Waiting
Login processing...

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

Behavior

Brug af race model ulighed for at kvantificere adfærdsmæssige multisensoriske integrations effekter

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

Den nuværende undersøgelse har til formål at give en trin-for-trin tutorial til beregning af omfanget af multisensoriske integration effekter i et forsøg på at lette produktionen af translationelle forskningsundersøgelser på tværs af forskellige kliniske populationer.

Abstract

Forskning i multisensorisk integration undersøger, hvordan hjernen behandler samtidige sensoriske oplysninger. Forskning på dyr (især katte og primater) og mennesker afslører, at intakt multisensorisk integration er afgørende for at fungere i den virkelige verden, herunder både kognitive og fysiske aktiviteter. Meget af den forskning, gennemført i løbet af de sidste mange årtier dokumenter multisensoriske integration effekter ved hjælp af forskellige psykofysiske, elektrofysiologiske, og Neuro Imaging teknikker. Mens dens tilstedeværelse er blevet rapporteret, de metoder, der anvendes til at bestemme omfanget af multisensoriske integration effekter varierer og typisk står over for megen kritik. I det følgende beskrives begrænsningerne i tidligere adfærdsmæssige undersøgelser, og der gives et trin-for-trin-selvstudium til beregning af omfanget af multisensoriske integrations effekter ved hjælp af robuste sandsynlighedsmodeller.

Introduction

Interaktioner på tværs af sensoriske systemer er afgørende for hverdagens funktioner. Mens multisensoriske integrations effekter måles på tværs af en bred vifte af populationer ved hjælp af assorterede sensoriske kombinationer og forskellige neurovidenskabelige tilgange [herunder men ikke begrænset til den psykofysiske, elektrofysiologiske, og neuroimaging metoder]1,2,3,4,5,6,7,8,9, i øjeblikket en guld standard for der mangler kvantificering af multisensorisk integration. I betragtning af, at multisensoriske eksperimenter typisk indeholder en adfærdsmæssig komponent, er reaktionstid (RT) data ofte undersøgt for at fastslå eksistensen af et velkendt fænomen kaldet den redundante signaler effekt10. Som navnet antyder, giver samtidige sensoriske signaler overflødige oplysninger, hvilket typisk medfører hurtigere RTs. Løbs-og co-aktiverings modeller bruges til at forklare ovennævnte redundante signaleffekt11. Under Løbs modeller er unisensory-signalet, der behandles hurtigst, vinderen af løbet og er ansvarlig for at producere den adfærdsmæssige respons. Men, beviser for Co-aktivering opstår, når responser på multisensoriske stimuli er hurtigere end hvad race modeller forudsige.

Tidligere versioner af race modellen er i sagens natur kontroversielle12,13 , da de omtales af nogle som alt for konservative14,15 og angiveligt indeholder begrænsninger med hensyn til uafhængighed mellem den konstituerende unisensory detektionstid iboende i den multisensoriske tilstand16. I et forsøg på at løse nogle af disse begrænsninger, Kolonius & Diederich16 udviklet en mere konventionel race model test:

Equation 1,

hvor de kumulative fordelings frekvenser (Cdf'er) for de unisensory betingelser (f. eks. en & B med en øvre grænse på én) sammenlignes med CDF af den samtidige multisensoriske tilstand (f. eks. AB) for en given ventetid (t)11, 16 , 17. Generelt bestemmer en CDF, hvor ofte en rt opstår, inden for et givet interval af RTs, divideret med det samlede antal stimulus-præsentationer (dvs. forsøg). Hvis CDF af den faktiske multisensoriske tilstand Equation 2 er mindre end eller lig med den forventede CDF afledt af unisensory betingelser

Equation 3,

så er race model accepteret, og der er ingen beviser for sensorisk integration. Men når den multisensoriske CDF er større end den forudsagte CDF, der er afledt af unisensory-betingelserne, afvises Løbs modellen. Afvisning af race modellen indikerer, at multisensoriske interaktioner fra overflødige sensoriske kilder kombineres på en ikke-lineær måde, hvilket resulterer i en fremskyndelse af RTs (f. eks. RT-facilitering) til multisensoriske stimuli.

