Waiting
Login processing...

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

Behavior

Использование неравенства модели расы для количественной оценки эффектов мультисенсорной интеграции

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

Нынешнее исследование направлено на то, чтобы обеспечить пошагово-пошаговое учебное решение для расчета масштабов эффектов мультисенсорной интеграции в целях содействия проведению трансляционных исследований среди различных клинических групп населения.

Abstract

Мультисенсорные интеграционные исследования исследуют, как мозг обрабатывает одновременную сенсорную информацию. Исследования на животных (в основном кошек и приматов) и людей показывают, что нетронутая мультисенсорная интеграция имеет решающее значение для функционирования в реальном мире, в том числе когнитивных и физических нагрузок. Большая часть исследований, проведенных в течение последних нескольких десятилетий документы мультисенсорных интеграционных эффектов с использованием различных психофизических, электрофизиологических и нейровизуальных методов. Хотя было сообщено о его присутствии, методы, используемые для определения величины эффектов мультисенсорной интеграции, различаются и, как правило, сталкиваются с большой критикой. В далее, ограничения предыдущих поведенческих исследований изложены и пошаговый учебник для расчета величины мультисенсорных интеграционных эффектов с использованием надежных моделей вероятностей предоставляется.

Introduction

Взаимодействие между сенсорными системами имеет важное значение для повседневных функций. В то время как мультисенсорные интеграционные эффекты измеряются в широком диапазоне популяций с использованием различных сенсорных комбинаций и различных подходов к нейробиологии, включая, но не ограничиваясь психофизическими, электрофизиологическими и нейровизуальными методологииNo 1,2,3,4,5,6,7,8,9, в настоящее время золотой стандарт для количественной мультисенсорной интеграции не хватает. Учитывая, что мультисенсорные эксперименты обычно содержат поведенческий компонент, данные времени реакции (RT) часто исследуются, чтобы определить существование известного явления, называемого эффектом избыточных сигналов10. Как следует из названия, одновременные сенсорные сигналы обеспечивают избыток информации, которые обычно дают быстрее RTs. Гонки и модели совместной активации используются для объяснения вышеупомянутого избыточного эффекта сигналов11. В гонках модели, unisensory сигнал, который обрабатывается быстрее всего является победителем гонки и несет ответственность за производство поведенческой реакции. Однако, фактические данные для совместной активации происходит, когда ответы на мультисенсорные стимулы быстрее, чем то, что предсказывают расовые модели.

Более ранние версии модели гонки по своей сути спорные12,13, как они называются некоторыми как чрезмерно консервативные14,15 и якобы содержат ограничения в отношении независимости между составными односенсорными временами обнаружения, присущими мультисенсорному состоянию16. Стремясь устранить некоторые из этих ограничений, Colonius и Diederich16 разработали более обычный тест модели гонки:

Equation 1,

где кумулятивные частоты распределения (CDFs) несенсорных условий (например, A и B; с верхним пределом одного) сравниваются с CDF одновременного мультисенсорного состояния (например, AB) для любой данной задержки(t)11, 16 Год , 17. В целом, CDF определяет, как часто происходит RT, в пределах заданного диапазона РТ, разделенных на общее количество презентаций стимулов (т.е. испытаний). Если CDF фактического мультисенсорного состояния Equation 2 меньше или равна прогнозируемому CDF, полученному из несенсорных условий

Equation 3,

затем модель гонки принимается, и нет никаких доказательств для сенсорной интеграции. Однако, когда мультисенсорный CDF больше, чем прогнозируемый CDF, полученный из несенсорных условий, модель гонки отклоняется. Отказ от гоночной модели указывает на то, что мультисенсорные взаимодействия из избыточных сенсорных источников объединяются нелинейным образом, что приводит к ускорению РТ (например, упрощение РТ) к мультисенсорным стимулам.

