystujące ten konkretny paradygmat 6 wykazały, że 10 prób na typ próby było w zupełności wystarczające do zapewnienia silnych efektów N40 zarówno na poziomie indywidualnym, jak i grupowym. Ponieważ komponent N40 jest podobny dla słów i obrazów10, zaleca się zachowanie spójności szacowanej liczby typów prób między modalnościami.
      3. Zachować dodatkowe 8 par (4 słowa, 4 obrazy) do sesji treningowej (patrz krok 2.2.1 poniżej)

2. Programowanie zadań

  1. Utworzenie list bodźców.
    1. Z ostatecznego zestawu bodźców podziel bodźce na 8 bloków. Modalność (obraz/słowo) powinna być zablokowana (po 4 bloki dla każdej).
    2. W każdym bloku zapewnij równą liczbę bodźców powiązanych i niepowiązanych.
    3. Ręcznie przeprowadź pseudolosowe rozmieszczenie list prezentacji w każdym bloku w taki sposób, aby nie występowało więcej niż 5 bodźców powiązanych lub niepowiązanych pod rząd, a pary sąsiadujące nie były powiązane semantycznie. Unikaj prób takich jak „marchew–brokuł” czy „jabłko–gruszka” bezpośrednio po sobie.
  2. Zaprogramowanie zadania w programie E-Prime lub innym wybranym oprogramowaniu do prezentacji bodźców.
    UWAGA: Kroki opisane tutaj są specyficzne dla programu E-Prime oraz NetStation i będą się różnić w przypadku użycia innego oprogramowania do prezentacji bodźców lub akwizycji EEG. Szczegółowe informacje na temat programowania eksperymentu EEG w tym pakiecie oprogramowania oraz sposobu umożliwienia komunikacji między E-Prime a NetStation znajdują się w instrukcji E-Prime21 oraz w samouczku E-Prime Extensions for NetStation23.
    1. Zaprogramuj dwie sesje treningowe dla bloków obrazów i słów (po 4 pary dla każdego), które zostaną przeprowadzone przed rozpoczęciem właściwych testów eksperymentalnych.
    2. Zaprogramuj ekran z instrukcją na początku sesji treningowej o treści: „Na ekranie zobaczysz dwa słowa prezentowane jedno po drugim. Prosimy o zachowanie jak największego bezruchu i nie mruganie w czasie prezentacji słów. Po zaprezentowaniu pary pojawi się na ekranie czarny krzyżyk. Gdy zobaczysz czarny krzyżyk, wskaż, czy słowa były powiązane, czy nie. Naciśnij przycisk 1, jeśli słowa SĄ powiązane. Naciśnij przycisk 2, jeśli słowa NIE SĄ powiązane. Naciśnij dowolny klawisz, aby rozpocząć sesję treningową”.
    3. Dla każdego z bodźców słownych dwukrotnie kliknij ikony TextDisplay w strukturze eksperymentu. Kliknij ikonę Właściwości (Properties) w lewym górnym rogu. W karcie Czcionka (Font) wybierz czcionkę Courier New o rozmiarze 28. W karcie Ogólne (General) wybierz kolor tekstu (ForeColor) czarny i kolor tła (BackColor) biały, aby prezentować słowa czarną czcionką na białym tle.
      UWAGA: Konkretny rozmiar czcionki może wymagać korekty w zależności od rozmiaru i rozdzielczości monitora używanego do prezentacji. Poziomy kąt widzenia słów powinien wynosić od 1 do 6°.
    4. Dla każdego z bodźców obrazowych dwukrotnie kliknij ikony Slajd (Slide) w strukturze eksperymentu. Kliknij ikonę Właściwości (Properties) w lewym górnym rogu. W karcie Ogólne (General) wybierz kolor tła (BackColor) biały, aby prezentować obrazy na białym tle.
    5. Zaprogramuj każdą próbę tak, aby prezentowała następujące bodźce w tej kolejności: czerwony krzyżyk fiksacyjny przed próbą (40 ms); bodziec 1 (10 ms); interwał międzybodźcowy (pusty biały ekran; 30 ms); bodziec 2 (10 ms); pusty ekran (40 ms); interwał międzypróbowy (czarny krzyżyk fiksacyjny; losowo zmienny w zakresie 10–140 ms w odstępach 10 ms, średnio 120 ms); patrz Rycina 1B. Aby ustawić czasy trwania, dwukrotnie kliknij ikony TextDisplay lub Slajd w strukturze eksperymentu i naciśnij przycisk Właściwości w lewym górnym rogu okna. Ustaw czas trwania w karcie Czas trwania/Wejście (Duration/Input).
      UWAGA: Pusty ekran został wprowadzony przed interwałem międzypróbowym, aby zapewnić przerwę wizualną między drugim bodźcem a czarnym krzyżykiem oraz aby dostarczyć subtelną wskazówkę dotyczącą nadchodzącej oceny powiązań semantycznych.
    6. Zaprogramuj obiekt TextDisplay o nazwie „Break” po zakończeniu każdego bloku o treści „Koniec bloku, proszę zrobić przerwę”.
  3. Wprowadzenie parametrów komunikacji między E-Prime a NetStation. Szczegółowe instrukcje dotyczące wprowadzania tych informacji znajdują się w instrukcji E-Prime Extensions for NetStation23.
    1. Dla każdego obiektu Text Display „word1” lub „word2” zaznacz obiekt w strukturze eksperymentu. W oknie „Właściwości” ustaw tag (Tag) odpowiednio na „WRD1” lub „WRD2”.
    2. Dla każdego obiektu Slajd „picture1” lub „picture2” ustaw tag (Tag) odpowiednio na „PIC1” lub „PIC2”.
    3. W sekcji „Obiekty nieodwołane” (Unreferenced E-Objects) utwórz nową listę o nazwie „CellList”. Wprowadź numery komórek jako: 1 = obraz powiązany; 2 = obraz niepowiązany; 3 = słowo powiązane; 4 = słowo niepowiązane. W liście prób dla każdego bloku wprowadź kolumnę o nazwie „CellNumber” i wpisz odpowiadające jej numery komórek dla każdej próby zgodnie z warunkiem i modalnością.

