Name: Paradygmat psychofizyczny do zbierania i analizy sądów o podobieństwie (Wideo) | JoVE Journal
Uploaded: 2022-03-01T13:45:00.000+00:00
Duration: 8 min 12 s
Description: Poznaj paradygmat psychofizyczny do zbierania i analizy sądów o podobieństwie z wykorzystaniem PsychoPy. Metoda umożliwia modelowanie reprezentacji percepcyjnych w wielowymiarowej przestrzeni euklidesowej.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Praca jest wspierana przez fundusze z National Institutes of Health (NIH), grant EY07977. Autorzy chcieliby również podziękować Usmanowi Ayyazowi za pomoc w testowaniu oprogramowania oraz Muhammadowi Naeemowi Ayyazowi za jego komentarze do manuskryptu.

<ol><li>Edelman, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Representation+is+representation+of+similarities%5BTitle%5D)+AND+%22TheBehavioral+and+Brain+Sciences%22%5BJournal%5D)">Representation is representation of similarities.</a> TheBehavioral and Brain Sciences. 21 (4), 449-498 (1998).</li>
<li>Hahn, U., Chater, N. Concepts and similarity. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aHahn%2C+U+%22Knowledge%2C+Concepts+and+Categories%22">Knowledge, Concepts and Categories</a>. , The MIT Press. 43-84 (1997).</li>
<li>Kriegeskorte, N., Kievit, R. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Representational+geometry%3A+integrating+cognition%2C+computation%2C+and+the+brain%5BTitle%5D)+AND+%22Trends+in+Cognitive+Sciences%22%5BJournal%5D)">Representational geometry: integrating cognition, computation, and the brain.</a> Trends in Cognitive Sciences. 17 (8), 401-412 (2013).</li>
<li>Hebart, M. N., Zheng, C. Y., Pereira, F., Baker, C. I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Revealing+the+multidimensional+mental+representations+of+natural+objects+underlying+human+similarity+judgements%5BTitle%5D)+AND+%22Nature+Human+Behaviour%22%5BJournal%5D)">Revealing the multidimensional mental representations of natural objects underlying human similarity judgements.</a> Nature Human Behaviour. 4 (11), 1173-1185 (2020).</li>
<li>Deng, W. S., Sloutsky, V. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+development+of+categorization%3A+Effects+of+classification+and+inference+training+on+category+representation%5BTitle%5D)+AND+%22Developmental+Psychology%22%5BJournal%5D)">The development of categorization: Effects of classification and inference training on category representation.</a> Developmental Psychology. 51 (3), 392-405 (2015).</li>
<li>Shepard, R. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Stimulus+and+response+generalization%3A+tests+of+a+model+relating+generalization+to+distance+in+psychological+space%5BTitle%5D)+AND+%22Journal+of+Experimental+Psychology%22%5BJournal%5D)">Stimulus and response generalization: tests of a model relating generalization to distance in psychological space.</a> Journal of Experimental Psychology. 55 (6), 509-523 (1958).</li>
<li>Coombs, C. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+method+for+the+study+of+interstimulus+similarity%5BTitle%5D)+AND+%22Psychometrika%22%5BJournal%5D)">A method for the study of interstimulus similarity.</a> Psychometrika. 19 (3), 183-194 (1954).</li>
<li>Gärdenfors, P. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGa%CC%88rdenfors%2C+P+%22Conceptual+Spaces%3A+The+Geometry+of+Thought%22">Conceptual Spaces: The Geometry of Thought</a>. , The MIT Press. (2000).</li>
<li>Zaidi, Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Perceptual+spaces%3A+mathematical+structures+to+neural+mechanisms%5BTitle%5D)+AND+%22The+Journal+of+Neuroscience+The+Official+Journal+of+the+Society+for+Neuroscience%22%5BJournal%5D)">Perceptual spaces: mathematical structures to neural mechanisms.</a> The Journal of Neuroscience The Official Journal of the Society for Neuroscience. 33 (45), 17597-17602 (2013).</li>
