Waiting
Login processing...

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

Behavior

使用种族模型不平等来量化行为多感官整合效应

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

目前的研究旨在提供一个逐步教程,用于计算多感官整合效应的幅度,以促进不同临床人群的转化研究的产生。

Abstract

多感官整合研究研究大脑如何处理同时的感官信息。对动物(主要是猫和灵长类动物)和人类的研究表明,完整的多感官整合对于现实世界中的功能至关重要,包括认知和身体活动。在过去几十年中进行的大部分研究都记录了使用各种心理物理、电生理学和神经成像技术进行多感官整合的影响。虽然已经报道了它的存在,但用于确定多感官整合效应程度的方法各不相同,通常面临许多批评。下面概述了以前行为研究的局限性,并提供了一个分步教程,用于使用稳健的概率模型计算多感官积分效应的幅度。

Introduction

感官系统的相互作用对于日常功能至关重要。虽然使用各种感官组合和不同的神经科学方法在广泛的人群中测量多感官整合效应,包括但不限于心理物理、电生理学和神经成像方法]1,2,3,4,5,6,7,8,9,目前的黄金标准缺乏多感官整合的量化。鉴于多感官实验通常包含行为成分,反应时间(RT)数据经常被检查,以确定是否存在一种称为冗余信号效应10的众所周知的现象。顾名思义,同时的感官信号提供冗余信息,这通常会产生更快的RT。 种族和共激活模型被用来解释上述冗余信号效应11。在竞赛模型下,处理速度最快的单感官信号是比赛的获胜者,并负责产生行为反应。然而,当对多感官刺激的反应比种族模型预测的要快时,就会发生共同激活的证据。

早期版本的种族模型是固有的争议12,13,因为他们被一些人称为过于保守的14,15,并据称包含关于独立性的限制在多感官条件中固有的组成单感官检测时间16。为了解决其中一些限制,科洛尼乌斯和迪迪里希16开发了一个更传统的种族模型测试:

Equation 1,

将单感官条件的累积分布频率(CDF)(例如,A和B;上限为1)与同时多感官条件(例如AB)的CDF进行比较,以达到任何给定的延迟(t )11, 16,17.一般来说,CDF确定RT在给定RT范围内发生的频率,除以刺激演示的总数(即试验)。如果实际多感官条件的Equation 2CDF 小于或等于从单感官条件派生的预测 CDF

Equation 3,

然后种族模型被接受,并且没有感官整合的证据。但是,当多感官 CDF 大于从单感官条件派生的预测 CDF 时,将拒绝比赛模型。对种族模型的排斥表明,来自冗余感官源的多感官相互作用以非线性方式结合,导致RT加速(例如RT促进)加速到多感官刺激。

多感官研究人员面临的一个主要障碍是如何最好地量化整合效应。例如,在最基本的行为多感官范式中,要求参与者执行简单的反应时间任务,收集有关准确性和速度的信息。这种多感官数据可以在面值下使用,或使用各种数学应用进行操作,包括但不限于最大可能性估计18、19、CDFs11以及各种其他统计方法。我们以前的大多数多感官研究都采用定量和概率方法,其中多感官综合效应的计算方法为 1)从平均反应时间将平均反应时间 (RT) 减去到多感官事件(RT)到最短的单感官事件,2)通过使用CDF来确定RT促进是否由多余感官信息8、20、21的协同相互作用产生。22,23.然而,前一种方法可能对综合过程中的个体差异不敏感,研究人员自认为,后来的方法(即CDFs)可以为量化多感官提供更好的代理综合效应24。

