Waiting
Login processing...

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

Behavior

Bruke rase modell ulikhet å kvantifisere Behavioral Multisensor Integration Effects

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 nåværende studien har som mål å gi en trinnvis veiledning for beregning av omfanget av multisensor integrasjons effekter i et forsøk på å tilrettelegge for produksjon av translational forskningsstudier på tvers av ulike kliniske populasjoner.

Abstract

Multisensor integrasjons forskning undersøker hvordan hjernen behandler samtidig sensorisk informasjon. Forskning på dyr (hovedsakelig katter og primater) og mennesker avslører at intakt multisensor integrering er avgjørende for å fungere i den virkelige verden, inkludert både kognitive og fysiske aktiviteter. Mye av forskningen gjennomført de siste flere ti år dokumenter multisensor integrering effekter ved hjelp av ulike psykofysiske, elektrofysiologisk, og neuroimaging teknikker. Mens dens tilstedeværelse har blitt rapportert, metodene som brukes for å bestemme omfanget av multisensor integrering effekter varierer og vanligvis står overfor mye kritikk. I det følgende, begrensninger av tidligere atferdsdata studier er skissert og en trinnvis veiledning for beregning av omfanget av multisensor integrasjon effekter ved hjelp av robuste sannsynlighet modeller er gitt.

Introduction

Interaksjoner på tvers av sanse systemer er avgjørende for hverdagslige funksjoner. Mens multisensor integrasjons effekter måles på tvers av et bredt spekter av populasjoner ved hjelp av diverse sensoriske kombinasjoner og ulike nevrovitenskap tilnærminger [inkludert men ikke begrenset til psykofysiske, elektrofysiologisk, og neuroimaging metoder]1,2,3,4,5,6,7,8,9, for tiden en gull standard for kvantifisere multisensor integrering mangler. Gitt at multisensor eksperimenter vanligvis inneholder en atferds komponent, er reaksjonstid (RT) data ofte undersøkt for å fastslå eksistensen av et velkjent fenomen kalt redundant signaler effekt10. Som navnet antyder, samtidig sensoriske signaler gir overflødig informasjon, noe som vanligvis gir raskere RTs. Race og co-aktivering modeller brukes til å forklare ovennevnte overflødige signaler effekt11. Under Race modeller, unisensory signalet som er behandlet den raskeste er vinneren av løpet og er ansvarlig for å produsere atferdsdata respons. Imidlertid, bevis for tilpasse-aktivisering hender når Svar å multisensor stimuli er hurtigere enn hva rase modeller forutsi.

Tidligere versjoner av rase modellen er iboende kontroversielle12,13 som de er referert til av noen som altfor konservative14,15 og angivelig inneholder begrensninger når det gjelder uavhengighet mellom konstituerende unisensory deteksjon ganger som ligger i multisensor tilstand16. I et forsøk på å ta opp noen av disse begrensningene, Colonius & Diederich16 utviklet en mer konvensjonell rase modell test:

Equation 1,

der de kumulative fordelings frekvensene (CDFs) til de unisensory betingelsene (f.eks. en & B; med en øvre grense på én) sammenlignes med CDF i den samtidige multisensor tilstanden (f.eks. AB) for en gitt ventetid (t)11, 16 flere , 17. generelt bestemmer en CDF hvor ofte en RT oppstår, innenfor et gitt område av RTs, dividert med det totale antall stimulans presentasjoner (dvs. forsøk). Hvis CDF-en for den faktiske multisensor Equation 2 betingelsen er mindre enn eller lik den anslåtte CDF-en som er avledet fra de unisensory betingelsene

Equation 3,

deretter rase modellen er akseptert og det er ingen bevis for sensorisk integrering. Men når multisensor CDF er større enn den anslåtte CDF-en avledet fra de unisensory betingelsene, avvises rase modellen. Avvisning av løps modellen indikerer at multisensor interaksjoner fra redundante sanse kilder kombineres på en ikke-lineær måte, noe som resulterer i en påskynde av RTs (f. eks, RT tilrettelegging) for å multisensor stimuli.

