Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Behavior
Click here for the English version

Behavior

레이스 모델 부등식을 사용하여 행동 다감각 통합 효과를 정량화

Published: May 10, 2019 doi: 10.3791/59575
Automatic Translation
1, 1,2
1Department of Neurology, Division of Cognitive & Motor Aging, Albert Einstein College of Medicine, 2Department of Medicine, Division of Geriatrics, Albert Einstein College of Medicine

Summary

현재 연구는 다양한 임상 인구에 걸쳐 번역 연구 연구의 생산을 용이하게하기위한 노력의 일환으로 다감각 통합 효과의 크기를 계산하기위한 단계별 자습서를 제공하는 것을 목표로하고 있습니다.

Abstract

다감각 통합 연구는 뇌가 동시 감각 정보를 처리하는 방법을 조사합니다. 동물 (주로 고양이와 영장류)과 인간에 대한 연구는 손상되지 않은 다감각 통합이 인지 및 신체 활동을 포함하여 실제 세계에서 작동하는 데 중요하다는 것을 보여줍니다. 지난 수십 년 동안 수행 된 연구의 대부분은 다양한 정신 물리학, 전기 생리학 및 신경 이미징 기술을 사용하여 다감각 통합 효과를 문서화합니다. 그것의 존재는 보고 되었습니다 하는 동안, 다중 감각 통합 효과의 크기를 결정 하는 데 사용 하는 방법은 다양 하 고 일반적으로 많은 비판에 직면. 다음에, 이전 행동 연구의 한계를 설명하고 강력한 확률 모델을 사용하여 다중 감각 통합 효과의 크기를 계산하기위한 단계별 튜토리얼이 제공됩니다.

Introduction

감각 시스템 전반에 걸친 상호 작용은 일상적인 기능에 필수적입니다. 다감각 통합 효과는 다양한 감각 조합과 다른 신경 과학 접근법을 사용하여 광범위한 인구에 걸쳐 측정되지만 [정신 물리학, 전기 생리학 및 신경 이미징을 포함하지만 이에 국한되지 않음). 방법론]1,2,3,4, 5,6,7,8,9,현재 금 본위제 다중 감각 통합을 정량화하는 것은 부족합니다. 다감각 실험이 전형적으로 행동 성분을 포함하고 있다는 점을 감안할 때, 반응 시간(RT) 데이터는 종종 중복 신호효과(10)라고 불리는 잘 알려진 현상의 존재를 확인하기 위해 조사된다. 그 이름에서 알 수 있듯이, 동시 감각 신호는 중복 정보를 제공하며, 이는 전형적으로 더 빠른 RTs를 산출한다. 레이스 모델에서 가장 빠르게 처리되는 단방향 신호는 레이스의 승자이며 행동 반응을 생성합니다. 그러나, 공동 활성화에 대 한 증거는 다감각 자극에 대 한 응답 은 어떤 경주 모델 예측 보다 빠른 때 발생 합니다.

경주 모델의 이전 버전은 본질적으로 논란이12,13 그들은 지나치게 보수적 인 것으로 일부에 의해 언급으로14,15 과 의도적으로 독립성에 관한 제한을 포함 다감각 조건에 내재된 구성 단감각 검출시간(16) 사이. 콜로니우스 & 디데리히16은 이러한 제한 사항 중 일부를 해결하기 위해 보다 전통적인 레이스 모델 테스트를 개발했습니다.

Equation 1,

여기서 단감각 조건의 누적 분포 주파수(CDF)(예: A & B; 1의 상한을 가진)는 주어진 대기 시간(t)11에 대한 동시 다감각 조건(예:AB)의 CDF와 비교된다. 16세 , 17. 일반적으로 CDF는 RT가 주어진 RT 범위 내에서 얼마나 자주 발생하는지, 총 자극 프리젠 테이션 수 (즉, 시험)로 나눈값을 결정합니다. 실제 다감각 조건의 CDF가 Equation 2 단일 감각 조건에서 파생된 예측 된 CDF보다 낮거나 같으면

Equation 3,

그런 다음 경주 모델이 허용되고 감각 통합에 대한 증거가 없습니다. 그러나 다중 감각 CDF가 단감각 조건에서 유래된 예측된 CDF보다 크면, 경주 모델이 거부된다. 레이스 모델의 거부는 중복 감각 소스의 다감각 상호 작용이 비선형 방식으로 결합되어 RTs(예: RT 촉진)를 다감각 자극으로 가속화한다는 것을 나타냅니다.