<li>Krishnaiah, P. R., Kanal, L. N. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aKrishnaiah%2C+PR+%22Handbook+of+Statistics+2%22">Handbook of Statistics 2</a>. , Elsevier. (1982).</li>
<li>Tsogo, L., Masson, M. H., Bardot, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multidimensional+Scaling+Methods+for+Many-Object+Sets%3A+A+Review%5BTitle%5D)+AND+%22Multivariate+Behavioral+Research%22%5BJournal%5D)">Multidimensional Scaling Methods for Many-Object Sets: A Review.</a> Multivariate Behavioral Research. 35 (3), 307-319 (2000).</li>
<li>Kriegeskorte, N., Mur, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Inverse+MDS%3A+Inferring+dissimilarity+structure+from+multiple+item+arrangements%5BTitle%5D)+AND+%22Frontiers+in+Psychology%22%5BJournal%5D)">Inverse MDS: Inferring dissimilarity structure from multiple item arrangements.</a> Frontiers in Psychology. 3, 245(2012).</li>
<li>Rao, V. R., Katz, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Alternative+Multidimensional+Scaling+Methods+for+Large+Stimulus+Sets%5BTitle%5D)+AND+%22Journal+of+Marketing+Research%22%5BJournal%5D)">Alternative Multidimensional Scaling Methods for Large Stimulus Sets.</a> Journal of Marketing Research. 8 (4), 488-494 (1971).</li>
<li>Hoffman, J. I. E. Hypergeometric Distribution. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aHoffman%2C+JIE+%22Biostatistics+for+Medical+and+Biomedical+Practitioners%22">Biostatistics for Medical and Biomedical Practitioners</a>. , Academic Press. 179-182 (2015).</li>
<li>Victor, J. D., Rizvi, S. M., Conte, M. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Two+representations+of+a+high-dimensional+perceptual+space%5BTitle%5D)+AND+%22Vision+Research%22%5BJournal%5D)">Two representations of a high-dimensional perceptual space.</a> Vision Research. 137, 1-23 (2017).</li>
<li>Knoblauch, K., Maloney, L. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Estimating+classification+images+with+generalized+linear+and+additive+models%5BTitle%5D)+AND+%22Journal+of+Vision%22%5BJournal%5D)">Estimating classification images with generalized linear and additive models.</a> Journal of Vision. 8 (16), 1-19 (2008).</li>
<li>Maloney, L. T., Yang, J. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Maximum+likelihood+difference+scaling%5BTitle%5D)+AND+%22Journal+of+Vision%22%5BJournal%5D)">Maximum likelihood difference scaling.</a> Journal of Vision. 3 (8), 573-585 (2003).</li>
<li>Logvinenko, A. D., Maloney, L. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+proximity+structure+of+achromatic+surface+colors+and+the+impossibility+of+asymmetric+lightness+matching%5BTitle%5D)+AND+%22Perception+%26+Psychophysics%22%5BJournal%5D)">The proximity structure of achromatic surface colors and the impossibility of asymmetric lightness matching.</a> Perception & Psychophysics. 68 (1), 76-83 (2006).</li>
<li>Zhou, Y., Smith, B. H., Sharpee, T. O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hyperbolic+geometry+of+the+olfactory+space%5BTitle%5D)+AND+%22Science+Advances%22%5BJournal%5D)">Hyperbolic geometry of the olfactory space.</a> Science Advances. 4 (8), (2018).</li>
<li>Goldstone, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+efficient+method+for+obtaining+similarity+data%5BTitle%5D)+AND+%22Behavior+Research+Methods%2C+Instruments%2C+%26+Computers%22%5BJournal%5D)">An efficient method for obtaining similarity data.</a> Behavior Research Methods, Instruments, & Computers. 26 (4), 381-386 (1994).</li>
<li>Townsend, J. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Theoretical+analysis+of+an+alphabetic+confusion+matrix%5BTitle%5D)+AND+%22Perception+%26+Psychophysics%22%5BJournal%5D)">Theoretical analysis of an alphabetic confusion matrix.</a> Perception & Psychophysics. 9, 40-50 (1971).</li>
</ol>

Autorzy nie mają nic do ujawnienia.

