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

Summary

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.

Abstract

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.

Introduction

Interakcje między systemami sensorycznymi są niezbędne do codziennych funkcji. Podczas gdy efekty integracji wielozmysłowej są mierzone w szerokim zakresie populacji przy użyciu różnych kombinacji sensorycznych i różnych podejść neurobiologicznych [w tym między innymi metodologii psychofizycznej, elektrofizjologicznej i neuroobrazowania]^{1,2,3,4,5,6,7,8,9}, obecnie brakuje złotego standardu do ilościowego określania integracji multisensorycznej. Biorąc pod uwagę, że eksperymenty multisensoryczne zazwyczaj zawierają komponent behawioralny, dane dotyczące czasu reakcji (RT) są często badane w celu określenia istnienia dobrze znanego zjawiska zwanego efektem nadmiarowych sygnałów¹⁰. Jak sama nazwa wskazuje, równoczesne sygnały sensoryczne dostarczają nadmiarowych informacji, które zazwyczaj dają szybsze RT. Modele wyścigu i koaktywacji są używane do wyjaśnienia wyżej wspomnianego efektu nadmiarowych sygnałów¹¹. W modelach wyścigowych sygnał jednosensoryczny, który jest przetwarzany najszybciej, jest zwycięzcą wyścigu i jest odpowiedzialny za wywołanie reakcji behawioralnej. Jednak dowody na koaktywację występują, gdy reakcje na bodźce wielozmysłowe są szybsze niż przewidują modele rasowe.

Wcześniejsze wersje modelu rasy są z natury kontrowersyjne^12,13, jak niektórzy określają je jako zbyt konserwatywne^14,15 i rzekomo zawierają ograniczenia dotyczące niezależności między składowymi czasami wykrywania jednosensorycznego nieodłącznie związanych z stanem multisensorycznym¹⁶. Aby rozwiązać niektóre z tych problemów, Colonius i Diederich¹⁶ opracowali bardziej konwencjonalny test modelu wyścigowego:

,

gdzie skumulowane częstości rozkładu (CDFs) warunków jednosensorycznych (np. A i B; z górnym limitem jeden) są porównywane z CDF jednoczesnego stanu multisensorycznego (np. AB) dla dowolnego danego opóźnienia (t)^11,16,17. Ogólnie rzecz biorąc, CDF określa, jak często występuje RT w danym zakresie RT, podzielone przez całkowitą liczbę prezentacji bodźców (tj. prób). Jeśli CDF rzeczywistego stanu wielozmysłowego jest mniejsze lub równe przewidywanemu CDF uzyskanemu z warunków jednosensorycznych

,

wtedy model rasy jest akceptowany i nie ma dowodów na integrację sensoryczną. Jednakże, gdy multisensoryczny CDF jest większy niż przewidywany CDF uzyskany z warunków jednosensorycznych, model wyścigu jest odrzucany. Odrzucenie modelu wyścigu wskazuje, że interakcje multisensoryczne z nadmiarowych źródeł sensorycznych łączą się w sposób nieliniowy, co skutkuje przyspieszeniem RT (np. facylitacji RT) na bodźce multisensoryczne.

Jedną z głównych przeszkód, z którymi borykają się badacze multisensoryczni, jest jak najlepiej określić ilościowo efekty integracji. Na przykład w przypadku najbardziej podstawowego behawioralnego paradygmatu multisensorycznego, w którym uczestnicy są proszeni o wykonanie prostego zadania w czasie reakcji, zbierane są informacje dotyczące dokładności i szybkości. Takie dane multisensoryczne mogą być używane według wartości nominalnej lub manipulowane za pomocą różnych aplikacji matematycznych, w tym między innymi szacowania maksymalnego prawdopodobieństwa^18,19, CDFs¹¹ i różnych innych podejść statystycznych. Większość naszych poprzednich badań multisensorycznych wykorzystywała zarówno podejścia ilościowe, jak i probabilistyczne, w których wielozmysłowe efekty integracyjne były obliczane przez 1) odjęcie średniego czasu reakcji (RT) na zdarzenie multisensoryczne od średniego czasu reakcji (RT) do najkrótszego zdarzenia jednosensorycznego oraz 2) poprzez zastosowanie CDF do określenia, czy facylitacja RT wynikała z synergicznych interakcji ułatwionych przez nadmiarowe informacje sensoryczne^{8, 20,21,22,23}. Jednak poprzednia metodologia prawdopodobnie nie była wrażliwa na indywidualne różnice w procesach integracyjnych i od tego czasu badacze założyli, że późniejsza metodologia (tj. CDF) może zapewnić lepszy wskaźnik zastępczy do ilościowego określania multisensorycznych efektów integracyjnych²⁴.