Et hoved hinder som multisensor forskerne står overfor er hvordan man best kan kvantifisere integrasjons effekter. For eksempel, i tilfelle av de mest grunnleggende atferdsmessige multisensor paradigmet, der deltakerne blir bedt om å utføre en enkel reaksjonstid oppgave, informasjon om nøyaktighet og hastighet er samlet. Slike multisensor data kan brukes i ansiktet-verdi eller manipulert ved hjelp av ulike matematiske anvendelser inkludert men ikke begrenset til maksimal sannsynlighet estimering18,19, CDFs11, og diverse andre statistiske Tilnærminger. Flertallet av våre tidligere multisensor studier benyttet både kvantitative og sannsynlighetsbasert tilnærminger der multisensor integrerende effekter ble kalkulert med 1) trekke gjennomsnittlig reaksjonstid (RT) til en multisensor hendelse fra gjennomsnittlig reaksjonstid ( RT) til den korteste unisensory hendelsen, og 2) ved å ansette CDFs å avgjøre om RT tilrettelegging skyldes synergi interaksjoner tilrettelagt av redundant sensorisk informasjon8,20,21, 22 av , 23. men den tidligere metodikk var trolig ikke følsom for de enkelte forskjellene i integrerende prosesser og forskere har siden hevdet at den senere metodikk (dvs. CDFs) kan gi en bedre proxy for kvantifisere multisensor integrerende effekter24.

Gondan og Minakata nylig publisert en tutorial på hvordan du nøyaktig teste Race Model ulikhet (RMI) siden forskerne altfor ofte gjør utallige feil under oppkjøpet og pre-prosessering stadier av RT datainnsamling og forberedelser25. Først forfatterne posit som er ugunstig å anvende data trimming prosedyrer der visse a priori minimum og maksimum RT grenser er satt. De anbefaler at trege og utelatt svar settes til uendelig, i stedet for utelatt. For det andre, gitt at RMI kan bli krenket når som helst ventetid, flere t-tester er ofte brukt til å teste RMI på ulike tidspunkt poeng (dvs. quantiles); Dessverre, denne praksisen fører til økt type I feil og betydelig redusert statistisk makt. For å unngå disse problemene, anbefales det at RMI testes over en bestemt tidsperiode. Noen forskere har antydet at det er fornuftig å teste den raskeste kvartilen av svar (0-25%)26 eller noen pre-identifiserte Vinduer (dvs. 10-25%)24,27 som multisensor integrering effekter er vanligvis observert i løpet av dette tidsintervallet; Vi hevder imidlertid at Persentil-området som skal testes, må være diktert av det faktiske datasettet (se protokoll avsnitt 5). Problemet med å stole på publiserte data fra unge voksne eller datasimuleringer er at eldre voksne manifest svært forskjellige RT-distribusjoner, sannsynligvis på grunn av alder-relaterte reduksjoner i sensoriske systemer. Test av rase modell testing bør bare testes over krenket deler (positive verdier) av gruppen-gjennomsnittet forskjellen bølge mellom faktiske og spådde CDFs fra studien kohort.

For dette formål er en beskyttende effekt av multisensor integrasjon hos friske eldre voksne som bruker den konvensjonelle testen av løps modellen16 og prinsippene fremsatt av Gondan og kollegaer25 , vist. Faktisk, større omfang av Visual-somatosensory RMI (en proxy for multisensor integrering) ble funnet å være knyttet til bedre balanse ytelse, lavere sannsynlighet for hendelsen faller og økt romlig gange ytelse28,29.

Målet med dagens eksperiment er å gi forskere en trinnvis veiledning for å beregne omfanget av multisensor integrasjons effekter ved hjelp av RMI, for å lette den økte produksjonen av ulike translational forskningsstudier på tvers mange forskjellige kliniske populasjoner. Merk at data som presenteres i gjeldende studie er fra nylig publiserte Visual-somatosensory eksperimenter utført på friske eldre voksne28,29, men denne metodikken kan brukes til ulike kohorter på tvers av mange forskjellige eksperimentell design, utnytte et bredt utvalg av multisensor kombinasjoner.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Alle deltakerne gitt skriftlig informert samtykke til eksperimentelle prosedyrer, som ble godkjent av den institusjonelle gjennomgang styret i Albert Einstein College of Medicine.

