Измерение субъективной ценности рискованный и неоднозначный вариантов с использованием экспериментальной экономики и функциональной МРТ методы

Общая цель данного эксперимента заключается в изучении нейронного кодирования субъективной ценности рискованных и неоднозначных вариантов с помощью функциональной МРТ. Это достигается за счет сканирования участников, когда они делают выбор между рискованными и неоднозначными лотереями, различающимися по сумме, вероятности и уровню неопределенности. Выбор, сделанный каждым участником, затем используется для оценки его или ее отношения к риску и неопределенности, которые, в свою очередь, используются для оценки того, как риск и неопределенность влияют на оценку участниками лотерей.

Далее эти оценки используются в качестве регрессоров в общей линейной модели для выявления областей мозга, активность которых коррелирует с субъективной величиной рискованных и/или неоднозначных лотерей. Результаты показывают корреляцию с субъективными значениями как рискованных, так и неоднозначных вариантов в перекрывающихся областях медиальной префронтальной коры и стриатума. Основное преимущество этой методики перед другими методами, сравнивающими общую активность для рискованных и неоднозначных лотерей, заключается в том, что при анализе мозговой активации используется индивидуальное поведение каждого участника.

Этот метод может помочь ответить на ключевые вопросы в области нейроэкономики, например, как ценность представлена в мозге и как она используется для принятия решений. Первым шагом в этом протоколе является разработка визуальных стимулов, представляющих рискованные и неоднозначные выборы, которые будут представлены во время сканирования, использовать изображения, подобные тем, что мы видим здесь, чтобы представить конверты, наполненные покерными фишками, называемые лотерейными мешками, в стимулах для рискованных лотерей, вероятность выигрыша, представляющая собой соотношение красных и синих фишек, должна быть проиллюстрирована с помощью как графического стимула, так и чисел. Здесь красные и синие области каждого изображения пропорциональны количеству красных и синих фишек.

В реальном конверте рекомендуется минимум три вероятности исхода для неоднозначных лотерей. Часть информации о вероятности должна отсутствовать так, чтобы возможное соотношение красных и синих фишек было ограничено, но не указано. Отрисовка вероятности выигрыша, частично неоднозначная.

Увеличение размера окклюзии повышает уровень неоднозначности. Мы рекомендуем использовать как минимум три уровня окклюзии, чтобы представить каждый уровень вероятности выигрыша или неоднозначности, при этом сумма исхода отображается рядом с выигрышным цветом, а ноль — рядом с другим цветом. Здесь вытягивание красной фишки приведет к выигрышу 18, а вытягивание синей фишки приведет к нулевому результату. Пять.

В каждом испытании рекомендуются уровни вознаграждения, охватывающие широкий диапазон сумм. Субъект будет выбирать между двумя лотереями. Однако для простоты один из вариантов может оставаться неизменным на протяжении всего эксперимента и за его пределами, в то время как меняется только отображаемый вариант.

Каждая комбинация уровня вероятности или неоднозначности и суммы должна быть представлена не менее четырех раз, чтобы обеспечить достаточную статистическую мощность. При анализе парадигма должна быть построена на основе медленных событий, так что каждая лотерея представлена в виде стимула на две секунды, а затем следует период задержки в шесть секунд, чтобы обеспечить нейроваскулярную реакцию. Затем ответ должен быть сделан в течение одной-двух секунд.

Используйте простое изображение в качестве краткой обратной связи, чтобы показать, что ответ был записан, и разделите испытания по периодам отдыха продолжительностью не менее 10 секунд. Кроме того, подготовьте физические пакеты или конверты, чтобы они соответствовали каждому используемому изображению лотереи. В эксперименте.

Заполните каждый конверт в общей сложности 100 красными и синими фишками с пропорциями, соответствующими вероятности выпадения фишки каждого цвета из этого пакета, показанного на дисплее. Они должны быть показаны испытуемым перед заданием, так как они будут использоваться позже для игры в случайно выбранные испытания для получения выигрыша. Оплата испытуемых на основе их выбора в эксперименте важна для того, чтобы побудить их выразить свои истинные предпочтения.

Использование физических сумок с реальными фишками в них для игры в лотереи гарантирует, что вероятность исхода действительно соответствует той, которая была заявлена до сканирования. Во-первых, попросите субъекта заполнить форму согласия, а также анкету для скрининга МРТ. Затем убедитесь, что объект удаляет весь металл, чтобы обеспечить безопасность в среде сканера.

Затем снабдите испытуемого подробными инструкциями по проведению эксперимента и выполнению задания. Убедитесь, что объект понимает, как вероятности и суммы передаются на каждом изображении, но не раскрывайте никакой информации, которая может повлиять на выбор. Двухкнопочное окно ответа будет использоваться в сканере для записи выбора объекта.

Кроме того, объясните механизм оплаты, чтобы субъект понимал, что будет произведена оплата. В зависимости от выбора. Запечатайте заранее подготовленные пакеты и попросите субъекта подписать свое имя на печати.