Protokół opisany w niniejszym opracowaniu jest skuteczny w pozyskiwaniu i analizowaniu ocen podobieństwa dla bodźców, które mogą być prezentowane wizualnie. W pierwszej kolejności omówiono paradygmat eksperymentalny, analizę oraz możliwe rozszerzenia, a następnie zalety i wady tej metody.
Paradygmat eksperymentalny: Zaproponowana metoda została zademonstrowana z wykorzystaniem domeny 37 nazw zwierząt; dostarczono przykładowy zestaw danych z ocen percepcyjnych, aby umożliwić pr...

Ludzie mentalnie przetwarzają i reprezentują przychodzące informacje sensoryczne, aby wykonywać szeroki zakres zadań, takich jak rozpoznawanie obiektów, nawigacja, wnioskowanie o środowisku i wiele innych. Sądy podobieństwa są powszechnie używane do badania tych reprezentacji mentalnych1. Zrozumienie struktury reprezentacji mentalnych może zapewnić wgląd w organizację wiedzy pojęciowej2. Możliwe jest również uzyskanie wglądu w obliczenia neuronowe, poprzez odniesienie ocen podobieństwa do wzorców aktywacji mózgu3. Dodatkowo, oceny podobieństwa ujawniają cechy, które są istotne w percepcji4. Badanie, w jaki sposób reprezentacje mentalne zmieniają się podczas rozwoju, może rzucić światło na to, w jaki sposób są one uczone5. W ten sposób oceny podobieństwa dostarczają cennych informacji na temat przetwarzania informacji w mózgu.
Powszechnym modelem reprezentacji mentalnych wykorzystujących podobieństwa jest geometryczny model przestrzenny6,7,8. Stosowany do domen sensorycznych, ten rodzaj modelu jest często określany jako przestrzeń percepcyjna9. Punkty w przestrzeni reprezentują bodźce, a odległości między punktami odpowiadają postrzeganej odmienności między nimi. Na podstawie sądów o podobieństwie można uzyskać ilościowe oszacowania różnic. Te różnice parami (lub odległości percepcyjne) mogą być następnie wykorzystane do modelowania przestrzeni percepcyjnej za pomocą wielowymiarowego skalowania10.
Istnieje wiele metod zbierania ocen podobieństwa, każda z zaletami i wadami. Najprostszym sposobem uzyskania ilościowych miar odmienności jest poproszenie badanych o ocenę na skali stopnia odmienności między każdą parą bodźców. Chociaż jest to stosunkowo szybkie, szacunki są zwykle niestabilne podczas długich sesji, ponieważ badani nie mogą wrócić do poprzednich osądów, a efekty kontekstowe, jeśli są obecne, nie mogą zostać wykryte. (W tym przypadku efekt kontekstu definiuje się jako zmianę ocenianego podobieństwa między dwoma bodźcami, w oparciu o obecność innych bodźców, które nie są porównywane). Alternatywnie, badani mogą zostać poproszeni o porównanie wszystkich par bodźców ze wszystkimi innymi parami bodźców. Chociaż dałoby to bardziej wiarygodną kolejność rang odmienności, liczba porównań wymagała skal z czwartą potęgą liczby bodźców, co sprawiało, że było to możliwe tylko dla małych zestawów bodźców. Szybsze alternatywy, takie jak sortowanie do predefiniowanej liczby klastrów11 lub sortowanie swobodne, mają swoje własne ograniczenia. Swobodne sortowanie (na dowolną liczbę stosów) jest intuicyjne, ale zmusza badanego do kategoryzacji bodźców, nawet jeśli bodźce nie poddają się łatwo kategoryzacji. Nowsza metoda wieloukładowa, odwrócony MDS, omija wiele z tych ograniczeń i jest bardzo wydajna12. Jednak metoda ta wymaga od badanych rzutowania swoich reprezentacji mentalnych na płaszczyznę euklidesową 2D i rozważania podobieństw w określony geometryczny sposób, przyjmując założenie, że strukturę podobieństwa można odzyskać z odległości euklidesowych na płaszczyźnie. W związku z tym nadal istnieje potrzeba opracowania skutecznej metody gromadzenia dużych ilości sądów podobieństwa, bez przyjmowania założeń co do geometrii leżącej u podstaw tych sądów.
Opisana tutaj jest metoda, która jest zarówno dość skuteczna, jak i pozwala uniknąć powyższych potencjalnych pułapek. Prosząc badanych o uszeregowanie bodźców w kolejności podobieństwa do centralnego odniesienia w każdym trialu13, można bezpośrednio zbadać względne podobieństwo, bez zakładania czegokolwiek na temat struktury geometrycznej odpowiedzi badanych. Paradygmat powtarza podzbiór porównań zarówno z identycznymi, jak i różnymi kontekstami, umożliwiając bezpośrednią ocenę efektów kontekstowych, a także uzyskanie stopniowanych odpowiedzi pod względem prawdopodobieństwa wyboru. Procedura analizy rozkłada te sądy rangowe na wiele porównań parami i wykorzystuje je do budowania i wyszukiwania euklidesowych modeli przestrzeni percepcyjnych, które wyjaśniają sądy. Metoda ta nadaje się do szczegółowego opisania reprezentacji zestawów bodźców o umiarkowanych rozmiarach (np. od 19 do 49).
Aby zademonstrować wykonalność tego podejścia, przeprowadzono eksperyment, używając zestawu 37 zwierząt jako bodźców. Dane zbierano w trakcie 10 godzinnych sesji, a następnie analizowano je osobno dla każdego z badanych. Analiza wykazała spójność między tematami i znikome efekty kontekstowe. Oceniono również spójność postrzeganych różnic między bodźcami a euklidesowymi modelami ich przestrzeni percepcyjnych. Paradygmat i procedury analityczne przedstawione w tym artykule są elastyczne i oczekuje się, że będą przydatne dla badaczy zainteresowanych charakteryzacją właściwości geometrycznych szeregu przestrzeni percepcyjnych.