Gondan和Minakata最近发表了一个教程,关于如何准确测试种族模型不平等(RMI),因为研究人员经常在获取和预处理阶段的RT数据收集和准备25无数错误。首先,作者认为,在设置了某些优先次序最小值和最大 RT 限制的情况下,应用数据修整过程是不利的。他们建议将慢速和省略的响应设置为无穷大,而不是排除。其次,鉴于 RMI 在任何延迟时都可能遭到违反,因此通常使用多个 t 检验测试在不同时间点(即分位数)测试 RMI;不幸的是,这种做法导致第一类错误增加,统计能力大大降低。为了避免这些问题,建议在一个特定时间范围内测试 RMI。一些研究人员认为,测试反应的最快四分位数(0-25%)26或一些预先识别的窗口(即10-25%)24,27是有意义的,因为通常观察到多感官积分效应在那个时间间隔内;但是,我们认为要测试的百分位数范围必须由实际数据集决定(请参阅协议第 5 节)。依赖来自年轻人的已公布数据或计算机模拟的问题在于,老年人的RT分布非常不同,这可能是由于与年龄相关的感觉系统下降。种族模型显著性测试只应在研究组实际和预测 CDF 之间组平均差波的违反部分(正值)进行测试。

为此,使用传统测试16和Gondan及其同事25提出的原则,证明了健康老年人多感官整合的保护作用。事实上,视觉感觉RMI(多感官整合的代理)的较大幅度被发现与更好的平衡性能、较低的事故坠落概率和增加的空间步态性能有关28,29 。

当前实验的目的是为研究人员提供一个分步教程,以使用 RMI 计算多感官集成效应的大小,从而促进跨区域增加各种翻译研究的编制许多不同的临床人群。请注意,目前研究中提供的数据来自最近发表的对健康老年人28、29进行的视觉体感实验,但这种方法可以应用于不同人群的不同实验设计,利用多感官组合的宽阵列。

Subscription Required. Please recommend JoVE to your librarian.

Protocol

所有参与者都提供了对实验程序的书面知情同意,这些程序得到了阿尔伯特·爱因斯坦医学院机构审查委员会的批准。

1. 参与者招聘、纳入标准和同意

  1. 招募一大群讲英语的人,他们可以独立工作,并且没有显著的感官损失;干扰实验评估的活跃神经或精神障碍;以及影响移动性的当前/未来的医疗程序。
  2. 确保每位参与者都能成功完成感官筛查考试,在考试中,视觉、听觉和躯体感官敏锐度得到正式测试,以确认学习是否合适。
    1. 使用 Snellen 眼图确保双边视力优于或等于 20/100。
    2. 使用音调发射型示音器,确保参与者在 25 dB30下至少能够听到 2,000 Hz 的音调。
    3. 确定参与者是否维持临床神经病变的诊断,以及它是否干扰了感觉实验躯体感觉刺激21、28、29的能力。
    4. 如果参与者无法满足这些最低感官要求,请勿将其包括在研究中。
  3. 通过从可靠的筛查工具(如 AD8 痴呆症筛查访谈截止分数 #2 31,32;和内存损伤屏幕 MIS;截止分数 < 533.
  4. 如果参与者愿意参加,请参与者对实验程序(由当地机构审查委员会批准)提供书面知情同意。

2. 实验设计

  1. 使用刺激演示软件对三种实验条件进行简单的反应时间实验编程:单独视觉(V),单独体感(S),同时进行视觉体感(VS)。通知参与者尽快对每种感官刺激做出反应,无论条件如何。有关 VS 简单 RT 任务的示例(补充文件 1),请参阅补充文件。
    1. 使用带三个控制箱(30.48 mm × 20.32 mm × 12.70 mm)的刺激发电机和用于刺激器的塑料外壳。左右控制盒包含双边蓝色发光二极管(LED;直径15.88厘米),用于视觉刺激照明,双边电机具有0.8G振动振幅,振动用于体感刺激(相当于手机振动)22,23,28。
    2. 确保刺激发生器提供单感官(仅视觉或躯体感觉)以及多感官(同时视觉和躯体感觉)刺激。将中心虚拟控制盒与 2.1.1 中描述的左右控制框等距(28 厘米)放置。并贴上视觉目标贴纸(直径0.4厘米的中心圆圈)作为固定点。
    3. 通过并行端口将刺激发生器连接到实验计算机,该端口允许直接控制每个刺激器。
    4. 对刺激表示软件进行编程,通过并行端口将晶体管-晶体管逻辑(TTL,5 V)脉冲直接发送到触发刺激发生器。将刺激演示时间设置为 100 ms 的持续时间。
  2. 在刺激演示软件中,为这个简单的反应时间实验编程至少3个实验块,每个实验包括45个试验(随机顺序显示每种刺激条件的15个试验),总共135个刺激演示。
  3. 在 1 到 3 秒之间随机改变刺激间隔,以防止预期效果。或者,插入刺激参数与上述相同但TTL脉冲未发送的捕获试验,因此不会发生视觉或躯体感官刺激,因此,预计不会做出任何反应。
  4. 允许高达 2,000 毫秒的参与者对任何给定的刺激条件做出反应。如果在 2,000 ms 响应期间未检测到响应,请确保刺激演示软件自动进入下一次试用。
    注:此响应窗口截止是任意的,但必须将总实验时间保持在最小;因此,必须将实验时间保持在最小。请注意,无论如何,较长的 RT 都将设置为无穷大。
  5. 通过在刺激演示软件中编程 20 s 的中断来分离三个实验块,以减少潜在的疲劳并提高浓度。确保每个后续块在 20 s 中断结束后立即开始。
  6. 程序书面说明显示在视觉显示屏上(实验计算机的监视器)。补充材料中提供了确切的说明。要求学员在准备开始时用右脚推反应垫,以开始实验。一旦对刺激参数进行编程,刺激演示软件就会创建一个脚本,该脚本将在每个参与者上运行。
  7. 提供参与者 ID 和会话编号以运行实验脚本。实验完成后,将为每个参与者生成唯一的行为数据日志(有关示例 Eprime 2.0 输出文件,请参阅补充文件2)。