다감각 연구원이 직면하는 한 가지 주요 장애물은 통합 효과를 가장 잘 정량화하는 방법입니다. 예를 들어, 참가자가 간단한 반응 시간 작업을 수행하도록 요청받는 가장 기본적인 행동 다감각 패러다임의 경우 정확도및 속도에 관한 정보가 수집됩니다. 이러한 다감각 데이터는 액면가에서 사용하거나 최대 가능성 추정18,19,CDFs11및 기타 다양한 통계적 을 포함하되 이에 국한되지 않는 다양한 수학적 응용 프로그램을 사용하여 조작할 수 있습니다. 접근. 우리의 이전 다감각 연구의 대부분은 다감각 통합 효과가 평균 반응 시간에서 다감각 이벤트에 평균 반응 시간 (RT)를 빼는 정량적 및 확률적 접근법을 모두 사용 ( RT) 가장 짧은 단감각 이벤트, 및 2) CDF를 사용하여 RT 촉진이 중복 감각 정보에 의해 촉진된 시너지 상호 작용으로 인한 것인지 를 판단함으로써8,20,21, 22세 , 23. 그러나, 이전 방법론은 통합 프로세스의 개인 차이에 민감하지 않았을 가능성이 높았으며 연구자들은 이후 이후 의식 (즉, CdFs)이 다감각 정량화를위한 더 나은 프록시를 제공 할 수 있다고 posited. 통합 효과24.

곤단과 미나카타는 최근 RT 데이터 수집 및 준비25의수집 및 전처리 단계에서 수많은 오류를 만들기 때문에 인종 모델 불평등 (RMI)을 정확하게 테스트하는 방법에 대한 자습서를 발표했습니다. 첫째, 저자는 특정 우선 순위 최소 및 최대 RT 제한이 설정된 데이터 트리밍 절차를 적용하는 것이 불리하다고 생각합니다. 느리고 생략된 응답을 제외하지 않고 무한대로 설정하는 것이 좋습니다. 둘째, RMI가 임의의 대기 시간에 위반될 수 있다는 점을 감안할 때, 다중 t-테스트는 종종 다른 시점(즉, 분량형)에서 RMI를 테스트하는 데 사용된다; 안타깝게도 이러한 관행은 Type I 오류가 증가하고 통계적 능력이 크게 감소합니다. 이러한 문제를 방지하려면 하나의 특정 시간 범위에서 RMI를 테스트하는 것이 좋습니다. 일부 연구자들은 다감각 통합 효과가 일반적으로 관찰됨에 따라 응답(0-25%)26 또는 일부 사전 식별된 창(즉, 10-25%)24,27을 가장 빠른 사분위수로 테스트하는 것이 합리적이라고 제안했습니다. 해당 시간 간격 동안; 그러나 테스트할 백분위수 범위는 실제 데이터 집합에 의해 결정되어야 한다고 주장합니다(프로토콜 섹션 5참조). 젊은 성인 또는 컴퓨터 시뮬레이션에서 게시 된 데이터에 의존하는 문제는 노인이 감각 시스템의 연령 관련 감소로 인해 매우 다른 RT 분포를 나타낸다는 것입니다. 레이스 모델 유의성 시험은 연구 코호트에서 실제 및 예측된 CDF 간의 그룹 평균 차이 파동을 위반한 부분(양성 값)에 대해서만 테스트해야 합니다.

이를 위해, 종래의 레이스 모델(16)의 시험을 이용한 건강한 노인의 다감각 통합의 보호 효과와 곤단 및동료(25)가 제시한 원리를 입증했다. 실제로, 시각적-감각성 RMI(다중 감각 통합을 위한 프록시)의 더 큰 크기는 더 나은 균형 성능, 더 낮은 사고 낙하 및 증가된 공간 보행 성능 에 연결되는 것으로 나타났다28,29.

현재 실험의 목적은 RMI를 사용하여 다감각 통합 효과의 크기를 계산하는 단계별 자습서를 연구원에게 제공하여 다양한 번역 연구 연구의 생산을 촉진하는 것입니다. 많은 다른 임상 인구. 현재 연구에 제시된 데이터는 건강한 노인28,29에실시된 최근 발표된 시각 체감각 실험에서 나온 것이지만, 이 방법론은 다양한 코호트에 적용될 수 있습니다. 다양한 다감각 조합을 활용하는 실험적인 설계.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

모든 참가자는 실험 절차에 서면 통보 동의를 제공, 의학의 알버트 아인슈타인 대학의 기관 검토 위원회에 의해 승인된.