<table><tbody><tr><td>Komputerowa stacja robocza</td><td>nie dotyczy</td><td></td><td>systemu operacyjnego: Windows/ MacOS 10 lub nowszy/ Linux; dwurdzeniowy procesor Intel Core i5 3,1 GHz lub podobny; 8 GB lub więcej pamięci; Uprawnienia użytkownika do zapisywania i wykonywania plików</td></tr><tr><td>conda</td><td></td><td>Wersja 4.11</td><td>System operacyjny: Windows/ MacOS 10 lub nowszy/ Linux</td></tr><tr><td>Microsoft</td><td></td><td>Excel Microsoft Any</td><td>Do otwierania i tasowania wierszy i kolumn w plikach warunków próbnych.</td></tr><tr><td>PsychoPy</td><td>N/A</td><td>Wersja 2021.2</td><td>Framework do prowadzenia badań psychofizycznych</td></tr><tr><td>Python 3</td><td>Python Software Foundation</td><td>Python w wersji 3.8</td><td>Python3 i powiązane wbudowane biblioteki</td></tr><tr><td>Wymagane biblioteki Pythona</td><td>Nie dotyczy</td><td>wersja numpy: 1.17.2 lub nowsza; Matplotlib w wersji 3.4.3 lub nowszej; Scipy w wersji 1.3.1 lub nowszej; Pandas w wersji 0.25.3 lub nowszej; Seaborn w wersji 0.9.0 lub nowszej; scikit_learn wersji 0,23,1 lub wyższa; YAML w wersji 6.0 lub wyższej&nbsp;</td><td>numpy, scipy i scikit_learn to moduły obliczeniowe z wbudowanymi funkcjami do optymalizacji i operacji wektorowych. Matplotlib i Seaborn to biblioteki kreślące. Pandas służy do wczytywania i edytowania danych z plików CSV.</td></tr></tbody></table>

