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

Artykuł metodologiczny

Wykorzystanie nierówności w modelu rasowym do ilościowego określenia behawioralnych efektów integracji wielozmysłowej

6.1K wyświetleń

⸱

DOI:

10.3791/59575

⸱

10 maja 2019

 , 
1Department of Neurology, Division of Cognitive & Motor Aging, Albert Einstein College of Medicine, 2Department of Medicine, Division of Geriatrics, Albert Einstein College of Medicine

W tym artykule

Podsumowanie

Obecne badanie ma na celu dostarczenie krok po kroku samouczka do obliczania wielkości efektów integracji multisensorycznej w celu ułatwienia tworzenia translacyjnych badań naukowych w różnych populacjach klinicznych.

Streszczenie

Badania nad integracją multisensoryczną badają, jak mózg przetwarza jednocześnie informacje sensoryczne. Badania na zwierzętach (głównie kotach i naczelnych) i ludziach pokazują, że nienaruszona integracja multisensoryczna jest kluczowa dla funkcjonowania w świecie rzeczywistym, obejmującym zarówno czynności poznawcze, jak i fizyczne. Wiele badań przeprowadzonych w ciągu ostatnich kilku dekad dokumentuje efekty integracji multisensorycznej przy użyciu różnych technik psychofizycznych, elektrofizjologicznych i neuroobrazowania. Chociaż jego obecność została zgłoszona, metody stosowane do określania wielkości efektów integracji multisensorycznej są różne i zazwyczaj spotykają się z dużą krytyką. W dalszej części przedstawiono ograniczenia poprzednich badań behawioralnych oraz przedstawiono samouczek krok po kroku dotyczący obliczania wielkości efektów integracji wielozmysłowej przy użyciu solidnych modeli prawdopodobieństwa.

Wprowadzenie

Interakcje między systemami sensorycznymi są niezbędne do codziennego funkcjonowania. Chociaż efekty integracji wielozmysłowej są mierzone w szerokim spektrum populacji przy użyciu różnorodnych kombinacji sensorycznych i odmiennych podejść neuronaukowych [w tym, ale nie ograniczając się do metod psychofizycznych, elektrofizjologicznych i neuroobrazowania]1,2,3,4,5,6,7,8,9, obecnie brakuje złotego standardu kwantyfikacji integracji wielozmysłowej. Biorąc pod uwagę, że eksperymenty wielozmysłowe zazwyczaj zawierają komponent behawioralny, dane dotyczące czasu reakcji (RT) są często analizowane w celu ustalenia występowania znanego zjawiska zwanego efektem redundantnych sygnałów10. Jak sugeruje nazwa, jednoczesne sygnały sensoryczne dostarczają redundantnych informacji, co zazwyczaj skutkuje krótszymi RT. Do wyjaśnienia wspomnianego efektu redundantnych sygnałów stosuje się modele wyścigu oraz modele współaktywacji11. W modelach wyścigu sygnał jednozmysłowy, który zostanie przetworzony najszybciej, wygrywa wyścig i jest odpowiedzialny za wywołanie odpowiedzi behawioralnej. Dowody na współaktywację pojawiają się natomiast wtedy, gdy odpowiedzi na bodźce wielozmysłowe są szybsze, niż przewidują modele wyścigu.

Wcześniejsze wersje modelu wyścigu są z natury kontrowersyjne12,13, ponieważ niektórzy określają je jako zbyt konserwatywne14,15 i twierdzą, że zawierają one ograniczenia dotyczące niezależności między czasami detekcji jednosensorycznych stanowiących składowe warunku wielozmysłowego16. W celu rozwiązania niektórych z tych ograniczeń, Colonius & Diederich16 opracowali bardziej konwencjonalny test modelu wyścigu:

Wzór na obliczenie prawdopodobieństwa, przedstawiający sumę minimalną P(RT_A≤t)+P(RT_B≤t), wyrażenie matematyczne.,

gdzie skumulowane rozkłady częstości (CDFs) dla warunków jednosensorycznych (np. A i B; z górną granicą równą jeden) są porównywane z CDF dla jednoczesnego warunku wielosensorycznego (np. AB) dla dowolnej danej latencji (t)11,16,17. Generalnie CDF określa, jak często dany RT występuje w określonym zakresie RT, podzielone przez całkowitą liczbę prezentacji bodźca (tj. prób). Jeśli CDF rzeczywistego warunku wielosensorycznego Równanie prawdopodobieństwa P(RT_AB ≤ t), formuła analizy statystycznej, użytek edukacyjny. jest mniejsze lub równe przewidywanemu CDF wyprowadzonemu z warunków jednosensorycznych

Równanie równowagi statycznej; pokazuje prawdopodobieństwo; wzór: min(P(RTA ≤ t) + P(RTB ≤ t), 1).,

wówczas model wyścigu jest akceptowany i nie ma dowodów na integrację sensoryczną. Jednakże, gdy wielozmysłowa CDF jest większa niż przewidywana CDF wyprowadzona z warunków jednozmysłowych, model wyścigu zostaje odrzucony. Odrzucenie modelu wyścigu wskazuje, że interakcje wielozmysłowe z redundantnych źródeł sensorycznych łączą się w sposób nieliniowy, co skutkuje skróceniem RTs (np. facylitacją RT) w odpowiedzi na bodźce wielozmysłowe.