1. 참가자 모집, 포용 기준 및 동의

  1. 독립적으로 abulate 수 있고 중요한 감각 손실이 없는 영어를 구사하는 개인의 상대적으로 큰 집단을 모집하십시오; 실험 평가를 방해 하는 활성 신경 학 또는 정신 장애; 이동성에 영향을 미치는 현재/미래의 의료 절차.
  2. 각 참가자가 시각, 청각 및 체감각 시력을 공식적으로 테스트하여 연구 적합성을 확인하는 감각 검진 시험을 성공적으로 완료할 수 있는지 확인합니다.
    1. Snellen 눈 차트를 사용하여 양측 시력이 20/100보다 좋거나 같도록 합니다.
    2. 톤 발광 이음새를 사용하여 참가자가 25dB 30에서 2,000 Hz 톤을들을 수 있도록 합니다.
    3. 참가자가 임상 신경병의 진단을 유지하는지 여부와 실험적인 체감각 자극을 느끼는 능력을 방해하는지 여부를 결정합니다21,28,29.
    4. 참가자가 이러한 최소 감각 요구 사항을 충족할 수 없는 경우 연구에 포함시키지 마십시오.
  3. AD8 치매 검진 면접 컷오프 점수 ≥2 31,32와같은 신뢰할 수 있는 선별 기기에서 컷 스코어를 구현하여 치매노인을 제외; 및 메모리 장애 화면 MIS; 컷오프 점수 < 533.
  4. 참여할 의사가 있는 경우 참가자들이 실험 절차(현지 기관 검토 위원회의 승인)에 대한 서면 동의를 제공하도록 합니다.

2. 실험 적인 디자인

  1. 자극 프리젠 테이션 소프트웨어를 사용하여 시각적 (V) 단독, 체감각 (S) 단독 및 동시 시각 체감각 (VS)의 세 가지 실험 조건으로 간단한 반응 시간 실험을 프로그래밍하십시오. 가능한 한 빨리, 조건에 관계없이 각 감각 자극에 응답하는 참가자를 알립니다. VS 간단한 RT 작업의 예는 보충 파일을 참조하십시오(보충파일1).
    1. 세 개의 컨트롤 박스(30.48mm × 20.32mm × 12.70mm)와 자극기용 플라스틱 하우징이 있는 자극 발생기를 사용합니다. 좌우 제어 박스에는 육안 자극을 위해 조명되는 양측 청색 발광 다이오드(LED; 직경 15.88cm)가 포함되어 있으며, 0.8G 진동 진폭으로 육감각 자극을 위해 진동하는 양측 모터(LED와 15.88cm 직경)가 포함되어 있습니다. 휴대 전화 진동)22,23,28.
    2. 자극 발생기가 단방향 감각(시각적 또는 체감각만)뿐만 아니라 다감각(동시 시각 및 체감각) 자극을 모두 제공하도록 합니다. 2.1.1에 설명된 왼쪽 및 오른쪽 컨트롤 박스에서 중앙 더미 제어 상자 등거리(28cm)를 배치합니다. 고정 점 역할을 할 시각적 대상 스티커(직경 0.4cm의 중앙 원)를 부착합니다.
    3. 각 자극기를 직접 제어할 수 있는 병렬 포트를 통해 자극 발생기를 실험 용 컴퓨터에 연결합니다.
    4. 트랜지스터-트랜지스터-로직(TTL, 5V) 펄스를 병렬 포트를 통해 직접 트리거 자극 발생기로 전송하는 자극 프리젠테이션 소프트웨어를 프로그래밍합니다. 자극 프리젠 테이션 시간을 지속 시간 100ms로 설정합니다.
  2. 자극 프리젠테이션 소프트웨어에서, 이 간단한 반응 시간 실험을 위해 총 135개의 자극 프리젠테이션에 대해 45개의 시험(무작위로 제시된 각 자극 조건의 15개의 시험)으로 구성된 최소 3개의 실험 블록을 프로그래밍한다.
  3. 예상 효과를 방지하기 위해 1과 3 s 사이의 상호 자극 간격을 무작위로 변경합니다. 대안적으로, 자극 파라미터가 위와 동일하지만 TTL 펄스가 전송되지 않는 캐치 시험을 삽입하여 시각적 또는 체감각 자극이 발생하지 않으므로 반응이 예상되지 않습니다.
  4. 참가자가 주어진 자극 조건에 최대 2,000 ms를 반응할 수 있도록 하십시오. 2,000ms 응답 기간 내에 응답이 감지되지 않으면 자극 프리젠테이션 소프트웨어가 자동으로 다음 시험으로 진행되도록 합니다.
    참고: 이 응답 창 컷오프는 임의적이지만 총 실험 시간을 최소한으로 유지하는 데 필요합니다. 더 긴 RT는 무한대로 설정됩니다.
  5. 자극 프리젠 테이션 소프트웨어에서 20-s 브레이크를 프로그래밍하여 세 가지 실험 블록을 분리하여 잠재적 인 피로를 줄이고 농도를 증가시다. 20-s 브레이크가 끝난 직후에 각 후속 블록이 시작되는지 확인합니다.
  6. 시각적 디스플레이(실험 용 컴퓨터 모니터)에 표시되도록 작성된 지침을 프로그래밍합니다. 정확한 지침은 보충 자료에 제공됩니다. 시작 준비가 되면 응답자 패드를 오른발로 밀어 실험을 시작하도록 참가자에게 요청합니다. 자극 파라미터가 프로그래밍되면 자극 프리젠 테이션 소프트웨어는 각 참가자에서 실행될 스크립트를 만듭니다.
  7. 실험 스크립트를 실행하기 위해 참가자 ID와 세션 번호를 제공합니다. 실험이 완료되면 각 참가자에 대해 고유한 행동 데이터 로그가 생성됩니다(샘플 Eprime 2.0 출력 파일에 대한 보충 파일 2 참조).