paradygmat psychofizyczny do zbierania i analizy sądów o podobieństwie

A Psychophysics Paradigm for the Collection and Analysis of Similarity Judgments

Oceny podobieństwa są powszechnie używane do badania reprezentacji mentalnych i ich neuronalnych korelatów. Podejście to zostało wykorzystane do scharakteryzowania przestrzeni percepcyjnych w wielu dziedzinach: kolorach, obiektach, obrazach, słowach i dźwiękach. Idealnie byłoby porównać szacunki postrzeganego podobieństwa między wszystkimi parami bodźców, ale często jest to niepraktyczne. Na przykład, jeśli poprosi się badanego o porównanie podobieństwa dwóch elementów z podobieństwem dwóch innych elementów, liczba porównań rośnie wraz z czwartą potęgą wielkości zestawu bodźców. Alternatywną strategią jest poproszenie osoby badanej o ocenę podobieństw izolowanych par, np. w skali Likerta. Jest to znacznie bardziej efektywne (liczba ocen rośnie kwadratowo wraz z ustawionym rozmiarem, a nie kwartalnie), ale te oceny są zwykle niestabilne i mają ograniczoną rozdzielczość, a podejście zakłada również, że nie ma efektów kontekstowych.
Tutaj prezentowany jest nowatorski paradygmat rankingowy do efektywnego zbierania ocen podobieństwa, wraz z potokiem analizy (dostarczonym oprogramowaniem), który sprawdza, czy euklidesowe modele odległości uwzględniają dane. Typowe próby składają się z ośmiu bodźców wokół centralnego bodźca referencyjnego: badany klasyfikuje bodźce w kolejności ich podobieństwa do odniesienia. Dzięki przemyślanemu doborowi kombinacji bodźców stosowanych w każdym badaniu, podejście to zapewnia wewnętrzną kontrolę spójności i efektów kontekstowych. Podejście to zostało zweryfikowane w odniesieniu do bodźców pochodzących z przestrzeni euklidesowych o maksymalnie pięciu wymiarach. 
Podejście jest zilustrowane eksperymentem mierzącym podobieństwa między 37 słowami. Każda próba daje wyniki 28 porównań parami formularza: "Czy A było bardziej podobne do odniesienia niż B było do odniesienia?" O ile bezpośrednie porównanie wszystkich par par bodźców wymagałoby 221445 prób, o tyle taki projekt umożliwia rekonstrukcję przestrzeni percepcyjnej z 5994 takich porównań uzyskanych z 222 prób.

Rysunek 1A przedstawia fragment pliku z warunkami wygenerowanego przez skrypt w kroku 3.3 dla eksperymentu z wyrazami. Każdy wiersz odpowiada jednej próbie. Bodziec w kolumnie ref pojawia się w centrum wyświetlacza. Nazwy kolumn od stim1 do stim8 odpowiadają ośmiu pozycjom na okręgu, liczonym przeciwnie do ruchu wskazówek zegara, zaczynając od pozycji po prawej stronie centralnego punktu odniesienia. Przykładową próbę z eksperymentu z wyrazami przedstawiono na Rysunku 1B...

Protokół przedstawia eksperymentalny paradygmat psychofizyczny w celu uzyskania dużej ilości ocen podobieństwa oraz towarzyszący mu przepływ pracy. Paradygmat bada efekty kontekstowe i umożliwia modelowanie danych o podobieństwie w odniesieniu do przestrzeni euklidesowych o co najmniej pięciu wymiarach.

Paradygmat psychofizyczny do zbierania i analizy sądów o podobieństwie

Similarity judgments are commonly used to study mental representations and their neural correlates. This approach has been used to characterize perceptual ...

