Использование неравенства модели расы для количественной оценки эффектов мультисенсорной интеграции

Создание воспроизводимого метода расчета масштабов эффектов мультисенсорной интеграции имеет важное значение, поскольку оно будет помогать в содействии будущим трансляционным исследованиям в различных клинических группах населения. Основным преимуществом нашей техники является то, что мы в состоянии количественно надежный фенотип мультисенсорной интеграции, которая впоследствии связана с важными когнитивными и двигательными исходами при старении, такими как баланс, падения, походка и исполнительные функции. Начните с использования программного обеспечения презентации стимула для программы простого эксперимента времени реакции с тремя экспериментальными условиями, визуальные только, соматосенсории в одиночку, и одновременно визуально-соматосенсорий.

Используйте генератор стимулов с тремя ящиками управления. Левые и правые коробки управления содержат двусторонние синие светоизлучающие диоды, которые освещают для визуальной стимуляции и двусторонние двигатели с амплитудой вибрации 0,8 Г, которые вибрируют для соматосенсной стимуляции, а также пластиковый корпус для стимуляторов. Далее поместите центральный манекен управления окно equidistant от левой и правой коробки управления, и прикрепить визуальную наклейку цели, чтобы служить в качестве точки фиксации.

После того, как эксперимент был создан, сопроводить участника в испытательный зал. У участника сидеть в вертикальном положении и комфортно отдохнуть руками на левой и правой коробки управления. Стратегически поместите указательные пальцы над вибрационные двигатели, установленные на задней панели управления и большие пальцы на передней части коробки управления под светодиодами, чтобы не блокировать свет.

Убедитесь, что стимулы соматосенсория не слышны, предоставляя участникам наушники, над которыми непрерывно белый шум играется на комфортном уровне. У участника использовать педаль ноги, расположенную под правой ногой в качестве ответа площадку. Наконец, чтобы участник реагировать на каждый стимул как можно быстрее, независимо от того, чувствуют ли они его, увидеть его, или почувствовать его и увидеть его.

Начните анализ, исключив участников, которые не в состоянии достичь точности 70%правильно или больше на каком-либо одном условии стимула. Считайте испытания неточными, если участник не реагирует на стимул в течение установленного периода времени отклика, и установите соответствующее время реакции, или RT, до бесконечности, а не исключив пробную версию из анализа. Данные RT сортируются в порядке возрастания по экспериментальному состоянию.

Поместите визуальные, соматосензорные и VS условия в отдельные столбцы отсортированных данных RT. Убедитесь, что каждая строка представляет одну пробную версию, и каждая ячейка представляет фактический RT. Обратите внимание, не имитуйте процедуры обрезки данных, которые удаляют очень медленные RTs, так как это будет смещения распределения данных RT. Убедитесь, что RTs, которые явно выбросы установлены до бесконечности.

Затем, чтобы бин данных RT, определить самый быстрый и медленный RT. Вычесть самый медленный RT из самых быстрых для того, чтобы вычислить диапазон RT человека во всех условиях испытаний. Bin RT данные от 0%до 100%в 5%increments, принимая быстрый RT и постепенно добавляя 5% к ранее рассчитанной диапазон RT до 100% данных RT учитывается, в результате чего в 21 раз бункеров. Далее, в компьютерной таблице, используйте функцию частоты, где массив один равен фактическим RTs для одного из экспериментальных условий и массив два равна 21 количественных бункеров RT ранее рассчитанных разделены на общее количество испытаний, 45, в состоянии.

Затем создайте кумулятивную частоту распределения, или CDF, подводя итоги вероятностей в количественных бункерах для каждого из трех экспериментальных условий. CDF мультисенсорного состояния представляет фактическое CDF. Чтобы рассчитать прогнозируемый CDF, сумма двух односенсорных CDFs с верхним пределом, установленных на один.

Используйте эту формулу в каждом из 21 количественного времени бункеров. Начните с нулевого процентиля, и продолжайте вплоть до 100-го процентиля для бен 21. Затем, чтобы провести тест неравенства модели гонки, вычесть прогнозируемый CDF из фактического CDF для каждого из 21 количественного времени бункеров для получения значений разницы.

Участок этих 21 значений в качестве диаграммы линии, где x-ось представляет каждый из количественных времени бункеров и у оси представляет собой разницу вероятности между фактическими и прогнозируемыми CDFs. Здесь положительные значения при любой задержке указывают на интеграцию односенсорных стимулов и отражают нарушение RMI. Для количественной оценки мультисенсорного эффекта на групповом уровне, группа-средний индивидуальные данные RMI во всех участниках.

Используйте электронную таблицу для назначения строк и ячееок времени в столбцы. Затем, в новой таблице, поместите ранее рассчитанные 21 различие значений в отдельные строки и средние значения в пределах времени бункеров для создания одной группы усредняя разница волновой формы. Затем навечтуете среднее значение группы 21 в качестве линейный график, где x-ось представляет каждое из количественных ячеев времени, а y-axis представляет разницу вероятности между CDF.

Наконец, вычислите область под кривой для каждого человека, используя данные участника в качестве примера. Сумма значения разницы CDF в то время бен один с значением разницы CDF во время бен два, а затем разделить на два. Визуально проинспектировать каждую пару времени бункеров, содержащих положительные значения.

Затем суммировать эти результаты, чтобы создать общий AUC разницы CDF волны во время нарушенного процентильного диапазона от 0,00 до 0,10. Результаты показывают, что нарушение в среднем по группе происходит в диапазоне от нуля до 10% для выборки из 333 пожилых людей. Общее число положительных значений, ноль, один, два или три, для этих трех квантилий, от 0,00 до 0,10, определяет, какая многосенсорная классификация группы человек назначен, либо недостаточно, бедных, хороших или выше, соответственно.

Как мы уже говорили ранее, крайне важно избегать процедур обрезки данных, поскольку это приводит к предвзятости дистрибутивов RT. Медленное время реакции и опущенные испытания должны быть установлены до бесконечности. Главной целью здесь была разработка надежного фенотипа мультисенсорной интеграции.

Сказав это, мы знаем о дифференциальных мультисенсорных интеграционных моделей в старении, и наш следующий шаг будет раскрыть нейронных сетей, ответственных за такие интегративные процессы при определении того, как конкретные структурные или функциональные изменения способствуют дифференциальной интеграции моделей. Мы работаем над выявлением нейронных коррелирует, связанных с визуально-соматосенсной интеграции в старении, и мы считаем, что такие события будут предоставлять понимание нескольких заболеваний, в том числе, но не ограничиваясь болезнью Альцгеймера и Паркинсона.