Waiting
Login processing...

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

Behavior

Utilisation de l'inégalité du modèle de course pour quantifier les effets de l'intégration multisensorielle comportementale

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

La présente étude vise à fournir un tutoriel étape par étape pour calculer l'ampleur des effets d'intégration multisensorielle dans un effort pour faciliter la production d'études de recherche translationnelle dans diverses populations cliniques.

Abstract

La recherche sur l'intégration multisensorielle étudie comment le cerveau traite l'information sensorielle simultanée. La recherche sur les animaux (principalement les chats et les primates) et les humains révèle que l'intégration multisensorielle intacte est cruciale pour le fonctionnement dans le monde réel, y compris les activités cognitives et physiques. Une grande partie de la recherche menée au cours des dernières décennies documente les effets d'intégration multisensorielle en utilisant diverses techniques psychophysiques, électrophysiologiques et neuroimaging. Bien que sa présence ait été signalée, les méthodes utilisées pour déterminer l'ampleur des effets d'intégration multisensorielle varient et font généralement l'objet de nombreuses critiques. Dans ce qui suit, les limites des études comportementales précédentes sont décrites et un tutoriel étape par étape pour calculer l'ampleur des effets d'intégration multisensorielle à l'aide de modèles de probabilité robustes est fourni.

Introduction

Les interactions entre les systèmes sensoriels sont essentielles pour les fonctions quotidiennes. Bien que les effets d'intégration multisensorielle soient mesurés dans un large éventail de populations à l'aide de combinaisons sensorielles assorties et de différentes approches en neurosciences [y compris, sans s'y limiter, la psychophysique, l'électrophysiologie et la neuroimagerie méthodologies]1,2,3,4,5,6,7,8,9, actuellement un étalon-or pour quantifier l'intégration multisensorielle fait défaut. Étant donné que les expériences multisensorielles contiennent généralement une composante comportementale, les données sur le temps de réaction (RT) sont souvent examinées pour déterminer l'existence d'un phénomène bien connu appelé effet signaux redondants10. Comme son nom l'indique, les signaux sensoriels simultanés fournissent des informations redondantes, qui donnent généralement des RT plus rapides. Les modèles de course et de co-activation sont utilisés pour expliquer l'effet de signaux redondants mentionné ci-dessus11. Sous les modèles de course, le signal unisensoriel qui est traité le plus rapidement est le vainqueur de la course et est responsable de la production de la réponse comportementale. Cependant, les preuves de la co-activation se produisent lorsque les réponses aux stimuli multisensoriels sont plus rapides que ce que les modèles de course prédisent.

Les versions antérieures du modèle de course sont intrinsèquement controversées12,13 comme ils sont désignés par certains comme trop conservateur14,15 et soi-disant contenir des limitations concernant l'indépendance entre les temps de détection unisensoriels constitutifs inhérents à la condition multisensorielle16. Dans un effort pour remédier à certaines de ces limitations, Colonius et Diederich16 ont mis au point un test de modèle de course plus conventionnel :

Equation 1,

lorsque les fréquences de distribution cumulatives (CDF) des conditions unisensorielles (p. ex., A et B; avec une limite supérieure d'un) sont comparées au CDF de la condition multisensorielle simultanée (p. ex. AB) pour une latence donnée (t)11, 16 Annonces , 17. En général, un FDC détermine la fréquence à laquelle une RT se produit, dans une gamme donnée de RT, divisée par le nombre total de présentations de stimulation (c.-à-d. les essais). Si le CDF de la Equation 2 condition multisensorielle réelle est inférieur ou égal au CDF prévu dérivé des conditions unisensorielles

Equation 3,

alors le modèle de course est accepté et il n'y a aucune preuve pour l'intégration sensorielle. Cependant, lorsque le CDF multisensoriel est supérieur au CDF prévu dérivé des conditions unisensorielles, le modèle de course est rejeté. Le rejet du modèle de course indique que les interactions multisensorielles à partir de sources sensorielles redondantes se combinent d'une manière non linéaire, ce qui entraîne une accélération des RT (p. ex., la facilitation de la RT) aux stimuli multisensoriels.