Jest to skuteczna metoda zbierania i analizowania sądów podobieństwa i nie zakłada niczego na temat właściwości geometrycznych obiektów leżących u podstaw reprezentacji mentalnych. Głównymi zaletami metody jest jej elastyczność i minimalizacja założeń co do charakteru reprezentacji percepcyjnej. Rodzaje bodźców i złożoność prób mogą być różne, a do danych można dopasować szeroki zakres modeli geometrycznych.Metoda ta może być przydatna dla badaczy zainteresowanych charakteryzacją mentalnych reprezentacji niskich i wysokich aspektów bodźców wzrokowych. Wybierz eksperyment do uruchomienia. Przejdź do słowa eksperyment, klikając podobieństwa, następnie eksperymenty, a następnie word_exp, lub do eksperymentu graficznego, klikając podobieństwa, następnie eksperymenty, a następnie image_exp.Sfinalizuj bodźce eksperymentalne. Jeśli eksperyment słowny jest uruchamiany, przygotuj listę słów. Na potrzeby eksperymentu z obrazem utwórz nowy katalog i umieść w nim wszystkie obrazy bodźców.W katalogu experiments znajdź plik konfiguracyjny o nazwie config. yaml, klikając pozycję podobieństwa, następnie experiments, a następnie config.yaml. Otwórz plik w edytorze kodu źródłowego i zaktualizuj wartość zmiennej file do ścieżki do katalogu zawierającego zestaw bodźców.To właśnie tam PsychoPy będzie szukał bodźców obrazowych. Utwórz konfiguracje próbne, otwierając konfigurację. yaml w katalogu Analysis, a następnie ustaw wartość parametru path_2_stimulus_list na ścieżkę do stimuli.txt.Z katalogu podobieństw uruchom skrypt, wykonując polecenia wyświetlane w oknie jedno po drugim. Spowoduje to utworzenie pliku o nazwie trial_conditions. CSV w podobieństwach, w których każdy wiersz zawiera nazwy bodźców pojawiających się w badaniu wraz z ich pozycjami.Podziel pełny zestaw 222 wygenerowanych prób na sesje i zlosuj kolejność prób, wykonując polecenia wyświetlane w oknie. W typowym projekcie sesje składają się ze 111 prób, z których każda trwa około godziny. Po wyświetleniu monitu wprowadź wyświetlane parametry wejściowe.Zmień nazwę i zapisz każdy z wygenerowanych plików jako conditions. csv w osobnym katalogu. Skopiuj warunki.csv i wklej go do bieżącego katalogu zawierającego plik psyexp. Otwórz PsychoPy i otwórz plik psyexp lub py w odpowiednim katalogu experiments. W PsychoPy kliknij zielony przycisk odtwarzania, aby uruchomić eksperyment.W wyskakującym okienku modalnym wprowadź nazwę lub identyfikator podmiotu i numer sesji, a następnie kliknij OK, aby rozpocząć. Instrukcje zostaną wyświetlone na początku każdej sesji. Daj badanemu około godziny na wykonanie zadania, a ponieważ zadanie odbywa się we własnym tempie, zachęć badanych do robienia przerw, jeśli to konieczne.Po zakończeniu wszystkich sesji połącz pliki surowych danych i sformatuj je do jednego pliku JSON w celu dalszego przetwarzania, uruchamiając preprocess. py w terminalu za pomocą poleceń widocznych na ekranie. Po wyświetleniu monitu wprowadź żądane parametry wejściowe, w tym ścieżkę do katalogu danych podmiotu, identyfikatory podmiotów do wstępnego przetworzenia danych oraz nazwę eksperymentu użytą do nazwania pliku wyjściowego, a następnie naciśnij Enter.Spowoduje to utworzenie pliku JSON w katalogu wyjściowym, który łączy odpowiedzi w powtórzeniach dla każdej próby. Aby określić prawdopodobieństwo wyboru parami na podstawie ocen w kolejności rang, przejdź do podobieństw, a następnie przeanalizuj i uruchom describe_data. py w wierszu poleceń.Po wyświetleniu monitu wprowadź ścieżkę do danych podmiotu i listę tematów, aby uruchomić analizę. W ten sposób zostaną utworzone trzy rodzaje działek. Generuj niskowymiarowe modele euklidesowe przestrzeni percepcyjnych, korzystając z prawdopodobieństw wyboru, uruchamiając model_fitting.py za pomocą wiersza poleceń wyświetlanego na ekranie. Po wyświetleniu monitu podaj dane wejściowe katalogu do subject-data/preprocessed, liczbę bodźców, która domyślnie będzie wynosić 37, liczbę iteracji, katalog wyjściowy i ilość szumu Gaussa, która domyślnie będzie wynosić 0,18. Wizualizuj logarytm prawdopodobieństwa uzyskanych modeli i oceń ich dopasowanie, przeprowadzając podobieństwa, analizę model_fitting_figure.py.Po wyświetleniu monitu wprowadź wymaganą ścieżkę do plików CSV zawierających prawdopodobieństwa dziennika. Wizualizuj przestrzenie percepcyjne dla każdego tematu i generuj wykresy punktowe pokazujące punkty z modelu 5D rzutowane na pierwsze dwa główne komponenty, uruchamiając wyświetlane polecenia. Po wyświetleniu monitu wprowadź parametry wejściowe i ścieżkę do pliku NPY zawierającego punkty 5D.Po wykonaniu skryptu wyjdź ze środowiska wirtualnego. W pliku wygenerowanym dla eksperymentu słownego pierwszy wiersz odpowiada próbie, w której wokół bodźca referencyjnego małpy pojawia się osiem bodźców. Oceny rang zostały rozłożone na wybory parami.Rozkład prawdopodobieństwa wyboru był bardzo spójny u badanych. Grupowanie danych w pobliżu przekątnej w każdym panelu wskazuje na dużą spójność w prawdopodobieństwie wyboru między badanymi i w przypadku osądów, które nie znajdują się na krańcach. Dominująca przekątna wskazuje, że prawdopodobieństwa wyboru w tych dwóch kontekstach, w tym pośrednie prawdopodobieństwa wyboru między zerem a jedynką, są prawie identyczne dla każdego przedmiotu.Logarytmiczne prawdopodobieństwa są przedstawiane w odniesieniu do logarytmu prawdopodobieństwa najlepszego modelu, czyli modelu, który przypisuje obserwowane prawdopodobieństwo wyboru do każdego porównania bez ograniczania tych prawdopodobieństw przez jakiekolwiek względy geometryczne. Analizę składowych głównych przeprowadzono na punktach z modelu 5D przestrzeni percepcyjnej, w których zwierzęta postrzegane jako podobne były oznaczone punktami znajdującymi się blisko siebie. Bardzo ważne jest, aby zdecydować o wszystkich parametrach podczas projektowania eksperymentu i ustawić je w plikach konfiguracyjnych przed rozpoczęciem kroku drugiego.Bardzo ważne jest również dokładne śledzenie danych każdego podmiotu. Metoda zapewnia dużą liczbę ocen podobieństwa, dzięki czemu można zastosować szereg analiz, takich jak analiza skupień, skupienie się na kontekście lub modelowanie z różnymi przestrzeniami geometrycznymi.