3. 장치 및 작업

  1. 참가자들이 똑바로 앉고 왼쪽과 오른쪽 컨트롤 박스에 손을 편안하게 놓게 한다.
    1. 제어 상자의 뒷면에 장착된 진동 모터 위에 검지 손가락을 전략적으로 배치하고, 컨트롤 박스 전면에 엄지손가락을 비추어 LED 아래에 빛을 차단하지 않도록 합니다(그림 1참조).
    2. 참가자들에게 연속 적인 백색 잡음이 편안한 수준(일반적으로 65-75dBs)에서 재생되는 헤드폰을 제공하여 체감각 자극을 들리지 않도록 합니다.
  2. 참가자들에게 가능한 한 빨리 모든 자극에 반응하도록 지시한다.
    1. 손가락이 체감각 자극을 받아들이기 때문에 참가자들에게 오른발 아래에 있는 발 페달을 반응 패드로 사용하도록 요청합니다(그림 1참조).
  3. 자극 조건에 따라 성능 정확도를 계산합니다.
    1. 참가자들에게 가능한 한 빨리 각 실험 자극(조건당 45개)에 반응하도록 지시한다.
    2. 조건당 정확하게 검출된 자극 의 수를 45(조건당 총 시험 횟수)로 나누어 시각적, 체감각 및 VS 조건에 대한 성능 정확도 측정값을 각각 얻습니다.

4. 레이스 모델 불평등 데이터 준비(개별 수준)