1. deltaker rekruttering, inkluderings kriterier og samtykke

  1. Rekruttere en relativt stor kohort av engelsktalende individer som kan ambulering uavhengig og er fri for betydelig sensorisk tap; aktive nevrologiske eller psykiatriske lidelser som forstyrrer eksperimentelle evalueringer; og nåværende/fremtidige medisinske prosedyrer som påvirker mobilitet.
  2. Sørg for at hver deltaker kan fullføre en sensorisk screening eksamen, der visuelle, hørbar og somatosensory skarphet er formelt testet for å bekrefte studie egnethet.
    1. Bruk snellen øye kart for å sikre at bilateral synsskarphet er bedre enn eller lik 20/100.
    2. Bruk en tone-emitting Otoskop for å sikre at deltakerne er på et minimum i stand til å høre en 2 000 Hz tone ved 25 dB30.
    3. Avgjøre om deltakerne opprettholde diagnosen klinisk nevropati og om det forstyrrer evnen til å føle eksperimentell somatosensory stimulering21,28,29.
    4. Hvis deltakeren ikke er i stand til å oppfylle disse minste sanse kravene, må du ikke ta dem med i studien.
  3. Ekskluder eldre voksne med demens ved å implementere cut-resultater fra pålitelige screening-instrumenter som for eksempel AD8 demens screening intervju cut score ≥ 2 31,32; og skjermbildet for Hukommelsessvikt MIS; Cut score < 533.
  4. La deltakerne gi skriftlig informert samtykke til eksperimentelle prosedyrer (godkjent av en lokal institusjonell gjennomgang bord) hvis villig til å delta.

2. eksperimentell design

  1. Bruk stimulans presentasjonsprogramvare for å programmere en enkel reaksjonstid eksperiment med tre eksperimentelle forhold: visuell (V) alene, somatosensory (S) alene, og samtidig visuell-somatosensory (VS). Informer deltakerne om å svare på hver sensorisk stimulans, uavhengig av tilstanden, så raskt som mulig. Se tilleggsfiler for et eksempel på en VS enkel RT-oppgave (tilleggsfil 1).
    1. Bruk en stimulans generator med Trekontroll bokser (30,48 mm × 20,32 mm × 12,70 mm) og plast hus for stimulatorer. Venstre og høyre kontrollbokser inneholder bilaterale blått lys Emitting dioder (lysdioder, 15,88 cm diameter) som lyser for visuell stimulering og bilaterale motorer med 0,8 G vibrasjons amplitude som vibrerer for somatosensory stimulering (tilsvarer en mobiltelefon vibrasjon)22,23,28.
    2. Sørg for at stimulans generatorer gir både unisensory (visuell OR somatosensory alene), samt multisensor (samtidige visuelle og somatosensory) stimulering. Plasser et senter dummy kontrollboksen like langt (28 cm) fra venstre og høyre kontrollbokser som er beskrevet i 2.1.1. og påføre et visuelt mål klistremerke (sentral sirkel av 0,4 cm diameter) for å fungere som fikserings punkt.
    3. Koble stimulans generatoren til den eksperimentelle datamaskinen via parallellporten som tillater direkte kontroll for hver stimulator.
    4. Program stimulans presentasjonen programvare for å sende transistor-transistor-logikk (TTL, 5 V) pulser til avtrekkeren stimulans generatorer på og av direkte via parallellporten. Angi stimulans presentasjonen tid til 100 MS i varighet.
  2. I stimulans presentasjonen programvare, program minimum 3 eksperimentelle blokker hver bestående av 45 forsøk (15 forsøk på hver stimulans tilstand presentert i tilfeldig rekkefølge) for totalt 135 stimulans presentasjoner for denne enkle reaksjonstiden eksperimentet.
  3. Variere mellom stimulans-intervall tilfeldig mellom 1 og 3 s for å hindre foregripe effekter. Alternativt, innsette fange rettssaker der hvor stimulans parameterene er det likt idet over, bortsett fra det TTL impuls er ikke sendt, således nei synlig eller somatosensory stimulering hender og, derfor, nei svaret er ventet.
  4. Tillat deltakere opp til 2 000 MS å svare på en gitt stimulans tilstand. Hvis det ikke oppdages svar i 2 000 ms responstid, må du sørge for at stimulans presentasjonsprogramvare avanserer til neste prøveversjon automatisk.
    Merk: dette svaret vinduet cut-off er vilkårlig, men nødvendig for å holde den totale eksperimentelle tid til et minimum; Merk at lengre RTs vil bli satt til uendelig uansett.
  5. Skill de tre eksperimentelle blokkene ved programmering 20-s pauser i stimulans presentasjonsprogramvare for å redusere potensiell tretthet og øke konsentrasjonen. Sørg for at hver påfølgende blokk starter umiddelbart etter at 20-s pausen avsluttes.
  6. Program skriftlige instruksjoner skal vises på det visuelle displayet (Monitor av eksperimentell datamaskin). De nøyaktige instruksjonene er gitt i Tilleggsmaterialet. Be deltakeren om å starte eksperimentet ved å trykke på svar blokken med høyre fot når den er klar til å starte. Når stimulans parametrene er programmert, skaper stimulans presentasjonsprogramvare et skript som skal kjøres på hver deltaker.
  7. Oppgi deltaker-ID og økt nummer for å kjøre det eksperimentelle skriptet. Når eksperimentet er fullført, blir det produsert en unik atferdsdata Logg for hver deltaker (se tilleggsfil 2 for et eksempel på en Eprime 2,0 Output File).