3. 设备和任务

  1. 让参与者直立坐,舒适地把手放在左右控制盒上。
    1. 战略性地将食指放在安装在控制箱背面的振动电机上,拇指放在控制箱前部,在 LED 下方不遮挡光线(参见图 1)。
    2. 通过向参与者提供耳机,确保躯体感官刺激听不到,耳机在舒适的水平(通常为 65-75 dB)播放连续的白噪声。
  2. 指导参与者尽快对所有刺激做出反应。
    1. 要求参与者使用位于右脚下方的脚踏板作为反应垫,因为手指将接受躯体感觉刺激(见图1)。
  3. 按刺激条件计算性能准确性。
    1. 指导参与者尽快对每种实验刺激(每个情况45次)做出反应。
    2. 分别划分每个条件准确检测到的刺激数超过45(每个条件试验总数),以获得视觉、躯体感觉和VS条件的性能准确性测量。

4. 种族模型不平等数据准备(个人级别)

  1. 确定个人的行为表现是否有效。
    1. 排除在任何一个刺激条件下不能达到 70% 正确或更高的精度的参与者,因为参与者在简单反应时间任务上的性能准确性降低,个人数据的可靠性也会降低。
    2. 如果参与者未能在设定的响应时间内响应刺激,并将相应的 RT 设置为无穷大,而不是将试验排除在分析25、28中,则考虑试验不准确(省略)。
      注:在以前的研究中,在所有条件下,组平均(n=289)刺激检测率为96%,超过90%的人群中在所有条件下的检测率都在90%以上。
    3. 不要采用删除非常慢的 RT 的数据修整过程,因为这将影响 RT 数据的分发。25确保明显异常值的 R 设置为无穷大。请参阅补充文件,说明基于数据修整过程和包含慢速 RT 的 CDF 更改(补充文件 3)。
  2. 组织 RT 数据。
    1. 按实验条件按升序对 RT 数据进行排序。将视觉、躯体感觉和 VS 条件放在已排序 RT 数据的独立列中。确保每行表示一个试验,每个单元格表示实际 RT(或省略或慢速试验时为无穷大)。
  3. 将 RT 数据装箱。
    1. 识别最快的 RT(以任何条件 - 橙色椭圆)和最慢的 RT(以任何条件为/小时,以任何条件为红色椭圆)。从最快值(例如 740 ms = 237 ms)中减去最慢的 RT,以计算所有测试条件下的单个 RT 范围(503ms;蓝色椭圆)。表 1演示如何计算个人的 RT 范围,并描绘各种颜色椭圆。
    2. Bin RT 数据从 0%(本例中最快的 RT = 237)到 100%(或本例中最慢的 RT = 740),以 5% 为增量,通过采用最快的 RT 并逐渐添加 4.3.1 中标识的 RT 范围的 5%,直到 100% 的 RT 数据得到计算(参见表 2).这将导致 21 次箱。
      注:在表 2 - 1%ile 中仅包含在工作表中,仅用于说明目的。
  4. 计算实验条件的累积分配频率 (CDF)。
    1. 使用电子表格软件,使用"频率"函数,其中数组1等于其中一个实验条件的实际 RT,数组 2 等于步骤 4.3 中计算的 21 个量化 RT,除以每个条件的试验总数 (45)。如图2a所示。
    2. 对另外两个实验条件(图2b-2c)重复此函数,以填充三个实验条件中每个时间箱中每个时间箱内发生的RT频率(或概率(P)。
    3. 接下来,通过对三个实验条件(0%、0+5%、0+5、0+5+10%、0+5+10、0+5+10+15%等)的累积分布频率 (CDF) 求和。例如,在 Soma 条件的累积概率列(AE 列)中,95%的纵场范围(单元格 AE22)的累积概率是单元格 Z3:Z23 中概率值的总和(参见图 3)。
  5. 实际与预测 CDF。
    1. 确保多感官条件的 CDF 表示实际CDF(参见图4列自动对焦和绘制的紫色轨迹)。要计算预测的CDF(列 AG),在 21 个量化时间箱中分别计算两个单感官 CDF(上限设置为 1)(参见图 5)。从第 0 个百分位数(bin 1)开始,一直一直向下一直向下到第 100 个百分位数(bin 21)。
  6. 进行种族模型不等式 (RMI) 测试。
    1. 从 21 个量化时间箱中每个个实际 CDF中减去预测的CDF(在 4.5.2 中计算),以获得差值(列 AH;参见图 6)。
    2. 将这 21 个值绘制为线图,其中 x 轴表示每个量化时间箱(列 AC),y 轴表示实际和预测的 CDF 之间的概率差(列 AH;图 7(黑色跟踪)。
    3. 检查任何延迟(即分位数)的正值,这些延迟指示单感官刺激的集成,并反映对 RMI 的违反(参见图 7中差波的绿色突出显示部分,从 0.00 到 0.10 )。

5. 多感官效应(组级)的量化。

  1. 对所有参与者的单个 RMI 数据进行分组平均(预测CDF 与每个 21 次 bin的实际CDF 之间的差异;步骤 4.6.1- 列 AH)。使用电子表格软件将个人分配到行和时间箱作为列。在新的电子表格中,将计算在 4.6.1 中的 21 个值放在单个行(每个参与者 1 行)中,并将平均值放在时间箱中,以创建一个组平均差值波形。
  2. 将组平均 21 个值绘制为线图,其中 x 轴表示每个量化时间箱,y 轴表示 CDF 之间的概率差。
  3. 目视检查和记录组平均差波的违反部分(即正值)。
  4. 运行 Gondan 的 RMI 排列测试 (R 脚本可免费下载)26,以确定在步骤 5.3 中标识的正值上是否存在对 RMI 的具有统计显著性的违规。
    1. 将数据组织在一个文本文件中,其中第一列为观察者(例如,参与者 ID)命名"Obs",第二列为刺激条件(V、S 或 VS)命名"Cond",第三列为实际 RT 命名为"RT",如果设置为无穷大,则为"Inf"。
    2. 打开软件,确定要测试的时间箱(基于 5.3 中标识的正时间箱),然后输入在 5.4.1 中创建的文本文件名。
    3. 通过调用脚本运行测试。结果将提供t最大值、95% 标准和 p 值,这将有助于确定在整个研究样本中是否存在对 Race 模型的重大违规。
  5. 在步骤 5.3 中建立明显违反的百分位数箱后,计算每个人的曲线下区域 (AUC)。AUC 将作为多感官集成(或独立变量)的大小。要计算 AUC,请使用参与者 1 的数据作为示例,对于图 8a-d 所示的百分位数箱0.00 - 0.15 。
    1. 将时间箱 1(第 1个时间正值)处的 CDF 差值与时间箱 2 的 CDF 差值(下一个正值)相加,然后将该值除以 2(参见图 8a)。重复步骤 5.3.1。对于包含正值的每个连续时间箱(参见图 8b-8c)。
    2. 将从步骤 5.5.1 - 5.5.2 中获得的结果相加。在违反的百分位数范围内生成 CDF 差值波的总 AUC(例如,图 8d中的 0.00 = 0.15)。
      注: AUC 是一个连续度量值,对于 RMI 的违规部分,每个个体都存在一个 AUC 值(图 8d红色椭圆 = 参与者 1 的 AUC = 0.13)。AUC可用作代表"VS整合量"的独立变量,可以稍后进行测试以预测重要的临床结果测量(另见28,29)。
  6. 在步骤 5.3 中显著违反的百分位数范围内,根据违反百分位数箱的数量(表 3中灰色突出显示的灰色突出显示的值)分配多感官积分分类组。查看表3(百分位箱 0.00 = 0.15):参与者 1 的 4 个 bin 中 2 个的正值;参与者 2 的 4 个 bin 的正值;和参与者 3 的 4 个 bin 中为 0 的正值。
    1. 在 0-10个百分位数期间,根据违反百分位数(0、1、2 或 3 个 bin 的值大于零)操作分类系统。
    2. 图9描述了一个潜在的分类定义,该定义改编自马奥尼和Verghese29最近公布的数据。