En hoved forhindring, som multisensoriske forskere står over for, er, hvordan man bedst kvantificerer integrations effekter. For eksempel, i tilfælde af den mest grundlæggende adfærdsmæssige multisensoriske paradigme, hvor deltagerne bliver bedt om at udføre en simpel reaktionstid opgave, oplysninger om nøjagtighed og hastighed er indsamlet. Sådanne multisensoriske data kan bruges til pålydende værdi eller manipuleret ved hjælp af forskellige matematiske anvendelser, herunder, men ikke begrænset til, maksimal sandsynlighed for estimering18,19, CDFS11og forskellige andre statistiske Tilgange. Størstedelen af vores tidligere multisensoriske undersøgelser anvendte både kvantitative og probabilistiske tilgange, hvor multisensoriske Integrative effekter blev beregnet ved 1), idet den gennemsnitlige reaktionstid (RT) blev subtrakeret til en multisensorisk hændelse fra den gennemsnitlige reaktionstid ( RT) til den korteste unisensory Event og 2) ved at ansætte cdf'er til at afgøre, om rt-facilitering skyldtes synergistiske interaktioner, som blev fremmet af overflødige sensoriske oplysninger8,20,21, 22 , 23. den tidligere metode var imidlertid sandsynligvis ikke følsom over for de individuelle forskelle i integrative processer, og forskerne har siden fastgjort, at den senere metode (dvs. CDFS) kan give en bedre fuldmagt til kvantificering af multisensoriske Integrative effekter24.

Gondan og Minakata nylig offentliggjort en tutorial om hvordan man præcist teste race model ulighed (RMI), da forskerne alt for ofte gør utallige fejl under erhvervelse og forbehandling stadier af RT dataindsamling og forberedelse25. For det første er forfatterne posit, der er ugunstige at anvende data trimning procedurer, hvor visse a priori minimum og maksimum rt grænser er indstillet. De anbefaler, at langsomme og udeladte svar sættes til uendelig, snarere end udelukket. For det andet, da RMI kan blive krænket ved enhver ventetid, flere t-tests bruges ofte til at teste RMI på forskellige tidspunkter (dvs., quantiles); Desværre, denne praksis fører til den øgede type I fejl og væsentligt reduceret statistisk magt. For at undgå disse problemer anbefales det, at RMI testes over et bestemt tidsinterval. Nogle forskere har antydet, at det giver mening at teste den hurtigste kvartil af svar (0-25%)26 eller nogle forudidentificerede vinduer (dvs., 10-25%)24,27 som multisensoriske integration effekter er typisk observeret tidsinterval; Vi mener dog, at det fraktil område, der skal testes, skal dikteres af det faktiske datasæt (Se protokol afsnit 5). Problemet med at stole på offentliggjorte data fra unge voksne eller computersimuleringer er, at ældre voksne manifesterer sig meget forskellige RT-distributioner, sandsynligvis på grund af aldersbetingede fald i sensoriske systemer. Test af race model signifikans bør kun testes over krænkede portioner (positive værdier) af gruppe-gennemsnitlig forskel bølge mellem faktiske og forventede Cdf'er fra studiet kohorte.

Til dette formål er der påvist en beskyttende effekt af multisensorisk integration hos raske ældre voksne ved hjælp af den konventionelle test af race model16 og de principper, der er opstillet af gondan og kolleger25 . Faktisk, større størrelse af visuel-somatosensorisk RMI (en proxy for multisensorisk integration) blev fundet at være forbundet med bedre balance ydeevne, lavere sandsynlighed for hændelsen falder og øget rumlige gangevne28,29.

Formålet med det nuværende eksperiment er at give forskerne en trinvis vejledning til at beregne størrelsen af de multisensoriske integrations effekter ved hjælp af RMI, for at lette den øgede produktion af forskellige translationelle forskningsstudier på tværs af mange forskellige kliniske populationer. Bemærk, at data præsenteret i den aktuelle undersøgelse er fra nyligt offentliggjorte visuelle-somatosensoriske eksperimenter udført på raske ældre voksne28,29, men denne metode kan anvendes på forskellige kohorter på tværs af mange forskellige eksperimentelle designs, udnytte en bred vifte af multisensoriske kombinationer.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Alle deltagere gav skriftlig informeret samtykke til de eksperimentelle procedurer, som blev godkendt af den institutionelle revision bestyrelsen for Albert Einstein College of Medicine.