  1. 개인의 행동 성능이 유효한지 여부를 확인합니다.
    1. 간단한 반응 시간 작업에 대한 참가자의 성능 정확도가 감소함에 따라 하나의 자극 조건에서 70 % 정확하거나 더 큰 정확도를 달성 할 수없는 참가자를 제외하십시오.
    2. 참가자가 설정된 응답 기간 내에 자극에 반응하지 못하고 분석25,28에서시험을 제외하는 대신 해당 RT를 무한대로 설정하는 경우 임상시험을 부정확(생략)하는 것을 고려한다.
      참고: 이전 연구에서는 그룹 평균(n=289) 자극 검출이 모든 조건에서 96%였으며, 인구의 90% 이상이 모든 조건에 대해 90% 이상의 검출률을 보였습니다28.
    3. RT 데이터의 분포를 편향시킬 수 있기 때문에 매우 느린 RT를 삭제하는 데이터 트리밍 프로시저를 사용하지 마십시오. 25 명확하게 이상값인 RT가 무한대로 설정되어 있는지 확인합니다. 데이터 트리밍 절차 및 느린 RT(보조 파일 3)를 포함하여 CDF의 변경 내용을 설명하는 추가파일을참조하십시오.
  2. RT 데이터를 구성합니다.
    1. RT 데이터를 실험 조건에 따라 오름차순으로 정렬합니다. 정렬된 RT 데이터의 별도의 열에 시각적, 체감각 및 VS 조건을 배치합니다. 각 행이 하나의 평가판을 나타내고 각 셀이 실제 RT(또는 생략되거나 느린 평가판의 경우 무한대)를 나타내는지 확인합니다.
  3. RT 데이터를 bin합니다.
    1. 가장 빠른 RT(주황색 타원 중 가장 느린 RT)와 가장 느린 RT(조건-빨간색 타원)를 식별합니다. 모든 테스트 조건에서 개인의 RT 범위(503ms, 파란색 타원)를 계산하기 위해 가장 빠른 RT(예: 740ms – 237ms)에서 가장 느린 RT를 뺍니다. 표 1은 개인의 RT 범위를 계산하는 방법을 보여 주며 다양한 색상 오간을 묘사합니다.
    2. 0%(이 예에서 가장 빠른 RT = 237)에서 100%(또는 이 예에서 가장 느린 RT = 740)까지의 Bin RT 데이터는 가장 빠른 RT를 취하고 4.3.1에서 확인된 RT 범위의 5%를 점진적으로 추가하여 5% 단위로 증가합니다(표 2 참조). ). 이렇게 하면 21시간 저장소가 생성됩니다.
      참고: 표 2에서 - 1%ile은 설명목적으로만 워크시트에 포함됩니다.
  4. 실험 조건에 대한 누적 분포 빈도(CDF)를 계산합니다.
    1. 스프레드시트 소프트웨어를 사용하여 array1이 실험 조건 중 하나에 대한 실제 RT와 동일한 "FREQUENCY" 함수를 사용하고 array2는 4.3 단계에서 계산된 21개의 양자화된 RTs 빈과 조건당 총 시험 횟수(45)로 나눈 값입니다. 그림 2a에 나와 있습니다.
    2. 다른 두 개의 실험 조건(도 2b-2c)에 대해 이 함수를 반복하여 각각의 21개의 양자화된 시간 빈 내에서 발생하는 RT의 주파수(또는 확률(P))를 3개의 실험 조건 각각에 대해 채운다.
    3. 다음으로, 3개의 실험 조건 각각에 대해 양자화된 빈(0%, 0+5%, 0+5+10%, 0+5+10%, 0+5+15%) 등에서 누적 분포 빈도(CDF)를 합산하여 만듭니다. 예를 들어, 소마 조건(열 AE)에 대한 누적 확률 열에서 95%ile 범위(cell AE22)에 대한 누적 확률은 Z3:Z23 셀의 확률 값의 합계입니다(그림 3참조).
  5. 실제 및 예측된 CDF.
    1. 다중 감각 조건의 CDF가 실제 CDF를 나타내는지 확인합니다(그림 4 열 AF 및 플롯된 보라색 추적 참조). 예측된 CDF(열 AG)를 계산하려면 21개의 양자화된 시간 저장소 각각에 대해 두 개의 단방향 CDF(상한가 1로 설정됨)를 합산합니다(그림 5참조). 0 번째 백분위수(bin 1)에서 시작하여 100번째 백분위수(bin 21)까지 계속합니다.
  6. 레이스 모델 부등식(RMI) 테스트를 수행합니다.
    1. 차이 값을 얻기 위해 21개의 양자화된 시간 저장소 각각에 대해 실제 CDF에서 예측된 CDF(4.5.2로 계산)를 뺍니다(열 AH; 도 6참조).
    2. 이러한 21개 값을 선 그래프로 플롯하는 데, 여기서 x축은 양자화된 시간 빈(열 AC)을 각각 나타내고 y축은 실제 CDF와 예측된 CDF(열 AH) 간의 확률 차이를 나타냅니다. 그림 7 (검은 색 흔적)을 참조하십시오.
    3. 단감각 자극의 통합을 나타내고 RMI의 위반을 반영하는 모든 대기 시간(즉, 분수)에서 양수 값을 확인하고(그림 7에서 0.00 ~ 0.10의 차이 웨이브의 녹색 강조 부분 참조).

5. 다감각 효과의 정량화 (그룹 수준).

