Использование неравенства модели расы для количественной оценки эффектов мультисенсорной интеграции

Summary

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

Abstract

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

Introduction

Взаимодействие между сенсорными системами имеет важное значение для повседневных функций. В то время как мультисенсорные интеграционные эффекты измеряются в широком диапазоне популяций с использованием различных сенсорных комбинаций и различных подходов к нейробиологии, включая, но не ограничиваясь психофизическими, электрофизиологическими и нейровизуальными методологии^{No 1,2,3,4,5,6,7,8,9}, в настоящее время золотой стандарт для количественной мультисенсорной интеграции не хватает. Учитывая, что мультисенсорные эксперименты обычно содержат поведенческий компонент, данные времени реакции (RT) часто исследуются, чтобы определить существование известного явления, называемого эффектом избыточных сигналов¹⁰. Как следует из названия, одновременные сенсорные сигналы обеспечивают избыток информации, которые обычно дают быстрее RTs. Гонки и модели совместной активации используются для объяснения вышеупомянутого избыточного эффекта сигналов¹¹. В гонках модели, unisensory сигнал, который обрабатывается быстрее всего является победителем гонки и несет ответственность за производство поведенческой реакции. Однако, фактические данные для совместной активации происходит, когда ответы на мультисенсорные стимулы быстрее, чем то, что предсказывают расовые модели.

Более ранние версии модели гонки по своей сути спорные^12,13, как они называются некоторыми как чрезмерно консервативные^14,15 и якобы содержат ограничения в отношении независимости между составными односенсорными временами обнаружения, присущими мультисенсорному состоянию^16. Стремясь устранить некоторые из этих ограничений, Colonius и Diederich¹⁶ разработали более обычный тест модели гонки:

,

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

,

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

Одним из основных препятствий, с которым сталкиваются мультисенсорные исследователи, является то, как лучше всего количественно определить интеграционные эффекты. Например, в случае с самой основной поведенческой мультисенсорной парадигмой, где участникам предлагается выполнить простую задачу по времени реакции, собирается информация о точности и скорости. Такие мультисенсорные данные могут быть использованы по номинальной стоимости или манипулировать с помощью различных математических приложений, включая, но не ограничиваясь максимальной оценкой вероятности^18,19,CDFs¹¹, и различные другие статистические Подходы. Большинство наших предыдущих мультисенсорных исследований использовали как количественные, так и вероятностные подходы, в которых мультисенсорные интегративные эффекты были рассчитаны на 1) вычитание среднего времени реакции (RT) в мультисенсорное событие от среднего времени реакции ( RT) к кратчайшем несенсорному событию, и 2) с помощью CDFs, чтобы определить, является ли содействие RT результатом синергетических взаимодействий, облегчаемых избыточной сенсорной информацией^{8,20,21, 22} Г. ^{, 23.}Однако, бывшая методология, вероятно, не чувствительны к индивидуальным различиям в интегративных процессах, и исследователи с тех пор полагают, что более поздняя методология (т.е. CDFs) может обеспечить лучшее прокси для количественной оценки мультисенсорных интегративные эффекты²⁴.

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

С этой целью был продемонстрирован защитный эффект мультисенсорной интеграции у здоровых пожилых людей с использованием обычного теста гоночной модели¹⁶ и принципов, изложенных Гонданом и коллегами^25. В самом деле, большая величина визуально-соматосенсорной RMI (прокси для мультисенсорной интеграции) было установлено, что связано с лучшей производительности баланса, более низкая вероятность падения инцидента и увеличение пространственной походки производительность^28,29.

Цель нынешнего эксперимента заключается в том, чтобы предоставить исследователям пошаговую инструкцию для расчета масштабов мультисенсорных интеграционных эффектов с использованием RMI, чтобы облегчить увеличение производства различных трансляционных исследований по всей различных клинических популяций. Обратите внимание, что данные, представленные в текущем исследовании, взяты из недавно опубликованных визуально-соматосенсорных экспериментов, проведенных на здоровых пожилых людей^28,29, но эта методология может быть применена к различным когортам во многих различных экспериментальных конструкций, используя широкий спектр мультисенсорных комбинаций.

Protocol

Все участники представили письменное информированное согласие на экспериментальные процедуры, которые были одобрены институциональным наблюдательным советом Медицинского колледжа Альберта Эйнштейна. 1. Набор участников, критерии инклюзивности и согласие Нанят?…

Representative Results

Цель этого исследования состояла в том, чтобы обеспечить пошаговый учебник методического подхода к количественной оценке масштабов эффектов интеграции VS, чтобы способствовать публикации новых мультисенсорных исследований с использованием аналогичных экспериментальных конструкци?…

Discussion

Цель нынешнего исследования заключалась в том, чтобы подробно изучить процесс создания надежного мультисенсорного фенотипа интеграции. Здесь мы предоставляем необходимые и критические шаги, необходимые для приобретения мультисенсорных интеграционных эффектов, которые могут быть и?…

Materials

stimulus generator	Zenometrics, LLC; Peekskill, NY, USA	n/a	custom-built
Excel	Microsoft Corporation		spreadsheet program
Eprime	Psychology Software Tools (PST)		stimulus presentation software