Одним из основных препятствий, с которым сталкиваются мультисенсорные исследователи, является то, как лучше всего количественно определить интеграционные эффекты. Например, в случае с самой основной поведенческой мультисенсорной парадигмой, где участникам предлагается выполнить простую задачу по времени реакции, собирается информация о точности и скорости. Такие мультисенсорные данные могут быть использованы по номинальной стоимости или манипулировать с помощью различных математических приложений, включая, но не ограничиваясь максимальной оценкой вероятности18,19,CDFs11, и различные другие статистические Подходы. Большинство наших предыдущих мультисенсорных исследований использовали как количественные, так и вероятностные подходы, в которых мультисенсорные интегративные эффекты были рассчитаны на 1) вычитание среднего времени реакции (RT) в мультисенсорное событие от среднего времени реакции ( RT) к кратчайшем несенсорному событию, и 2) с помощью CDFs, чтобы определить, является ли содействие RT результатом синергетических взаимодействий, облегчаемых избыточной сенсорной информацией8,20,21, 22 Г. , 23.Однако, бывшая методология, вероятно, не чувствительны к индивидуальным различиям в интегративных процессах, и исследователи с тех пор полагают, что более поздняя методология (т.е. CDFs) может обеспечить лучшее прокси для количественной оценки мультисенсорных интегративные эффекты24.

Гондан и Минаката недавно опубликовали учебник о том, как точно проверить неравенство модели гонки (RMI), так как исследователи слишком часто делают бесчисленные ошибки на этапах приобретения и предварительной обработки данных RT сбора и подготовки25. Во-первых, авторы полагают, что это неблагоприятно применять процедуры обрезки данных, где установлены определенные априори минимальные и максимальные лимиты RT. Они рекомендуют, чтобы медленные и опущенные ответы были поставлены на бесконечность, а не исключались. Во-вторых, учитывая, что RMI может быть нарушен при любой задержке, несколько T-тестов часто используются для тестирования RMI в разных точках времени (т.е. количественные); к сожалению, эта практика приводит к увеличению погрешности типа I и существенному снижению статистической мощности. Чтобы избежать этих проблем, рекомендуется, чтобы RMI были протестированы в течение одного конкретного диапазона времени. Некоторые исследователи предположили, что имеет смысл проверить самый быстрый квартил реакций (0-25%)26 или некоторые предварительно идентифицированные окна (т.е. 10-25%)24,27 как мультисенсорные интеграционные эффекты, как правило, наблюдается в течение этого интервала времени; однако мы утверждаем, что протестированный диапазон процентиля должен быть продиктован фактическим набором данных (см. Раздел протокола 5). Проблема с опорой на опубликованные данные от молодых людей или компьютерного моделирования является то, что пожилые люди проявляют очень разные распределения RT, вероятно, из-за возрастных сокращений сенсорных систем. Тестирование значения модели гонки должно быть проверено только на нарушенных частях (положительных значениях) группо-средней разницы волны между фактическими и прогнозируемыми CDFs от когорты исследования.

С этой целью был продемонстрирован защитный эффект мультисенсорной интеграции у здоровых пожилых людей с использованием обычного теста гоночной модели16 и принципов, изложенных Гонданом и коллегами25. В самом деле, большая величина визуально-соматосенсорной RMI (прокси для мультисенсорной интеграции) было установлено, что связано с лучшей производительности баланса, более низкая вероятность падения инцидента и увеличение пространственной походки производительность28,29.

Цель нынешнего эксперимента заключается в том, чтобы предоставить исследователям пошаговую инструкцию для расчета масштабов мультисенсорных интеграционных эффектов с использованием RMI, чтобы облегчить увеличение производства различных трансляционных исследований по всей различных клинических популяций. Обратите внимание, что данные, представленные в текущем исследовании, взяты из недавно опубликованных визуально-соматосенсорных экспериментов, проведенных на здоровых пожилых людей28,29, но эта методология может быть применена к различным когортам во многих различных экспериментальных конструкций, используя широкий спектр мультисенсорных комбинаций.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Все участники представили письменное информированное согласие на экспериментальные процедуры, которые были одобрены институциональным наблюдательным советом Медицинского колледжа Альберта Эйнштейна.