a-psychophysics-paradigm-for-collection-analysis-similarity

Research

JoVE Journal

Neuroscience

Neuronauka

Badanie hipotezy doliny niesamowitości oraz doświadczeń afektywnych wymaga zrozumienia wymiaru podobieństwa do człowieka (DHL) w ramach tej hipotezy. Niniejszy protokół umożliwia reprezentację DHL oraz badanie percepcji kategorycznej. Przedstawiono wykorzystanie tych samych bodźców oraz fMRI w celu rozróżnienia obszarów mózgu reagujących na zmiany fizyczne i kategoryczne.

Przetwarzanie percepcyjne i kategoryzacyjne wymiaru podobieństwa do człowieka w hipotezie doliny niesamowitości: niektóre kwestie metodologiczne

Pokazujemy, jak obiektywna miara może być zastosowana w powszechnie stosowanym paradygmacie iluzji gumowej ręki. Miara ta jest uzyskiwana przez modyfikację dobrze ugruntowanego zadania kongruencji intermodalnej. Zadanie to pozwala na zbadanie procesów multisensorycznych, które są krytyczne dla modulacji reprezentacji ciała, jak w iluzji gumowej ręki.

Zadanie kongruencji intermodalnej jako sposób na uzyskanie obiektywnej miary behawioralnej w paradygmacie iluzji gumowej ręki

Ten stosowany eksperymentalny paradygmat odtwarza okoliczności, dzięki którym naoczny świadek prawdziwej zbrodni może stworzyć całościowy skład twarzy sprawcy z pamięci, a następnie próbować zidentyfikować sprawcę na podstawie nagrania wideo zawierającego sprawcę lub takiego, w którym nie jest obecny.