3. Badanie EEG

UWAGA: Opisane tutaj konkretne procedury dotyczą systemu EGI. Procedury mogą się różnić w przypadku zastosowania innych systemów.

  1. Przygotowanie do badania EEG.
    1. W przezroczystym plastikowym wiadrze wymieszać 2 łyżeczki (10 g) chlorku potasu z 1 litrem (1 L) wody i 1 łyżką (15 mL) szamponu dla niemowląt, aby przygotować roztwór elektrolitu
    2. Zmierzyć obwód głowy uczestnika, prowadząc pomiar przez inion i nasion, aby dobrać odpowiedni rozmiar siatki. Wybrać siatkę o rozmiarze dopasowanym do obwodu głowy uczestnika.
    3. Zanurzyć elektrody w roztworze elektrolitu, upewniając się, że wszystkie gąbki są całkowicie zanurzone, i pozostawić do namoczenia na co najmniej 5 minut.
  2. Założenie siatki EEG.
    1. Poprosić uczestnika o wygodne usiądzenie na krześle naprzeciwko eksperymentatora. Wyjaśnić uczestnikowi, że teraz zostanie założona siatka, a następnie zostanie ona wyregulowana i sprawdzony zostanie sygnał przed rozpoczęciem testu.
    2. Umieścić ręczniki wokół ramion uczestnika. Poprosić uczestnika o zamknięcie oczu, a następnie założyć siatkę na głowę uczestnika. Wyregulować siatkę i zaciągnąć wiązania, aby zapewnić szczelne przyleganie do głowy uczestnika.
    3. Przesunąć każdą z elektrod, aby dokładnie przylegały do skóry głowy. Użyć ruchu zamiatającego elektrodą, aby odsunąć włosy. W razie potrzeby ponownie nawilżyć gąbki za pomocą pipety.
    4. Po osadzeniu wszystkich elektrod sprawdzić impedancje. Ponownie osadzić lub nawilżyć wszystkie elektrody z impedancją powyżej 50 kiloomów (kΩ).
  3. Przeprowadzenie eksperymentu z torowaniem semantycznym podczas rejestracji EEG.
    1. Po założeniu siatki, sprawdzeniu impedancji i przygotowaniu uczestnika do rozpoczęcia, uruchomić zadanie torowania semantycznego.
    2. Przed testem powtórzyć instrukcje uczestnikom. Poprosić uczestników o ocenę, czy bodźce w postaci słów lub obrazów są powiązane, czy niepowiązane, poprzez naciśnięcie przycisku na klawiaturze lub w pudełku z przyciskami. Aby uniknąć artefaktów ruchowych zakłócających sygnał EEG, poinstruować uczestników, aby wstrzymali się z odpowiedzią do momentu, aż drugi bodziec zniknie z ekranu i pojawi się czarny krzyżyk.
    3. Przeprowadzić sesję treningową co najmniej raz, aby upewnić się, że uczestnicy rozumieją zadanie.
    4. Po każdych 2 blokach, podczas przerwy, ponownie nawilżyć elektrody i sprawdzić impedancje.