3. apparat & oppgave

  1. La deltakerne sitte oppreist og komfortabelt hvile hendene på venstre og høyre kontrollbokser.
    1. Strategisk sted pekefingeren over vibrerende motorer montert på baksiden av kontrollboksen, og tommelen på forsiden av kontrollboksen, under LED å ikke blokkere lyset (se figur 1).
    2. Sørg for at de somatosensory stimuli er ikke hørbar ved å gi deltakerne med hodetelefoner over hvilke kontinuerlig hvit støy spilles på et komfortabelt nivå (vanligvis 65-75 dBs).
  2. Be deltagerne svare på alle stimuli så raskt som mulig.
    1. Be deltakerne om å bruke en fot pedal plassert under høyre fot som respons puten siden fingrene vil akseptere somatosensory stimulering (se figur 1).
  3. Beregn ytelse nøyaktighet av stimulans tilstand.
    1. Be deltagerne svare på hver av de eksperimentelle stimuli (45 per betingelse) så raskt som mulig.
    2. Del antall nøyaktig oppdagede stimuli per betingelse over 45 (totalt antall forsøk per betingelse) for å oppnå målinger av ytelses nøyaktighet for henholdsvis visuelle, somatosensory og VS-forhold.

4. Race modell ulikhet data forberedelse (individuelt nivå)

  1. Finn ut om en persons atferds ytelse er gyldig.
    1. Ekskluder deltakere som ikke er i stand til å oppnå en nøyaktighet på 70% korrekt eller høyere på en stimulans tilstand som deltakerens prestasjons nøyaktighet på en enkel reaksjons tids oppgave avtar, gjør det påliteligheten til den enkeltes data.
    2. Vurder prøveversjoner som er unøyaktige (utelatt) hvis en deltaker ikke svarer på en stimulans innen den angitte respons perioden og setter tilsvarende RT til uendelig i stedet for å ekskludere prøveperioden fra analysen25,28.
      Merk: i tidligere studier, gruppen-gjennomsnitt (n = 289) stimulans oppdagelsen var 96% på tvers av alle forhold, og over 90% av befolkningen hadde oppdagelsen priser over 90% for alle forhold28.
    3. Ikke ansette data-trimming prosedyrer som sletter svært langsom RTs da dette vil bias fordelingen av RT data. 25 sikre RTs som er klart outliers er satt til uendelig. Se supplerende fil som viser endringer i CDFs basert på data-trimming prosedyrer og inkludering av langsom RTs (supplerende fil 3).
  2. Organiser RT-dataene.
    1. Sorter RT-data i stigende rekkefølge etter den eksperimentelle betingelsen. Plasser visuelle, somatosensory og VS forhold i separate kolonner med sorterte RT-data. Kontroller at hver rad representerer en prøveversjon, og hver celle representerer den faktiske RT (eller uendelig i tilfelle av utelatte eller langsomme forsøk).
  3. Bin RT data.
    1. Identifiser den raskeste RT (til hvilken som helst betingelse-oransje ellipse) og den tregeste RT (til hvilken som helst tilstand-rød ellipse). Trekk den tregeste RT fra den raskeste (for eksempel 740 MS-237 MS) for å beregne den enkeltes RT-område (503ms; blå ellipse) på tvers av alle testforhold. Tabell 1 demonstrerer hvordan man beregner en persons RT Range og skildrer de forskjellige farge ellipser.
    2. Bin RT data fra 0% (raskeste RT = 237 i dette eksemplet) til 100% (eller tregeste RT = 740 i dette eksempelet) i 5% trinn ved å ta den raskeste RT og gradvis legge til 5% av RT-området identifisert i 4.3.1 inntil 100% av RT-data er beregnet for (se tabell 2 ). Dette vil resultere i 21-tiden skuffer.
      Merk: i tabell 2-1% Ile er bare inkludert i regnearket bare for illustrerende formål.
  4. Beregn den kumulative fordelings frekvensen (CDF) for de eksperimentelle forholdene.
    1. Bruke regnearkprogram vare, bruk en "FREQUENCY"-funksjonen der matrise1 lik den faktiske RTs for en av de eksperimentelle forhold og matrise2 lik de 21 kvantisert RTs binger beregnet i trinn 4,3, delt på det totale antall forsøk (45) per betingelse. Dette illustreres i figur 2a.
    2. Gjenta denne funksjonen for de to andre eksperimentelle forhold (figur 2b-2C) for å fylle frekvenser (eller sannsynlighet (P)) av en RT som forekommer i hver av de 21 kvantisert tids hyllene, for hver av de tre eksperimentelle forholdene.
    3. Deretter oppretter du den kumulative fordelings frekvensen (CDF) ved å summere den løpende summen av sannsynligheter på tvers av kvantisert hyllene (0%, 0 + 5%, 0 + 5 + 10%, 0 + 5 + 10 + 15%, etc.) for hver av tre eksperimentelle forhold. I den kumulative Sannsynlighets Kol onnen for Soma-betingelsen (kolonnen AE) er for eksempel den kumulative sannsynligheten for 95% Ile-området (celle AE22) summen av sannsynlighetsverdiene i cellene Z3: Z23 (se Figur 3).
  5. Faktisk i forhold til antatt CDFs.
    1. Kontroller at CDF-en for multisensor betingelsen representerer faktisk CDF (se Figur 4 kolonne AF og plottet lilla spor). Hvis du vil beregne anslått CDF (kolonne AG), summerer du de to unisensory CDFs (med en øvre grense satt til 1) i hver av de 21 kvantisert tids hyllene (se figur 5). Start på 0th persentil (bin 1) og Fortsett helt ned til 100th persentil (bin 21).
  6. Gjennomføre testen av rase modell ulikhet (RMI).
    1. Trekk fra den anslåtte CDF-en (beregnet i 4.5.2.) fra den faktiske CDF for hver av de 21 kvantisert tids hyllene for å hente DIFFERANSEN verdier (kolonne ah; se figur 6).
    2. Tegn disse 21 verdiene som en linje graf, der x-aksen representerer hver enkelt av de kvantisert tids hyllene (kolonne AC) og y-aksen representerer sannsynligheten differansen mellom den faktiske og spådde CDFs (kolonne AH; Figur 7 (svart spor).
    3. Sjekk for positive verdier ved enhver ventetid (dvs. quantiles) som indikerer integreringen av unisensory stimuli og reflektere et brudd på RMI (se den grønne uthevet del av forskjellen bølge fra 0,00-0,10 i figur 7).

5. kvantifisering av Multisensor Effect (gruppenivå).

  1. Gruppe-gjennomsnitt individuelle RMI data (forskjeller mellom anslått CDF og den faktiske CDF for hver av de 21-tid binger; trinn 4.6.1-kolonne ah) på tvers av alle deltakere. Bruk et regnearkprogram til å tilordne enkeltpersoner til rader og tids hyller som kolonner. I et nytt regneark plasserer du de 21 verdiene beregnet i 4.6.1 i enkeltrader (1 rad per deltaker), og gjennomsnittlige verdier i tids hyllene for å opprette en gruppe-gjennomsnittlig forskjell bølgeform.
  2. Plott gruppe gjennomsnittet 21 verdier som et linjediagram, der x-aksen representerer hver enkelt av de kvantisert tids hyllene og y-aksen representerer sannsynligheten differansen mellom CDFs.
  3. Visuelt inspisere og dokumentere den krenket delen av gruppen-gjennomsnitt forskjellen bølgen (dvs. positive verdier).
  4. Kjør Gondan ' s RMI permutasjon test (R script tilgjengelig som en gratis nedlasting)26 for å finne ut om det er en statistisk signifikant overtredelse av RMI over de positive verdiene identifisert i trinn 5,3.
    1. Organiser dataene i en tekstfil der den første kolonnen heter "Obs" for Observer (for eksempel deltaker-ID), den andre kolonnen heter "full" for stimulans tilstand (V, S eller VS) og den tredje kolonnen heter "RT" for faktiske RT eller "inf" Hvis satt til uendelig.
    2. Åpne programvaren, Identifiser hvilke tids hyller som skal testes (basert på de positive tids hyllene som er identifisert i 5,3), og skriv inn tekst filnavnet som er opprettet i 5.4.1.
    3. Kjør testen ved å kalle opp skriptet. Resultatene vil gi en tmaksimumsverdi, 95% kriterium, og p-verdi som vil være medvirkende til å avgjøre om en betydelig overtredelse av Race Model eksisterer over hele studien prøven.
  5. Beregn området-under-The-Curve (AUC) for hver enkelt etter å etablere betydelig krenket persentil binger i trinn 5,3. AUC vil tjene som omfanget av multisensor integrering (eller den uavhengige variabelen). For å beregne AUC, bruk deltaker 1 data som et eksempel, for persentil hyller 0,00-0,15 avbildet i figur 8a-d).
    1. Sum CDF forskjellen verdi på tid bin 1 (1 tid positiv verdi) med CDF forskjellen verdien av tid bin 2 (neste positive verdi) og deretter dividere med to (se figur 8a). Gjenta trinn-5.3.1. for hvert påfølgende par av tid binger som inneholder positive verdier (se figur 8B-8c).
    2. Sum resultatene Hentet fra trinn 5.5.1-5.5.2. å generere den totale AUC av CDF forskjellen bølgen under krenket persentil området (f. eks, 0,00 – 0,15 i figur 8D).
      Merk: AUC er et kontinuerlig tiltak og en AUC verdi er til stede for hver enkelt for den krenket delen av RMI (figur 8D rød ellipse = deltaker 1 ' s AUC = 0,13). AUC kan brukes som en uavhengig variabel som representerer ' størrelsesorden vs integrering ', som senere kan testes for å forutsi viktige kliniske utfallsmål (se også28,29).
  6. Tilordne klassifisering grupper for multisensor integrasjon basert på antall brutt persentil hyller (verdier som er større enn null uthevet i grått i tabell 3) under betydelig brutt persentil-området som er angitt ovenfor i trinn 5,3. Se på tabell 3 (persentil hyller 0,00 – 0,15): deltaker 1 har positive verdier for 2 av 4 hyller; Deltaker 2 har positive verdier for 4 av 4 hyller; og deltaker 3 har positive verdier for 0 av 4 hyller.
    1. Operationalize et klassifiseringssystem basert på antall krenket persentil hyller (verdier større enn null for 0, 1, 2 eller 3 hyller) under 0-10th persentil.
    2. Figur 9 skildrer en potensiell klassifiserings definisjon som er tilpasset fra nylig publiserte data presentert av Mahoney og Verghese29.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Hensikten med denne studien var å gi en trinnvis veiledning av en metodisk tilnærming for å kvantifisere omfanget av VS integrasjons effekter, å fremme publisering av nye multisensor studier med lignende eksperimentell design og oppsett (se figur 1 ). Skjermbilder av hvert trinn og beregning er nødvendig for å utlede omfanget av multisensor integrasjons effekter, målt ved RMI AUC, er avgrenset ovenfor og illustrert i tall 2-8.

Figur 9 demonstrerer en gruppe-gjennomsnitt brudd (stiplet spor) oppstår over 0-10% persentil området for et utvalg av 333 eldre voksne (se også29). Her, totalt antall positive verdier (0, 1, 2 eller 3) for de 3 quantiles (0,00-0,10) bestemmer hvilken multisensor klassifisering gruppe en person er tildelt (mangelfull, dårlig, god eller overlegen) hhv.