  1. 그룹 평균 개별 RMI 데이터(21시간 각각의 Bin에 대한 예측된 CDF와 실제 CDF 간의 차이; 모든 참가자에 걸친 단계 4.6.1-열 AH). 스프레드시트 소프트웨어를 사용하여 행 및 시간 저장소에 개인을 열로 할당합니다. 새 스프레드시트에서 계산된 21값을 개별 행(참가자당 1행)에 4.6.1로 계산하고 시간 저장소 내의 평균 값을 배치하여 하나의 그룹 평균 차이 파형을 만듭니다.
  2. 그룹 평균 21값을 선 그래프로 플롯하는데, 여기서 x축은 양자화된 시간 저장소각각을 나타내고 y축은 CDF 간의 확률 차이를 나타냅니다.
  3. 그룹 평균 차이 웨이브(즉, 양수 값)의 위반된 부분을 시각적으로 검사하고 문서화합니다.
  4. Gondan의 RMI 순열 테스트(R 스크립트는 무료 다운로드로 사용 가능)(26)를 실행하여 5.3단계에서 확인된 양수 값에 대한 RMI의 통계적으로 유의한 위반이 있는지 확인합니다.
    1. 첫 번째 열이 관찰자(예: 참가자 ID)의 경우 "Obs"라는 이름의 한 텍스트 파일에서 데이터를 구성하고, 두 번째 열은 자극 조건(V, S 또는 VS)에 대해 "Cond"로 명명되고 세 번째 열은 실제 RT또는 무한대로 설정된 경우 "RT"로 명명됩니다.
    2. 소프트웨어를 열고 테스트할 시간 저장소를 식별하고(5.3에서 식별된 양수 시간 저장소에 따라) 5.4.1에 생성된 텍스트 파일 이름을 입력합니다.
    3. 스크립트를 호출하여 테스트를 실행합니다. 결과는 tmax 값, 95% 기준 및 p-값을 제공하여 전체 연구 샘플에서 레이스 모델의 중대한 위반이 존재하는지 여부를 결정하는 데 도움이 됩니다.
  5. 5.3단계에서 현저하게 위반된 백분위수 저장소를 설정한 후 각 개인에 대한 영역 언더 더 커브(AUC)를 계산합니다. AUC는 다중 감각 통합 (또는 독립적 인 변수)의 크기역할을합니다. AUC를 계산하려면 그림 8a-d에 묘사된 백분위수 0.00 - 0.15에 대해 참가자 1의 데이터를 예로 사용합니다.
    1. 시간 저장소 1(1st time 양수 값)의 CDF 차이 값을 시간 저장소 2(다음 양수 값)의 CDF 차이 값과 합산한 다음 두 개로 나눈 값(그림 8a참조)을 합산합니다. 5.3.1단계를 반복합니다. 양수 값을 포함하는 시간 저장소의 각 연속 쌍에 대해(그림 8b-8c참조).
    2. 5.5.1 - 5.5.2 단계에서 얻은 결과를 합산합니다. 위반된 백분위수 범위 동안 CDF 차이 파의 총 AUC를 생성한다(예: 도 8d에서0.00 – 0.15).
      참고: AUC는 연속 측정이며 RMI의 위반된 부분에 대해 각 개인에 대해 하나의 AUC 값이 존재합니다(그림8d 빨간색 타원 = 참가자 1의 AUC = 0.13). AUC는 나중에 중요한 임상 결과 측정을 예측하기 위해 테스트될 수 있는 'VS 통합의 크기'를 나타내는 독립적인 변수로서 사용될 수 있다(도28,29참조).
  6. 5.3단계에서 위에서 확인된 현저하게 위반된 백분위수 범위 동안 위반된 백분위수 저장소(표 3에서회색으로 강조 표시된 0보다 큰 값)의 수를 기반으로 다중 감각 통합 분류 그룹을 지정합니다. 표 3(백분위수 함수 0.00 – 0.15) 살펴보기: 참가자 1은 4개의 저장소 중 2개에 대해 양수 값을 가며; 참가자 2는 4개의 저장소 중 4개에 대해 양수 값을 가수합니다. 참가자 3은 4개의 Bin 중 0에 대해 양수 값을 가수합니다.
    1. 0-10번째 백분위수 동안 위반된 백분위수 저장소(0, 1, 2 또는 3개의 bin에 대해 0보다 큰 값)를 기준으로 분류 시스템을 운영합니다.
    2. 그림 9는 Mahoney 및 Verghese29에서최근에 발표된 데이터에서 조정된 하나의 잠재적분류 정의를 도시합니다.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

이 연구의 목적은 VS 통합 효과의 크기를 정량화하는 체계적인 접근 방식의 단계별 자습서를 제공하여 유사한 실험 설계 및 설정을 사용하여 새로운 다감각 연구의 출판을 촉진하는 것이었습니다(그림 1 참조) ). RMI AUC에 의해 측정된 다중 감각 통합 효과의 크기를 도출하는 데 필요한 각 단계및 계산의 스크린샷은 위에 설명되고 그림 2-8에도시되어 있습니다.

도 9는 333명의 노인표본에 대해 0-10% 백분위수 범위에서 발생하는 그룹 평균 위반(dashed trace)을 보여 준다(도29참조). 여기서, 3개의 쿼타일(0.00- 0.10)에 대한 양수값(0, 1, 2 또는 3)의 총 개수는 사람이 각각 할당된 다감각 분류 군(결핍, 불량, 양호 또는 우수)을 결정한다.