4. Przetwarzanie wstępne EEG

  1. Otwórz NetStation Tools.
    UWAGA: Opisane tutaj kroki dotyczą wstępnego przetwarzania danych w programie NetStation 5. Zob. Instrukcję obsługi NetStation 524 w celu uzyskania szczegółowych informacji na temat korzystania z narzędzi NetStation. Inne pakiety do przetwarzania wstępnego mogą obejmować EEGlab, ERPlab, FieldTrip lub inne oprogramowanie wybrane przez eksperymentatora. Należy pamiętać, że preferowana kolejność kroków przetwarzania wstępnego może różnić się w zależności od stosowanego pakietu oprogramowania. Obserwacja efektu N40 nie powinna różnić się w zależności od wybranego pakietu analizy.
  2. Filtruj dane.
    1. W dolnej części okna NetStation Tools utwórz nowe narzędzie filtrowania, wybierając opcję „Filtering” z rozwijanego menu „Create”. Nadaj narzędziu odpowiednią nazwę.
    2. Ustaw filtr górnoprzepustowy na 0,1 herca (Hz), a filtr dolnoprzepustowy na 50 Hz.
      UWAGA: Filtr górnoprzepustowy może mieć częstotliwość niższą niż 0,1 Hz, jednak nie zaleca się przekraczania tej wartości odcięcia, aby uniknąć ryzyka wystąpienia efektów pozornych.25Można zastosować filtr dolnoprzepustowy o częstotliwości odcięcia wynoszącej nawet 30 Hz.
    3. Zapisz narzędzie, następnie przeciągnij oryginalny plik z zapisem EEG do pola „Input Files” w lewym górnym rogu okna i kliknij „Run”.
  3. Podziel dane na próby.
    1. Utwórz nowe narzędzie „Segmentacja” i nadaj mu odpowiednią nazwę.
    2. W sekcji „Categories to create” kliknij znak plus, aby utworzyć nową kategorię, a następnie zmień jej nazwę na „picture related”. Przeciągnij ikonę „Code” do pola „Create category based on criteria” i ustaw wartość na „Code is PIC1”, aby zsynchronizować czas z prezentacją bodźca 1. Przeciągnij ikonę „Key Code” do pola „Create category” i ustaw wartość na „Key Code cel# is 1”.
      1. Aby uwzględnić tylko poprawne próby, przeciągnij kolejną ikonę „Key Code” do pola „Create category” i ustaw ją jako „Key Code eval is 1”.
    3. W dolnej części okna ustaw długość segmentu na „Extend segment 10 ms before and 2,30 ms after”.
      UWAGA: Segmenty mogą być zsynchronizowane z początkiem pierwszego lub drugiego bodźca. W przypadku synchronizacji z pierwszym bodźcem segmenty powinny obejmować czas od 10 ms przed do 230 ms po bodźcu (aby uwzględnić czas prezentacji obu bodźców (po 10 ms każdy) oraz czas odstępu międzybodźcowego (ISI) (30 ms)). W przypadku synchronizacji z drugim bodźcem segmenty powinny obejmować czas od 10 ms przed do 100 ms po bodźcu.
    4. Sklonuj kategorię, klikając przycisk „Clone”, i zmień jej nazwę na „picture unrelated”. Ustaw Kod (Code) na PIC1, a komórkę Key Code na 2.
    5. Sklonuj kategorię i zmień jej nazwę na „word related”. Ustaw Kod na WRD1, a Kod Klucza cel# na 3.
    6. Sklonuj kategorię i zmień jej nazwę na „word unrelated”. Ustaw kod na WRD1, a kod klucza cel# na 4.
    7. Zapisz narzędzie, następnie przeciągnij najnowszy przetworzony wstępnie plik do pola „Input Files” w górnym lewym rogu okna i kliknij „Run”.
  4. Przeprowadź detekcję artefaktów.
    1. Utwórz nowe narzędzie „Wykrywanie artefaktów” i nazwij je odpowiednio.
    2. W sekcji „Artifact Detection Settings” kliknij znak plus na dole okna, aby dodać nowe ustawienie. Z menu rozwijanego w polu „Operation” wybierz opcję „Bad Channels”. Pozostaw wszystkie domyślne ustawienia (max-min > 20 mikrowoltów (µV); Cały segment; Średnia krocząca 80 ms).
    3. Dodaj nowe ustawienie i wybierz „Eye Blink” z rozwijanego menu „Operation”. Pozostaw wszystkie ustawienia domyślne (max-min > 140 µV; szerokość okna 640 ms; średnia ruchoma 80 ms).