Som avbildet i figur 9viser resultatene av en Grupperesultater en betydelig overtredelse av løps modellen over den raskeste tiende av alle responstider26. Mens denne gruppen-gjennomsnitt forskjellen bølgeform tyder på at i gjennomsnitt eldre voksne demonstrere betydelig rase modell brudd (dvs. multisensor integrering effekter), vi hevder at dette ikke er en størrelse passer alle modell. Rather, individets AUC under krenket tidsperioden (0-10% Ile) gir en bedre proxy for å vurdere den enkeltes størrelsesorden VS integrering, som differensial integrering mønstre har blitt dokumentert 20-23, 28, 29. Når beregnet, kan den enkelte størrelsesorden VS integrering tjene som en kontinuerlig indikasjon på viktige utfall i ulike kliniske populasjoner.

Vi anbefaler å implementere et klassifikasjonssystem, kanskje basert på antall krenket persentil binger (verdier større enn null) i løpet av gruppen-gjennomsnitt RMI brudd perioden, som et middel til å avbilde iboende differensial integrering mønstre. Klassifisering av data på denne måten vil avdekke en klar degradering av rase modell brudd ved multisensor integrering klassifisering gruppe.

Figure 1
Figur 1: Eksperimentelle apparater. Ved hjelp av en fotpedalen plassert under høyre fot som en respons pad, ble deltakerne bedt om å svare på unisensory og multisensor stimuli så raskt som mulig. Dette tallet har blitt gjengitt med tillatelse22,28,29. Vennligst klikk her for å se en større versjon av dette tallet.

Figure 2
Figur 2: Beregne frekvensen av en RT som forekommer innenfor et angitt område av RTs for hver eksperimentelle tilstand. a) visuell (V); b) somatosensory (er); og c) Visual-somatosensory (VS). Vennligst klikk her for å se en større versjon av dette tallet.

Figure 3
Figur 3: Opprette den kumulative distribusjons frekvensen for de eksperimentelle forholdene. Denne illustrasjonen viser summering av den kumulative sannsynligheten på 95% Ile bin for Soma (S)-betingelsen. Vennligst klikk her for å se en større versjon av dette tallet.

Figure 4
Figur 4: Plotting faktiske CDF (vs-betingelse; lilla spor) som en funksjon av quantile. Vennligst klikk her for å se en større versjon av dette tallet.

Figure 5
Figur 5: Beregning av anslått CDF. Sum det CDFs av det to unisensory CDFs stund inkluderer en øvre grense = 1 for hver av det quantiles fra 0,00 å 1,00. Vennligst klikk her for å se en større versjon av dette tallet.

Figure 6
Figur 6: opprette rase modell ulikhet (RMI). Trekk fra CDF-en til den anslåtte CDF-en fra den faktiske CDF-en for hver quantile. Vennligst klikk her for å se en større versjon av dette tallet.

Figure 7
Figur 7: plotte individuelle RMI verdier. X-aksen representerer hver av de 21 quantiles (kolonne AC) og y-aksen representerer Sannsynlighets forskjellen mellom CDFs (kolonne AH). Den grønne uthevet del av RMI viser den positive eller krenket delen av bølgeform, indikasjon på multisensor integrering. Vennligst klikk her for å se en større versjon av dette tallet.

Figure 8
Figur 8: beregne en persons område-under-The-Curve (AUC). a) sum CDF forskjellen verdi på quantile 1 (0,00) med CDF forskjellen verdien av quantile 2 (0,05) og deretter dividere med to for å skape et mål på AUC fra 0,00-0,05. b-c) Gjenta trinn a) for hvert påfølgende par med quantiles (f.eks. 0,05-0,10 og 0,10-0,15) for å oppnå AUC for hvert quantile område. d) sum AUC for hvert tidsintervall for å få den totale AUC for hele tid bin vinduet identifisert i 5,3. Merk dette eksempelet inneholder et bredere quantile område (0,00-0,15) kun for illustrasjonsformål. Vennligst klikk her for å se en større versjon av dette tallet.

Figure 9
Figur 9: rase modell ulikhet: samlet og av gruppe klassifisering. Gruppen-gjennomsnittlig differanse mellom faktiske og anslåtte CDFs over banen til alle quantiles representeres av den stiplede sporingen. De solide sporene representerer hver av de fire multisensor integrasjons klassifiseringene som er definert ovenfor, basert på antall krenket quantile hyller. Denne tilpassede figuren har blitt gjengitt med tillatelse29. Vennligst klikk her for å se en større versjon av dette tallet.

Supplerende fil 1: sample enkelt reaksjonstid paradigme programmert i Eprime 2,0. Vennligst klikk her for å laste ned denne filen.