1. deltageres rekruttering, inklusionskriterier og samtykke

  1. Rekruttere en forholdsvis stor kohorte af engelsktalende personer, der kan ambulere selvstændigt og er fri for betydelige sensoriske tab; aktive neurologiske eller psykiatriske lidelser, der forstyrrer eksperimentelle evalueringer; og nuværende/fremtidige medicinske procedurer, der påvirker mobiliteten.
  2. Sørg for, at hver deltager kan gennemføre en sensorisk screening eksamen, hvor visuel, auditiv og somatosensorisk skarphed testes formelt for at bekræfte undersøgelsens hensigtsmæssighed.
    1. Brug Snellen Eye-diagrammet til at sikre, at bilateral synsskarphed er bedre end eller lig med 20/100.
    2. Brug et tone-emitterende otoskop til at sikre, at deltagerne er i stand til at høre en 2.000 Hz tone ved 25 dB30.
    3. Afgøre, om deltagerne opretholder en diagnose af klinisk neuropati, og om det forstyrrer evnen til at føle den eksperimentelle somatosensoriske stimulation21,28,29.
    4. Hvis deltageren ikke er i stand til at opfylde disse mindste sensoriske krav, må du ikke inkludere dem i studiet.
  3. Udelukke ældre voksne med demens ved at implementere cut-score fra pålidelige Screenings instrumenter såsom AD8 demens screening interview cutoff score ≥ 2 31,32; og hukommelses forringelses skærmen MIS; cutoff-score < 533.
  4. Har deltagerne skriftligt informeret samtykke til forsøgsprocedurerne (godkendt af en lokal institutionel revisions bestyrelse), hvis de er villige til at deltage.

2. eksperimentel design

  1. Brug stimulus præsentation software til at programmere en simpel reaktionstid eksperiment med tre eksperimentelle betingelser: visuel (V) alene, somatosensoriske (S) alene, og samtidige visuelle-somatosensorisk (VS). Informer deltagerne om at reagere på hver sensorisk stimulus, uanset tilstanden, så hurtigt som muligt. Se supplerende filer for et eksempel på en VS simple RT-opgave (supplerende fil 1).
    1. Brug en stimulus generator med tre kontrolbokse (30,48 mm × 20,32 mm × 12,70 mm) og plastikkabinet til Stimulatorer. Venstre og højre kontrolbokse indeholder bilaterale blå lysemitterende dioder (lysdioder; 15,88 cm diameter), der lyser for visuel stimulation og bilaterale motorer med 0,8 G vibrations amplitude, der vibrerer for somatosensorisk stimulation (svarende til en mobiltelefon vibration)22,23,28.
    2. Sørg for, at stimulus generatorer giver både unisensory (visuel eller somatosensorisk alene), samt multisensorisk (simultan visuel og somatosensorisk) stimulation. Placer en uvirkningsløs kontrolboks i midten (28 cm) fra venstre og højre betjenings bokse, der er beskrevet i 2.1.1. og fastgør en visuel målmærkat (Central cirkel med 0,4 cm diameter) for at fungere som fikserings punkt.
    3. Tilslut stimulus generator til den eksperimentelle computer via parallel port, som giver mulighed for direkte kontrol for hver stimulator.
    4. Program stimulus præsentation software til at sende transistor-transistor-logik (TTL, 5 V) impulser til Trigger stimulus generatorer til og fra direkte via parallel port. Indstil stimulus præsentation tid til 100 MS i varighed.
  2. I stimulus præsentation software, program et minimum af 3 eksperimentelle blokke hver består af 45 forsøg (15 forsøg af hver stimulus tilstand præsenteret i tilfældig rækkefølge) for i alt 135 stimulus præsentationer for denne enkle reaktionstid eksperiment.
  3. Variere den inter-stimulus-interval tilfældigt mellem 1 og 3 s for at forhindre foregribende virkninger. Alternativt kan du indsætte fangst prøver, hvor stimulus parametrene er de samme som ovenfor, men TTL-pulsen sendes ikke, og der opstår derfor ingen visuel eller somatosensorisk stimulering, og der forventes således ikke noget respons.
  4. Tillad deltagere op til 2.000 MS til at reagere på en given stimulus betingelse. Hvis der ikke registreres et svar inden for 2.000 MS svar periode, skal du sikre dig, at stimulus præsentations softwaren automatisk går videre til det næste forsøg.
    Bemærk: dette respons vindue cut-off er vilkårlig, men nødvendigt for at holde den samlede eksperimentelle tid til et minimum; Bemærk, at længere RTs vil blive sat til uendelig uanset.
  5. Adskille de tre eksperimentelle blokke ved programmering 20-s pauser i stimulus præsentation software til at reducere potentiel træthed og øge koncentrationen. Sørg for, at hver efterfølgende blok starter umiddelbart efter, at 20-s-pausen afsluttes.
  6. Program skriftlige instruktioner til at blive vist på den visuelle skærm (Monitor af den eksperimentelle computer). De præcise anvisninger findes i det supplerende materiale. Bed deltageren om at starte eksperimentet ved at skubbe respons puden med deres højre fod, når du er klar til at begynde. Når stimulus parametre er programmeret, stimulus præsentation software skaber et script, der skal køres på hver deltager.
  7. Angiv deltager-ID og sessionsnummer for at køre forsøgs scriptet. Når eksperimentet er færdigt, produceres der en entydig adfærds datafil for hver deltager (Se supplerende fil 2 for et eksempel på en eprime 2,0-outputfil).