    4. Dodaj nowe ustawienie i wybierz „Eye Movement” z rozwijanego menu „Operation”. Pozostaw wszystkie ustawienia domyślne (max-min > 55 µV; rozmiar okna 640 ms; średnia ruchoma 80 ms).
    5. Zapisz narzędzie, a następnie przeciągnij najnowszy przetworzony plik do pola „Input Files” w górnym lewym rogu okna i kliknij „Run”.
    6. Otwórz otrzymany plik w programie NetStation Review i przejrzyj wszystkie próby, używając przycisków strzałek w menu „Categories” na prawym pasku bocznym. Oznacz próby jako poprawne lub błędne, klikając odpowiednio zielone lub czerwone kółka. Po zakończeniu zamknij plik, aby zapisać wyniki.
  5. Wykonaj wymianę uszkodzonego kanału.
    1. Utwórz nowe narzędzie „Bad Channel Replacement” i nazwij je odpowiednio. W przypadku tego narzędzia użytkownik nie musi definiować żadnych parametrów; należy zatem zapisać narzędzie, a następnie przeciągnąć najnowszy przetworzony plik do pola „Input Files” w lewym górnym rogu okna i kliknąć „Run”.
  6. Przeprowadź uśrednianie dla pojedynczego badanego w celu zagregowania wyników z wielu prób.
    1. Utwórz nowe narzędzie „Averaging” (Uśrednianie) i nazwij je w odpowiedni sposób. W sekcji „Averaging Settings” (Ustawienia uśredniania) wybierz opcje „Handle source files: Together” (Obsługa plików źródłowych: Razem) oraz „Handle subjects: Separately” (Obsługa obiektów: Osobno).
    2. Zapisz narzędzie, a następnie przeciągnij najnowszy przetworzony plik do pola „Input Files” w lewym górnym rogu okna i kliknij „Run”.
  7. Dane referencyjne względem średniej referencyjnej26.
    UWAGA: W tym przypadku zastosowano referencję średnią, ponieważ system EGI zapewnia gęstą macierz EEG (128 i 256 kanałów). Sugeruje się stosowanie referencji średniej w systemach rejestracji z gęstą macierzą elektrod.26; inne badania ERP nad torowaniem semantycznym z wykorzystaniem siatek 128- lub 256-kanałowych stosowały referencję średnią6,27,28Inne możliwe punkty odniesienia obejmują średnią z prawego i lewego wyrostka sutkowatego, nos lub płatek ucha29Nie istnieje optymalny wybór elektrody odniesienia i eksperymentator powinien zwrócić uwagę na to, że wybór elektrody odniesienia może wpłynąć na uzyskane przebiegi fal ERP.26,29.
    1. Utwórz nowe narzędzie „Montage Operations” i nazwij je w odpowiedni sposób.
    2. Wybierz odpowiednią sieć z menu rozwijanego w sekcji „List Montages for Sensor Layout”. Wybierz opcję „Average Reference” i upewnij się, że zaznaczone jest pole „Exclude bad channels from reference”. Zapisz ustawienia narzędzia, następnie przeciągnij najnowszy przetworzony plik do pola „Input Files” w lewym górnym rogu okna i kliknij „Run”.
  8. Wykonaj korekcję linii bazowej, wykorzystując pierwsze 10 ms segmentu10,28.
    UWAGA: Można również zastosować okres bazowy wynoszący 20 ms29.
    1. Utwórz nowe narzędzie „Korekcja linii bazowej” i nazwij je odpowiednio.
    2. W sekcji „Ustawienia korekcji linii bazowej” (Baseline Correction Settings) wybierz opcje „Wybierz linię bazową z fragmentu segmentu” (Select baseline from portion of segment), „Wybierz linię bazową względem czasu segmentu = 0” (Select baseline with respect to segment time = 0) oraz „Linia bazowa rozpoczyna się 10 ms przed czasem zero i trwa 10 ms” (Baseline begins 10 ms before time zero and is 10 ms long).
    3. Zapisz narzędzie, a następnie przeciągnij najnowszy przetworzony wstępnie plik do pola „Input Files” w lewym górnym rogu okna i kliknij „Run”.

Schemat eksperymentu bodziec-reakcja porównujący warunki z obrazkami i słowami powiązanymi oraz niepowiązanymi w funkcji czasu.

Rysunek 1: Przykłady eksperymentalne i oś czasu. (A) Przykłady bodźców obrazkowych i słownych. (B) Oś czasu prezentacji bodźców. Rysunek przedrukowano za zgodą Coderre et al.6 Aby wyświetlić powiększoną wersję tego rysunku, kliknij tutaj.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Jeśli bodźce zostały odpowiednio podzielone na warunki powiązane i niepowiązane, dla bodźców słownych i obrazowych powinien zostać zaobserwowany efekt N40 (Rysunek 2). Można go zidentyfikować jako większą amplitudę ujemną w warunkach niepowiązanych w porównaniu do warunków powiązanych. W przypadku bodźców słownych efekt ten powinien wystąpić w przedziale 30–50 ms nad centralnymi lub centrumparietalnymi obszarami skóry głowy6,

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

W niniejszym artykule opisano kluczowe kroki w rozwoju semantycznego paradygmatu ERP z bodźcami obrazowymi i słownymi do badania deficytów przetwarzania semantycznego u osób z ASD. Główne kroki obejmują tworzenie bodźców, programowanie zadania oraz wykonywanie badań i analiz EEG. Najbardziej czasochłonną częścią tej procedury będzie prawdopodobnie tworzenie bodźców, ponieważ wymaga to starannego dopasowania zarówno między parami, warunkami i modalnościami bodźców, jak i w ich obrębie pod względem zmiennych, takich jak dł...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autor nie ma nic do zdradzienia.

Podziękowania

Rozwój tego paradygmatu był wspierany przez Therapeutic Cognitive Neuroscience Fund oraz Benjamin and Adith Miller Family Endowment on Aging, Alzheimer's, and Autism Research.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
System EEGElectrical Geodesics, Inc. (EGI)Geodezyjny system EEG (GES) System 400: wzmacniacz Net Amps 400, NetStation 5.3, 128-kanałowe siatki czujników geodezyjnych HydroCel
Chlorek potasuElectrical Geodesics, Inc. (EGI)
Plastikowe wiadroElectrical Geodesics, Inc. (EGI)EGI zapewnia plastikowe wiadro do mieszania elektrolitu, ale można użyć dowolnego czystego pojemnika
Szampon dla dzieciProgram do manipulacji obrazami GNU (
GIMP) Johnsona

Bibliografia

  1. Tager-Flusberg, H., Paul, R., Lord, C. Language and communication in autism. Handbook of Autism and Pervasive Developmental Disorders. , 335-364 (2005).
  2. Kamio, Y., Robins, D., Kelley, E., Swainson, B., Fein, D. Atypical Lexical/Semantic Processing in High-Functioning Autism Spectrum Disorders without Early Language Delay. Journal of Autism and Developmental Disorders. 37, 1116-1122 (2007).
  3. McCleery, J. P., Ceponiene, R., Burner, K. M., Townsend, J., Kinnear, M., Schreibman, L. Neural correlates of verbal and nonverbal semantic integration in children with autism spectrum disorders. Journal of Child Psychology and Psychiatry. 51 (3), 277-286 (2010).
  4. Dunn, M. A., Gaughan, H. Jr, Kreuzer, J., Kurtzberg, D. Electrophysiologic correlates of semantic classification in autistic and normal children. Developmental Neuropsychology. 16 (1), 79-99 (1999).
  5. Kamio, Y., Toichi, M. Dual access to semantics in autism: is pictorial access superior to verbal access? Journal of Child Psychology and Psychiatry. 41 (7), 859-867 (2000).
  6. Coderre, E. L., Chernenok, M., Gordon, B., Ledoux, K. Linguistic and Non-Linguistic Semantic Processing in Individuals with Autism Spectrum Disorders: An ERP Study. Journal of Autism and Developmental Disorders. 47 (3), 795-812 (2017).
  7. Neely, J. H. Semantic priming effects in vidual word recognition: A selective review of current findings and theories. Basic processes in reading: Visual word recognition. 11, 264-336 (1991).
  8. McNamara, T. P. Semantic priming: Perspectives from memory and word recognition. , (2005).
  9. McPherson, W. B., Holcomb, P. J. An electrophysiological investigation of semantic priming with pictures of real objects. Psychophysiology. 36, 53-65 (1999).
  10. Kutas, M., Federmeier, K. D. Thirty years and counting: Finding meaning in the N400 component of the event-related brain potential (ERP). Annual Review of Psychology. 62, 621-647 (2011).
  11. Kutas, M., Hillyard, S. Reading Senseless Sentences: Brain Potentials Reflect Semantic Incongruity. Science. 207 (4427), 203-205 (1980).
  12. Lau, E. F., Phillips, C., Poeppel, D. A cortical network for semantics: (de)constructing the N400. Nature Reviews Neuroscience. 9 (12), 920-933 (2008).
  13. Brouwer, H., Fitz, H., Hoeks, J. Getting real about Semantic Illusions: Rethinking the functional role of the P600 in language comprehension. Brain Research. 1446, 127-143 (2012).
  14. Barrett, S. E., Rugg, M. D. Event-Related Potentials and the Semantic Matching of Pictures. Brain and Cognition. , 201-212 (1990).
  15. Hamm, J. P., Johnson, B. W., Kirk, I. J. Comparison of the N300 and N400 ERPs to picture stimuli in congruent and incongruent contexts. Clinical Neurophysiology. 212, 1339-1350 (2002).
  16. Ganis, G., Kutas, M., Sereno, M. I. The search for "common sense": an electrophysiological study of the comprehension of words and pictures in reading. Journal of Cognitive Neuroscience. 8 (2), 89-106 (1996).
  17. Nigam, A., Hoffman, J. E., Simons, R. F. N400 to Semantically Anomalous Pictures and Words. Journal of Cognitive Neuroscience. 4 (1), 15-22 (1992).
  18. Coltheart, M. The MRC psycholinguistic database. Quarterly Journal of Experimental Psychology. 33A, 497-505 (1981).
  19. Brysbaert, M., New, B. Moving beyond Kucera and Francis: A critical evaluation of current word frequency norms and the introduction of a new and improved word frequency measure for American English. Behavior Research Methods. 41 (4), 977-990 (2009).
  20. Davies, M. The Corpus of Contemporary American English: 450 million words, 1990-present. , (2009).
  21. Zuccolotto, A. P., Roush, R. E., Eschman, A., Schneider, W. E-Prime 2.0 Getting Started Guide. , (2012).
  22. Duncan, C. C., et al. Event-related potentials in clinical research: Guidelines for eliciting, recording, and quantifying mismatch negativity, P300, and N400. Clinical Neurophysiology. 120 (11), 1883-1908 (2009).
  23. Tools, P. S. E-Prime Extensions for Net Station 2.0 User Manual. , (2014).
  24. Electrical Geodesics Inc. Net Station 5 User Manual. , (2017).
  25. Tanner, D., Morgan-Short, K., Luck, S. J. How inappropriate high-pass filters can produce artifactual effects and incorrect conclusions in ERP studies of language and cognition. Psychophysiology. 52 (8), 997-1009 (2015).
  26. Dien, J. Issues in the application of the average reference: Review, critiques, and recommendation. Behavior Research Methods, Instruments, and Computers. 30 (1), 34-43 (1998).
  27. Dien, J., Franklin, M. S., May, C. J. Is "Blank" a suitable neutral prime for event-related potential experiments? Brain and Language. 97, 91-101 (2006).
  28. Franklin, M. S., Dien, J., Neely, J. H., Huber, E., Waterson, L. D. Semantic priming modulates the N400, N300, and N400RP. Clinical Neurophysiology. 118 (5), 1053-1068 (2007).
  29. Luck, S. J. An Introduction to the Event-Related Potential Technique. , The MIT Press. Cambridge, Massachusetts. (2005).
  30. Groppe, D. M., Urbach, T. P., Kutas, M. Mass univariate analysis of event-related brain potentials/fields I: A critical tutorial review. Psychophysiology. 48, 1711-1725 (2011).
  31. Tanner, D., Van Hell, J. G. ERPs reveal individual differences in morphosyntactic processing. Neuropsychologia. 56, 289-301 (2014).
  32. D'Arcy, R. C. N., et al. Electrophysiological assessment of language function following stroke. Clinical Neurophysiology. 114 (4), 662-672 (2003).
  33. Pérez Velázquez, J. L., Galán, R. F. Information gain in the brain's resting state: A new perspective on autism. Frontiers in Neuroinformatics. 7 (37), 1-10 (2013).
  34. Davis, G., Plaisted-Grant, K. Low endogenous neural noise in autism. Autism. 19 (3), 351-362 (2015).
  35. Ledoux, K., Coderre, E. L., Bosley, L., Buz, E., Gangopadhyay, I., Gordon, B. The concurrent use of three implicit measures (eye movements, pupillometry, and event-related potentials) to assess receptive vocabulary knowledge in normal adults. Behavior Research Methods. 48 (1), 285-305 (2016).
  36. Matson, J. L., Shoemaker, M. Intellectual disability and its relationship to autism spectrum disorders. Research in Developmental Disabilities. 30 (6), 1107-1114 (2009).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Przetwarzanie leksyko semantyczneelektroencefalografiakomponent N400analiza danych EEGprezentacja bod c wprzebiegi fal ERP
Zadanie związane z potencjałem związanym ze zdarzeniami semantycznego torowania (ERP) do badania przetwarzania leksycyczno-semantycznego i wzrokowo-semantycznego w zaburzeniach ze spektrum autyzmu
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.