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

本研究的目的是提供一个分步教程,介绍一种有条不紊的方法,以量化VS积分效应的规模,促进使用类似的实验设计和设置出版新的多感官研究(见图1) ).根据RMI AUC测量,得出多感官积分效应的幅度所需的每个步骤和计算的屏幕截图,在上面进行了描绘,如图2-8所示。

图 9显示了在 0-10% 百分位数范围内发生的组平均冲突(虚线跟踪),该值范围为 333 名老年人(另见29)。此处,这 3 个分位数的正值总数(0、1、2 或 3)分别确定分配给一个人的多感官分类组(不足、差、好或上级)。

如图9所示,组平均结果显示,在所有响应时间的十分之一以上,有显著的种族模型冲突26。虽然这种群体平均差异波形表明,平均而言,老年人表现出明显的种族模型冲突(即多感官整合效应),但我们认为,这不是一个适合所有模型的一刀切。相反,在违反的时间段(0-10%ile)下,个人的AUC为评估个体的VS整合程度提供了更好的代理,因为已记录到20-23、28,29的差异整合模式。一旦计算,VS整合的个体量级可以作为各种临床人群重要结果的连续预测。

我们建议实施一个分类系统,可能基于在组平均 RMI 冲突期间违反百分位箱的数量(值大于零),作为描述固有差异积分模式的方法。以这种方式对数据进行分类,将揭示多感官集成分类组对种族模型冲突的明显退化。

Figure 1
图 1:实验装置。使用右脚下方的脚踏板作为反应垫,要求参与者尽快对单感官和多感官刺激做出反应。这个数字已重印,经许可22,28,29。请点击此处查看此图的较大版本。

Figure 2
图 2:计算频率在每个实验条件下的指定 RT 范围内发生的 RT。a) 视觉(V);b) 体感(S);和 c) 视觉感觉 (VS)。请点击此处查看此图的较大版本。

Figure 3
图 3:为实验条件创建累积分布频率。此图描述了 Soma (S) 条件的 95%ile bin 处累积概率的总和。请点击此处查看此图的较大版本。

Figure 4
图 4:将实际 CDF(VS 条件;紫色跟踪)作为分位数的函数绘制。请点击此处查看此图的较大版本。

Figure 5
图 5:计算预测的 CDF。将两个单感官 CDF 的 CDF 求和,同时为每个分位数包括上限 = 1,从 0.00 到 1.00。请点击此处查看此图的较大版本。

Figure 6
图 6:创建种族模型不等式 (RMI)。从每个分位数的实际 CDF 中减去预测的 CDF。请点击此处查看此图的较大版本。

Figure 7
图 7:绘制各个 RMI 值。x 轴表示 21 个分位数(列 AC)中的每个,y 轴表示 CDF(列 AH)之间的概率差。RMI 的绿色突出显示部分描绘了波形的正部分或违反部分,指示多感官积分。请点击此处查看此图的较大版本。