3. apparatur & opgave

  1. Har deltagerne sidde oprejst og komfortabelt hvile hænder på venstre og højre kontrolbokse.
    1. Strategisk sted pege fingre over vibratoriske motorer monteret på bagsiden af kontrol boksen, og tommelfingre på forsiden af kontrol boksen, under LYSDIODEN for ikke at blokere lyset (Se figur 1).
    2. Sørg for, at de somatosensoriske stimuli er uhørlige ved at give deltagere med hovedtelefoner, over hvilke kontinuerlig hvid støj spilles på et komfortabelt niveau (typisk 65-75 dBs).
  2. Instruer deltagerne i at reagere på alle stimuli så hurtigt som muligt.
    1. Bed deltagerne om at bruge en fodpedal placeret under højre fod som respons klods, da fingrene vil acceptere somatosensorisk stimulation (Se figur 1).
  3. Beregn ydeevne nøjagtighed ved stimulus tilstand.
    1. Instruer deltagerne i at reagere på hver af de eksperimentelle stimuli (45 pr. tilstand) så hurtigt som muligt.
    2. Dividerer antallet af nøjagtigt fundne stimuli pr. betingelse over 45 (totalt antal forsøg pr. betingelse) for at opnå målinger af ydeevne nøjagtighed for henholdsvis visuelle, somatosensoriske og VS-betingelser.

4. race model ulighed data forberedelse (individuelt niveau)

  1. Bestem, om en persons adfærdsmæssige ydeevne er gyldig.
    1. Udelukke deltagere, der ikke er i stand til at opnå en nøjagtighed på 70% korrekt eller større på en stimulus betingelse som deltagerens præstation nøjagtighed på en simpel reaktionstid opgave falder, så gør pålideligheden af den enkeltes data.
    2. Overvej forsøg unøjagtige (udeladt), hvis en deltager ikke reagerer på en stimulus inden for den indstillede svartid og indstiller tilsvarende rt til uendelig i stedet for at udelukke forsøget fra analysen25,28.
      Bemærk: i tidligere undersøgelser var den gennemsnitlige stimulus-detektion (n = 289) 96% på alle betingelser, og over 90% af befolkningen havde detekterings rater på over 90% for alle betingelser28.
    3. Må ikke ansætte data-trimning procedurer, der sletter meget langsom RTs, da dette vil bias fordelingen af RT-data. 25 Sørg for, at RTs, der er klart afvigende, er indstillet til uendeligt. Se supplerende fil, som skildrer ændringer i Cdf'er baseret på data-trimnings procedurer og medtagelse af langsom RTs (supplerende fil 3).
  2. Organiser RT-dataene.
    1. Sortér RT-data i stigende rækkefølge efter den eksperimentelle betingelse. Placer visuelle, somatosensoriske og VS-betingelser i separate kolonner af sorteret RT-data. Sørg for, at hver række repræsenterer én prøveversion, og hver celle repræsenterer den faktiske RT (eller uendelig i tilfælde af udeladte eller langsomme forsøg).
  3. Bin RT-dataene.
    1. Identificer den hurtigste RT (til hvilken som helst betingelse-orange ellipse) og den langsomste RT (til hvilken som helst tilstand-rød ellipse). Træk den langsomste RT fra den hurtigste (f. eks. 740 MS – 237 MS) for at beregne den enkeltes RT-rækkevidde (503ms; blå ellipse) på tværs af alle Testbetingelser. Tabel 1 viser, hvordan man beregner en persons rt-interval og skildrer de forskellige farve elipser.
    2. Bin rt-data fra 0% (hurtigste rt = 237 i dette eksempel) til 100% (eller langsomste rt = 740 i dette eksempel) i intervaller på 5% ved at tage den hurtigste RT og gradvist tilføje 5% af rt-intervallet, der er identificeret i 4.3.1, indtil der redegøres for 100% af rt-dataene (Se tabel 2 ). Dette vil resultere i 21-time placeringer.
      NOTER: i tabel 2-1% Ile er kun inkluderet i regneark kun til illustrative formål.
  4. Beregn den kumulative fordelings frekvens (CDF) for forsøgsbetingelserne.
    1. Brug regnearkssoftware til at bruge en "frekvens"-funktion, hvor matrix1 er lig med den faktiske RTs for en af forsøgsbetingelserne, og matrix2 er lig med de 21 kvantiserede RTs-placeringer beregnet i trin 4,3 divideret med det samlede antal forsøg (45) pr. betingelse. Dette illustreres i figur 2a.
    2. Denne funktion gentages for de to andre forsøgsbetingelser (figur 2b-2c) for at udfylde frekvenser (eller sandsynlighed (P)) for en rt, der forekommer inden for hver af de 21 kvantiserede tids placeringer, for hver af de tre forsøgsbetingelser.
    3. Opret derefter den kumulative fordelings frekvens (CDF) ved at opsummere den løbende total af sandsynligheder på tværs af de kvantiserede placeringer (0%, 0 + 5%, 0 + 5 + 10%, 0 + 5 + 10 + 15% osv.) for hver af tre eksperimentelle betingelser. For eksempel i kolonnen kumulativ sandsynlighed for Soma-betingelsen (kolonne AE) er den kumulative sandsynlighed for 95% Ile Range (celle AE22) summen af Sandsynligheds værdierne i cellerne Z3: Z23 (Se figur 3).
  5. Faktiske vs. forudsagte Cdf'er.
    1. Sørg for, at CDF for den multisensoriske tilstand repræsenterer den faktiske CDF (Se figur 4 kolonne af og afbildet lilla spor). For at beregne den forventede CDF (kolonne AG), summen af de to unisensory CDFS (med en øvre grænse sat til 1) på tværs af hver af de 21 kvantiserede tids placeringer (Se figur 5). Start ved den 0th fraktil (bin 1) og Fortsæt hele vejen ned til 100th percentil (bin 21).
  6. Gennemføre testen af race model ulighed (RMI).
    1. Træk den forudsagte CDF (beregnet i 4.5.2.) fra den faktiske CDF for hver af de 21 kvantiserede tids placeringer for at opnå difference værdierne (kolonne Ah; Se figur 6).
    2. Afbilde disse 21 værdier som en kurve graf, hvor x-aksen repræsenterer hver enkelt af de kvantiserede tids placeringer (kolonne AC), og y-aksen repræsenterer Sandsynligheds forskellen mellem den faktiske og den forventede CDFs (kolonne AH; Figur 7 (sort spor).
    3. Check for positive værdier ved enhver ventetid (dvs., quantiles), som angiver integrationen af unisensory stimuli og afspejle en overtrædelse af RMI (se den grønne fremhævede del af forskellen bølge fra 0,00 – 0,10 i figur 7).

5. kvantificering af den multisensoriske effekt (gruppeniveau).

  1. Gruppe-gennemsnit de individuelle RMI-data (forskelle mellem forventet CDF og den faktiske CDF for hver af de 21-tids placeringer; trin 4.6.1-kolonne Ah) på tværs af alle deltagere. Brug en regnearkssoftware til at tildele personer til rækker og tids placeringer som kolonner. I et nyt regneark skal du placere de 21 værdier, der er beregnet i 4.6.1, i individuelle rækker (1 række pr. deltager) og gennemsnitsværdier inden for tids placeringer for at oprette en gruppe-gennemsnitlig difference bølgeform.
  2. Afbild gruppens gennemsnitlige 21-værdier som en kurve graf, hvor x-aksen repræsenterer hver enkelt af de kvantiserede tids placeringer, og y-aksen repræsenterer Sandsynligheds forskellen mellem Cdf'er.
  3. Visuelt inspicere og dokumentere den krænkede del af gruppen-gennemsnitlig forskel bølge (dvs. positive værdier).
  4. Kør Gondan's RMI permutation test (R script tilgængelig som en gratis download)26 at afgøre, om der er en statistisk signifikant overtrædelse af RMI over de positive værdier identificeret i trin 5,3.
    1. Organiser dataene i en tekstfil, hvor den første kolonne hedder "OBS" for observatør (f. eks. deltager-ID), den anden kolonne hedder "Cond" for stimulus-tilstand (V, S eller VS), og den tredje kolonne hedder "RT" for faktisk RT eller "inf", hvis den er indstillet til uendelig.
    2. Åbn softwaren, Find ud af, hvilke tids placeringer der skal testes (baseret på de positive tids placeringer, der er identificeret i 5,3), og Indtast tekst filnavnet, som er oprettet i 5.4.1.
    3. Kør testen ved at kalde scriptet op. Resultaterne vil give en tMax værdi, 95% kriterium, og p-værdi, som vil være medvirkende til at afgøre, om en betydelig overtrædelse af race model findes på tværs af hele undersøgelsen prøve.
  5. Beregn arealet under kurven (AUC) for hver enkelt efter at have fastlagt de signifikant krænkede fraktil siloer i trin 5,3. AUC vil tjene som omfanget af multisensorisk integration (eller den uafhængige variabel). For at beregne AUC bruge deltager 1 's data som et eksempel, for percentil bins 0,00-0,15 afbildet i figur 8a-d).
    1. Sum CDF-difference værdien ved time bin 1 (1St -tids positiv værdi) med CDF-difference værdien for time bin 2 (næste positive værdi), og dividerer derefter med to (Se figur 8a). Gentag trin 5.3.1. for hvert på hinanden følgende tidskurve med positive værdier (Se figur 8b-8c).
    2. Summen af de opnåede resultater fra trin 5.5.1-5.5.2. for at generere den totale AUC for CDF-difference bølgen under det krænkede percentilinterval (f. eks. 0,00 – 0,15 i figur 8d).
      Bemærk: AUC er en kontinuerlig måling, og en AUC-værdi er til stede for hver enkelt person for den krænkede del af RMI (figur 8d rød ellipse = deltager 1 's auc = 0,13). AUC kan anvendes som en uafhængig variabel, der repræsenterer ' omfanget af vs-integration ', som senere kan testes for at forudsige vigtige kliniske udfald (Se også28,29).
  6. Tildel klassifikationsgrupper for multisensorisk integration baseret på antallet af krænkede fraktil placeringer (værdier større end nul fremhævet med gråt i tabel 3) under det signifikant krænkede percentilinterval, der er identificeret ovenfor i trin 5,3. Ser man på tabel 3 (percentilplaceringer 0,00 – 0,15): deltager 1 har positive værdier for 2 ud af 4 placeringer; Deltager 2 har positive værdier for 4 ud af 4 skraldespande; og deltager 3 har positive værdier for 0 ud af 4 skraldespande.
    1. Operational iser et klassifikationssystem baseret på antallet af overtrådt fraktil placeringer (værdier, der er større end nul for 0, 1, 2 eller 3 placeringer) i løbet af 0-10-percentilen.
    2. Figur 9 viser en potentiel klassificerings definition, der er tilpasset fra nyligt offentliggjorte data præsenteret af Mahoney og Verghese29.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Formålet med denne undersøgelse var at give en trinvis vejledning i en metodisk tilgang til at kvantificere omfanget af VS-integrations effekterne, at fremme udgivelsen af nye multisensoriske studier ved hjælp af lignende eksperimentelle design og opsætninger (Se figur 1 ). Screenshots af hvert trin og beregning er nødvendig for at udlede størrelsen af multisensoriske integration effekter, som målt ved RMI AUC, er afgrænset ovenfor og illustreret i figur 2-8.

Figur 9 viser en gruppe-gennemsnitlig overtrædelse (stiplet spor), der forekommer i løbet af 0-10% fraktil intervallet for en stikprøve på 333 ældre voksne (Se også29). Her bestemmer det samlede antal positive værdier (0, 1, 2 eller 3) for disse 3 fraktiler (0,00-0,10), hvilken multisensorisk klassifikations gruppe en person er tildelt (mangelfuld, dårlig, god eller overlegen) hhv.

Som vist i figur 9viser gruppe-gennemsnitlige resultater en betydelig race model overtrædelse over den hurtigste tiendedel af alle svartider26. Mens denne gruppe-gennemsnitlige forskel bølgeform tyder på, at der i gennemsnitsstørrelse ældre voksne demonstrere betydelige race model overtrædelse (dvs., multisensoriske integration effekter), vi hævder, at dette ikke er en one size passer alle model. Snarere, den enkeltes AUC under den krænkede tidsperiode (0-10% Ile) giver en bedre proxy for at vurdere den enkeltes omfang af VS integration, som differentiale integrations mønstre er blevet dokumenteret 20-23, 28, 29. Når beregnet, den individuelle størrelse af VS integration kan tjene som en kontinuerlig forudsigelse af vigtige resultater i forskellige kliniske populationer.

Vi anbefaler, at du implementerer et klassifikationssystem, måske baseret på antallet af krænkede fraktil siloer (værdier større end nul) i løbet af gruppen-gennemsnitligt RMI-overtrædelsesperiode, som et middel til at skildrer iboende differentiale integrations mønstre. Klassificering af data på denne måde vil afsløre en klar forringelse af race model overtrædelse af multisensorisk integration klassifikations gruppen.

Figure 1
Figur 1: Forsøgs apparat. Ved hjælp af en fodpedal placeret under højre fod som respons pude blev deltagerne bedt om at reagere på unisensory og multisensoriske stimuli så hurtigt som muligt. Dette tal er blevet genoptrykt med tilladelse22,28,29. Venligst klik her for at se en større version af dette tal.

Figure 2
Figur 2: Beregning af frekvensen af en rt inden for et bestemt interval af RTs for hver eksperimentel tilstand. a) visuel (V); b) somatosensoriske (e); og c) visuel-Somatosensorisk (VS). Venligst klik her for at se en større version af dette tal.

Figure 3
Figur 3: At skabe den kumulative fordelings frekvens for forsøgsbetingelserne. Dette tal viser summationen af den kumulative sandsynlighed på 95% Ile bin for Soma (S) tilstand. Venligst klik her for at se en større version af dette tal.

Figure 4
Figur 4: Afbildning af den faktiske CDF (vs. tilstand; lilla spor) som en funktion af quantile. Venligst klik her for at se en større version af dette tal.

Figure 5
Figur 5: Beregner den forudsagte CDF. Summen af Cdf'erne for de to unisensory CDFs, mens de omfatter en øvre grænse = 1 for hver af de fraktiler fra 0,00 til 1,00. Venligst klik her for at se en større version af dette tal.

Figure 6
Figur 6: Opret race model ulighed (RMI). Subtrahere CDF af den forudsagte CDF fra den faktiske CDF for hver kvantile. Venligst klik her for at se en større version af dette tal.

Figure 7
Figur 7: plot de enkelte RMI-værdier. X-aksen repræsenterer hver af de 21 fraktiler (kolonne AC), og y-aksen repræsenterer Sandsynligheds forskellen mellem cdf'er (kolonne Ah). Den grønne fremhævede del af RMI skildrer den positive eller overtrådte del af bølgeformen, hvilket indikerer multisensorisk integration. Venligst klik her for at se en større version af dette tal.

Figure 8
Figur 8: beregning af en persons areal under kurven (AUC). a) summen af CDF-difference værdien ved fraktil 1 (0,00) med CDF-difference værdien for fraktil 2 (0,05) og dividerer derefter med to for at oprette et mål for AUC fra 0,00-0,05. b-c) Gentag trin a) for hvert par på hinanden følgende par af fraktiler (f. eks. 0,05-0,10 og 0,10-0,15) for at opnå AUC for hvert kvantitativt interval. d) summen af AUC for hver tids placerings interval for at opnå den totale AUC for hele tids placerings vinduet identificeret i 5,3. Bemærk dette eksempel omfatter et bredere fraktil-område (0,00-0,15) til illustrative formål. Venligst klik her for at se en større version af dette tal.

Figure 9
Figur 9: race model ulighed: samlet og efter gruppe klassifikation. Den gennemsnitligt beregnede forskel mellem faktiske og forventede cdf'er i løbet af forløbet af alle fraktiler repræsenteres af den stiplede spor. De solide spor repræsenterer hver af de fire multisensoriske integrations klassifikationer, der er defineret ovenfor, baseret på antallet af overtrådte kvantile siloer. Dette tilpassede tal er blevet genoptrykt med tilladelse29. Venligst klik her for at se en større version af dette tal.

Supplerende fil 1: prøve simple reaktionstid paradigme programmeret i Eprime 2,0. Venligst klik her for at downloade denne fil.

Supplerende fil 2: Sample rt data adfærdsmæssige data output fra Eprime 2,0. Venligst klik her for at downloade denne fil.

Supplerende fil 3: Sample RMI data med og uden afvigende værdier og udeladte forsøg. Venligst klik her for at downloade denne fil.

Tabel 1. Individuelle beskrivende statistikker efter betingelse og beregning af RT-området. Venligst klik her for at downloade denne fil.

Tabel 2. Eksempel på, hvordan du bin RT data baseret på RT-området. Venligst klik her for at downloade denne fil.

Tabel 3. Eksempel på beregning af AUC & identifikation af # af overtrådt fraktiler (gråtonet område). Venligst klik her for at downloade denne fil.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Målet med den nuværende undersøgelse var at detalje processen bag etableringen af en robust multisensorisk integration fænotype. Her giver vi de nødvendige og kritiske skridt, der kræves for at erhverve multisensoriske integration effekter, der kan udnyttes til at forudsige vigtige kognitive og motoriske resultater afhængige af lignende neurale kredsløb. Vores overordnede mål var at give en trinvis vejledning til beregning af omfanget af multisensorisk integration i et forsøg på at fremme innovative og nye translationelle multisensoriske studier på tværs af forskellige kliniske populationer og aldersgrupper.

Som anført ovenfor og skitseret af gondan og kolleger, er det meget vigtigt at bevare den enkeltes rt DataSet25,28. Det er, undgå data trimning procedurer, der udelader meget langsom RTs givet sin iboende bias på RT fordeling; 25 i stedet, sæt udeladt og langsom RTs til uendelig. Dette trin er kritisk, og undladelse af at overholde disse enkle regler vil føre til udvikling af unøjagtige multisensoriske integrations resultater. Derudover bør test af race modellens signifikans kun testes i gennemsnit af de overtrådte dele af RMI, der er identificeret i studie kohorten (dvs. ikke på forhånd specificerede vinduer).

Med hensyn til begrænsninger, var det nuværende eksperimentelle design baseret på data fra en simpel reaktionstid opgave til bilaterale stimuli, der blev præsenteret på samme sted og på præcis samme tid. Vi erkender, at flere tilpasninger til den nuværende eksperimentelle design kan gøres afhængigt af forskellige hypoteser, at forskerne er interesseret i at undersøge. Vi udnytter denne undersøgelse som en lancering pad til at dokumentere robuste MSI effekter i aldring, men erkender, at gennemførelsen af forskellige eksperimentelle tilpasninger (f. eks forskellige bi-og endda Tri-sensoriske kombinationer, varierede stimulus præsentation debut gange, og differentiale størrelse af stimulus intensitet) vil give et væld af trinvis information om dette multisensoriske fænomen.

Vi har implementeret ovenstående tilgang for at demonstrere væsentlige sammenslutninger mellem størrelsen af visuel-somatosensorisk integration med balance28 og Incident Falls28, hvor ældre voksne med større multisensorisk integration evner manifestere bedre balance ydeevne og mindre hændelse falder. På samme måde viser vi, at omfanget af visuel-somatosensorisk integration var en stærk indikator for rumlige aspekter af gangart29, hvor personer med dårligere visuel-somatosensorisk integration udviste langsommere ganghastighed, kortere skridt, og øget dobbelt støtte. I fremtiden bør denne metode anvendes til at afdække forholdet mellem MSI og andre vigtige kliniske resultater som kognitiv status, og støtte i identifikationen af kritiske funktionelle og strukturelle multisensoriske Integrative neurale netværk i aldring og andre kliniske populationer.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Der er ingen interessekonflikter at rapportere, og forfatterne har intet at afsløre.

Acknowledgments

Det nuværende arbejdsorgan støttes af National Institute on Aging på National Institute of Health (K01AG049813 to JRM). Supplerende finansiering blev ydet af Resnick Gerontology Center for Albert Einstein College of Medicine. Særlig tak til alle de frivillige og forskningspersonale for ekstraordinær støtte med dette projekt.

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

Adfærd multisensorisk integration sensorimotor integration race model ulighed redundante signaler effekt aldring
Brug af race model ulighed for at kvantificere adfærdsmæssige multisensoriske integrations effekter
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