Summary
De huidige studie is bedoeld om een stap-voor-stap handleiding voor het berekenen van de grootte van multisensorische integratie effecten in een poging om de productie van translationeel onderzoek studies over diverse klinische populaties vergemakkelijken.
Abstract
Multisensorisch integratie onderzoek onderzoekt hoe de hersenen simultane zintuiglijke informatie verwerkt. Onderzoek op dieren (voornamelijk katten en primaten) en mensen onthullen dat intacte multisensorische integratie cruciaal is voor het functioneren in de echte wereld, met inbegrip van zowel cognitieve als fysieke activiteiten. Veel van het onderzoek dat de afgelopen decennia is uitgevoerd, documenteert multisensorische integratie-effecten met behulp van diverse psychopfysische, elektrofysiologische en neuro beeldvormingstechnieken. Hoewel de aanwezigheid ervan is gemeld, varieert de methode die wordt gebruikt om de grootte van multisensorische integratie effecten te bepalen en wordt meestal veel kritiek geuit. In wat volgt, beperkingen van eerdere gedrags studies worden geschetst en een stapsgewijze zelfstudie voor het berekenen van de grootte van multisensorische integratie-effecten met behulp van robuuste kansmodellen wordt geleverd.
Introduction
Interacties tussen sensorische systemen zijn essentieel voor alledaagse functies. Terwijl multisensorische integratie-effecten worden gemeten over een breed scala van populaties met behulp van diverse zintuiglijke combinaties en verschillende neurowetenschappen benaderingen [inclusief maar niet beperkt tot de psychophysical, elektrofysiologische, en neuroimaging methodologieën]1,2,3,4,5,6,7,8,9, momenteel een gouden standaard voor het kwantificeren van multisensorische integratie ontbreekt. Gezien het feit dat multisensorische experimenten meestal een gedrags component bevatten, worden de reactietijd (RT) gegevens vaak onderzocht om het bestaan te bepalen van een bekend fenomeen dat de redundante signalen effect10wordt genoemd. Zoals de naam al suggereert, bieden simultane sensorische signalen redundante informatie, die doorgaans sneller RTs. race-en co-activatie modellen worden gebruikt om de bovengenoemde redundante signalen effect11uit te leggen. Onder racemodellen is het unisensory signaal dat de snelste wordt verwerkt de winnaar van de race en verantwoordelijk voor het produceren van de gedrags respons. Echter, bewijs voor co-activatie treedt op wanneer reacties op multisensorische stimuli sneller zijn dan wat racemodellen voorspellen.
Eerdere versies van het race model zijn inherent controversieel12,13 zoals ze door sommigen worden aangeduid als overdreven conservatief14,15 en bevatten ogenschijnlijk beperkingen met betrekking tot de onafhankelijkheid tussen de samenstellende onisensory detectie tijden die inherent zijn aan de multisensorische toestand16. In een poging om enkele van deze beperkingen op te lossen, ontwikkelde Colonius & Diederich16 een meer conventionele race model test:
,
Wanneer de cumulatieve verdelings frequenties (Cdf's) van de niet-voorwaarden (bijvoorbeeld een & B; met een bovengrens van één) worden vergeleken met de CDF van de gelijktijdige multisensorische toestand (bv. AB) voor een bepaalde latentie (t)11, 16 , 17. in het algemeen bepaalt een CDF hoe vaak een RT optreedt, binnen een bepaald bereik van RTS, gedeeld door het totale aantal stimulerende presentaties (d.w.z. proeven). Indien de CDF van de feitelijke multisensorische 
toestand kleiner is dan of gelijk is aan de voorspelde CDF-
,
dan wordt het race model geaccepteerd en is er geen bewijs voor sensorische integratie. Wanneer de multisensorische CDF echter groter is dan de voorspelde CDF die is afgeleid van de niet-voorwaarden, wordt het race model geweigerd. Afwijzing van het race model geeft aan dat multisensorische interacties van redundante sensorische bronnen op een niet-lineaire manier worden gecombineerd, wat resulteert in een versnelling van RTs (bijvoorbeeld RT-facilitering) naar multisensorische stimuli.
Een belangrijke hindernis die multisensorische onderzoekers gezicht is hoe de beste kwantificeren integratie-effecten. Bijvoorbeeld, in het geval van de meest elementaire gedrags multisensorische paradigma, waar de deelnemers worden gevraagd om een eenvoudige reactietijd taak uit te voeren, wordt informatie over nauwkeurigheid en snelheid verzameld. Dergelijke multisensorische gegevens kunnen worden gebruikt tegen de nominale waarde of gemanipuleerd met behulp van verschillende wiskundige toepassingen, met inbegrip van maar niet beperkt tot de maximale waarschijnlijkheid schatting18,19, CDFS11, en diverse andere statistische Benaderingen. Het merendeel van onze eerdere multisensorische studies gebruikte zowel kwantitatieve als probabilistische benaderingen waarbij multisensorische integratieve effecten werden berekend met 1) waarbij de gemiddelde reactietijd (RT) werd afgetrokken van een multisensorisch voorval uit de gemiddelde reactietijd ( RT) naar de kortste unisensory-gebeurtenis, en 2) door gebruik te maken van cdf's om te bepalen of RT-versoepeling het gevolg is van synergetische interacties die worden vergemakkelijkt door redundante sensorische informatie8,20,21, 22 , 23. de vroegere methodologie was echter waarschijnlijk niet gevoelig voor de individuele verschillen in integratieve processen en onderzoekers hebben sindsdien verklaard dat de latere methodologie (D.w.z. cdf's) een betere volmacht kan bieden voor het kwantificeren van multisensorische integratieve effecten24.
Gondan en Minakata hebben onlangs een tutorial gepubliceerd over het nauwkeurig testen van de ongelijkheid van het race model (RMI), omdat onderzoekers maar al te vaak ontelbare fouten maken tijdens de acquisitie-en voorbewerkings stadia van RT-gegevensverzameling en-voorbereiding25. Ten eerste is de auteur van de gegevens die ongunstig zijn voor het toepassen van gegevenstrimmen procedures waarbij bepaalde a priori minimum-en maximum RT-limieten worden vastgesteld. Ze raden aan dat trage en weggelaten reacties worden ingesteld op oneindig, in plaats van uitgesloten. Ten tweede wordt, gezien het feit dat het KMI bij elke latentie kan worden geschonden, vaak meerdere t-tests gebruikt om het RMI op verschillende tijdstippen (d.w.z. quantiles) te testen; Helaas, deze praktijk leidt tot de toegenomen type I fout en aanzienlijk verminderd statistisch vermogen. Om deze problemen te voorkomen, wordt aanbevolen om het RMI over een bepaald tijdsbereik te laten testen. Sommige onderzoekers hebben gesuggereerd dat het zinvol is om de snelste kwartiel van de reacties te testen (0-25%)26 of sommige vooraf geïdentificeerde Vensters (d.w.z. 10-25%)24,27 als multisensorische integratie-effecten worden meestal waargenomen gedurende dat tijdsinterval; We stellen echter dat het percentiel bereik dat moet worden getest, moet worden bepaald door de werkelijke gegevensset (Zie protocol sectie 5). Het probleem met het vertrouwen op gepubliceerde gegevens van jonge volwassenen of computersimulaties is dat oudere volwassenen manifesteren zeer verschillende RT distributies, waarschijnlijk te wijten aan de leeftijdsgebonden dalingen in sensorische systemen. Race model significantie testen mogen alleen worden getest over geschonden gedeelten (positieve waarden) van de groep-gemiddelde verschil Golf tussen werkelijke en voorspelde Cdf's uit het studie cohort.
Een beschermend effect van multisensorische integratie bij gezonde oudere volwassenen met behulp van de conventionele test van het race model16 en de principes die gondan en collega's25 hebben uiteengezet, is in dit verband aangetoond. Sterker nog, een grotere omvang van Visual-somatosensorisch RMI (een proxy voor multisensorische integratie) werd gevonden om te worden gekoppeld aan betere balans prestaties, lagere waarschijnlijkheid van incident vallen en verhoogde ruimtelijke gang-prestaties28,29.
Het doel van het huidige experiment is om onderzoekers te voorzien van een stapsgewijze zelfstudie om de grootte van multisensorische integratie-effecten met behulp van het RMI te berekenen, om de verhoogde productie van diverse translationele onderzoeken te faciliteren over veel verschillende klinische populaties. Merk op dat de gegevens in de huidige studie afkomstig zijn van recent gepubliceerde visuele somatosensorische experimenten uitgevoerd op gezonde oudere volwassenen28,29, maar deze methodologie kan worden toegepast op verschillende cohorten over veel verschillende experimentele ontwerpen, met behulp van een breed scala aan multisensorische combinaties.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Alle deelnemers hebben schriftelijke geïnformeerde toestemming gegeven voor de experimentele procedures, die werden goedgekeurd door de institutioneel beoordelings Raad van het Albert Einstein College of Medicine.
1. werving van deelnemers, inclusie criteria en toestemming
- Rekruteer een relatief grote cohort van Engelssprekende individuen die zelfstandig kunnen ambulëren en vrij zijn van significant sensorisch verlies; actieve neurologische of psychiatrische stoornissen die de experimentele evaluaties verstoren; en huidige/toekomstige medische procedures die de mobiliteit beïnvloeden.
- Zorg ervoor dat elke deelnemer een sensorisch screenings examen met succes kan afronden, waarbij visuele, auditieve en somatosensorische gezichtsscherpte formeel getest worden om de geschiktheid van de studie te bevestigen.
- Gebruik de snellen Eye grafiek om ervoor te zorgen dat de bilaterale gezichtsscherpte beter is dan of gelijk is aan 20/100.
- Gebruik een Tone-uitstralende Otoscoop om ervoor te zorgen dat deelnemers minimaal een 2.000 Hz-Toon kunnen horen op 25 dB30.
- Bepaal of de deelnemers een diagnose van klinische neuropathie aanhouden en of deze interfereert met de mogelijkheid om de experimentele somatosensorische stimulatie21,28,29te voelen.
- Als de deelnemer niet in staat is om aan deze minimale sensorische eisen te voldoen, neem deze dan niet op in de studie.
- Uitsluiten oudere volwassenen met dementie door het implementeren van cut-scores van betrouwbare screening instrumenten zoals de AD8 dementie screening interview cutoff Score ≥ 2 31,32; en het geheugen impairment scherm MIS; cutoff Score < 533.
- Laat de deelnemers schriftelijk geïnformeerde toestemming geven voor de experimentele procedures (goedgekeurd door een lokale institutionele Review Board) als ze bereid zijn om deel te nemen.
2. experimenteel ontwerp
- Gebruik de stimulerings presentatie software om een eenvoudig reactietijd-experiment te programmeren met drie experimentele condities: alleen visuele (V), somatosensorische (S) alleen, en gelijktijdige visuele somatosensorische (VS). Informeer de deelnemers om zo snel mogelijk te reageren op elke zintuiglijke stimulans, ongeacht de aandoening. Zie aanvullende bestanden voor een voorbeeld van een VS eenvoudige RT-taak (aanvullend bestand 1).
- Gebruik een stimulus generator met drie besturings dozen (30,48 mm × 20,32 mm × 12,70 mm) en kunststof behuizing voor stimulatoren. De linker-en rechter Besturingsvakken bevatten bilaterale blauw lichtuitstralende diodes (LEDs; 15,88 cm diameter) die oplichten voor visuele stimulatie en bilaterale motoren met 0,8 G trillingsamplitude die trillen voor somatosensorische stimulatie (equivalent aan een trillingen van de mobiele telefoon)22,23,28.
- Zorg ervoor dat stimulus-generatoren zowel unisensory (visuele of somatosensorische alleen) bieden, evenals multisensorische (gelijktijdige visuele en somatosensorische) stimulatie. Plaats een middelste dummy besturingskast op gelijke afstand (28 cm) van de linker en rechter Besturingsvakken beschreven in 2.1.1. en bevestig een visuele doel sticker (centrale cirkel van 0,4 cm diameter) om als fixatie punt te fungeren.
- Verbind de stimulus generator met de experimentele computer via de parallelle poort die de directe controle voor elke stimulator toestaat.
- Program meer de stimulus presentatie software voor het verzenden van Transistor-Transistor-Logic (TTL, 5 V) pulseert naar de trigger stimulus Generators direct aan en uit via de parallelle poort. Instellen van de stimulus-presentatietijd tot 100 MS in duur.
- In de stimulus presentatie software, programma een minimum van 3 experimentele blokken elk bestaande uit 45 proeven (15 proeven van elke stimulus voorwaarde gepresenteerd in willekeurige volgorde) voor een totaal van 135 stimulus presentaties voor dit eenvoudige reactietijd experiment.
- Varieer het Inter-stimulus-interval willekeurig tussen 1 en 3 s om anticipatieve effecten te voorkomen. U ook Vang proeven invoegen waarbij de stimulus parameters hetzelfde zijn als hierboven, maar de TTL-puls wordt niet verzonden, dus er treedt geen visuele of somatosensorische stimulatie op en er wordt daarom geen respons verwacht.
- Laat deelnemers tot 2.000 MS reageren op een gegeven stimulus conditie. Als er geen reactie wordt gedetecteerd binnen de responsperiode van 2.000 MS, moet u ervoor zorgen dat de stimulerings presentatie software automatisch naar de volgende proefversie gaat.
Opmerking: deze cut-off van het antwoordvenster is willekeurig maar noodzakelijk om de totale experimentele tijd tot een minimum te beperken; Houd er rekening mee dat langer RTs wordt ingesteld op oneindig, ongeacht. - Scheid de drie experimentele blokken door het programmeren van 20-s Breaks in de stimulerings presentatie software om potentiële vermoeidheid te verminderen en de concentratie te verhogen. Zorg ervoor dat elk daaropvolgend blok onmiddellijk begint nadat de 20-s-pauze is beëindigd.
- Programma geschreven instructies op het visuele display te verschijnen (monitor van de experimentele computer). De precieze instructies worden in het aanvullend materiaal vermeld. Vraag de deelnemer om het experiment te starten door het antwoord blok met de rechter voet te duwen wanneer het klaar is om te beginnen. Zodra de stimulus parameters zijn geprogrammeerd, de stimulus presentatie software creëert een script dat moet worden uitgevoerd op elke deelnemer.
- Geef de deelnemers-ID en het sessienummer op om het experimentele script uit te voeren. Zodra het experiment is voltooid, wordt voor elke deelnemer een uniek gedragsgegevenslog gemaakt (Zie aanvullend bestand 2 voor een voorbeeld van een eprime 2,0-uitvoerbestand).
3. apparaat & taak
- Laat de deelnemers rechtop zitten en rust de handen op de linker-en rechter Control boxen.
- Strategisch plaats wijsvingers over de trilmotoren die aan de achterzijde van de bedieningskast zijn bevestigd, en duimen op de voorkant van de bedieningskast, onder de LED om het licht niet te blokkeren (Zie Figuur 1).
- Zorg ervoor dat de somatosensorische stimuli onhoorbaar zijn door deelnemers te voorzien van een koptelefoon waarover continu wit geluid wordt afgespeeld op een comfortabel niveau (meestal 65-75 dBs).
- Instrueer de deelnemers om zo snel mogelijk op alle stimuli te reageren.
- Vraag de deelnemers om een voetpedaal te gebruiken dat zich onder de rechter voet bevindt, omdat het Response-pad sinds de vingers somatosensorische stimulatie accepteren (Zie Figuur 1).
- Bereken de prestatie nauwkeurigheid door stimulus conditie.
- Instrueer de deelnemers om zo snel mogelijk te reageren op elk van de experimentele stimuli (45 per aandoening).
- Verdeel het aantal nauwkeurig gedetecteerde stimuli per toestand over 45 (totaal aantal proeven per aandoening) om maatregelen te verkrijgen van nauwkeurigheid van prestaties voor respectievelijk visuele, somatosensorische en VS-omstandigheden.
4. RAS model ongelijkheid gegevensvoorbereiding (individueel niveau)
- Bepaal of de gedrags prestaties van een individu geldig zijn.
- Deelnemers uitsluiten die niet in staat zijn om een nauwkeurigheid van 70% correct of groter te bereiken op een stimulus voorwaarde als de prestaties nauwkeurigheid van de deelnemer op een eenvoudige reactietijd taak afneemt, zo ook de betrouwbaarheid van de gegevens van de persoon.
- Overweeg de proeven onnauwkeurig (weggelaten) als een deelnemer niet reageert op een stimulus binnen de ingestelde reactietijd periode en stel overeenkomstige rt in op oneindig in plaats van de proef uit te sluiten van de analyse25,28.
Opmerking: in eerdere studies was de stimulus detectie groep-gemiddeld (n = 289) 96% in alle omstandigheden, en had meer dan 90% van de populatie detectiepercentages van meer dan 90% voor alle omstandigheden28. - Gebruik geen gegevensafsnij procedures die zeer trage RTs verwijderen omdat dit de verdeling van de RT-gegevens zal bias. 25 zorg ervoor dat RTS die duidelijk uitschieters zijn ingesteld op oneindig. Zie het aanvullende bestand met wijzigingen in Cdf's op basis van gegevenstrimmen procedures en opname van langzame RTs (aanvullend bestand 3).
- Organiseer de RT-gegevens.
- Sorteer de RT-gegevens in oplopende volgorde door de experimentele toestand. Plaats visuele, somatosensorische en VS-voorwaarden in afzonderlijke kolommen met gesorteerde RT-gegevens. Zorg ervoor dat elke rij een proefversie vertegenwoordigt en dat elke cel de werkelijke RT (of oneindig in het geval van weggelaten of trage proeven) vertegenwoordigt.
- Bak de RT-gegevens.
- Identificeer de snelste RT (aan welke voorwaarde-oranje ellips) en de traagste RT (naar welke voorwaarde-rode ellips). Trek de traagste RT af van de snelste (bijvoorbeeld 740 MS – 237 MS) om het RT-bereik van de persoon (503ms; blauwe ellips) voor alle testomstandigheden te berekenen. Tabel 1 laat zien hoe u het RT-bereik van een individu berekent en de verschillende kleur-elipses weergeeft.
- Bin RT gegevens van de 0% (snelste RT = 237 in dit voorbeeld) naar de 100% (of langzaamste RT = 740 in dit voorbeeld) in stappen van 5% door de snelste RT te nemen en geleidelijk 5% van het RT-bereik toe te voegen dat is geïdentificeerd in 4.3.1 tot 100% van de RT-gegevens wordt verantwoord (Zie tabel 2 ). Dit resulteert in 21-tijd bakken.
Notes: in tabel 2-1% Ile is alleen opgenomen in het werkblad alleen voor illustratieve doeleinden.
- Bereken de cumulatieve verdelings frequentie (CDF) voor de experimentele omstandigheden.
- Gebruik spreadsheet software om een "frequentie"-functie te gebruiken waarbij matrix1 gelijk is aan de werkelijke RTs voor een van de experimentele omstandigheden en matrix2 gelijk is aan de 21 gekwaniseerde RTs-opslaglocaties die zijn berekend in stap 4,3, gedeeld door het totale aantal proeven (45) per voorwaarde. Dit wordt geïllustreerd in Figuur 2a.
- Herhaal deze functie voor de andere twee experimentele omstandigheden (Figuur 2b-2c) om de frequenties (of waarschijnlijkheid (P)) van een RT te vullen die zich voordoen binnen elk van de 21 gekwandigde tijdvakken, voor elk van de drie experimentele omstandigheden.
- Maak vervolgens de cumulatieve distributie frequentie (CDF) door het totaal van de waarschijnlijkheden over de gekwaniteerde opslaglocaties (0%, 0 + 5%, 0 + 5 + 10%, 0 + 5 + 10 + 15%, enz.) op te vatten voor elk van de drie experimentele omstandigheden. In de kolom cumulatieve waarschijnlijkheid voor de voorwaarde Soma (kolom AE) is de cumulatieve waarschijnlijkheid voor het bereik van 95% Ile (Cell AE22) bijvoorbeeld de som van de waarschijnlijkheidswaarden in de cellen Z3: Z23 (Zie Figuur 3).
- Werkelijke versus voorspelde Cdf's.
- Zorg ervoor dat de CDF van de multisensorische voorwaarde de werkelijke CDF vertegenwoordigt (Zie Figuur 4 kolom af en getekende paarse spoor). Als u de voorspelde CDF (kolom AG) wilt berekenen, berekent u de twee unisensory cdf's (met een bovengrens ingesteld op 1) over elk van de 21 gekwandigde tijdvakken (Zie Figuur 5). Begin op het 0ste percentiel (bin 1) en ga helemaal naar beneden naar het 100- percentiel (bin 21).
- De test van het race model ongelijkheid (RMI) uitvoeren.
- Aftrekken van de voorspelde CDF (berekend in 4.5.2.) van de werkelijke CDF voor elk van de 21 gekwandigde tijdvakken voor het verkrijgen van de verschil waarden (kolom ah; Zie Figuur 6).
- Plot deze 21 waarden als een lijndiagram, waarbij de x-as elk van de gekwantificeerde tijdvakken (kolom AC) representeert en de y-as het waarschijnlijkheids verschil tussen de werkelijke en voorspelde Cdf's (kolom AH; Figuur 7 (Black trace).
- Controleer op positieve waarden bij elke latentie (d.w.z. quantiles) die de integratie van de unisensory stimuli aangeven en een overtreding van het RMI weerspiegelen (Zie het groen gemarkeerde deel van de verschil Golf van 0,00 – 0,10 in Figuur 7).
5. kwantificering van het multisensorische effect (groepeerniveau).
- Groep-gemiddelde van de afzonderlijke RMI-gegevens (verschillen tussen voorspelde CDF en de werkelijke CDF voor elk van de 21-tijd opslaglocaties; stap 4.6.1-kolom AH) voor alle deelnemers. Gebruik een spreadsheet software om personen toe te wijzen aan rijen en tijdvakken als kolommen. In een nieuw werkblad plaatst u de 21 waarden die in 4.6.1 zijn berekend in afzonderlijke rijen (1 rij per deelnemer) en gemiddelde waarden binnen tijdvakken om één groep-gemiddelde verschil golfvorm te maken.
- Plot de groeps gemiddelde 21-waarden als een lijndiagram, waarbij de x-as elk van de gekwantiseerde tijdvakken vertegenwoordigt en de y-as het waarschijnlijkheids verschil tussen Cdf's.
- Controleer en documenteer het geschonden deel van de groep-gemiddelde verschil Golf (d.w.z. positieve waarden).
- Run Gondan's RMI permutatie test (R script beschikbaar als een gratis download)26 om te bepalen of er een statistisch significante overtreding van het RMI is over de positieve waarden die zijn geïdentificeerd in stap 5,3.
- Organiseer de gegevens in één tekstbestand waarbij de eerste kolom de naam "Obs" heeft voor waarnemer (bijv. deelnemers-ID), de tweede kolom heet "cond" voor stimulus conditie (V, S of VS) en de derde kolom met de naam "RT" voor werkelijke RT of "inf" indien ingesteld op oneindig.
- Open de software, bepaal welke tijd bakken moeten worden getest (op basis van de positieve tijdvakken die zijn geïdentificeerd in 5,3) en voer de naam in van het tekstbestand dat in 5.4.1 is gemaakt.
- Voer de test uit door het script aan te roepen. De resultaten bieden een tMax waarde, 95% criterium, en p-waarde die instrumentaal zal zijn bij het bepalen of een aanzienlijke overtreding van het race model bestaat in het hele studie monster.
- Bereken de oppervlakte-onder-de-curve (AUC) voor elke persoon na het vaststellen van de significant geschonden percentiel bakken in stap 5,3. De AUC zal dienen als de grootte van multisensorische integratie (of de onafhankelijke variabele). Voor het berekenen van de AUC gebruik deelnemer 1 gegevens als voorbeeld, voor percentiel bakken 0,00-0,15 afgebeeld in afbeelding 8a-d).
- Som de CDF-verschil waarde op tijd opslaglocatie 1 (1St tijd positieve waarde) met de CDF-verschil waarde van tijd bin 2 (volgende positieve waarde) en vervolgens delen door twee (Zie figuur 8a). Herhaal stap 5.3.1. voor elk opeenvolgend paartijd bakken met positieve waarden (Zie figuur 8b-8c).
- Som de resultaten uit stappen 5.5.1-5.5.2 op. om de totale AUC van de CDF-verschil Golf te genereren tijdens het geschonden percentiel bereik (bijv. 0,00 – 0,15 in figuur 8D).
Opmerking: de AUC is een continue maat en er is één AUC-waarde aanwezig voor elk individu voor het geschonden deel van het RMI (figuur 8D rode ellips = AUC van deelnemer 1 = 0,13). De AUC kan worden gebruikt als een onafhankelijke variabele die ' magnitude van VS-integratie ' vertegenwoordigt en die later kan worden getest om belangrijke klinische uitkomst maatregelen te voorspellen (Zie ook28,29).
- Wijs multisensorische integratie classificatie groepen toe op basis van het aantal geschonden percentiel opslaglocaties (waarden groter dan nul gemarkeerd in grijs in tabel 3) tijdens het significant geschonden percentiel bereik dat hierboven in stap 5,3 is aangegeven. Kijkend naar tabel 3 (percentiel bakken 0,00 – 0,15): deelnemer 1 heeft positieve waarden voor 2 van de 4 opslaglocaties; Deelnemer 2 heeft positieve waarden voor 4 van de 4 opslaglocaties; en deelnemer 3 heeft positieve waarden voor 0 van de 4 opslaglocaties.
- Operationaliseer een classificatiesysteem op basis van het aantal geschonden percentiel opslaglocaties (waarden groter dan nul voor 0, 1, 2 of 3 opslaglocaties) tijdens het 0-10e percentiel.
- Figuur 9 toont een mogelijke classificatie definitie die is aangepast aan de onlangs gepubliceerde gegevens die zijn gepresenteerd door Mahoney en verghese29.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Het doel van deze studie was om een stapsgewijze zelfstudie te bieden van een methodische benadering om de omvang van VS-integratie-effecten te kwantificeren, om de publicatie van nieuwe multisensorische studies met soortgelijke experimentele ontwerpen en opstellingen te bevorderen (Zie Figuur 1 ). Screenshots van elke stap en berekening die nodig zijn om de grootte van multisensorische integratie-effecten te bepalen, zoals gemeten door RMI AUC, worden hierboven afgebakend en geïllustreerd in figuren 2-8.
Figuur 9 toont een groep-gemiddelde overtreding (onderbroken trace) die zich voordoet over het 0-10% percentiel bereik voor een steekproef van 333 oudere volwassenen (Zie ook29). Hier bepaalt het totale aantal positieve waarden (0, 1, 2 of 3) voor die 3 kwantielen (0,00-0,10) welke multisensorische classificatie groep een persoon is toegewezen (gebrekkig, slecht, goed of superieur).
Zoals afgebeeld in Figuur 9, tonen de gemiddelde resultaten van de groep een significant conflict in het race model over de snelste tiende van alle responstijden26. Hoewel deze groep-gemiddelde verschil golfvorm suggereert dat gemiddeld oudere volwassenen een belangrijke overtreding van het race model aantonen (d.w.z. multisensorische integratie-effecten), stellen we dat dit niet een one-size fits all-model is. Eerder, de AUC van het individu onder de geschonden periode (0-10% Ile) biedt een betere proxy voor het beoordelen van de grootte van de persoon VS integratie, als differentiële integratie patronen zijn gedocumenteerd 20-23, 28, 29. Eenmaal berekend, kan de individuele magnitude van VS-integratie dienen als een continue voorspeller van belangrijke uitkomsten in verschillende klinische populaties.
We raden u aan een classificatiesysteem te implementeren, misschien op basis van het aantal geschonden percentiel opslaglocaties (waarden groter dan nul) tijdens de Versper periode van de groep-gemiddelde RMI, als een manier om inherente differentiële integratie patronen aan te tonen. Classificatie van gegevens op deze manier zal onthullen een duidelijke degradatie van RAS model schending door multisensorische integratie classificatie groep.
Figuur 1: Experimentele apparatuur. Met behulp van een voetpedaal gelegen onder de rechter voet als een Response pad, werden de deelnemers gevraagd om zo snel mogelijk te reageren op unisensory en multisensorische stimuli. Dit cijfer is herdrukt met toestemming22,28,29. Klik hier om een grotere versie van dit cijfer te bekijken.
Figuur 2: Berekening van de frequentie van een RT die optreedt binnen een bepaald bereik van RTS voor elke experimentele aandoening. a) visuele (V); b) Somatosensorisch (S); en c) visueel-Somatosensorisch (VS). Klik hier om een grotere versie van dit cijfer te bekijken.
Figuur 3: Het creëren van de cumulatieve verdelings frequentie voor de experimentele omstandigheden. Deze afbeelding toont de som van de cumulatieve waarschijnlijkheid op de 95% Ile bin voor de voorwaarde van Soma (S). Klik hier om een grotere versie van dit cijfer te bekijken.
Figuur 4: Het uitzetten van de eigenlijke CDF (VS condition, Purple trace) als een functie van kwanle. Klik hier om een grotere versie van dit cijfer te bekijken.
Figuur 5: Het berekenen van de VOORSPELDE CDF. Tel de cdf's van de twee unisensory cdf's op met een bovengrens = 1 voor elk van de kwantielen van 0,00 tot 1,00. Klik hier om een grotere versie van dit cijfer te bekijken.
Figuur 6: Creëer het race model ongelijkheid (RMI). De CDF van de voorspelde CDF Aftrekken van de werkelijke CDF voor elke kwanle. Klik hier om een grotere versie van dit cijfer te bekijken.
Afbeelding 7: plot de individuele RMI-waarden. De x-as vertegenwoordigt elk van de 21 kwantielen (kolom AC) en de y-as vertegenwoordigt het waarschijnlijkheids verschil tussen cdf's (kolom AH). Het groen gemarkeerde gedeelte van het RMI toont het positieve of geschonden deel van de golfvorm, indicatief voor multisensorische integratie. Klik hier om een grotere versie van dit cijfer te bekijken.
Figuur 8: berekening van het gebied van een individu-onder-de-curve (AUC). a) som de CDF-verschil waarde in kwanle 1 (0,00) op met de CDF-verschil waarde van kwanle 2 (0,05) en verdeel vervolgens door twee om een meting van de AUC te maken van 0,00-0,05. b-c) Herhaal stap a) voor elk opeenvolgend paar kwantielen (bijv. 0,05-0,10 en 0,10-0,15) om de AUC te bereiken voor elk kwankel bereik. d) som de AUC voor elk tijds opslaglocatie bereik op om de totale AUC te verkrijgen voor het hele tijdbak venster dat is geïdentificeerd in 5,3. Opmerking in dit voorbeeld bevat een breder kwanle bereik (0,00-0,15) alleen voor illustratieve doeleinden. Klik hier om een grotere versie van dit cijfer te bekijken.
Figuur 9: race model ongelijkheid: overall en per groeps classificatie. Het groepgemiddelde verschil tussen de werkelijke en voorspelde cdf's over het traject van alle kwantielen wordt vertegenwoordigd door de onderbroken tracering. De vaste sporen vertegenwoordigen elk van de vier multisensorische integratie classificaties die hierboven zijn gedefinieerd op basis van het aantal geschonden kwankel opslaglocaties. Dit aangepaste cijfer is herdrukt met toestemming29. Klik hier om een grotere versie van dit cijfer te bekijken.
Aanvullend bestand 1: monster eenvoudige reactietijd paradigma geprogrammeerd in Eprime 2,0. Klik hier om dit bestand te downloaden.
Aanvullend bestand 2: Voorbeeld RT data Behavioral data output van Eprime 2,0. Klik hier om dit bestand te downloaden.
Aanvullend bestand 3: Voorbeeld van RMI-gegevens met en zonder uitschieters en weggelaten proeven. Klik hier om dit bestand te downloaden.
Tabel 1. Individuele beschrijvende statistieken per voorwaarde en berekening van het RT-bereik. Klik hier om dit bestand te downloaden.
Tabel 2. Voorbeeld van de opslaglocatie RT-gegevens op basis van het RT-bereik. Klik hier om dit bestand te downloaden.
Tabel 3. Voorbeeld van de berekening van de AUC & identificatie van # van geschonden kwantielen (grijs gearceerd gebied). Klik hier om dit bestand te downloaden.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Het doel van de huidige studie was om het proces achter de oprichting van een robuuste multisensorische integratie fenotype te detail. Hier bieden we de noodzakelijke en kritieke stappen die nodig zijn om multisensorische integratie-effecten te verwerven die kunnen worden gebruikt om belangrijke cognitieve en motorische uitkomsten te voorspellen die afhankelijk zijn van vergelijkbare neurale circuits. Onze algemene doelstelling was om een stapsgewijze zelfstudie te bieden voor het berekenen van de grootte van multisensorische integratie in een poging om innovatieve en nieuwe translationele multisensorische studies te faciliteren voor verschillende klinische populaties en leeftijdscategorieën.
Zoals hierboven vermeld en geschetst door gondan en collega's, is het erg belangrijk om de RT dataset van het individu te behouden25,28. Dat is, Vermijd data trimmen procedures die weglaten zeer trage RTs gezien de inherente bias van de RT distributie; 25 Stel in plaats daarvan weggelaten en langzaam RTS naar oneindig in. Deze stap is van cruciaal belang en het niet naleven van deze eenvoudige regels zal leiden tot de ontwikkeling van onnauwkeurige multisensorische integratie resultaten. Bovendien mogen rassen model significantie testen alleen worden getest op in groep-gemiddelde geschonden gedeelten van het in het studie cohort geïdentificeerde RMI (d.w.z. niet a priori gespecificeerde vensters).
In termen van beperkingen, het huidige experimentele ontwerp was gebaseerd op gegevens uit een eenvoudige reactietijd taak om bilaterale stimuli die werden gepresenteerd op dezelfde locatie en op precies hetzelfde moment. We erkennen dat verschillende aanpassingen aan het huidige experimentele ontwerp kunnen worden gemaakt, afhankelijk van verschillende hypotheses die onderzoekers geïnteresseerd zijn in het onderzoeken. We gebruiken deze studie als een lanceerplatform voor het documenteren van robuuste MSI-effecten in veroudering, maar erkennen dat de implementatie van verschillende experimentele aanpassingen (bijv. verschillende bi-en zelfs Tri-sensorische combinaties, gevarieerde stimulus-begintijden en differentiële magnitude van de stimulus-intensiteit) zal een schat aan incrementele informatie over dit multisensorische fenomeen bieden.
We hebben de bovenstaande aanpak geïmplementeerd om belangrijke associaties te demonstreren tussen de omvang van de visuele somatosensorische integratie met Balance28 en incident Falls28, waarbij oudere volwassenen met een grotere multisensorische integratie vaardigheden manifesteren betere balans prestaties en minder incidenten vallen. Evenzo tonen we aan dat de omvang van de visuele somatosensorische integratie een sterke voorspeller was van ruimtelijke aspecten van gang29, waar personen met een slechtere visuele somatosensorische integratie tragere snelheid, kortere stappen, en meer dubbele ondersteuning. In de toekomst moet deze methodologie worden gebruikt om de relatie van MSI te achterhalen met andere belangrijke klinische uitkomsten zoals cognitieve status, en hulp bij de identificatie van kritieke functionele en structurele multisensorische integratieve neurale netwerken in veroudering en andere klinische populaties.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Er zijn geen belangenconflicten om te rapporteren en de auteurs hebben niets te onthullen.
Acknowledgments
Het huidige werk wordt ondersteund door het Nationaal Instituut voor veroudering bij het National Institute of Health (K01AG049813 to JRM). Aanvullende financiering werd verstrekt door het Resnick gerontology Center van het Albert Einstein College of Medicine. Speciale dank aan alle vrijwilligers en onderzoeksmedewerkers voor buitengewone ondersteuning bij dit project.
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 |
References
- Foxe, J., et al. Auditory-somatosensory multisensory processing in auditory association cortex: an fMRI study. Journal of Neurophysiology. 88 (1), 540-543 (2002).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Kinchla, R. Detecting target elements in multielement arrays: A confusability model. Perception and Psychophysics. 15, 149-158 (1974).
- Miller, J. Divided attention: Evidence for coactivation with redundant signals. Cognitive Psychology. 14 (2), 247-279 (1982).
- 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).
- 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).
- Miller, J. Timecourse of coactivation in bimodal divided attention. Perception and Psychophysics. 40 (5), 331-343 (1986).
- 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).
- Colonius, H., Diederich, A. The race model inequality: interpreting a geometric measure of the amount of violation. Psychological Review. 113 (1), 148-154 (2006).
- Maris, G., Maris, E. Testing the race model inequality: A nonparametric approach. Journal of Mathematical Psychology. 47 (5-6), 507-514 (2003).
- Clark, J. J., Yuille, A. L. Data Fusion for Sensory Information Processing Systems. , Kluwer Academic. (1990).
- Ernst, M. O., Banks, M. S. Humans integrate visual and haptic information in a statistically optimal fashion. Nature. 415 (6870), 429-433 (2002).
- 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).
- 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).
- 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).
- 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).
- 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).
- Gondan, M., Minakata, K. A tutorial on testing the race model inequality. Attention, Perception & Psychophysics. 78 (3), 723-735 (2016).
- Gondan, M. A permutation test for the race model inequality. Behavior Research Methods. 42 (1), 23-28 (2010).
- 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).
- 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).
- Mahoney, J. R., Verghese, J. Visual-Somatosensory Integration and Quantitative Gait Performance in Aging. Frontiers in Aging Neuroscience. 10, 377 (2018).
- 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).
- Galvin, J. E., et al. The AD8: a brief informant interview to detect dementia. Neurology. 65 (4), 559-564 (2005).
- 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).
- Buschke, H., et al. Screening for dementia with the memory impairment screen. Neurology. 52 (2), 231-238 (1999).