Główną przeszkodą, z jaką mierzą się badacze wielozmysłowości, jest kwestia optymalnego ilościowego określenia efektów integracji. Na przykład w przypadku najbardziej podstawowego behawioralnego paradygmatu wielozmysłowego, w którym uczestnicy wykonują proste zadanie czasu reakcji, zbierane są informacje dotyczące dokładności i szybkości. Takie dane wielozmysłowe mogą być wykorzystywane w formie bezpośredniej lub przekształcane za pomocą różnych zastosowań matematycznych, w tym między innymi Maximum Likelihood Estimation18,19, CDFs11 oraz różnych innych podejść statystycznych. W większości naszych poprzednich badań nad wielozmysłowością stosowano zarówno podejścia ilościowe, jak i probabilistyczne, w których efekty integracji wielozmysłowej obliczano poprzez 1) odjęcie średniego czasu reakcji (RT) na zdarzenie wielozmysłowe od średniego czasu reakcji (RT) na najkrótsze zdarzenie jednozmysłowe oraz 2) wykorzystanie CDFs do ustalenia, czy ułatwienie RT wynikało z synergistycznych interakcji wspomaganych przez redundantne informacje sensoryczne8,20,21,22,23. Jednakże pierwsza z tych metod prawdopodobnie nie była wrażliwa na indywidualne różnice w procesach integracyjnych, a badacze wysunęli odtąd tezę, że druga metoda (tj. CDFs) może stanowić lepszy wskaźnik do ilościowego określania efektów integracji wielozmysłowej24.

Gondan i Minakata opublikowali niedawno instruktaż dotyczący dokładnego testowania nierówności modelu wyścigowego (Race Model Inequality, RMI), ponieważ badacze zbyt często popełniają liczne błędy na etapie pozyskiwania oraz wstępnego przetwarzania danych dotyczących czasu reakcji (RT) podczas ich gromadzenia i przygotowywania.25Po pierwsze, autorzy stawiają tezę, że niekorzystne jest stosowanie procedur przycinania danych w sytuacjach, w których określone a priori ustala się minimalne i maksymalne granice RT. Zaleca się, aby odpowiedzi wolne i pominięte ustawiać jako nieskończoność, zamiast je wykluczać. Po drugie, biorąc pod uwagę, że RMI może zostać naruszone przy dowolnej latencji, często stosuje się wielokrotne testy t, aby zbadać RMI w różnych punktach czasowych (tj. kwantylach); niestety praktyka ta prowadzi do zwiększenia błędu typu I i znacznego zmniejszenia mocy statystycznej. Aby uniknąć tych problemów, zaleca się badanie RMI w jednym konkretnym zakresie czasowym. Niektórzy badacze zasugerowali, że zasadne jest badanie najszybszego kwartyla odpowiedzi (0-25%).26 lub dla niektórych uprzednio zidentyfikowanych okien (tj. 10–25%)24,27 ponieważ efekty integracji wielozmysłowej są zazwyczaj obserwowane w tym przedziale czasowym; twierdzimy jednak, że zakres percentyli poddawany badaniu musi wynikać z faktycznego zbioru danych (patrz Protokół Sekcja 5Problem z poleganiem na opublikowanych danych dotyczących młodych dorosłych lub symulacjach komputerowych polega na tym, że starsi dorośli wykazują bardzo inne rozkłady RT, co prawdopodobnie wynika z związanych z wiekiem spadków sprawności systemów sensorycznych. Testowanie istotności modelu Race powinno być przeprowadzane wyłącznie na fragmentach naruszonych (wartości dodatnie) uśrednionej dla grupy fali różnic między rzeczywistą a przewidywaną CDF w kohorcie badanej.

W tym celu wykazano ochronny efekt integracji wielozmysłowej u zdrowych osób starszych, wykorzystując konwencjonalny test modelu wyścigu16 oraz zasady sformułowane przez Gondana i współpracowników25. W rzeczywistości stwierdzono, że większa amplituda wizualno-somatosensorycznego RMI (wskaźnika integracji wielozmysłowej) była powiązana z lepszą równowagą, niższym prawdopodobieństwem upadków oraz zwiększoną wydajnością chodu przestrzennego28,29.