L'un des principaux obstacles auxquels sont confrontés les chercheurs multisensoriels est de mieux quantifier les effets d'intégration. Par exemple, dans le cas du paradigme multisensoriel comportemental le plus fondamental, où les participants sont invités à effectuer une tâche simple de temps de réaction, des informations concernant l'exactitude et la vitesse sont recueillies. Ces données multisensorielles peuvent être utilisées à la valeur nominale ou manipulées à l'aide de diverses applications mathématiques, y compris, mais sans s'y limiter, l'estimation de probabilité maximale18,19, CDFs11, et diverses autres statistiques Approches. La majorité de nos études multisensorielles précédentes ont utilisé des approches quantitatives et probabilistes où les effets intégratifs multisensoriels ont été calculés en 1) soustrayant le temps de réaction moyen (RT) à un événement multisensoriel du temps de réaction moyen ( RT) à l'événement unisensoriel le plus court, et 2) en employant des CDF pour déterminer si la facilitation de RT a résulté des interactions synergiques facilitées par l'information sensorielle redondante8,20,21, 22 Ans , 23. Toutefois, l'ancienne méthodologie n'était probablement pas sensible aux différences individuelles dans les processus d'intégration et les chercheurs ont depuis émis l'hypothèse que la méthodologie ultérieure (c.-à-d. les FDC) pourrait fournir un meilleur indicateur de la quantification des effets intégratifs24.

Gondan et Minakata ont récemment publié un tutoriel sur la façon de tester avec précision l'inégalité du modèle de course (RMI) puisque les chercheurs font trop souvent d'innombrables erreurs au cours des étapes d'acquisition et de pré-traitement de la collecte et de la préparation des données RT25. Tout d'abord, les auteurs postulent qu'il est défavorable d'appliquer des procédures de rognage des données lorsque certaines limites minimales et maximales de RT ont été fixées. Ils recommandent que les réponses lentes et omises soient mises à l'infini, plutôt que exclues. Deuxièmement, étant donné que l'IMR peut être violé à n'importe quelle latence, plusieurs t-tests sont souvent utilisés pour tester le RMI à différents moments (c.-à-d., quantiles); malheureusement, cette pratique conduit à l'erreur accrue de type I et à une réduction substantielle de la puissance statistique. Pour éviter ces problèmes, il est recommandé que le RMI soit testé sur une plage de temps spécifique. Certains chercheurs ont suggéré qu'il est logique de tester le quartile de réponses le plus rapide (0-25 %)26 ou certaines fenêtres pré-identifiées (c.-à-d. 10-25 %)24,27, car les effets d'intégration multisensorielle sont généralement observés. pendant cet intervalle de temps; cependant, nous soutenons que la plage de centiles à tester doit être dictée par l'ensemble de données réel (voir La section protocole 5). Le problème avec le fait de s'appuyer sur les données publiées de jeunes adultes ou des simulations informatiques est que les personnes âgées manifestent des distributions de RT très différentes, probablement en raison des déclins liés à l'âge dans les systèmes sensoriels. Les tests d'importance du modèle de course ne devraient être testés que sur des parties violées (valeurs positives) de l'onde de différence moyenne du groupe entre les FDC réels et prévus de la cohorte de l'étude.

À cette fin, un effet protecteur de l'intégration multisensorielle chez les personnes âgées en bonne santé en utilisant le test conventionnel du modèle de course16 et les principes énoncés par Gondan et ses collègues25 a été démontré. En fait, une plus grande ampleur de l'IMC visuel-somatosensoriel (un proxy pour l'intégration multisensorielle) s'est avérée liée à une meilleure performance d'équilibre, à une probabilité plus faible de chutes d'incident et à une augmentation des performances de la démarche spatiale28,29.

L'objectif de l'expérience actuelle est de fournir aux chercheurs un tutoriel étape par étape pour calculer l'ampleur des effets d'intégration multisensorielle à l'aide du RMI, afin de faciliter l'augmentation de la production de diverses études de recherche translationnelle à travers populations cliniques différentes. Notez que les données présentées dans la présente étude proviennent d'expériences visuelles-somatosensorielles récemment publiées menées sur des personnes âgées en bonne santé28,29, mais cette méthodologie peut être appliquée à diverses cohortes à travers de nombreux différents conceptions expérimentales, en utilisant un large éventail de combinaisons multisensorielles.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Tous les participants ont fourni un consentement éclairé écrit aux procédures expérimentales, qui ont été approuvées par le comité d'examen institutionnel de l'Albert Einstein College of Medicine.