Holistyczne tworzenie kompozytów twarzy i późniejszy paradygmat identyfikacji naocznych świadków

Oceny porządku czasowego mogą być używane do szacowania parametrów szybkości przetwarzania i wag uwagi, a tym samym do wnioskowania o mechanizmach przetwarzania uwagi. Metodologia ta może być stosowana do szerokiego zakresu bodźców wzrokowych i działa z wieloma manipulacjami uwagi.

Pomiar uwagi i szybkości przetwarzania wzrokowego za pomocą opartej na modelu analizy osądów porządku czasowego

Metody psychofizyczne, takie jak procedura szacowania QUEST, mogą skutecznie dostarczyć solidnych szacunków intensywności stymulacji, przy której odczucia niebolesne przechodzą w bolesne. Poprzez wielokrotną stymulację intensywności progowej, zmienność odpowiedzi ratingowych można bezpośrednio przypisać klasyfikacjom percepcyjnym w kolejnych analizach.

Psychofizycznie zakotwiczone, solidne progowanie w badaniu lateralizacji oscylacyjnej aktywności bodźców wstępnych związanej z bólem

Psychofizyka jest niezbędna do badania zjawisk percepcji poprzez informacje sensoryczne. Poniżej przedstawiamy protokół do wykonania dwuinterwałowego zadania wymuszonego wyboru, jak zaimplementowano w poprzednim raporcie z psychofizyki człowieka, w którym uczestnicy oszacowali czas trwania wizualnych, słuchowych lub audiowizualnych interwałów aperiodycznych ciągów impulsów.

Dwuinterwałowe zadanie wymuszonego wyboru do porównań multisensorycznych

Przedstawiamy protokół umożliwiający badanie mechanizmów neuronalnych pośredniczących w niekorzystnym wpływie emocji na funkcje poznawcze z wykorzystaniem funkcjonalnego obrazowania rezonansem magnetycznym. Protokół ten może być stosowany zarówno u zdrowych uczestników, jak i u osób z grup klinicznych.

Badanie obrazowania mózgu nad upośledzającym wpływem emocji na funkcje poznawcze

Niniejsza metoda opisuje generowanie organotypowych kultur móżdżku oraz wpływ określonych bodźców apoptotycznych na żywotność różnych typów komórek móżdżku.

Organotypowe hodowle móżdżku: wyzwania apoptotyczne i ich detekcja

W niniejszym raporcie opisujemy metodę zmiażdżenia nerwu kulszowego u myszy. Metoda ta wykorzystuje powszechnie dostępne kleszczyki hemostatyczne i pozwala w prosty oraz powtarzalny sposób uzyskać całkowite zmiażdżenie nerwu kulszowego. Ponadto opisujemy metodę przygotowania preparatów całych mięśni, odpowiednich do analizy regeneracji nerwów po zmiażdżeniu nerwu kulszowego.

Powtarzalny model zmiażdżenia nerwu kulszowego myszy i późniejsza ocena regeneracji poprzez analizę całego preparatu mięśnia

Opisujemy nowatorskie podejście do jednoczesnej analizy funkcji i struktury mózgu z wykorzystaniem obrazowania rezonansem magnetycznym (MRI). Strukturę mózgu oceniamy za pomocą wysokorozdzielczego obrazowania dyfuzyjnego oraz traktografii włókien istoty białej. W przeciwieństwie do standardowego strukturalnego MRI, techniki te pozwalają nam bezpośrednio powiązać łączność anatomiczną z właściwościami funkcjonalnymi sieci mózgowych.

Współanaliza struktury i funkcji mózgu z wykorzystaniem fMRI oraz obrazowania dyfuzyjnego

Poznaj paradygmat psychofizyczny do zbierania i analizy sądów o podobieństwie z wykorzystaniem PsychoPy. Metoda umożliwia modelowanie reprezentacji percepcyjnych w wielowymiarowej przestrzeni euklidesowej.

Paradygmat psychofizyczny do zbierania i analizy sądów o podobieństwie

Przeglądaj więcej filmów