1. Набор участников, критерии инклюзивности и согласие

  1. Нанять относительно большую когорту англоговорящих людей, которые могут самостоятельно ампутировать и свободны от значительных сенсорных потерь; активные неврологические или психические расстройства, которые мешают экспериментальным оценкам; и текущие/будущие медицинские процедуры, влияющие на мобильность.
  2. Убедитесь, что каждый участник может успешно пройти сенсорный скрининг-экзамен, где визуальная, слуховая и соматосенсорная острота официально протестирована для подтверждения целесообразности исследования.
    1. Используйте диаграмму глаз Snellen, чтобы гарантировать, что двусторонняя острота зрения лучше или равна 20/100.
    2. Используйте тон-излучающий отоскоп, чтобы гарантировать, что участники, как минимум, могут услышать тон 2000 Гц при 25 дБ30.
    3. Определите, поддерживают ли участники диагноз клинической невропатии и мешает ли она способности чувствовать экспериментальную соматосенсорную стимуляцию21,28,29.
    4. Если участник не в состоянии удовлетворить эти минимальные сенсорные требования, не включайте их в исследование.
  3. Исключить пожилых людей с деменцией путем реализации cut-scores из надежных инструментов скрининга, таких как AD8 Деменция Скрининг Скрининг Скрининг Оценка No 2 31,32; и экран нарушения памяти MIS; счет отсечения Злт; 533.
  4. Предоставьте участникам письменное информированное согласие на экспериментальные процедуры (утвержденные местным институциональным наблюдательным советом), если они готовы принять участие.

2. Экспериментальный дизайн

  1. Используйте программное обеспечение для презентации стимулов для программирования простого эксперимента времени реакции с тремя экспериментальными условиями: визуальный (V) в одиночку, соматосенсорный (S) в одиночку, и одновременный визуально-соматосенсорной (VS). Сообщите участникам, чтобы реагировать на каждый сенсорный стимул, независимо от состояния, как можно быстрее. Смотрите дополнительные файлы для примера простой задачи VS RT(Дополнительный файл 1).
    1. Используйте генератор стимулов с тремя контрольными коробками (30,48 мм и 20,32 мм и 12,70 мм) и пластиковым корпусом для стимуляторов. Левые и правые пульты управления содержат двусторонние синие светоизлучающие диоды (СВЕТОДИОДы; диаметр 15,88 см), которые освещают для визуальной стимуляции и двусторонние двигатели с амплитудой 0,8 Г, которые вибрируют для стимуляции соматосенсорной (эквивалент вибрация сотового телефона)22,23,28.
    2. Убедитесь, что стимул генераторы обеспечивают как unisensory (визуальный или соматосенсорной в одиночку), а также мультисенсорной (одновременный визуальный и соматосенсорной) стимуляции. Поместите центр манекена коробки управления equidistant (28 см) от левой и правой коробки управления, описанные в 2.1.1. и прикрепить визуальную целевую наклейку (центральный круг диаметром 0,4 см) в качестве точки фиксации.
    3. Подключите генератор стимулов к экспериментальному компьютеру через параллельный порт, который позволяет прямоконтролировать каждый стимулятор.
    4. Программа стимул презентации программного обеспечения для отправки транзистор-транзистор-логика (TTL, 5 V) импульсы для триггера стимул генераторов и выключается непосредственно через параллельный порт. Установите время презентации стимула до 100 мс в продолжительности.
  2. В программе презентации стимула, программа минимум 3 экспериментальных блоков каждый, состоящий из 45 испытаний (15 испытаний каждого состояния стимула представлены в случайном порядке) в общей сложности 135 стимул презентаций для этого простого эксперимента времени реакции.
  3. Варить межстимул-интервал случайным образом между 1 и 3 с для предотвращения упреждающих эффектов. Кроме того, вставьте поймать испытаний, где параметры стимула такие же, как выше, но импульс TTL не отправляется, таким образом, не визуальный или соматосенсорной стимуляции происходит и, следовательно, никакой реакции не ожидается.
  4. Разрешить участникам до 2000 мс реагировать на любое данное состояние стимула. Если ответ не обнаружен в течение периода отклика 2000 мс, убедитесь, что программное обеспечение для презентации стимулов автоматически переходит к следующему испытанию.
    ПРИМЕЧАНИЕ: Это отключение окна ответа является произвольным, но необходимым для того, чтобы свести общее экспериментальное время к минимуму; обратите внимание, что больше RTs будет установлен на бесконечность независимо.
  5. Отделите три экспериментальных блока, запрограммировав 20-летние перерывы в программном обеспечении для презентации стимулов, чтобы уменьшить потенциальную усталость и увеличить концентрацию. Убедитесь, что каждый последующий блок начинается сразу после завершения 20-го перерыва.
  6. Программа письменные инструкции, чтобы появиться на визуальном дисплее (монитор экспериментального компьютера). Точные инструкции приведены в дополнительном материале. Попросите участника начать эксперимент, нажав на площадку для ответов правой ногой, когда он будет готов к началу. Как только параметры стимула запрограммированы, программное обеспечение для презентации стимулов создает сценарий, который должен быть запущен на каждом участнике.
  7. Предоставьте идентификатор участника и номер сеанса для запуска экспериментального сценария. После завершения эксперимента для каждого участника будет создан уникальный журнал поведенческих данных (см. Дополнительный файл 2 для образца выходного файла Eprime 2.0).