1. Critères de recrutement, d'inclusion et de consentement des participants

  1. Recruter une cohorte relativement importante d'anglophones qui peuvent se déplacer de façon autonome et qui sont exempts de pertes sensorielles importantes; troubles neurologiques ou psychiatriques actifs qui interfèrent avec les évaluations expérimentales; et les procédures médicales actuelles/futures qui affectent la mobilité.
  2. Assurez-vous que chaque participant peut réussir un examen de dépistage sensoriel, où l'acuité visuelle, auditive et somatosensorielle est formellement testée pour confirmer la pertinence de l'étude.
    1. Utilisez le tableau des yeux Snellen pour s'assurer que l'acuité visuelle bilatérale est meilleure ou égale à 20/100.
    2. Utilisez un otoscope émettant de tonalité pour s'assurer que les participants sont au minimum capables d'entendre une tonalité de 2 000 Hz à 25 dB30.
    3. Déterminer si les participants maintiennent un diagnostic de neuropathie clinique et si elle interfère avec la capacité de sentir la stimulation somatosensorielle expérimentale21,28,29.
    4. Si le participant n'est pas en mesure de satisfaire à ces exigences sensorielles minimales, ne les incluez pas dans l'étude.
  3. Exclure les personnes âgées atteintes de démence en mettant en œuvre des résultats réduits à partir d'instruments de dépistage fiables tels que le score limite d'entrevue de dépistage de la démence AD8 2 31,32; et le MIS de l'écran de déficience de mémoire; score de coupure 'lt; 533.
  4. Demandez aux participants de donner leur consentement éclairé aux procédures expérimentales (approuvées par un comité d'examen institutionnel local) s'ils sont disposés à participer.

2. Conception expérimentale

  1. Utilisez un logiciel de présentation de stimulus pour programmer une expérience simple de temps de réaction avec trois conditions expérimentales : visuelle (V) seule, somatosensory (S) seule, et visuelle-somatosensorielle simultanée (VS). Informez les participants de répondre à chaque stimulus sensoriel, quelle que soit la condition, le plus rapidement possible. Voir les fichiers supplémentaires pour un exemple d'une tâche VS RT simple (Dossier supplémentaire 1).
    1. Utilisez un générateur de stimulus avec trois boîtes de commande (30,48 mm et 20,32 mm et 12,70 mm) et un boîtier en plastique pour les stimulateurs. Les boîtes de commande gauche et droite contiennent des diodes électroluminescentes bleues bilatérales (DEL; 15,88 cm de diamètre) qui s'illuminent pour la stimulation visuelle et les moteurs bilatéraux avec une amplitude vibratoire de 0,8 G qui vibrent pour la stimulation somatosensorielle (équivalente à une vibration de téléphone cellulaire)22,23,28.
    2. Assurez-vous que les générateurs de stimulus fournissent à la fois une stimulation unisensorielle (visuelle OU somatosensorielle seule), ainsi que multisensorielle (visuelle simultanée et somatosensorielle). Placez une boîte de contrôle factice centrale équidistant (28 cm) des cases de commande gauche et droite décrites dans 2.1.1. et apposer un autocollant de cible visuelle (cercle central de 0,4 cm de diamètre) pour servir de point de fixation.
    3. Connectez le générateur de stimulus à l'ordinateur expérimental via le port parallèle qui permet le contrôle direct de chaque stimulateur.
    4. Programmez le logiciel de présentation de stimulus pour envoyer des impulsions de transistor-transistor-logique (TTL, 5 V) aux générateurs de stimulus de déclenchement sur et hors directement par le port parallèle. Définir le temps de présentation de stimulus à 100 ms de durée.
  2. Dans le logiciel de présentation de stimulus, programmez un minimum de 3 blocs expérimentaux chacun composé de 45 essais (15 essais de chaque condition de stimulus présentés dans l'ordre aléatoire) pour un total de 135 présentations de stimulus pour cette expérience simple de temps de réaction.
  3. Variez l'intervalle entre-stimulus-intervalle aléatoirement entre 1 et 3 s pour empêcher des effets d'anticipation. Alternativement, insérez des essais de capture où les paramètres de stimulus sont les mêmes que ci-dessus, mais l'impulsion TTL n'est pas envoyée, donc aucune stimulation visuelle ou somatosensorielle ne se produit et, par conséquent, aucune réponse n'est prévue.
  4. Permettre aux participants jusqu'à 2 000 ms de répondre à n'importe quelle condition de stimulation donnée. Si aucune réponse n'est détectée dans la période de réponse de 2 000 ms, assurez-vous que le logiciel de présentation de stimulus passe automatiquement au prochain essai.
    REMARQUE : Cette coupure de fenêtre de réponse est arbitraire mais nécessaire pour maintenir le temps expérimental total à un minimum ; notez que les TR plus longs seront réglés à l'infini indépendamment.
  5. Séparez les trois blocs expérimentaux en programmant des pauses de 20 s dans le logiciel de présentation de stimulus afin de réduire la fatigue potentielle et d'augmenter la concentration. Assurez-vous que chaque bloc suivant commence immédiatement après la pause de 20 s se termine.
  6. Programme d'instructions écrites pour apparaître sur l'écran visuel (moniteur de l'ordinateur expérimental). Les instructions exactes sont fournies dans le matériel supplémentaire. Demandez au participant de commencer l'expérience en poussant le bloc de réponse avec son pied droit lorsqu'il est prêt à commencer. Une fois que les paramètres de stimulation sont programmés, le logiciel de présentation de stimulus crée un script qui doit être exécuté sur chaque participant.
  7. Fournir l'ID et le numéro de session des participants afin d'exécuter le script expérimental. Une fois l'expérience terminée, un journal de données comportementale unique est produit pour chaque participant (voir Le fichier supplémentaire 2 pour un fichier de sortie Eprime 2.0).