도9에 도시된 바와 같이, 그룹 평균 결과는 모든 응답 시간26의가장 빠른 10분의 1을 통해 상당한 경주 모델 위반을 보여 준다. 이 그룹 평균 차이 파형은 평균 노인이 중요한 경주 모델 위반 (즉, 다감각 통합 효과)을 보여 준다는 것을 시사하지만, 우리는 이것이 모든 모델에 맞는 한 가지 크기가 아니라고 주장합니다. 오히려, 위반된 기간(0-10%ile)에 따른 개인의 AUC는 차등 통합 패턴이 20-23, 28,29로문서화되었기 때문에 개인의 VS 통합 규모를 평가하기 위한 더 나은 프록시를 제공한다. 일단 계산되면, VS 통합의 개별적인 규모는 각종 임상 인구에 있는 중요한 결과의 연속적인 예측자 역할을 할 수 있습니다.

그룹 평균 RMI 위반 기간 동안 위반된 백분위수 저장소(0보다 큰 값)의 수를 기반으로 고유의 차등 통합 패턴을 설명하는 수단으로 분류 시스템을 구현하는 것이 좋습니다. 이러한 방식으로 데이터를 분류하면 다중 감각 통합 분류 그룹에 의한 레이스 모델 위반의 명백한 저하를 나타낼 것이다.

Figure 1
그림 1: 실험 장치. 참가자들은 오른발 아래에 위치한 풋 페달을 반응 패드로 사용하여 가능한 한 빨리 단감각 및 다감각 자극에 반응하도록 요청받았습니다. 이 그림은 권한22,28,29로재인쇄되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 2
그림 2: 주파수 계산 각 실험 조건에 대해 지정된 RT 범위 내에서 발생하는 RT입니다. a) 비주얼 (V); b) 체감각 (S); c) 시각-감각 (VS). 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 3
그림 3: 실험 조건에 대한 누적 분포 빈도를 작성합니다. 이 그림은 소마(S) 조건에 대한 95% ile bin에서 누적 확률의 합계를 나타낸 것입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 4
그림 4: 실제 CDF(VS 조건; 보라색 추적)를 분량물의 함수로 플로팅합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 5
그림 5: 예측된 CDF 계산. 0.00에서 1.00까지의 각 쿼타일에 대해 상한 = 1을 포함하는 동안 두 개의 단일 감각 CDF의 CDF를 합산합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 6
그림 6: 레이스 모델 부등식(RMI)을 작성합니다. 각 분위수에 대한 실제 CDF에서 예측된 CDF의 CDF를 뺍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 7
그림 7: 개별 RMI 값을 플로팅합니다. x축은 각각 21쿼타일(열 AC)을 나타내고 y축은 CDF(열 AH) 간의 확률 차이를 나타냅니다. RMI의 녹색 강조 표시된 부분은 다중 감각 통합을 나타내는 파형의 양수 또는 위반 부분을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 8
그림 8: 개인의 영역 아래 곡선(AUC) 계산. a) 분위수 1(0.00)에서 CDF 차이 값을 분량제 2(0.05)의 CDF 차이 값으로 합한 다음 2로 나누어 0.00 - 0.05에서 AUC의 측정값을 만듭니다. b-c) 각 분량물 범위에 대한 AUC를 달성하기 위해 각 연속적인 분량형 쌍(예를 들어, 0.05 - 0.10 및 0.10- 0.15)에 대해 반복 단계. d) 5.3에서 확인된 전체 시간 빈 창에 대한 총 AUC를 얻기 위해 각 시간 빈 범위에 대한 AUC를 합산한다. 이 예제에는 설명목적으로만 더 넓은 분량류 범위(0.00 - 0.15)가 포함됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 9
그림 9: 인종 모델 불평등: 전체 및 그룹 분류별. 모든 분수의 궤적에 대한 실제 및 예측 된 CDF 간의 그룹 평균 차이는 파선 추적으로 표시됩니다. 솔리드 트레이스는 위반된 분량물 수에 따라 위에서 정의한 네 가지 다중 감각 통합 분류 각각을 나타냅니다. 이 적응 된 그림은 권한29로재인쇄되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

보충 파일 1: Eprime 2.0에서 프로그래밍된 간단한 반응 시간 패러다임 샘플. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보조 파일 2: Eprime 2.0에서 RT 데이터 동작 데이터 출력을 샘플링합니다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 3: 이상값 및 생략된 평가판이 있는 유무에 관계없이 RMI 데이터를 샘플링합니다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

표 1. RT 범위의 조건 및 계산에 의한 개별 설명 통계. 이 파일을 다운로드하려면 여기를 클릭하십시오.