Celem niniejszego eksperymentu jest przedstawienie badaczom instrukcji krok po kroku, jak obliczyć wielkość efektów integracji wielozmysłowej przy użyciu RMI, aby ułatwić zwiększenie liczby różnorodnych badań translacyjnych w wielu różnych populacjach klinicznych. Należy zauważyć, że dane przedstawione w niniejszym badaniu pochodzą z niedawno opublikowanych eksperymentów wzrokowo-somatosensorycznych przeprowadzonych u zdrowych osób starszych28,29, jednak metodologia ta może być zastosowana w różnych kohortach w wielu różnych schematach eksperymentalnych, wykorzystując szeroki wachlarz kombinacji wielozmysłowych.

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

Protokół

Wszyscy uczestnicy wyrazili pisemną zgodę na procedury eksperymentalne, które zostały zatwierdzone przez instytucjonalną komisję rewizyjną Albert Einstein College of Medicine.

1. Rekrutacja uczestników, kryteria włączenia i zgoda

  1. Zrekrutuj stosunkowo dużą grupę osób mówiących po angielsku, które mogą samodzielnie poruszać się i są wolne od znacznej utraty czucia, aktywnych zaburzeń neurologicznych lub psychiatrycznych, które zakłócają oceny eksperymentalne, oraz obecnych/przyszłych procedur medycznych, które wpływają na mobilność.
  2. Upewnij się, że każdy uczestnik może pomyślnie ukończyć przesiewowe badanie sensoryczne, podczas którego ostrość wzroku, słuchu i somatosensoryki jest formalnie testowana w celu potwierdzenia odpowiedniości badania.
    1. Użyj wykresu oka Snellena, aby upewnić się, że obustronna ostrość wzroku jest lepsza lub równa 20/100.
    2. Użyj otoskopu emitującego tony, aby upewnić się, że uczestnicy są w stanie usłyszeć co najmniej ton 2,000 Hz przy 25 dB30.
    3. Określ, czy uczestnicy utrzymują diagnozę klinicznej neuropatii i czy zakłóca ona zdolność odczuwania eksperymentalnej stymulacji somatosensorycznej21,28,29.
    4. Jeśli uczestnik nie jest w stanie spełnić tych minimalnych wymagań sensorycznych, nie należy włączać go do badania.
  3. Wyklucz osoby starsze z demencją, wdrażając wyniki cięcia z wiarygodnych narzędzi przesiewowych, takich jak AD8 Dementia Screening Interview cutoff score ≥2 31,32; oraz Memory Impairment Screen MIS; wynik odcięcia < 533.
  4. Poproś uczestników, aby wyrazili pisemną świadomą zgodę na procedury eksperymentalne (zatwierdzone przez lokalną instytucjonalną komisję rewizyjną), jeśli chcą wziąć w nich udział.

2. Projekt eksperymentalny

  1. Użyj oprogramowania do prezentacji bodźców, aby zaprogramować prosty eksperyment czasu reakcji z trzema warunkami eksperymentalnymi: samym wzrokowym (V), somatosensorycznym (S) i symultanicznym wzrokowo-somatosensorycznym (VS). Poinformuj uczestników, aby jak najszybciej reagowali na każdy bodziec sensoryczny, niezależnie od stanu. Zobacz pliki uzupełniające, aby zapoznać się z przykładem prostego zadania RT programu VS (plik uzupełniający 1).
    1. Użyj generatora bodźców z trzema skrzynkami sterującymi (30,48 mm × 20,32 mm × 12,70 mm) i plastikową obudową do stymulatorów. Lewa i prawa skrzynka sterownicza zawierają obustronne diody emitujące niebieskie światło (LED; średnica 15,88 cm), które świecą w celu stymulacji wzrokowej, oraz dwustronne silniki o amplitudzie drgań 0,8 G, które wibrują w celu stymulacji somatosensorycznej (odpowiednik wibracji telefonu komórkowego)22,23,28.
    2. Upewnij się, że generatory bodźców zapewniają zarówno stymulację jednosensoryczną (wzrokową lub samą somatosensoryczną), jak i multisensoryczną (jednoczesną wizualną i somatosensoryczną). Umieścić środkową atrapę skrzynki sterowniczej w równej odległości (28 cm) od lewej i prawej skrzynki sterowniczej opisanej w ppkt 2.1.1. i przyklej wizualną naklejkę celu (centralny okrąg o średnicy 0,4 cm), która będzie służyć jako punkt mocowania.
    3. Podłącz generator bodźców do komputera eksperymentalnego za pomocą portu równoległego, który umożliwia bezpośrednie sterowanie każdym stymulatorem.
    4. Zaprogramuj oprogramowanie do prezentacji bodźców tak, aby wysyłało impulsy tranzystor-tranzystor-logika (TTL, 5 V) do włączanych i wyłączanych generatorów bodźców wyzwalających bezpośrednio przez port równoległy. Ustaw czas prezentacji bodźca na czas trwania 100 ms.
  2. W oprogramowaniu do prezentacji bodźców zaprogramuj co najmniej 3 bloki eksperymentalne, z których każdy składa się z 45 prób (15 prób każdego stanu bodźca przedstawionych w kolejności losowej), co daje w sumie 135 prezentacji bodźców dla tego prostego eksperymentu czasu reakcji.
  3. Zmieniaj losowo odstęp między bodźcami od 1 do 3 s, aby zapobiec efektom antycypacyjnym. Alternatywnie, wstaw próby połowu, w których parametry bodźca są takie same jak powyżej, ale impuls TTL nie jest wysyłany, a zatem nie występuje stymulacja wzrokowa lub somatosensoryczna, a zatem nie oczekuje się odpowiedzi.
  4. Pozwól uczestnikom do 2,000 ms zareagować na dowolny stan bodźca. Jeśli w okresie odpowiedzi wynoszącym 2 000 ms nie zostanie wykryta żadna odpowiedź, należy upewnić się, że oprogramowanie do prezentacji bodźca automatycznie przejdzie do następnej próby.
    UWAGA: To odcięcie okna odpowiedzi jest arbitralne, ale konieczne, aby ograniczyć całkowity czas eksperymentu do minimum; zauważ, że dłuższe RT zostaną ustawione na nieskończoność niezależnie od tego.
  5. Oddziel trzy bloki eksperymentalne, programując 20-sekundowe przerwy w oprogramowaniu do prezentacji bodźców, aby zmniejszyć potencjalne zmęczenie i zwiększyć koncentrację. Upewnij się, że każdy kolejny blok rozpoczyna się natychmiast po zakończeniu przerwy 20-sekundowej.
  6. Zaprogramuj pisemne instrukcje, które pojawiają się na wyświetlaczu wizualnym (monitorze komputera eksperymentalnego). Dokładne instrukcje znajdują się w materiałach dodatkowych. Poproś uczestnika, aby rozpoczął eksperyment, popychając podkładkę odpowiedzi prawą stopą, gdy będzie gotowy do rozpoczęcia. Po zaprogramowaniu parametrów bodźca, oprogramowanie do prezentacji bodźca tworzy skrypt, który ma być uruchamiany na każdym uczestniku.
  7. Podaj identyfikator uczestnika i numer sesji, aby uruchomić skrypt eksperymentalny. Po zakończeniu eksperymentu dla każdego uczestnika tworzony jest unikalny dziennik danych behawioralnych (patrz Plik uzupełniający 2 dla przykładowego pliku wyjściowego Eprime 2.0).

3. Aparatura i zadanie

  1. Niech uczestnicy usiądą prosto i wygodnie oprzeją ręce na lewej i prawej skrzynce kontrolnej.
    1. Strategicznie umieść palce wskazujące na silnikach wibracyjnych zamontowanych z tyłu skrzynki sterowniczej, a kciuki z przodu skrzynki sterowniczej, pod diodą LED, aby nie blokować światła (patrz Rysunek 1).
    2. Upewnij się, że bodźce somatosensoryczne są niesłyszalne, zapewniając uczestnikom słuchawki, na których ciągły biały szum jest odtwarzany na komfortowym poziomie (zwykle 65-75 dB).
  2. Poinstruuj uczestników, aby reagowali na wszystkie bodźce tak szybko, jak to możliwe.
    1. Poproś uczestników, aby użyli pedału nożnego znajdującego się pod prawą stopą jako podkładki odpowiedzi, ponieważ palce będą akceptować stymulację somatosensoryczną (patrz Rysunek 1).
  3. Obliczanie dokładności działania na podstawie warunków bodźca.
    1. Poinstruuj uczestników, aby zareagowali na każdy z bodźców eksperymentalnych (45 na warunek) tak szybko, jak to możliwe.
    2. Podziel liczbę dokładnie wykrytych bodźców na stan na 45 (całkowita liczba prób na stan), aby uzyskać miary dokładności działania odpowiednio dla warunków wzrokowych, somatosensorycznych i VS.