Tilleggsfil 2: Prøve RT data atferdsmessige data output fra Eprime 2,0. Vennligst klikk her for å laste ned denne filen.

Tilleggsfil 3: Sample RMI data med og uten outliers og utelatt prøvelser. Vennligst klikk her for å laste ned denne filen.

Tabell 1. Individuell beskrivende statistikk etter betingelse og beregning av RT Range. Vennligst klikk her for å laste ned denne filen.

Tabell 2. Eksempel på hvordan du skal hylle RT-data basert på RT-området. Vennligst klikk her for å laste ned denne filen.

Tabell 3. Eksempel på beregning av AUC & identifisering av antall krenket quantiles (grå skyggelagt område). Vennligst klikk her for å laste ned denne filen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Målet med den aktuelle studien var å detalj prosessen bak etableringen av en robust multisensor integrering fenotype. Her gir vi de nødvendige og kritiske skritt som kreves for å erverve multisensor integrering effekter som kan utnyttes til å forutsi viktige kognitive og motoriske utfall stole på lignende nevrale kretser. Vårt overordnede mål var å gi en trinnvis veiledning for beregning av omfanget av multisensor integrering i et forsøk på å tilrettelegge for innovative og romanen translational multisensor studier på tvers av ulike kliniske populasjoner og aldersgrupper.

Som nevnt ovenfor og skissert av Gondan og kollegaer, er det svært viktig å bevare den enkeltes RT datasett25,28. Det vil si unngå data trimming prosedyrer som utelater svært langsom RTs gitt sin iboende bias på RT fordelingen; 25 i stedet satt utelatt og langsom RTs til uendelig. Dette trinnet er kritisk og unnlatelse av å overholde disse enkle reglene vil føre til utvikling av unøyaktige multisensor integrasjons resultater. I tillegg rase modell betydning testing bør bare testes over gruppe-gjennomsnitt krenket deler av RMI identifisert i studien kohort (dvs. ikke a priori spesifiserte Vinduer).

Når det gjelder begrensninger, var dagens eksperimentelle design basert på data fra en enkel reaksjonstid oppgave til bilaterale stimuli som ble presentert for samme sted og på nøyaktig samme tid. Vi erkjenner at flere tilpasninger til dagens eksperimentelle design kan gjøres avhengig av ulike hypoteser som forskerne er interessert i å undersøke. Vi bruker denne studien som en lansering pad mot dokumentere robuste MSI effekter i aldring, men erkjenner at gjennomføringen av ulike eksperimentelle tilpasninger (f. eks forskjellige bi-og til og med Tri-sensoriske kombinasjoner, variert stimulans presentasjonen utbruddet ganger, og differensial omfanget av stimulans intensitet) vil gi et vell av inkrementell informasjon om dette multisensor fenomenet.

Vi har implementert ovennevnte tilnærming for å demonstrere betydelige assosiasjoner mellom omfanget av visuell-somatosensory integrasjon med balanse28 og hendelsen faller28, hvor eldre voksne med større multisensor integrering evner manifestere bedre balanse ytelse og mindre hendelsen faller. På samme måte viser vi at omfanget av visuell-somatosensory integrasjon var en sterk indikasjon på romlige aspekter ved gange29, der individer med dårligere visuell-somatosensory integrering viste langsommere gange hastighet, kortere skritt, og økt dobbel støtte. I fremtiden bør denne metodikken brukes for å avdekke forholdet mellom MSI med andre viktige kliniske utfall som kognitiv status, og bistand i identifisering av kritiske funksjonelle og strukturelle multisensor integrerende nevrale nettverk i aldring og andre kliniske populasjoner.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Det er ingen interessekonflikter å rapportere, og forfatterne har ingenting å avsløre.

Acknowledgments

Den nåværende kroppen av arbeidet er støttet av National Institute on aging ved National Institute of Health (K01AG049813 til JRM). Supplerende finansiering ble gitt av Resnick Gerontologi Center av Albert Einstein College of Medicine. Spesiell takk til alle de frivillige og forskning ansatte for eksepsjonell støtte med dette prosjektet.

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

Atferd multisensor integrasjon Sensorimotor integrasjon rase modell ulikhet redundant signaler Effect aldring
Bruke rase modell ulikhet å kvantifisere Behavioral Multisensor Integration Effects
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