3. Аппарат и задача

  1. Поимеют участники сидеть вертикально и удобно отдохнуть руки на левой и правой коробки управления.
    1. Стратегически поместите указательные пальцы над вибрационными двигателями, установленными на задней части коробки управления, и большими пальцами на передней панели управления, под светодиодом, чтобы не блокировать свет (см. рисунок1).
    2. Убедитесь, что соматосенсорные стимулы не слышны, предоставляя участникам наушники, над которыми непрерывный белый шум играется на комфортном уровне (обычно 65-75 дБ).
  2. Поручить участникам реагировать на все стимулы как можно быстрее.
    1. Попросите участников использовать педаль ноги, расположенную под правой ногой, в качестве ответной площадки, так как пальцы будут принимать соматосенсорную стимуляцию (см. рисунок1).
  3. Рассчитайте точность производительности по состоянию стимула.
    1. Поручить участникам реагировать на каждый из экспериментальных стимулов (45 за состояние) как можно быстрее.
    2. Разделите количество точно обнаруженных стимулов на состояние более 45 (общее количество испытаний на состояние) для получения показателей точности производительности для визуальных, соматосенсорных и VS условий, соответственно.

4. Подготовка данных о неравенстве модели расы (индивидуальный уровень)

  1. Определите, является ли поведенческая производительность человека действительной.
    1. Исключите участников, которые не в состоянии достичь точности 70% правильно или больше на какой-либо одном состоянии стимула, как точность производительности участника на простой задаче времени реакции снижается, так же как и надежность данных человека.
    2. Считайте испытания неточными (опущенными), если участник не реагирует на стимул в течение установленного периода отклика и устанавливает соответствующий RT до бесконечности, а не исключая испытание из анализа25,28.
      ПРИМЕЧАНИЕ: В предыдущих исследованиях, группа-средний (n'289) обнаружения стимулов было 96% во всех условиях, и более 90% населения было обнаружения ставки выше 90% для всех условий28.
    3. Не используйте процедуры обрезки данных, которые удаляют очень медленные РТ, так как это будет смещением распределения данных RT. 25 Убедитесь, что RTs, которые явно выбросы установлены на бесконечность. Смотрите дополнительный файл с изображением изменений в CDF на основе процедур обрезки данных и включения медленных РТ(Дополнительный файл 3).
  2. Организуйте данные RT.
    1. Сортируйте данные RT в порядке возрастания по экспериментальному состоянию. Поместите визуальные, соматосенсорные и VS условия в отдельные столбцы отсортированных данных RT. Убедитесь, что каждая строка представляет собой одно испытание, и каждая ячейка представляет фактический RT (или бесконечность в случае опущенных или медленных испытаний).
  3. Бин данных RT.