Объясните, что это позволит в конце эксперимента убедиться, что содержимое пакетов не было изменено, поскольку испытуемому будет разрешено заглянуть в пакеты, чтобы убедиться, что они соответствуют заявленному уровню вероятности или неопределенности. Используя МРТ-сканер мощностью 3 Тесла, сначала получите изображение мозга пациента с высоким разрешением, используя взвешенную последовательность T one. Этот структурный объем будет использоваться для 3D-реконструкции.

Для этой цели можно использовать любую последовательность с высоким разрешением. Затем используйте взвешенную последовательность EPI с двумя звездами T для получения функциональной визуализации. Во время парадигмы задачи убедитесь, что срезы расположены так, чтобы они включали в себя интересующие области мозга.

Как правило, параметры сканирования префронтальной коры, теменной коры и базальных ганглиев должны быть оптимизированы для конкретного сканера с использованием TR в две секунды и три на три на три миллиметровых вокселя. После сканирования извлеките данные о поведении с компьютера, на котором была записана кнопка объекта. Реакция прессы.

Затем позвольте испытуемому случайным образом выбрать одну или несколько попыток для оплаты. Это можно сделать, попросив испытуемого вытащить пронумерованную покерную фишку из непрозрачного мешка, в котором находятся фишки со всеми пробными номерами. Для каждого выбранного испытания покажите субъект, представленный вариант и выбор, который они сделали в этом испытании.

Затем попросите испытуемого вытащить фишку из сумки, выбранной на этом испытании, и заплатите им в соответствии с выпавшим цветом и суммой, представленной на испытании. Чтобы проанализировать поведенческие данные, используйте метод максимального правдоподобия, чтобы подогнать данные выбора каждого субъекта под видимую логистическую функцию. Здесь где PV — вероятность того, что испытуемый выбрал переменную лотерею.

SV sub F и SV sub V являются субъективными значениями фиксированного и переменного вариантов соответственно, а гамма — это наклон логистической функции, которая является субъектно-специфичным параметром. Альтернативный подход заключается в использовании распределения завещаний для моделирования субъективной ценности каждого варианта Для каждого субъекта используйте модель, которая учитывает сумму, вероятность и уровень неопределенности опциона, а также отношение отдельного субъекта к риску и неопределенности. Мы решили использовать степенную функцию, которая включает в себя линейный эффект неоднозначности на воспринимаемую вероятность.

Один из нескольких альтернативных подходов заключается в том, чтобы включить неоднозначность в качестве экспоненциального эффекта, подгоняя данные выбора к функции выбора, таким образом, получать оценки отношения к риску, альфа и бета отношения к неопределенности для каждого субъекта, первоначально выполнять стандартную предварительную обработку функциональных данных, включая срез, сканирование, коррекцию времени, коррекцию движения и удаление низких частот, связанных с физиологическим шумом и дрейфом сканера. Для анализа на уровне одного субъекта используйте стандартную функцию гемодинамического ответа и моделируйте активность каждого воксела как устойчивый ответ в течение всего исследования. Используйте общую линейную модель с двумя предикторами субъективной ценности, одним для рискованных испытаний и одним для неоднозначных испытаний.

Используйте индивидуальные параметры, полученные из поведенческого соответствия, чтобы рассчитать субъективную ценность каждой лотереи. Также включите два фиктивных предиктора, один для рискованных испытаний, а другой для неоднозначных испытаний. Чтобы зафиксировать общие активации, такие как зрительная и моторная, тест на значимость должен учитывать многочисленные сравнения, выполненные здесь.

Минимальный размер кластера был ограничен шестью непрерывными функциональными вокселями. Также можно использовать другие методы, такие как процент ложного обнаружения. Ищите вокселы, в которых коэффициенты субъективной величины при риске и/или неоднозначности являются значимыми.

Здесь мы видим поведенческие результаты трех репрезентативных субъектов. Каждая панель представляет данные о выборе и результаты подгонки модели для одного объекта в условиях риска или неопределенности. Графики показывают долю испытаний, в которых испытуемый выбрал переменную лотерею в зависимости от суммы отдельно для каждого уровня вероятности или неопределенности.

Как можно видеть, субъекты могут сильно различаться в своем отношении к риску и неопределенности. Здесь мы видим результаты визуализации для одного, выделенные субъектом воксели — это те, в которых коэффициент предиктора субъективной величины при неопределенности или риске значительно отличался от нуля. У этого репрезентативного субъекта была обнаружена значимая корреляция в медиальной префронтальной коре и стриатуме при обоих условиях.

Эти области наиболее согласованы у всех субъектов, но значимые корреляции также можно ожидать в областях медиальной и латеральной теменной коры, а также миндалевидного тела. Этот метод позволяет исследователям в области нейроэкономики изучать изменения в отношении к риску и неопределенности, а также их нейронные корреляты в разных популяциях в разных контекстах. После просмотра этого видео у вас должно сложиться хорошее понимание того, как выявлять отношение к риску и неопределенности, а также как использовать их для анализа данных FMRI, полученных во время принятия участниками решений.