Figure 8
图 8:计算个人在曲线下的区域 (AUC)。a) 将分位数 1 (0.00) 处的 CDF 差值与分位数 2 (0.05) 的 CDF 差值相加,然后将之除以 2 以创建 AUC 的度量值,从 0.00 到 0.05。b-c) 对每对连续的分位数重复步骤 a),以达到每个分位数范围的 AUC。d) 将每次 bin 范围的 AUC 求和,以获取 5.3 中标识的整个时间箱窗口的 AUC 总数。请注意,此示例包括较宽的分位数范围 (0.00 - 0.15),仅用于说明目的。请点击此处查看此图的较大版本。

Figure 9
图 9:种族模型不等式:总体和按组分类。所有分位数轨迹上实际和预测的 CDF 之间的组平均差由虚线跟踪表示。实心轨迹表示上面根据违反的分位数条数定义的四个多感官积分分类中的每一个。这个经过修改的数字已经重新印刷,并获准29。请点击此处查看此图的较大版本。

补充文件1:Eprime 2.0中编程的样本简单反应时间范式。请点击此处下载此文件。

补充文件2:从 Eprime 2.0 中采样 RT 数据行为数据输出。请点击此处下载此文件。

补充文件3:使用和没有异常值和省略试验的 RMI 数据进行采样。请点击此处下载此文件。

表 1.按条件计算和 RT 范围计算的个人描述性统计。请点击此处下载此文件。

表2.如何基于 RT 范围绑定 RT 数据的示例。请点击此处下载此文件。

表 3.AUC 计算和识别违反的分位数 (灰色阴影区域)的示例。请点击此处下载此文件。

Subscription Required. Please recommend JoVE to your librarian.

Discussion

目前的研究目标是详细说明建立强大的多感官整合表型背后的过程。在这里,我们提供获得多感官积分效应所需的必要和关键步骤,这些效应可用于预测依赖类似神经电路的重要认知和运动结果。我们的总体目标是提供一个分步教程,用于计算多感官整合的幅度,以促进不同临床人群和年龄范围的创新和新颖的翻译多感官研究。

如上所述,Gondan 及其同事概述了这一点,因此保存个人的 RT 数据集25、28非常重要。也就是说,由于 RT 分布固有的偏差,请避免忽略非常缓慢的 RT 的数据修整过程;25,而是将省略的 R 设置为无穷大。这一步至关重要,不遵守这些简单规则将导致开发不准确的多感官整合结果。此外,种族模型显著性测试应仅针对研究队列中标识的 RMI 的组平均违规部分(即,不先验指定的窗口)进行测试。

就局限性而言,目前的实验设计基于从简单反应时间任务到同时呈现在同一地点的双边刺激的数据。我们认识到,根据研究人员感兴趣的各种假设,可以对当前的实验设计进行若干调整。我们利用这项研究作为记录强效MSI在老化的影响的跳板,但认识到各种实验适应(例如,不同的双感觉甚至三感组合,不同的刺激呈现开始时间,以及刺激强度的不同幅度)将提供有关这种多感官现象的大量增量信息。

我们实施了上述方法,以表明视觉-躯体感觉整合与平衡28和事件下降28之间的显著关联,其中具有更大多感官整合的老年人能力表现更好的平衡性能,更少的事件下降。同样,我们证明,视觉-感觉整合的大小是步态29空间方面的有力预测因素,其中视觉-感觉整合较差的个体表现出步速较慢,步速变短,并增加双重支持。将来,该方法应用于揭示MSI与认知状态等其他重要临床结果的关系,并有助于识别衰老中的关键功能和结构多感官整合神经网络和其他临床人群。

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

报告没有利益冲突,提交人没有什么可透露的。

Acknowledgments

目前的工作由国家卫生研究所(K01AG049813至JRM)的国家老龄问题研究所支持。补充资金由阿尔伯特·爱因斯坦医学院的雷斯尼克老年学中心提供。特别感谢所有志愿者和科研人员为这个项目提供的特殊支持。

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

行为 问题 147 多感官集成 传感器电机集成 种族模型不平等 冗余信号效应 老化
使用种族模型不平等来量化行为多感官整合效应
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