    1. Определите самый быстрый RT (в зависимости от состояния - оранжевый эллипс) и самый медленный RT (в зависимости от состояния-красный эллипс). Вычесть самый медленный RT из самых быстрых (например, 740 мс - 237 мс) для того, чтобы вычислить диапазон RT человека (503 ms; синий эллипс) через все условия тестирования. В таблице 1 показано, как рассчитать диапазон RT человека и изображает различные цветовые элипсы.
    2. Данные Bin RT от 0% (самый быстрый RT 237 в этом примере) до 100% (или самый медленный RT 740 в этом примере) в 5% приращений, взяв самый быстрый RT и постепенно добавляя 5% диапазона RT, выявленные в 4.3.1 до 100% данных RT приходится на (см. таблицу 2 ). Это приведет к 21-раз бункеров.
      ПРИМЕЧАНИЕ: В таблице 2 - 1%ile включен только в лист только для иллюстративных целей.
  4. Рассчитайте кумулятивную частоту распределения (CDF) для экспериментальных условий.
    1. Используя программное обеспечение для электронных таблиц, используйте функцию "FREQUENCY", в которой array1 равен фактическим RT для одного из экспериментальных условий, а array2 равен 21 квантовой ячейке RT, рассчитанной в шаге 4.3, разделенной на общее количество испытаний (45) на одно условие. Это иллюстрируется на рисунке 2a.
    2. Повторите эту функцию для двух других экспериментальных условий(рисунок 2b-2c),чтобы заполнить частоты (или вероятность (P)) RT, происходящих в каждом из 21 квантизированных временных ячеек, для каждого из трех экспериментальных условий.
    3. Далее, создайте кумулятивную частоту распределения (CDF), подводя итоги вероятностей в квантовые ячейки (0%, 0,5%, 0'5'10%, 0'5'10"15% и т.д.) для каждого из трех экспериментальных условий. Например, в кумулятивной колонке вероятности для состояния Сомы (колонка AE) кумулятивной вероятностью для диапазона 95%ile (ячейка AE22) является суммирование значений вероятности в ячейках No3: No23 (см. рисунок 3).
  5. Фактические против прогнозируемых CDF.
    1. Убедитесь, что CDF мультисенсорного состояния представляет фактический CDF (см. Рисунок 4 столбец AF и нарисованный фиолетовый след). Чтобы вычислить прогнозируемые CDF (колонка AG), сумма двух unisensory CDFs (с верхним пределом, установленным на 1) через каждый из 21 квантизированных временных ячеек (см. рисунок5). Начните с 0-го процентиля (бин 1) и продолжайте вплоть до 100-й процентиль (бин 21).
  6. Провести тест неравенства модели гонки (RMI).
    1. Вычесть прогнозируемый CDF (рассчитанный в 4.5.2.) из фактического CDF для каждого из 21 квантизированных временных ячеек для получения значений разницы (колонка AH; см. Рисунок 6).
    2. Участок этих 21 значений в виде линейного графика, где ось x-оси представляет каждый из квантизированных временных ячеек (столбец ПЕРЕМЕН) и y-оси представляет разницу вероятности между фактическими и прогнозируемыми CDFs (колонка AH; Рисунок 7 (черный след).
    3. Проверьте положительные значения при любой задержке (т.е. количественные показатели), которые указывают на интеграцию несенсорных стимулов и отражают нарушение RMI (см. зеленую выделенную часть волны разницы от 0,00 до 0,10 на рисунке 7).

5. Количественная оценка мультисенсорного эффекта (групповой уровень).

  1. Группа-средний отдельные данные RMI (различия между прогнозируемым CDF и фактической CDF для каждого из 21-время бункеров; шаг 4.6.1- колонки AH) во всех участников. Используйте программное обеспечение электронной таблицы для обозначения отдельных лиц в строках и временных ячейках в качестве столбцов. В новой таблице поместите 21 значение, рассчитанное в 4.6.1 в отдельных строках (1 строка на участника), и средние значения в ячейках времени, чтобы создать одну групповую форму волны с разницей в среднем.
  2. Участок группы в среднем 21 значения в качестве линейного графика, где x-оси представляет каждый из квантизированных временных ячеек, а y-оси представляет разницу вероятности между CDFs.
  3. Визуально проверить и задокументировать нарушенную часть группо-средней волны разницы (т.е. положительных значений).
  4. Выполнить Gondan в RMI перестановки тест (R скрипт доступен в качестве бесплатной загрузки)26, чтобы определить, есть статистически значимое нарушение RMI над положительными значениями, определенными в шаге 5.3.
    1. Организуйте данные в одном текстовом файле, где первый столбец называется "Obs" для Observer (например, идентификатор участника), второй столбец называется "Cond" для состояния стимула (V, S, или VS), а третий столбец называется "RT" для фактического RT или "Inf", если настроен до бесконечности.
    2. Откройте программное обеспечение, определите, какие временные ячейки должны быть протестированы (на основе положительных временных ячеек, определенных в 5.3), и введите имя файла текста, созданного в 5.4.1.
    3. Выполнить тест, позвонив по скрипту. Результаты обеспечат максимальноезначение t, 95% критерий и p-значение, которое будет играть важную роль в определении того, существует ли существенное нарушение модели гонки во всей выборке исследования.
  5. Рассчитайте область под кривой (AUC) для каждого человека после установления значительно нарушенных процентильных бункеров в шаге 5.3. AUC будет служить в качестве величины мультисенсорной интеграции (или независимой переменной). Для расчета AUC используйте данные участника 1 в качестве примера, для процентильных бункеров 0,00 - 0,15, изображенных на рисунке 8a-d).
    1. Сумма cDF значение разницы во время бен 1 (1-е время положительное значение) с CDF разница значение времени бен 2 (следующее положительное значение), а затем разделить на два (см. Рисунок 8a). Повторите шаг 5.3.1. для каждой последовательной пары временных ячеек, содержащих положительные значения (см. Рисунок 8b-8c).
    2. Сумма результатов, полученных от шагов 5.5.1 - 5.5.2. для генерации общей AUC волны разницы CDF во время нарушенного диапазона процентиля (например, 0,00 - 0,15 на рисунке 8d).
      ПРИМЕЧАНИЕ: AUC является непрерывной мерой, и одно значение AUC присутствует для каждого человека для нарушенной части RMI(Рисунок 8d красный эллипс и участник 1 AUC 0,13). AUC может быть использован в качестве независимой переменной, представляющей "величину интеграции VS", которая впоследствии может быть протестирована для прогнозирования важных клинических показателей исхода (см. также28,29).
  6. Присваивай мультисенсорные группы классификации интеграции на основе количества нарушенных биненок процентиля (значения, превышающее нулевую, выделенную серым цветом в таблице3) во время значительно нарушенного перьебиля диапазона, указанного выше в шаге 5.3. Если посмотреть на таблицу 3 (процентильные бункеры 0.00 - 0.15): Участник 1 имеет положительные значения для 2 из 4 бункеров; Участник 2 имеет положительные значения для 4 из 4 бункеров; и Участник 3 имеет положительные значения для 0 из 4 бункеров.
    1. Эксплуатация системы классификации на основе количества нарушенных процентильных бункеров (значения, превышающее ноль для 0, 1, 2 или 3 бункеров) в течение 0-10 тыс. процентиля.
    2. На рисунке 9 изображено одно потенциальное определение классификации, которое адаптировано из недавно опубликованных данных, представленных Махони и Вергезе29.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Цель этого исследования состояла в том, чтобы обеспечить пошаговый учебник методического подхода к количественной оценке масштабов эффектов интеграции VS, чтобы способствовать публикации новых мультисенсорных исследований с использованием аналогичных экспериментальных конструкций и насранжок (см. рисунок 1 ). Скриншоты каждого шага и расчета, необходимые для получения величины мультисенсорных интеграционных эффектов, измеряемых RMI AUC, очерчены выше и проиллюстрированы в рисунках 2-8.

Рисунок 9 демонстрирует групповое нарушение (в среднем по группе), возникающее в диапазоне 0-10% процентиля для выборки из 333 пожилых людей (см. также29). Здесь общее количество положительных значений (0, 1, 2 или 3) для тех 3 квантилей (0.00 - 0.10) определяет, какая мультисенсорная классификационная группа назначается человеку (дефицитным, бедным, хорошим или начальником) соответственно.

Как показано на рисунке 9, группа-средние результаты демонстрируют значительное нарушение модели гонки над самой быстрой десятой всех времен отклика26. Хотя эта группа-усредненный диапазон волн предполагает, что в среднем пожилые люди демонстрируют значительное нарушение модели расы (т.е. эффекты мультисенсорной интеграции), мы утверждаем, что это не один размер подходит всем моделям. Скорее, AUC человека в соответствии с нарушенным периодом времени (0-10% ile) обеспечивает лучшее прокси для оценки величины человека VS интеграции, как дифференциальные модели интеграции были задокументированы 20-23, 28,29. После расчета, индивидуальная величина интеграции VS может служить непрерывным предиктором важных результатов в различных клинических популяциях.

Мы рекомендуем внедрить систему классификации, возможно, основанную на количестве нарушенных биненок процентиля (значения больше нуля) в период нарушения RMI в группе, как средство описания присущих дифференциальных интеграционных шаблонов. Классификация данных таким образом выявит явную деградацию нарушения модели расы группой классификации мультисенсорной интеграции.

Figure 1
Рисунок 1: Экспериментальный аппарат. Используя педаль ноги, расположенную под правой ногой в качестве ответной площадки, участникам было предложено как можно быстрее реагировать на унисенсорные и мультисенсорные стимулы. Эта цифра была перепечатана с разрешения22,28,29. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 2
Рисунок 2: Расчет частоты RT, происходящих в пределах определенного диапазона РТ для каждого экспериментального состояния. а) Визуальный (V); б) Соматосенсорная (S); и в) Визуально-соматосенсорная (VS). Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 3
Рисунок 3: Создание кумулятивной частоты распределения для экспериментальных условий. На этой цифре изображено суммирование кумулятивной вероятности в 95%ile bin для состояния Сома (S). Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 4
Рисунок 4: Планирование фактического CDF (состояние VS; фиолетовый след) в качестве функции квантильного. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 5
Рисунок 5: Расчет прогнозируемого CDF. Сумма CDFs двух unisensory CDFs, включая верхний предел No 1 для каждого из квантий от 0,00 до 1,00. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 6
Рисунок 6: Создание неравенства модели расы (RMI). Вычесть CDF предсказал CDF из фактического CDF для каждого quantile. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 7
Рисунок 7: Участок отдельных значений RMI. Ось x-оси представляет каждую из 21 квантилей (столбец переменного тока), а y-оси представляет разницу вероятности между CF (колонка AH). Зеленая выделенная часть RMI изображает положительную или нарушенную часть волновой формы, что свидетельствует о мультисенсорной интеграции. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 8
Рисунок 8: Расчет области человека-под-кривой (AUC). а) Сумма значения разницы CDF на quantile 1 (0.00) с значением разницы CDF quantile 2 (0.05) и после этого разделено на 2 для того чтобы создать измерение AUC от 0.00 - 0.05. b-c) Повторите шаг a) для каждой последовательной пары квантилей (например, 0.05 - 0.10 и 0.10 - 0.15) для достижения AUC для каждого квантиля диапазона. г) Сумма AUC для каждого диапазона бен времени, чтобы получить общий AUC за все время бен окно определены в 5.3. Обратите внимание, что этот пример включает более широкий диапазон квантильных (0.00 - 0.15) только для иллюстративных целей. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 9
Рисунок 9: Неравенство модели расы: в целом и по классификации групп. В среднем по группе разница между фактическими и прогнозируемыми CdFs по траектории всех квантилов представлена разбитым следом. Твердые следы представляют собой каждую из четырех мультисенсорных классификаций интеграции, определенных выше, на основе количества нарушенных квантиля. Эта адаптированная цифра была переиздана с разрешения29. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Дополнительный файл 1: Пример простой парадигмы времени реакции, запрограммированной в Eprime 2.0. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Дополнительный файл 2: Пример данных RT, вывод данных из Eprime 2.0. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Дополнительный файл 3: Пример данных RMI с выбросами и без выбросов и опущенных испытаний. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Таблица 1. Индивидуальная описательная статистика по состоянию и расчету диапазона RT. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Таблица 2. Пример того, как бин данные RT на основе диапазона RT. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Таблица 3. Пример расчета AUC и идентификации q нарушенных квантий (серая затененные области). Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Цель нынешнего исследования заключалась в том, чтобы подробно изучить процесс создания надежного мультисенсорного фенотипа интеграции. Здесь мы предоставляем необходимые и критические шаги, необходимые для приобретения мультисенсорных интеграционных эффектов, которые могут быть использованы для прогнозирования важных когнитивных и двигательных результатов, опираясь на аналогичные нейронные схемы. Наша общая цель состояла в том, чтобы обеспечить пошагово-пошаговое руководство для расчета масштабов мультисенсорной интеграции в целях содействия инновационным и новым переводческим мультисенсорным исследованиям в различных клинических популяциях и возрастных диапазонах.