Gondan i Minakata niedawno opublikowali samouczek na temat dokładnego testowania nierówności modelu rasowego (RMI), ponieważ badacze zbyt często popełniają niezliczone błędy podczas etapów pozyskiwania i wstępnego przetwarzania danych RT i przygotowania²⁵. Po pierwsze, autorzy postulują, że niekorzystne jest stosowanie procedur przycinania danych, w których ustalane są pewne a priori minimalne i maksymalne limity RT. Zalecają, aby powolne i pominięte odpowiedzi były ustawione na nieskończoność, a nie wykluczane. Po drugie, biorąc pod uwagę, że RMI może zostać naruszony przy dowolnym opóźnieniu, często stosuje się wiele testów t do testowania RMI w różnych punktach czasowych (tj. kwantylach); niestety praktyka ta prowadzi do zwiększonego błędu typu I i znacznie zmniejszonej mocy statystycznej. Aby uniknąć tych problemów, zaleca się, aby RMI był testowany w jednym określonym zakresie czasu. Niektórzy badacze sugerowali, że sensowne jest przetestowanie najszybszego kwartyla odpowiedzi (0-25%)²⁶ lub niektóre wstępnie zidentyfikowane okna (np. 10-25%)^24,27, ponieważ efekty integracji multisensorycznej są zwykle obserwowane w tym przedziale czasu; Twierdzimy jednak, że zakres percentyla, który ma być testowany, musi być podyktowany rzeczywistym zbiorem danych (patrz sekcja 5 Protokołu). Problem z poleganiem na opublikowanych danych od młodych dorosłych lub symulacjach komputerowych polega na tym, że osoby starsze wykazują bardzo różne rozkłady RT, prawdopodobnie z powodu związanych z wiekiem spadków systemów sensorycznych. Testowanie istotności modelu rasowego powinno być testowane tylko na naruszonych częściach (wartościach dodatnich) uśrednionej dla grupy fali różnic między rzeczywistymi i przewidywanymi CDF z kohorty badania.

W tym celu zademonstrowano ochronny efekt integracji multisensorycznej u zdrowych osób starszych przy użyciu konwencjonalnego testu modelu rasy¹⁶ oraz zasad określonych przez Gondana i współpracowników²⁵. W rzeczywistości stwierdzono, że większa skala wzrokowo-somatosensorycznego RMI (wskaźnik integracji multisensorycznej) jest związana z lepszą wydajnością równowagi, mniejszym prawdopodobieństwem przypadkowych upadków i zwiększoną wydajnością chodu przestrzennego^28,29.

Celem obecnego eksperymentu jest dostarczenie badaczom samouczka krok po kroku do obliczenia wielkości efektów integracji multisensorycznej za pomocą RMI, aby ułatwić zwiększenie produkcji różnorodnych badań translacyjnych w wielu różnych populacjach klinicznych. Należy zauważyć, że dane przedstawione w obecnym badaniu pochodzą z niedawno opublikowanych eksperymentów wzrokowo-somatosensorycznych przeprowadzonych na zdrowych osobach starszych^28,29, ale ta metodologia może być stosowana do różnych kohort w wielu różnych projektach eksperymentalnych, wykorzystując szeroki wachlarz kombinacji multisensorycznych.

Protocol

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 somatosensorycznej^21,28,29.
   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 analizy^25,28.
      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 również^28,29).
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.

Results

Celem tego badania było dostarczenie krok po kroku samouczka metodycznego podejścia do ilościowego określenia wielkości efektów integracji VS, aby ułatwić publikację nowych badań multisensorycznych przy użyciu podobnych eksperymentalnych projektów i konfiguracji (zobacz Rysunek 1). Zrzuty ekranu każdego kroku i obliczeń potrzebnych do wyprowadzenia wielkości efektów integracji multisensorycznej, mierzonej za pomocą AUC RMI, są przedstawione powyżej i zilustrowane na rysunkach 2-8.

Discussion

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...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
generator bodźców	Zenometrics, LLC; Peekskill, Nowy Jork, USA	n/a	niestandardowy
	program do obsługi arkuszy kalkulacyjnych	Excel Microsoft Corporation
Eprime	Psychology Software Tools (PST)		oprogramowanie do prezentacji bodźców