4. Przygotowanie danych dotyczących nierówności w modelu rasowym (poziom indywidualny)

  1. Określ, czy wyniki behawioralne danej osoby są prawidłowe.
    1. Wyklucz uczestników, którzy nie są w stanie osiągnąć dokładności 70% lub większej w dowolnym warunku bodźca Wraz ze spadkiem dokładności wykonania przez uczestnika prostego zadania w czasie reakcji, spada również wiarygodność danych danej osoby.
    2. Uznaj badania za niedokładne (pominięte), jeśli uczestnik nie zareaguje na bodziec w ustalonym okresie czasu odpowiedzi i ustaw odpowiedni RT na nieskończoność, zamiast wykluczać próbę z analizy25,28.
      UWAGA: W poprzednich badaniach uśrednione dla grupy (n=289) wykrywanie bodźca wynosiło 96% we wszystkich warunkach, a ponad 90% populacji miało wskaźniki wykrywalności powyżej 90% dla wszystkich schorzeń28.
    3. Nie należy stosować procedur przycinania danych, które usuwają bardzo wolne RT, ponieważ spowoduje to odchylenie dystrybucji danych RT. 25 Upewnij się, że RT, które są wyraźnie odstające, są ustawione na nieskończoność. Zobacz plik uzupełniający przedstawiający zmiany w CDF w oparciu o procedury przycinania danych i dołączanie wolnych RT (Plik uzupełniający 3).
  2. Uporządkuj dane RT.
    1. Sortuj dane RT w kolejności rosnącej według warunków eksperymentalnych. Umieść warunki wizualne, somatosensoryczne i VS w osobnych kolumnach posortowanych danych RT. Upewnij się, że każdy wiersz reprezentuje jedną próbę, a każda komórka reprezentuje rzeczywistą próbę prób (lub nieskończoność w przypadku pominiętych lub powolnych prób).
  3. Umieść dane RT w koszu.
    1. Zidentyfikuj najszybszy RT (do dowolnego warunku - pomarańczowa elipsa) i najwolniejszy RT (do dowolnego warunku - czerwona elipsa). Odejmij najwolniejszy RT od najszybszego (np. 740 ms – 237 ms), aby obliczyć zakres RT danej osoby (503 ms; niebieska elipsa) we WSZYSTKICH warunkach testowych. Tabela 1 pokazuje, jak obliczyć zakres RT danej osoby i przedstawia różne kolorowe elipsy.
    2. Grupuj dane RT od 0% (najszybszy RT = 237 w tym przykładzie) do 100% (lub najwolniejszy RT = 740 w tym przykładzie) w krokach co 5%, biorąc najszybszy RT i stopniowo dodając 5% zakresu RT określonego w 4.3.1, aż do uwzględnienia 100% danych RT (zob. tabela 2). Spowoduje to powstanie 21-czasowych pojemników.
      UWAGA: W Tabeli 2 - 1%ile jest uwzględniony w arkuszu roboczym tylko w celach ilustracyjnych.
  4. Obliczyć skumulowaną częstotliwość rozkładu (CDF) dla warunków doświadczalnych.
    1. Korzystając z arkusza kalkulacyjnego, użyj funkcji "CZĘSTOTLIWOŚĆ", gdzie tablica1 równa się rzeczywistym RT dla jednego z warunków eksperymentalnych, a tablica2 równa się 21 skwantowanym przedziałom RTs obliczonym w kroku 4.3, podzielonym przez całkowitą liczbę prób (45) na warunek. Jest to zilustrowane w Rysunek 2a.
    2. Powtórz tę funkcję dla pozostałych dwóch warunków eksperymentalnych (Rysunek 2b-2c), aby wypełnić częstości (lub prawdopodobieństwo (P)) występowania RT w każdym z 21 skwantowanych przedziałów czasowych, dla każdego z trzech warunków eksperymentalnych.
    3. Następnie utwórz skumulowaną częstotliwość rozkładu (CDF), sumując bieżącą sumę prawdopodobieństw w skwantowanych przedziałach (0%, 0+5%, 0+5+10%, 0+5+10+15% itd.) dla każdego z trzech warunków eksperymentalnych. Na przykład w kolumnie skumulowanego prawdopodobieństwa dla warunku Somy (kolumna AE) skumulowane prawdopodobieństwo dla zakresu 95% ile (komórka AE22) jest sumą wartości prawdopodobieństwa w komórkach Z3:Z23 (patrz Rysunek 3).
  5. Rzeczywiste a przewidywane CDF-y.
    1. Upewnij się, że CDF stanu multisensorycznego reprezentuje rzeczywisty CDF (patrz Rysunek 4 kolumna AF i wykreślony fioletowy ślad). Aby obliczyć przewidywany CDF (kolumna AG), zsumuj dwa jednosensoryczne CDF (z górnym limitem ustawionym na 1) w każdym z 21 skwantowanych przedziałów czasowych (patrz Rysunek 5). Zacznij od 0. percentyla (przedział 1) i kontynuuj aż do 100. percentyla (przedział 21).
  6. Przeprowadź test nierówności modelu rasowego (RMI).
    1. Odejmij przewidywany CDF (obliczony w 4.5.2.) od rzeczywistego CDF dla każdego z 21 skwantowanych przedziałów czasowych, aby uzyskać wartości różnicy (kolumna AH; patrz Rysunek 6).
    2. Wykreśl te 21 wartości jako wykres liniowy, gdzie oś x reprezentuje każdy z skwantowanych przedziałów czasowych (kolumna AC), a oś y reprezentuje różnicę prawdopodobieństwa między rzeczywistymi i przewidywanymi CDF (kolumna AH; Rysunek 7 (ślad).
    3. Sprawdź, czy przy dowolnym opóźnieniu (tj. kwantylach) nie ma wartości dodatnich, które wskazują na integrację bodźców jednosensorycznych i odzwierciedlają naruszenie RMI (patrz podświetlona na zielono część fali różnicowej od 0,00 do 0,10 w Rysunek 7).

5. Kwantyfikacja efektu multisensorycznego (poziom grupy).

  1. Uśrednij grupowo poszczególne dane RMI (różnice między przewidywanym CDF a rzeczywistym CDF dla każdego z 21-czasowych przedziałów; krok 4.6.1 - kolumna AH) u wszystkich uczestników. Użyj oprogramowania do obsługi arkuszy kalkulacyjnych, aby przypisać osoby do wierszy i przedziałów czasu jako kolumn. W nowym arkuszu kalkulacyjnym umieść 21 wartości obliczonych w 4.6.1 w osobnych wierszach (1 wiersz na uczestnika), a wartości średnie w przedziałach czasu, aby utworzyć jeden uśredniony dla grupy przebieg różnicowy.
  2. Wykreśl średnią 21 wartości grupy jako wykres liniowy, gdzie oś x reprezentuje każdy z skwantyzowanych przedziałów czasu, a oś y reprezentuje różnicę prawdopodobieństwa między CDF.
  3. Sprawdź wzrokowo i udokumentuj naruszoną część uśrednionej grupy fali różnicowej (tj. wartości dodatnie).
  4. Uruchom test permutacji RMI Gondana (skrypt R dostępny do bezpłatnego pobrania)26, aby określić, czy istnieje statystycznie istotne naruszenie RMI w stosunku do wartości dodatnich określonych w kroku 5.3.
    1. Uporządkuj dane w jednym pliku tekstowym, w którym pierwsza kolumna ma nazwę "Obs" dla obserwatora (np. identyfikator uczestnika), druga kolumna ma nazwę "Cond" dla stanu bodźca (V, S lub VS), a trzecia kolumna ma nazwę "RT" dla rzeczywistego RT lub "Inf", jeśli jest ustawiona na nieskończoność.
    2. Otwórz oprogramowanie, określ, które przedziały czasowe mają być testowane (na podstawie dodatnich przedziałów czasowych określonych w 5.3) i wprowadź nazwę pliku tekstowego utworzonego w 5.4.1.
    3. Uruchom test, wywołując skrypt. Wyniki dostarczą wartości tmax, kryterium 95% i wartości p, które będą miały zasadnicze znaczenie dla określenia, czy w całej próbie badawczej występuje znaczące naruszenie modelu rasy.
  5. Oblicz pole powierzchni pod krzywą (AUC) dla każdej osoby po ustaleniu znacząco naruszonych przedziałów percentylowych w kroku 5.3. AUC będzie służyć jako wielkość integracji multisensorycznej (lub zmienna niezależna). Aby obliczyć AUC, użyj danych uczestnika 1 jako przykładu, dla przedziałów percentylowych 0,00 - 0,15 przedstawionych w Rysunek 8a-d).
      Zsumuj wartość różnicy CDF w przedziale czasowym 1 (1. raz wartość dodatnia) z wartością różnicy CDF przedziału czasu 2 (następna wartość dodatnia), a następnie podziel przez dwa (patrz Rysunek 8a).
    1. Powtórz krok 5.3.1. dla każdej kolejnej pary przedziałów czasowych zawierających wartości dodatnie (patrz Rysunek 8b-8c).
    2. Zsumuj wyniki uzyskane z kroków 5.5.1 - 5.5.2, aby wygenerować całkowite AUC fali różnicowej CDF w naruszonym zakresie percentyla (np. 0,00 – 0,15 w Rysunek 8d).
      UWAGA: AUC jest miarą ciągłą i jedna wartość AUC występuje dla każdej osoby dla naruszonej części RMI (Rysunek 8d czerwona elipsa = AUC uczestnika 1 = 0,13). AUC może być używana jako niezależna zmienna reprezentująca "wielkość integracji VS", która może być później testowana w celu przewidywania ważnych miar wyników klinicznych (zobacz również28,29).
  6. Przypisz grupy klasyfikacyjne integracji multisensorycznej na podstawie liczby naruszonych przedziałów percentylowych (wartości większe od zera zaznaczonych na szaro w tabeli 3) w znacznie naruszonym zakresie percentylowym określonym powyżej w kroku 5.3. Patrząc na tabelę 3 (przedziały percentylowe 0,00 – 0,15): Uczestnik 1 ma wartości dodatnie dla 2 z 4 przedziałów; Uczestnik 2 ma wartości dodatnie dla 4 z 4 pojemników; a Uczestnik 3 ma wartości dodatnie dla 0 z 4 pojemników.
    1. Operacjonalizacja systemu klasyfikacji na podstawie liczby naruszonych przedziałów percentylowych (wartości większe od zera dla przedziałów 0, 1, 2 lub 3) w percentylu 0–10.
    2. Rysunek 9 przedstawia jedną z definicji potencjalnej klasyfikacji, która została zaadaptowana z ostatnio opublikowanych danych przedstawionych przez Mahoneya i Verghese29.

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

Wyniki

Celem niniejszego badania było przedstawienie krok po kroku metodycznego podejścia do ilościowego określenia skali efektów integracji VS, aby wspierać publikację nowych badań wielozmysłowych z wykorzystaniem podobnych projektów i ustawień eksperymentalnych (patrz Rysunek 1). Zrzuty ekranu z każdego kroku i obliczeń niezbędnych do wyznaczenia skali efektów integracji wielozmysłowej, mierzonych za pomocą RMI AUC, zostały opisane powyżej i zilustrowane na Rysunkach 2-8.

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

Dyskusja

Celem obecnego badania było szczegółowe określenie procesu stojącego za ustanowieniem solidnego fenotypu integracji multisensorycznej. W tym miejscu przedstawiamy niezbędne i krytyczne kroki wymagane do uzyskania efektów integracji multisensorycznej, które można wykorzystać do przewidywania ważnych wyników poznawczych i motorycznych w oparciu o podobne obwody neuronowe. Naszym ogólnym celem było dostarczenie samouczka krok po kroku do obliczania skali integracji wielozmysłowej w celu ułatwienia innowacyjnych i nowatorski...

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

Oświadczenia

Nie ma żadnych konfliktów interesów do zgłoszenia, a autorzy nie mają nic do ujawnienia.

Podziękowania

Obecny dorobek jest wspierany przez National Institute on Aging w Narodowym Instytucie Zdrowia (K01AG049813 do JRM). Dodatkowe finansowanie zostało zapewnione przez Resnick Gerontology Center of the Albert Einstein College of Medicine. Specjalne podziękowania dla wszystkich wolontariuszy i pracowników naukowych za wyjątkowe wsparcie w tym projekcie.

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

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
generator bodźcówZenometrics, LLC; Peekskill, Nowy Jork, USAn/aniestandardowy
program do obsługi arkuszy kalkulacyjnychExcel Microsoft Corporation
EprimePsychology Software Tools (PST)oprogramowanie do prezentacji bodźców
Narzędzia programowe