3. Apparatus et tâche

  1. Demandez aux participants de s'asseoir debout et de reposer confortablement les mains sur les cases de contrôle gauche et droite.
    1. Placez stratégiquement les index sur les moteurs vibratoires montés à l'arrière de la boîte de commande, et les pouces à l'avant de la boîte de commande, sous la LED pour ne pas bloquer la lumière (voir Figure 1).
    2. Assurez-vous que les stimuli somatosensoriels sont inaudibles en fournissant aux participants des écouteurs sur lesquels le bruit blanc continu est joué à un niveau confortable (généralement 65-75 dBs).
  2. Demandez aux participants de répondre à tous les stimuli le plus rapidement possible.
    1. Demandez aux participants d'utiliser une pédale située sous le pied droit comme coussin de réponse puisque les doigts accepteront la stimulation somatosensorielle (voir la figure 1).
  3. Calculez la précision des performances par état de stimulus.
    1. Demandez aux participants de répondre à chacun des stimuli expérimentaux (45 par condition) le plus rapidement possible.
    2. Divisez le nombre de stimuli détectés avec précision par condition sur 45 (nombre total d'essais par condition) pour obtenir des mesures de la précision des performances pour les conditions visuelles, somatosensorielles et VS, respectivement.

4. Préparation des données sur les inégalités du modèle de course (niveau individuel)

  1. Déterminez si la performance comportementale d'une personne est valide.
    1. Exclure les participants qui ne sont pas en mesure d'atteindre une précision de 70 % correcte ou supérieure sur une condition de stimulation Comme l'exactitude du rendement du participant sur une tâche simple de temps de réaction diminue, il en va de la fiabilité des données de l'individu.
    2. Considérer les essais inexacts (omissions) si un participant ne répond pas à un stimulus dans la période de réponse fixée et définir RT correspondant à l'infini plutôt que d'exclure l'essai de l'analyse25,28.
      REMARQUE : Dans les études précédentes, la détection de stimulus moyenne du groupe (n-289) était de 96 % dans toutes les conditions, et plus de 90 % de la population avait des taux de détection supérieurs à 90 % pour toutes les conditions28.
    3. N'utilisez pas de procédures de rognage de données qui suppriment les RT très lentes, car cela biaisera la distribution des données RT. 25 Assurez-vous que les TR qui sont clairement aberrants sont réglés à l'infini. Voir le fichier supplémentaire illustrant les modifications dans les FDC en fonction des procédures de rognage des données et de l'inclusion des TR lents (Fichiersupplémentaire 3).
  2. Organisez les données RT.
    1. Trier les données RT dans l'ordre croissant par la condition expérimentale. Placez les conditions visuelles, somatosensorielles et VS dans des colonnes séparées de données RT triées. Assurez-vous que chaque ligne représente un essai et que chaque cellule représente la RT réelle (ou l'infini dans le cas d'essais omis ou lents).
  3. Bin les données RT.
    1. Identifiez la RT la plus rapide (à n'importe quelle condition- ellipse orange) et la RT la plus lente (à n'importe quelle ellipse rouge condition). Soustrayez la RT la plus lente du plus rapide (p. ex., 740 ms à 237 ms) afin de calculer la plage de RT de l'individu (503 ms; ellipse bleue) dans toutes les conditions d'essai. Le tableau 1 montre comment calculer la gamme RT d'une personne et représente les différentes lipses de couleur.
    2. Bin RT données du 0% (le plus rapide RT 237 dans cet exemple) à la 100% (ou le plus lent RT 740 dans cet exemple) par incréments de 5% en prenant le plus rapide RT et en ajoutant progressivement 5% de la gamme RT identifiée dans 4.3.1 jusqu'à 100% des données RT est comptabilisée (voir tableau 2 ). Il en résultera 21 bacs.
      REMARQUE : Dans le tableau 2 - 1 % d'ile n'est inclus que dans la feuille de travail uniquement à des fins d'illustration.
  4. Calculer la fréquence de distribution cumulative (CDF) pour les conditions expérimentales.
    1. À l'aide d'un logiciel de tableur, utilisez une fonction « FREQUENCY » où le tableau1 est égal aux T pour l'une des conditions expérimentales et le tableau2 est égal aux 21 bacs de TR quantisés calculés à l'étape 4.3, divisés par le nombre total d'essais (45) par condition. Ceci est illustré dans la figure 2a.
    2. Répétez cette fonction pour les deux autres conditions expérimentales (figure2b-2c)afin de peupler les fréquences (ou probabilité (P)) d'un RT se produisant dans chacun des 21 bacs de temps quantisés, pour chacune des trois conditions expérimentales.
    3. Ensuite, créez la fréquence de distribution cumulative (CDF) en résumant le total courant des probabilités dans les bacs quantisés (0 %, 0 à 5 %, 0 à 5 , 10 %, 0 à 5 à 10 %, etc.) pour chacune des trois conditions expérimentales. Par exemple, dans la colonne de probabilité cumulative de l'état de Soma (colonne AE), la probabilité cumulative de la plage de 95 % d'ile (cellule AE22) est la synthèse des valeurs de probabilité dans les cellules Z3:Z23 (voir figure 3).
  5. CDF réels vs prévus.
    1. Assurez-vous que le CDF de la condition multisensorielle représente le CDF réel (voir figure 4 colonne AF et trace violette tracée). Pour calculer le CDF prévu (colonne AG), sommez les deux CDF unisensoriels (avec une limite supérieure fixée à 1) dans chacun des 21 bacs de temps quantis (voir Figure 5). Commencez par le 0e percentile (bin 1) et continuez jusqu'au 100e percentile (bin 21).
  6. Effectuer le test de l'inégalité du modèle de course (RMI).
    1. Soustrayez le CDF prévu (calculé en 4.5.2.) du CDF réel pour chacun des 21 bacs de temps quantisés afin d'obtenir les valeurs de différence (colonne AH; voir Figure 6).
    2. Tracer ces 21 valeurs comme un graphique de ligne, où l'axe X représente chacun des bacs de temps quantisés (colonne AC) et l'axe y représente la différence de probabilité entre les CDF réels et prévus (colonne AH; Figure 7 (trace noire).
    3. Vérifier les valeurs positives à n'importe quelle latence (c.-à-d. quantiles) qui indiquent l'intégration des stimuli unisensoriels et reflètent une violation du RMI (voir la partie verte mise en évidence de l'onde de différence de 0,00 à 0,10 à la figure 7).

5. Quantification de l'effet multisensoriel (niveau de groupe).

  1. Moyenne de groupe les données rMI individuelles (différences entre le FDC prévu et le CDF réel pour chacun des bacs à 21 heures; étape 4.6.1- colonne AH) entre tous les participants. Utilisez un logiciel de tableur pour affecter les individus à des rangées et des bacs de temps comme colonnes. Dans une nouvelle feuille de calcul, placez les 21 valeurs calculées en 4,6,1 en rangées individuelles (1 rangée par participant) et les valeurs moyennes dans les bacs de temps pour créer une forme d'onde de différence moyenne en groupe.
  2. Tracer la moyenne du groupe 21 valeurs comme un graphique de ligne, où l'axe X représente chacun des bacs de temps quantis et l'axe y représente la différence de probabilité entre les CDF.
  3. Inspecter et documenter visuellement la partie violée de l'onde de différence moyenne du groupe (c.-à-d. valeurs positives).
  4. Exécutez le test de permutation RMI de Gondan (script R disponible en téléchargement gratuit)26 pour déterminer s'il y a une violation statistiquement significative du RMI par-dessus les valeurs positives identifiées à l'étape 5.3.
    1. Organisez les données dans un fichier texte où la première colonne est nommée "Obs" pour Observer (par exemple, l'ID participant), la deuxième colonne est nommée "Cond" pour l'état de stimulus (V, S, ou VS) et la troisième colonne est nommée "RT" pour RT réel ou "Inf" si elle est fixée à l'infini.
    2. Ouvrez le logiciel, identifiez les bacs à temps à tester (en fonction des bacs de temps positifs identifiés dans 5.3) et entrez le nom de fichier texte créé en 5.4.1.
    3. Exécutez le test en appelant le script. Les résultats fourniront une valeur tmax, un critère de 95 % et une valeur p qui contribueront à déterminer s'il existe une violation importante du modèle de course dans l'ensemble de l'échantillon de l'étude.
  5. Calculer la zone sous la courbe (AUC) pour chaque individu après avoir établi les bacs percentile considérablement violés à l'étape 5.3. L'AUC servira d'ampleur de l'intégration multisensorielle (ou de la variable indépendante). Pour calculer les données du participant 1 à l'AUC à titre d'exemple, pour les bacs centiles de 0,00 à 0,15 représentés à la figure 8a-d).
    1. Sommez la valeur de différence CDF au bac de temps 1 (1ère de valeur positive) avec la valeur de différence CDF du bac de temps 2 (valeur positive suivante) et divisez ensuite par deux (voir figure 8a). Répétez l'étape 5.3.1. pour chaque paire de bacs de temps consécutifs contenant des valeurs positives (voir la figure 8b-8c).
    2. Sommez les résultats obtenus à partir des étapes 5.5.1 - 5.5.2. pour générer l'AUC totale de l'onde de différence CDF au cours de la plage de percentile violée (p. ex., 0,00 à 0,15 dans la figure 8d).
      REMARQUE : L'AUC est une mesure continue et une valeur AUC est présente pour chaque individu pour la partie violée du RMI (figure8d ellipse rouge - AUC du participant 1 0,13). L'AUC peut être utilisée comme variable indépendante représentant « l'ampleur de l'intégration des VS » qui peut ensuite être testée pour prédire d'importantes mesures des résultats cliniques (voir aussi28,29).
  6. Attribuer des groupes de classification multisensorielle à l'intégration en fonction du nombre de bacs percentiles violés (valeurs supérieures à zéro mises en évidence en gris dans le tableau 3) au cours de la plage de percentile significativement violée mentionnée ci-dessus à l'étape 5.3. En regardant le tableau 3 (bacs pour centile 0,00 à 0,15) : Le participant 1 a des valeurs positives pour 2 bacs sur 4; Le participant 2 a des valeurs positives pour 4 bacs sur 4; et participant 3 a des valeurs positives pour 0 bacs sur 4.
    1. Opérationnaliser un système de classification basé sur le nombre de bacs percentiles violés (valeurs supérieures à zéro pour 0, 1, 2 ou 3 bacs) pendant le 0-10e percentile.
    2. La figure 9 représente une définition de classification potentielle qui est adaptée à partir des données récemment publiées présentées par Mahoney et Verghese29.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Le but de cette étude était de fournir un tutoriel étape par étape d'une approche méthodique pour quantifier l'ampleur des effets d'intégration vs, pour favoriser la publication de nouvelles études multisensorielles utilisant des conceptions et des configurations expérimentales similaires (voir la figure 1 ). Les captures d'écran de chaque étape et le calcul nécessaire pour obtenir l'ampleur des effets d'intégration multisensorielle, mesurés par RMI AUC, sont délimités ci-dessus et illustrés dans les figures 2-8.

La figure 9 montre une violation moyenne du groupe (trace en pointillé) qui se produit sur une fourchette de 0 à 10 % pour un échantillon de 333 personnes âgées (voir aussi29). Ici, le nombre total de valeurs positives (0, 1, 2 ou 3) pour ces 3 quantiles (0,00 - 0,10) détermine le groupe de classification multisensorielle auquel une personne est affectée (déficiente, pauvre, bonne ou supérieure) respectivement.

Tel que décrit à la figure 9, les résultats moyens du groupe démontrent une violation significative du modèle de course sur le dixième le plus rapide de tous les temps de réponse26. Bien que cette forme d'onde de différence moyenne en groupe suggère qu'en moyenne les personnes âgées démontrent une violation importante du modèle de race (c.-à-d. effets d'intégration multisensorielle), nous soutenons que ce n'est pas un modèle unique. Au contraire, l'AUC de l'individu en vertu de la période de temps violée (0-10%ile) fournit un meilleur indicateur pour évaluer l'ampleur de l'intégration VS de l'individu, comme les modèles d'intégration différentielle ont été documentés 20-23, 28,29. Une fois calculée, l'ampleur individuelle de l'intégration de VS peut servir de prédicteur continu des résultats importants dans diverses populations cliniques.

Nous recommandons la mise en place d'un système de classification, peut-être basé sur le nombre de bacs percentiles violés (valeurs supérieures à zéro) au cours de la période de violation du RMI moyenne du groupe, comme moyen de dépeindre les modèles d'intégration différentiels inhérents. La classification des données de cette manière révélera une nette dégradation de la violation du modèle de course par groupe de classification d'intégration multisensorielle.

Figure 1
Figure 1 : Appareil expérimental. À l'aide d'une pédale de pied située sous le pied droit comme coussin de réponse, on a demandé aux participants de répondre aux stimuli unisensoriels et multisensoriels le plus rapidement possible. Ce chiffre a été réimprimé avec la permission22,28,29. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 2
Figure 2 : Calcul de la fréquence d'un RT se produisant dans une gamme spécifiée de RTs pour chaque condition expérimentale. a) Visuel (V); b) Somatosensoriel (S); c) Visual-Somatosensory (VS). Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 3
Figure 3 : Création de la fréquence de distribution cumulative pour les conditions expérimentales. Ce chiffre représente la synthèse de la probabilité cumulative au bac à 95 % pour l'état de Soma (S). Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 4
Figure 4 : Tracer le CDF réel (état de VS ; trace pourpre) en fonction du quantile. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 5
Figure 5 : Calcul du CDF prévu. Sommez les CDF des deux CDF unisensoriels tout en incluant une limite supérieure de 1 pour chacun des quantiles de 0,00 à 1,00. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 6
Figure 6 : Créer l'inégalité du modèle de course (IMR). Soustrayez le CDF du CDF prévu du CDF réel pour chaque quantile. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 7
Figure 7 : Tracez les valeurs RMI individuelles. L'axe x représente chacun des 21 quantiles (colonne AC) et l'axe y représente la différence de probabilité entre les CDF (colonne AH). La partie verte surlignée du RMI représente la partie positive ou violée de la forme d'onde, indicatif de l'intégration multisensorielle. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 8
Figure 8 : Calcul de la zone sous-courbe (AUC) d'une personne. a) Sommez la valeur de différence CDF à quantile 1 (0.00) avec la valeur de différence CDF de quantile 2 (0.05) et puis divisez par deux pour créer une mesure de LAU de 0.00 - 0.05. b-c) Répéter l'étape a) pour chaque paire consécutive de quantiles (p. ex., 0,05 - 0,10 et 0,10 - 0,15) pour atteindre l'AUC pour chaque plage de quantiles. d) Sumlez l'AUC pour chaque plage de bacs à temps pour obtenir le total auTO pour toute la fenêtre bin temps identifié dans 5.3. Notez cet exemple inclut une gamme plus large de quantile (0.00 - 0.15) pour des buts d'illustration seulement. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 9
Figure 9 : Inégalité des modèles de course : Classification globale et par groupe. La différence moyenne de groupe entre les CDF réels et prévus sur la trajectoire de tous les quantiles est représentée par la trace pointillée. Les traces solides représentent chacune des quatre classifications d'intégration multisensorielles définies ci-dessus en fonction du nombre de bacs quantiles violés. Ce chiffre adapté a été réimprimé avec la permission29. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Dossier supplémentaire 1 : Exemple de paradigme de temps de réaction simple programmé dans Eprime 2.0. Veuillez cliquer ici pour télécharger ce fichier.

Dossier supplémentaire 2: Exemple de données RT sortie de données comportementales à partir d'Eprime 2.0. Veuillez cliquer ici pour télécharger ce fichier.

Dossier supplémentaire 3: Échantillondez des données RMI avec et sans valeurs aberrantes et des essais omis. Veuillez cliquer ici pour télécharger ce fichier.

Tableau 1. Statistiques descriptives individuelles par condition et calcul de la gamme RT. Veuillez cliquer ici pour télécharger ce fichier.

Tableau 2. Exemple de la façon de bin RT données basées sur la gamme RT. Veuillez cliquer ici pour télécharger ce fichier.

Tableau 3. Exemple de calcul de l'AUC et identification de quantiles violées (zone ombragée grise). Veuillez cliquer ici pour télécharger ce fichier.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

L'objectif de la présente étude était de détailler le processus derrière l'établissement d'un phénotype d'intégration multisensorielle robuste. Ici, nous fournissons les étapes nécessaires et critiques nécessaires pour acquérir des effets d'intégration multisensorielle qui peuvent être utilisés pour prédire les résultats cognitifs et moteurs importants en s'appuyant sur des circuits neuronaux similaires. Notre objectif global était de fournir un tutoriel étape par étape pour calculer l'ampleur de l'intégration multisensorielle dans un effort pour faciliter des études multisensorielles translationnelles novatrices et nouvelles à travers diverses populations cliniques et les âges.

Comme l'ont indiqué ci-dessus et décrit par Gondan et ses collègues, il est très important de préserver l'ensemble de données RT de l'individu25,28. Autrement dit, évitez les procédures de coupe de données qui omettent les RT très lents étant donné son biais inhérent à la distribution de RT; 25 au lieu, définir omis et lent RTs à l'infini. Cette étape est critique et le non-respect de ces règles simples conduira au développement de résultats d'intégration multisensorielle inexacts. De plus, les tests d'importance du modèle de course ne devraient être testés que sur des parties violées moyennes du Groupe du RMI identifiées dans la cohorte d'étude (c.-à-d. pas des fenêtres spécifiées a priori).

En termes de limitations, la conception expérimentale actuelle était basée sur des données d'une simple tâche de temps de réaction à des stimuli bilatéraux qui ont été présentés au même endroit et exactement en même temps. Nous reconnaissons que plusieurs adaptations à la conception expérimentale actuelle peuvent être faites en fonction de diverses hypothèses que les chercheurs sont intéressés à examiner. Nous utilisons cette étude comme rampe de lancement pour documenter les effets robustes de l'ISM dans le vieillissement, mais reconnaissons que la mise en œuvre de diverses adaptations expérimentales (p. ex., différentes combinaisons bi- et même tri-sensorielles, des temps de présentation de stimulation variés et l'ampleur différentielle de l'intensité de stimulus) fournira une richesse d'informations incrémentielles concernant ce phénomène multisensoriel.

Nous avons mis en œuvre l'approche ci-dessus pour démontrer des associations significatives entre l'ampleur de l'intégration visuelle-somatosensorielle avec l'équilibre28 et les chutes d'incident28, où les personnes âgées avec une plus grande intégration multisensorielle les capacités manifestent une meilleure performance d'équilibre et moins de chutes d'incidents. De même, nous démontrons que l'ampleur de l'intégration visuelle-somatosensorielle était un prédicteur fort des aspects spatiaux de la démarche29, où les individus avec une plus mauvaise intégration visuelle-somatosensorielle ont démontré une vitesse de marche plus lente, des foulées plus courtes, et augmenté le double soutien. À l'avenir, cette méthodologie devrait être utilisée pour découvrir la relation de l'ISM avec d'autres résultats cliniques importants comme l'état cognitif, et aider à l'identification des réseaux neuronaux intégratifs intégratifs fonctionnels et structurels critiques dans le vieillissement et d'autres populations cliniques.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Il n'y a pas de conflits d'intérêts à signaler et les auteurs n'ont rien à divulguer.

Acknowledgments

L'ensemble actuel des travaux est soutenu par l'Institut national sur le vieillissement de l'Institut national de la santé (K01AG049813 à JRM). Un financement supplémentaire a été fourni par le Resnick Gerontology Center de l'Albert Einstein College of Medicine. Un merci spécial à tous les bénévoles et au personnel de recherche pour leur soutien exceptionnel dans ce projet.

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

Comportement Numéro 147 intégration multisensorielle intégration sensorimotrice Inégalité du modèle de course Effet signaux redondants vieillissement
Utilisation de l'inégalité du modèle de course pour quantifier les effets de l'intégration multisensorielle comportementale
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