Как сказано выше и изложены Гондан и коллеги, это очень важно, чтобы сохранить данные RT человека25,28. То есть, избегайте процедур обрезки данных, которые опускают очень медленные РТ, учитывая присущую им предвзятость в распределении RT; 25 вместо этого, установить опущены и медленно RTs до бесконечности. Этот шаг имеет решающее значение, и несоблюдение этих простых правил приведет к разработке неточных результатов мультисенсорной интеграции. Кроме того, тестирование значения расовой модели должно быть проверено только на групповых нарушенных участках RMI, определенных в когорте исследования (т.е. не априори указанные окна).

С точки зрения ограничений нынешняя экспериментальная конструкция основывалась на данных, полученных от простой задачи по времени реакции до двусторонних стимулов, которые были представлены в одном и том же месте и точно в то же время. Мы признаем, что несколько адаптаций к текущей экспериментальной конструкции могут быть сделаны в зависимости от различных гипотез, что исследователи заинтересованы в изучении. Мы используем это исследование в качестве стартовой площадки для документирования надежных эффектов MSI в старении, но признаем, что реализация различных экспериментальных адаптаций (например, различные би- и даже три-сенсорные комбинации, разнообразные времена презентации стимула, и дифференциальной величины интенсивности стимулов) обеспечит множество инкрементной информации об этом мультисенсорном явлении.

Мы внедрили вышеупомянутый подход, чтобы продемонстрировать значительную связь между величиной визуально-соматосенсорной интеграции с балансом28 и инцидентом падает28, где пожилые люди с большей мультисенсорной интеграции способности проявляются лучше баланс производительности и меньше инцидентпадает. Аналогичным образом, мы демонстрируем, что величина визуально-соматосенсорной интеграции была сильным предиктором пространственных аспектов походки29, где люди с худшей визуально-соматосенсорной интеграцией продемонстрировали более низкую скорость походки, более короткие шаги, и увеличение двойной поддержки. В будущем, эта методология должна быть использована для выявления связи MSI с другими важными клиническими исходами, такими как когнитивный статус, и помощь в выявлении критических функциональных и структурных мультисенсорных интегративных нейронных сетей в старении и других клинических популяций.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Конфликта интересов в отчетах нет, и авторам нечего раскрывать.

Acknowledgments

В настоящее время работа поддерживается Национальным институтом по проблемам старения при Национальном институте здравоохранения (K01AG049813 до JRM). Дополнительное финансирование было предоставлено Ресником Геронтологического центра Медицинского колледжа Альберта Эйнштейна. Особая благодарность всем добровольцам и научно-исследовательскому персоналу за исключительную поддержку в этом проекте.

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

Поведение Выпуск 147 мультисенсорная интеграция сенсорная интеграция Неравенство гоночной модели эффект избыточных сигналов старение
Использование неравенства модели расы для количественной оценки эффектов мультисенсорной интеграции
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