Bibliografia

  1. Foxe, J., et al. Auditory-somatosensory multisensory processing in auditory association cortex: an fMRI study. Journal of Neurophysiology. 88 (1), 540-543 (2002).
  2. Molholm, S., et al. Multisensory auditory-visual interactions during early sensory processing in humans: a high-density electrical mapping study. Brain Research: Cognitive Brain Research. 14 (1), 115-128 (2002).
  3. Murray, M. M., et al. Grabbing your ear: rapid auditory-somatosensory multisensory interactions in low-level sensory cortices are not constrained by stimulus alignment. Cerebral Cortex. 15 (7), 963-974 (2005).
  4. Molholm, S., et al. Audio-visual multisensory integration in superior parietal lobule revealed by human intracranial recordings. Journal of Neurophysiology. 96 (2), 721-729 (2006).
  5. Peiffer, A. M., Mozolic, J. L., Hugenschmidt, C. E., Laurienti, P. J. Age-related multisensory enhancement in a simple audiovisual detection task. Neuroreport. 18 (10), 1077-1081 (2007).
  6. Brandwein, A. B., et al. The development of audiovisual multisensory integration across childhood and early adolescence: a high-density electrical mapping study. Cerebral Cortex. 21 (5), 1042-1055 (2011).
  7. Girard, S., Collignon, O., Lepore, F. Multisensory gain within and across hemispaces in simple and choice reaction time paradigms. Experimental Brain Research. 214 (1), 1-8 (2011).
  8. Mahoney, J. R., Li, P. C., Oh-Park, M., Verghese, J., Holtzer, R. Multisensory integration across the senses in young and old adults. Brain Research. 1426, 43-53 (2011).
  9. Foxe, J. J., Ross, L. A., Molholm, S. Ch. 38. The New Handbook of Multisensory Processing. Stein, B. E. , The MIT Press. 691-706 (2012).
  10. Kinchla, R. Detecting target elements in multielement arrays: A confusability model. Perception and Psychophysics. 15, 149-158 (1974).
  11. Miller, J. Divided attention: Evidence for coactivation with redundant signals. Cognitive Psychology. 14 (2), 247-279 (1982).
  12. Eriksen, C. W., Goettl, B., St James, J. D., Fournier, L. R. Processing redundant signals: coactivation, divided attention, or what? Perception and Psychophysics. 45 (4), 356-370 (1989).
  13. Mordkoff, J. T., Yantis, S. An interactive race model of divided attention. Journal of Experimental Psychology: Human Perception and Performance. 17 (2), 520-538 (1991).
  14. Miller, J. Timecourse of coactivation in bimodal divided attention. Perception and Psychophysics. 40 (5), 331-343 (1986).
  15. Gondan, M., Lange, K., Rosler, F., Roder, B. The redundant target effect is affected by modality switch costs. Psychonomic Bulletin Review. 11 (2), 307-313 (2004).
  16. Colonius, H., Diederich, A. The race model inequality: interpreting a geometric measure of the amount of violation. Psychological Review. 113 (1), 148-154 (2006).
  17. Maris, G., Maris, E. Testing the race model inequality: A nonparametric approach. Journal of Mathematical Psychology. 47 (5-6), 507-514 (2003).
  18. Clark, J. J., Yuille, A. L. Data Fusion for Sensory Information Processing Systems. , Kluwer Academic. (1990).
  19. Ernst, M. O., Banks, M. S. Humans integrate visual and haptic information in a statistically optimal fashion. Nature. 415 (6870), 429-433 (2002).
  20. Mahoney, J. R., Verghese, J., Dumas, K., Wang, C., Holtzer, R. The effect of multisensory cues on attention in aging. Brain Research. 1472, 63-73 (2012).
  21. Mahoney, J. R., Holtzer, R., Verghese, J. Visual-somatosensory integration and balance: evidence for psychophysical integrative differences in aging. Multisensory Research. 27 (1), 17-42 (2014).
  22. Mahoney, J. R., Dumas, K., Holtzer, R. Visual-Somatosensory Integration is linked to Physical Activity Level in Older Adults. Multisensory Research. 28 (1-2), 11-29 (2015).
  23. Dumas, K., Holtzer, R., Mahoney, J. R. Visual-Somatosensory Integration in Older Adults: Links to Sensory Functioning. Multisensory Research. 29 (4-5), 397-420 (2016).
  24. Couth, S., Gowen, E., Poliakoff, E. Using race model violation to explore multisensory responses in older adults: Enhanced multisensory integration or slower unisensory processing. Multisensory Research. 31 (3-4), 151-174 (2017).
  25. Gondan, M., Minakata, K. A tutorial on testing the race model inequality. Attention, Perception & Psychophysics. 78 (3), 723-735 (2016).
  26. Gondan, M. A permutation test for the race model inequality. Behavior Research Methods. 42 (1), 23-28 (2010).
  27. Kiesel, A., Miller, J., Ulrich, R. Systematic biases and Type I error accumulation in tests of the race model inequality. Behavior Research Methods. 39 (3), 539-551 (2007).
  28. Mahoney, J., Cotton, K., Verghese, J. Multisensory Integration Predicts Balance and Falls in Older Adults. Journal of Gerontology: Medical Sciences. , Epub ahead of print (2018).
  29. Mahoney, J. R., Verghese, J. Visual-Somatosensory Integration and Quantitative Gait Performance in Aging. Frontiers in Aging Neuroscience. 10, 377(2018).
  30. Yueh, B., et al. Long-term effectiveness of screening for hearing loss: the screening for auditory impairment--which hearing assessment test (SAI-WHAT) randomized trial. Journal of the American Geriatrics Society. 58 (3), 427-434 (2010).
  31. Galvin, J. E., et al. The AD8: a brief informant interview to detect dementia. Neurology. 65 (4), 559-564 (2005).
  32. Galvin, J. E., Roe, C. M., Xiong, C., Morris, J. C. Validity and reliability of the AD8 informant interview in dementia. Neurology. 67 (11), 1942-1948 (2006).
  33. Buschke, H., et al. Screening for dementia with the memory impairment screen. Neurology. 52 (2), 231-238 (1999).

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

Przedruki i uprawnienia

Tagi

Eksperyment czasu reakcjiskumulowana funkcja rozkładupole pod krzywąwizualna stymulacja somatosensorycznaoprogramowanie do prezentacji bodźcówunikanie przycinania danychśrednia różnica grupowawyniki poznawczo-motoryczne
Wykorzystanie nierówności w modelu rasowym do ilościowego określenia behawioralnych efektów integracji wielozmysłowej
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.