표 2. RT 범위를 기반으로 RT 데이터를 비지닝하는 방법의 예입니다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

표 3. 위반된 분수(회색 음영 영역)의 AUC 계산 및 #식별의 예입니다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

현재 연구의 목표는 강력한 다감각 통합 표현형의 확립 뒤에 프로세스를 자세히 설명하는 것이었습니다. 여기서, 우리는 유사한 신경 회로에 의존하는 중요한 인지 및 운동 결과를 예측하는 데 활용될 수 있는 다감각 통합 효과를 획득하는 데 필요한 필수 및 중요한 단계를 제공합니다. 우리의 전반적인 목표는 다양한 임상 인구와 연령대에 걸쳐 혁신적이고 새로운 번역 다감각 연구를 촉진하기 위한 노력의 일환으로 다감각 통합의 규모를 계산하기 위한 단계별 자습서를 제공하는 것이었습니다.

위에서 언급하고 Gondan 및 동료에 의해 설명 된 바와 같이, 개인의 RT 데이터 세트25,28을보존하는 것이 매우 중요합니다 . 즉, RT 분포에 내재된 바이어스를 감안할 때 매우 느린 RT를 생략하는 데이터 트리밍 프로시저를 피하십시오. 대신 25를 생략하고 느린 RT를 무한대로 설정합니다. 이 단계는 매우 중요하며 이러한 간단한 규칙을 준수하지 않으면 부정확한 다중 감각 통합 결과가 개발될 수 있습니다. 또한, 경주 모델 유의성 시험은 연구 코호트에서 확인된 RMI의 그룹 평균 위반 부분(즉, 선험적 지정 창이 아님)에 대해서만 테스트되어야 합니다.

한계의 관점에서, 현재의 실험 설계는 동일한 위치와 정확하게 동시에 제시된 양측 자극에 대한 간단한 반응 시간 작업에서 데이터를 기반으로 하였다. 우리는 연구원이 검토에 관심이 있는 각종 가설에 따라서 현재 실험 디자인에 몇몇 적응이 만들어질 수 있다는 것을 알고 있습니다. 우리는 노화에 강력한 MSI 효과를 문서화하는 방향으로 발사 패드로이 연구를 활용하지만 다양한 실험 적응의 구현을 인식 (예를 들어, 다른 이중 및 심지어 삼중 감각 조합, 다양한 자극 프리젠 테이션 개시 시간, 및 자극 강도의 차동 크기)는 이 다감각 현상에 관한 풍부한 증분 정보를 제공할 것입니다.

우리는 균형28과 시각 체감각 통합의 크기 사이의 중요한 연관성을 입증하기 위해 위의 접근 방식을 구현하고 사고는 더 큰 다감각 통합을 가진 노인28,어디 능력은 더 나은 균형 성능을 나타내고 적은 사고 폭포. 유사하게, 우리는 시각 -somatosensory 통합의 크기가 보행29의공간 측면의 강한 예측이었다는 것을 보여줍니다, 더 나쁜 시각 체감각 통합을 가진 개인은 느린 걸음걸이 속도, 짧은 보폭을 보여 주었다, 이중 지원을 증가시켰습니다. 미래에, 이 방법론은 인지 상태와 같은 그밖 중요한 임상 결과와 MSI의 관계를 밝히기 위하여 이용되어야 하고, 노화에 있는 중요한 기능및 구조적인 다감각 통합 신경망의 식별에 도움 및 기타 임상 인구.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

보고할 이해상충이 없으며 저자는 공개할 것이 없습니다.

Acknowledgments

현재 의학회는 국립보건원(K01AG049813~JRM)의 노화에 관한 국립연구소에서 지원하고 있습니다. 보충 기금은 의학의 알버트 아인슈타인 대학의 Resnick 노인학 센터에 의해 제공되었다. 이 프로젝트에 대한 탁월한 지원을 위한 모든 자원 봉사자와 연구 직원에게 특별한 감사를 드립니다.

Materials

Name Company Catalog Number Comments
stimulus generator Zenometrics, LLC; Peekskill, NY, USA n/a custom-built
Excel Microsoft Corporation spreadsheet program
Eprime Psychology Software Tools (PST) stimulus presentation software

DOWNLOAD MATERIALS LIST

References

  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).

Tags

동작 문제 147 다감각 통합 감각 운동 통합 레이스 모델 불평등 중복 신호 효과 노화
레이스 모델 부등식을 사용하여 행동 다감각 통합 효과를 정량화
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Mahoney, J. R., Verghese, J. Using… More

Mahoney, J. R., Verghese, J. Using the Race Model Inequality to Quantify Behavioral Multisensory Integration Effects. J. Vis. Exp. (147), e59575, doi:10.3791/59575 (2019).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter