Waiting
Login processing...

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

Behavior

Uso de la desigualdad del modelo de raza para cuantificar los efectos de integración multisensorial conductual

Published: May 10, 2019 doi: 10.3791/59575

Summary

El estudio actual tiene como objetivo proporcionar un tutorial paso a paso para calcular la magnitud de los efectos de integración multisensorial en un esfuerzo por facilitar la producción de estudios de investigación traslacional en diversas poblaciones clínicas.

Abstract

La investigación de integración multisensorial investiga cómo el cerebro procesa la información sensorial simultánea. La investigación sobre animales (principalmente gatos y primates) y humanos revela que la integración multisensorial intacta es crucial para funcionar en el mundo real, incluyendo tanto las actividades cognitivas como las físicas. Gran parte de la investigación llevada a cabo en las últimas décadas documenta efectos de integración multisensorial utilizando diversas técnicas psicofísicas, electrofisiológicas y de neuroimagen. Si bien su presencia ha sido reportada, los métodos utilizados para determinar la magnitud de los efectos de integración multisensorial varían y normalmente se enfrentan a muchas críticas. A continuación, se describen las limitaciones de los estudios de comportamiento anteriores y se proporciona un tutorial paso a paso para calcular la magnitud de los efectos de integración multisensorial utilizando modelos de probabilidad robustos.

Introduction

Las interacciones entre sistemas sensoriales son esenciales para las funciones cotidianas. Mientras que los efectos de integración multisensorial se miden a través de una amplia gama de poblaciones utilizando combinaciones sensoriales variadas y diferentes enfoques de neurociencia [incluyendo pero no limitado a la psicofísica, electrofisiológica, y neuroimagen metodologías]1,2,3,4,5,6,7,8,9, actualmente un estándar de oro para cuantificación de la integración multisensorial. Dado que los experimentos multisensoriales suelen contener un componente conductual, los datos de tiempo de reacción (RT) a menudo se examinan para determinar la existencia de un fenómeno conocido llamado efecto de señales redundantes10. Como su nombre indica, las señales sensoriales simultáneas proporcionan información redundante, que normalmente producen RTmás más rápidos y modelos de coactivación se utilizan para explicar el efecto de señales redundantes mencionado anteriormente11. Bajo los modelos de carrera, la señal unisensorial que se procesa más rápido es el ganador de la carrera y es responsable de producir la respuesta conductual. Sin embargo, la evidencia de coactivación se produce cuando las respuestas a los estímulos multisensoriales son más rápidas de lo que predicen los modelos de raza.

Las versiones anteriores del modelo de raza son intrínsecamente controvertidas12,13 como algunos se refieren a los más conservadores14,15 y supuestamente contienen limitaciones con respecto a la independencia entre los tiempos de detección unisensorial constituyente inherentes a la condición multisensorial16. En un esfuerzo por abordar algunas de estas limitaciones, Colonius & Diederich16 desarrolló una prueba de modelo de carrera más convencional:

Equation 1,

cuando las frecuencias de distribución acumulativa (CdF) de las condiciones unisensoriales (por ejemplo, A & B; con un límite superior de uno) se comparen con el CDF de la condición multisensorial simultánea (por ejemplo, AB) para cualquier latencia dada (t)11, 16 , 17. En general, un CDF determina la frecuencia con la que se produce un RT, dentro de un rango determinado de RT, dividido por el número total de presentaciones de estímulo (es decir, ensayos). Si el CDF de la Equation 2 condición multisensorial real es menor o igual que el CDF previsto derivado de las condiciones unisensoriales

Equation 3,

entonces se acepta el modelo de carrera y no hay evidencia para la integración sensorial. Sin embargo, cuando el CDF multisensorial es mayor que el CDF previsto derivado de las condiciones unisensoriales, se rechaza el modelo de carrera. El rechazo del modelo de carrera indica que las interacciones multisensoriales de fuentes sensoriales redundantes se combinan de manera no lineal, lo que resulta en una aceleración de los RT (por ejemplo, la facilitación de RT) a los estímulos multisensoriales.

Un obstáculo principal al que se enfrentan los investigadores multisensoriales es cómo cuantificar mejor los efectos de integración. Por ejemplo, en el caso del paradigma multisensorial conductual más básico, donde se pide a los participantes que realicen una tarea de tiempo de reacción simple, se recopila información sobre precisión y velocidad. Estos datos multisensoriales pueden utilizarse en el valor nominal o manipularse utilizando diversas aplicaciones matemáticas, incluyendo pero no limitado a la Estimación de Probabilidad Máxima18,19, CDFs11, y varias otras estadísticas Enfoques. La mayoría de nuestros estudios multisensoriales anteriores emplearon enfoques cuantitativos y probabilísticos en los que los efectos integradores multisensoriales se calcularon en 1) restando el tiempo medio de reacción (RT) a un evento multisensorial del tiempo medio de reacción ( RT) al evento unisensorial más corto, y 2) empleando CdFs para determinar si la facilitación de RT fue el resultado de interacciones sinérgicas facilitadas por información sensorial redundante8,20,21, 22 , 23. Sin embargo, es probable que la metodología anterior no fuera sensible a las diferencias individuales en los procesos integradores y los investigadores han postulado desde entonces que la metodología posterior (es decir, los CDF) puede proporcionar un mejor apoderado para cuantificar efectos integradores24.

Gondan y Minakata publicaron recientemente un tutorial sobre cómo probar con precisión la desigualdad del modelo de carrera (RMI) ya que los investigadores con demasiada frecuencia cometen innumerables errores durante las etapas de adquisición y preprocesamiento de la recopilación y preparación de datos RT25. En primer lugar, los autores postulan que es desfavorable aplicar procedimientos de recorte de datos cuando se establecen ciertos límites de RT mínimos y máximos a priori. Recomiendan que las respuestas lentas y omitidas se establezcan en infinito, en lugar de excluirse. En segundo lugar, dado que el RMI puede ser violado en cualquier latencia, a menudo se utilizan varias pruebas t para probar el RMI en diferentes puntos de tiempo (es decir, cuantiles); desafortunadamente, esta práctica conduce al mayor error de tipo I y a una potencia estadística sustancialmente reducida. Para evitar estos problemas, se recomienda que el RMI se pruebe en un intervalo de tiempo específico. Algunos investigadores han sugerido que tiene sentido probar el cuartil más rápido de las respuestas (0-25%)26 o algunas ventanas previamente identificadas (es decir, 10-25%)24,27 como efectos de integración multisensorial se observan típicamente durante ese intervalo de tiempo; sin embargo, argumentamos que el rango de percentiles que se va a probar debe ser dictado por el conjunto de datos real (véase la Sección 5del Protocolo ). El problema de confiar en los datos publicados de adultos jóvenes o simulaciones por computadora es que los adultos mayores manifiestan distribuciones de RT muy diferentes, probablemente debido a las disminuciones relacionadas con la edad en los sistemas sensoriales. Las pruebas de significancia del modelo de carrera solo deben probarse sobre las porciones violadas (valores positivos) de la onda de diferencia promediada por grupo entre los CDF reales y los cdF previstos de la cohorte del estudio.

Para ello, se ha demostrado un efecto protector de la integración multisensorial en adultos mayores sanos utilizando la prueba convencional del modelo de carrera16 y los principios establecidos por Gondan y sus colegas25. De hecho, se encontró que una mayor magnitud del RMI visual-somatosensorial (un proxy para la integración multisensorial) estaba vinculado a un mejor rendimiento del equilibrio, menor probabilidad de caídas de incidentes y un mayor rendimiento de la marcha espacial28,29.

El objetivo del experimento actual es proporcionar a los investigadores un tutorial paso a paso para calcular la magnitud de los efectos de integración multisensorial utilizando el RMI, para facilitar la mayor producción de diversos estudios de investigación traslacional a través de muchas poblaciones clínicas diferentes. Tenga en cuenta que los datos presentados en el estudio actual son de experimentos visuales-somatosensoriales publicados recientemente realizados en adultos mayores sanos28,29, pero esta metodología se puede aplicar a varias cohortes en muchas diseños experimentales, utilizando una amplia gama de combinaciones multisensoriales.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Todos los participantes proporcionaron consentimiento informado por escrito a los procedimientos experimentales, que fueron aprobados por la junta de revisión institucional del Albert Einstein College of Medicine.

1. Reclutamiento de Participantes, Criterios de Inclusión y Consentimiento

  1. Reclutar a una cohorte relativamente grande de individuos de habla inglesa que puedan ambulado de forma independiente y estén libres de pérdidas sensoriales significativas; trastornos neurológicos o psiquiátricos activos que interfieren con las evaluaciones experimentales; y procedimientos médicos actuales/futuros que afectan la movilidad.
  2. Asegúrese de que cada participante pueda completar con éxito un examen de detección sensorial, donde se prueba formalmente la agudeza visual, auditiva y somatosensorial para confirmar la idoneidad del estudio.
    1. Utilice la tabla de ojos Snellen para asegurarse de que la agudeza visual bilateral sea mejor o igual que 20/100.
    2. Utilice un otoscopio emisor de tono para asegurarse de que los participantes puedan oír al menos un tono de 2.000 Hz a 25 dB30.
    3. Determinar si los participantes mantienen un diagnóstico de neuropatía clínica y si interfiere con la capacidad de sentir la estimulación somatosensorial experimental21,28,29.
    4. Si el participante no puede cumplir con estos requisitos sensoriales mínimos, no los incluya en el estudio.
  3. Excluir a los adultos mayores con demencia mediante la implementación de puntuaciones de corte de instrumentos de cribado fiables, como la puntuación de corte AD8 Dementia Screening Interview n.o 2 31,32; y la pantalla de deterioro de memoria MIS; puntuación de corte < 533.
  4. Pida a los participantes que proporcionen su consentimiento informado por escrito a los procedimientos experimentales (aprobados por una junta de revisión institucional local) si están dispuestos a participar.

2. Diseño experimental

  1. Utilice el software de presentación de estímulo para programar un experimento de tiempo de reacción simple con tres condiciones experimentales: visual (V) solo, somatosensorial (S) solo y visual-somatosensorial simultáneo (VS). Informar a los participantes para responder a cada estímulo sensorial, independientemente de la condición, tan pronto como sea posible. Consulte los archivos complementarios para obtener un ejemplo de una tarea RT simple de VS (Archivo complementario 1).
    1. Utilice un generador de estímulo con tres cajas de control (30,48 mm x 20,32 mm x 12,70 mm) y carcasa de plástico para estimuladores. Las cajas de control izquierda y derecha contienen diodos bilaterales emisores de luz azul (LED; 15,88 cm de diámetro) que se iluminan para la estimulación visual y motores bilaterales con amplitud de vibración de 0,8 G que vibran para la estimulación somatosensorial (equivalente a un vibración del teléfono celular)22,23,28.
    2. Asegurar que los generadores de estímulo proporcionen tanto unisensorial (visual o somatosensorial solo), así como estimulación multisensorial (visual simultánea y somatosensorial). Coloque una caja de control ficticia central equidistante (28 cm) de las cajas de control izquierda y derecha descritas en 2.1.1. y coloca una pegatina de objetivo visual (círculo central de 0,4 cm de diámetro) para servir como punto de fijación.
    3. Conecte el generador de estímulo al ordenador experimental a través del puerto paralelo que permite el control directo de cada estimulador.
    4. Programe el software de presentación de estímulo para enviar pulsos transistor-transistor-lógica (TTL, 5 V) a los generadores de estímulo de gatillo encendido y apagado directamente a través del puerto paralelo. Establezca el tiempo de presentación del estímulo en 100 ms de duración.
  2. En el software de presentación de estímulo, programar un mínimo de 3 bloques experimentales cada uno que consta de 45 ensayos (15 ensayos de cada condición de estímulo presentado en orden aleatorio) para un total de 135 presentaciones de estímulo para este experimento de tiempo de reacción simple.
  3. Variar el intervalo entre estímulos aleatoriamente entre 1 y 3 s para evitar efectos anticipatorios. Alternativamente, inserte ensayos de captura donde los parámetros de estímulo son los mismos que los anteriores, pero el pulso TTL no se envía, por lo tanto no se produce estimulación visual o somatosensorial y, por lo tanto, no se espera respuesta.
  4. Permita que los participantes hasta 2.000 ms respondan a cualquier condición de estímulo dada. Si no se detecta ninguna respuesta dentro del período de respuesta de 2.000 ms, asegúrese de que el software de presentación de estímulo avance automáticamente al siguiente ensayo.
    NOTA: Este corte de la ventana de respuesta es arbitrario pero necesario para mantener el tiempo experimental total al mínimo; tenga en cuenta que los RT más largos se establecerán en el infinito independientemente.
  5. Separe los tres bloques experimentales mediante la programación de roturas de 20 s en el software de presentación de estímulo para reducir la fatiga potencial y aumentar la concentración. Asegúrese de que cada bloque subsiguiente se inicia inmediatamente después de que finalice el descanso de 20 s.
  6. Instrucciones escritas del programa para aparecer en la pantalla visual (monitor del ordenador experimental). Las instrucciones exactas se proporcionan en el material suplementario. Pida al participante que comience el experimento empujando la almohadilla de respuesta con el pie derecho cuando esté listo para comenzar. Una vez programados los parámetros de estímulo, el software de presentación de estímulo crea un script que se ejecutará en cada participante.
  7. Proporcione el ID del participante y el número de sesión para ejecutar el script experimental. Una vez completado el experimento, se genera un registro de datos de comportamiento único para cada participante (consulte Archivo complementario 2 para un archivo de salida Eprime 2.0 de ejemplo).

3. Aparatos y tareas

  1. Pida a los participantes que se sientan erguidos y descansen cómodamente las manos sobre las cajas de control izquierda y derecha.
    1. Coloque estratégicamente los dedos índice sobre los motores vibratorios montados en la parte posterior de la caja de control, y los pulgares en la parte delantera de la caja de control, debajo del LED para no bloquear la luz (consulte la figura 1).
    2. Asegúrese de que los estímulos somatosensoriales son inaudibles proporcionando a los participantes auriculares sobre los cuales el ruido blanco continuo se reproduce a un nivel cómodo (normalmente 65-75 dBs).
  2. Indique a los participantes que respondan a todos los estímulos lo antes posible.
    1. Pida a los participantes que utilicen un pedal situado debajo del pie derecho como almohadilla de respuesta, ya que los dedos aceptarán estimulación somatosensorial (ver Figura 1).
  3. Calcule la precisión del rendimiento por condición de estímulo.
    1. Instruya a los participantes para que respondan a cada uno de los estímulos experimentales (45 por condición) lo más rápido posible.
    2. Divida el número de estímulos detectados con precisión por condición en 45 (número total de ensayos por condición) para obtener medidas de precisión de rendimiento para condiciones visuales, somatosensoriales y VS, respectivamente.

4. Preparación de datos de desigualdad del modelo de raza (nivel individual)

  1. Determinar si el rendimiento conductual de una persona es válido.
    1. Excluir a los participantes que no sean capaces de alcanzar una precisión del 70% correcta o superior en cualquier condición de estímulo A medida que disminuye la precisión del rendimiento del participante en una tarea de tiempo de reacción simple, también lo hace la fiabilidad de los datos del individuo.
    2. Considere los ensayos inexactos (omitidos) si un participante no responde a un estímulo dentro del período de tiempo de respuesta establecido y establezca el RT correspondiente en infinito en lugar de excluir el ensayo del análisis25,28.
      NOTA: En estudios anteriores, la detección de estímulos promediada por grupos (n-289) fue del 96% en todas las condiciones, y más del 90 % de la población tenía tasas de detección superiores al 90% para todas las condiciones28.
    3. No utilice procedimientos de recorte de datos que eliminen RT muy lentos, ya que esto sesgará la distribución de datos RT. 25 Asegúrese de que los tDs que sean claramente valores atípicos estén ajustados al infinito. Véase un archivo complementario que muestra las alteraciones en los CDF basadas en los procedimientos de recorte de datos y la inclusión de RT lentos (Archivocomplementario 3).
  2. Organice los datos RT.
    1. Ordene los datos RT en orden ascendente por la condición experimental. Coloque las condiciones visuales, somatosensoriales y VS en columnas separadas de datos RT ordenados. Asegúrese de que cada fila representa una prueba y cada celda representa el RT real (o infinito en el caso de ensayos omitidos o lentos).
  3. Bin los datos RT.
    1. Identifique el RT más rápido (a cualquier condición- elipse naranja) y el RT más lento (a cualquier condición-elipse roja). Restar el RT más lento del más rápido (por ejemplo, 740 ms – 237 ms) para calcular el rango RT del individuo (503ms; elipse azul) a través de TODAS las condiciones de prueba. La Tabla 1 muestra cómo calcular el rango RT de un individuo y representa los diversos elipses de color.
    2. Bin RT datos desde el 0% (RT más rápido a 237 en este ejemplo) al 100% (o RT más lento a 740 en este ejemplo) en incrementos del 5% tomando el RT más rápido y agregando gradualmente el 5% del rango RT identificado en 4.3.1 hasta que se contabiliza el 100% de los datos RT (ver Tabla 2 ). Esto dará como resultado contenedores de 21 veces.
      NOTA: En la Tabla 2 - 1%ile solo se incluye en la hoja de trabajo solo con fines ilustrativos.
  4. Calcule la frecuencia de distribución acumulativa (CDF) para las condiciones experimentales.
    1. Usando el software de hoja de cálculo, utilice una función "FREQUENCY" donde array1 es igual a los Rómpara reales para una de las condiciones experimentales y array2 es igual a los 21 bins RT cuantificados calculados en el paso 4.3, divididos por el número total de ensayos (45) por condición. Esto se ilustra en la Figura 2a.
    2. Repita esta función para las otras dos condiciones experimentales (Figura2b-2c) para rellenar las frecuencias (o probabilidad (P)) de un RT que se produce dentro de cada uno de los 21 contenedores de tiempo cuantificados, para cada una de las tres condiciones experimentales.
    3. A continuación, cree la frecuencia de distribución acumulativa (CDF) sumando el total de probabilidades en ejecución en las ubicaciones cuantificadas (0%, 0+5%, 0+5+10%, 0+5+10+15%, etc.) para cada una de las tres condiciones experimentales. Por ejemplo, en la columna de probabilidad acumulativa para la condición Soma (columna AE), la probabilidad acumulada para el rango de 95%ile (celda AE22) es la suma de los valores de probabilidad en las celdas Z3:Z23 (consulte la figura 3).
  5. CDF reales frente a los predichas.
    1. Asegúrese de que el CDF de la condición multisensorial represente el CDF real (véase la columna AF del cuadro 4 y la traza púrpura trazada). Para calcular el CDF pronosticado (columna AG), sume los dos CDF unisensoriales (con un límite superior establecido en 1) en cada uno de los 21 contenedores de tiempo cuantificados (consulte la figura 5). Comience en el percentil 0 (bin 1) y continúe hasta el percentil 100 (bin 21).
  6. Realizar la prueba de la desigualdad del modelo de raza (RMI).
    1. Restar el CDF pronosticado (calculado en 4.5.2.) del CDF real para cada uno de los 21 contenedores de tiempo cuantificados para obtener los valores de diferencia (columna AH; véase la figura 6).
    2. Trazar estos 21 valores como un gráfico de líneas, donde el eje x representa cada uno de los contenedores de tiempo cuantificados (columna AC) y el eje Y representa la diferencia de probabilidad entre los CDF reales y los predichas (columna AH; Figura 7 (rastro negro).
    3. Compruebe si hay valores positivos en cualquier latencia (es decir, cuantiles) que indiquen la integración de los estímulos unisensoriales y reflejen una violación del RMI (véase la porción verde resaltada de la onda de diferencia de 0.00 – 0.10 en la Figura7).

5. Cuantificación del Efecto Multisensorial (Nivel de Grupo).

  1. Promedio del grupo de los datos RMI individuales (diferencias entre el CDF pronosticado y el CDF real para cada una de las ubicaciones de 21 veces; paso 4.6.1- columna AH) entre todos los participantes. Utilice un software de hoja de cálculo para asignar individuos a filas y ubicaciones de tiempo como columnas. En una nueva hoja de cálculo, coloque los 21 valores calculados en 4.6.1 en filas individuales (1 fila por participante) y valores medios dentro de las ubicaciones de tiempo para crear una forma de onda de diferencia promediada por grupo.
  2. Trazar el promedio de grupo de 21 valores como un gráfico de líneas, donde el eje X representa cada uno de los contenedores de tiempo cuantificados y el eje Y representa la diferencia de probabilidad entre los CdF.
  3. Inspeccione y documente visualmente la parte violada de la onda de diferencia promediada por el grupo (es decir, valores positivos).
  4. Ejecute la prueba de permutación RMI de Gondan (script R disponible como descarga gratuita)26 para determinar si hay una violación estadísticamente significativa del RMI sobre los valores positivos identificados en el paso 5.3.
    1. Organice los datos en un archivo de texto donde la primera columna se denomina "Obs" para Observer (por ejemplo, ID de participante), la segunda columna se denomina "Cond" para la condición de estímulo (V, S o VS) y la tercera columna se denomina "RT" para RT real o "Inf" si se establece en infinito.
    2. Abra el software, identifique qué ubicaciones de tiempo se deben probar (basadas en las ubicaciones de tiempo positivas identificadas en 5.3) e introduzca el nombre del archivo de texto creado en 5.4.1.
    3. Ejecute la prueba llamando al script. Los resultados proporcionarán un valor máximot, un criterio del 95% y un valor p que serán fundamentales para determinar si existe una infracción significativa del modelo de raza en toda la muestra del estudio.
  5. Calcule el área bajo la curva (AUC) para cada individuo después de establecer las bandejas de percentiles significativamente violadas en el paso 5.3. AUC servirá como la magnitud de la integración multisensorial (o la variable independiente). Para calcular los datos del participante 1 del participante como ejemplo, para las bandejas percentiles 0,00 - 0,15 que se muestran en la Figura 8a-d).
    1. Sume el valor de diferencia CDF en la ubicación del tiempo 1 (valor positivo del tiempo del 1 o) con el valor de diferencia CDF de la ubicación de tiempo 2 (próximo valor positivo) y, a continuación, divida entre dos (véase la figura 8a). Repita el paso 5.3.1. para cada par consecutivo de ubicaciones de tiempo que contengan valores positivos (consulte la figura 8b-8c).
    2. Suma los resultados obtenidos de los pasos 5.5.1 - 5.5.2. para generar el AUC total de la onda de diferencia CDF durante el rango de percentiles violado (por ejemplo, 0.00 – 0.15 en la Figura 8d).
      NOTA: El AUC es una medida continua y un valor de AUC está presente para cada individuo para la porción violada del RMI (Figura8d elipse roja - AUC del participante 1 a 0,13). El AUC se puede utilizar como una variable independiente que representa la "magnitud de la integración VS" que posteriormente se puede probar para predecir medidas de resultados clínicos importantes (véase también28,29).
  6. Asigne grupos de clasificación de integración multisensorial basados en el número de bines de percentiles violados (valores superiores a cero resaltados en gris en el Cuadro 3) durante el intervalo de percentiles significativamente infringido identificado anteriormente en el paso 5.3. Mirando la Tabla 3 (bins percentiles 0.00 – 0.15): El Participante 1 tiene valores positivos para 2 de 4 bins; El participante 2 tiene valores positivos para 4 de 4 contenedores; y el Participante 3 tiene valores positivos para 0 de 4 bins.
    1. Operacionalice un sistema de clasificación basado en el número de ubicaciones de percentiles infringidas (valores mayores que cero para 0, 1, 2 o 3 bins) durante el percentil 0-10.
    2. La Figura 9 muestra una definición de clasificación potencial que se adapta a partir de los datos publicados recientemente presentados por Mahoney y Verghese29.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

El propósito de este estudio fue proporcionar un tutorial paso a paso de un enfoque metódico para cuantificar la magnitud de los efectos de integración VS, para fomentar la publicación de nuevos estudios multisensoriales utilizando diseños experimentales y configuraciones similares (ver Figura 1 ). Las capturas de pantalla de cada paso y el cálculo necesarios para obtener la magnitud de los efectos de integración multisensorial, medidos por RMI AUC, se delinean arriba y se ilustran en las figuras 2-8.

La Figura 9 muestra una infracción promediada por grupo (traza discontinua) que ocurre en el intervalo de percentiles del 0-10% para una muestra de 333 adultos mayores (ver también29). Aquí, el número total de valores positivos (0, 1, 2 o 3) para esos 3 cuantiles (0.00 - 0.10) determina qué grupo de clasificación multisensorial se asigna a una persona (deficiente, pobre, buena o superior) respectivamente.

Como se muestra en la Figura9, los resultados promediados por grupos demuestran una violación significativa del modelo de raza sobre la décima parte más rápida de todos los tiempos de respuesta26. Si bien esta forma de onda de diferencia promediada por grupo sugiere que en promedio los adultos mayores demuestran una violación significativa del modelo de raza (es decir, efectos de integración multisensorial), argumentamos que este no es un modelo único para todos los modelos. Más bien, el AUC del individuo bajo el período de tiempo violado (0-10%ile) proporciona un mejor apoderado para evaluar la magnitud de la integración VS del individuo, ya que los patrones de integración diferencial se han documentado 20-23, 28,29. Una vez calculada, la magnitud individual de la integración de VS puede servir como un predictor continuo de resultados importantes en varias poblaciones clínicas.

Se recomienda implementar un sistema de clasificación, quizás basado en el número de binas de percentiles infringidas (valores superiores a cero) durante el período de infracción de RMI promedio del grupo, como medio de representar patrones de integración diferencial inherentes. La clasificación de los datos de esta manera revelará una clara degradación de la violación del modelo de raza por grupo de clasificación de integración multisensorial.

Figure 1
Figura 1: Aparato experimental. Usando un pedal situado debajo del pie derecho como una almohadilla de respuesta, se pidió a los participantes que respondieran a estímulos unisensoriales y multisensoriales lo más rápido posible. Esta cifra ha sido reimpresa con permiso22,28,29. Haga clic aquí para ver una versión más grande de esta figura.

Figure 2
Figura 2: Cálculo de la frecuencia de una RT que ocurre dentro de un rango especificado de RT para cada condición experimental. a) Visual (V); b) Somatosensorial (S); y c) Visual-Somatosensorial (VS). Haga clic aquí para ver una versión más grande de esta figura.

Figure 3
Figura 3: Creación de la frecuencia de distribución acumulativa para las condiciones experimentales. Esta figura representa la suma de la probabilidad acumulada en el contenedor de 95%ile para la condición Soma (S). Haga clic aquí para ver una versión más grande de esta figura.

Figure 4
Figura 4: Trazar el CDF real (condición VS; traza púrpura) en función de cuantil. Haga clic aquí para ver una versión más grande de esta figura.

Figure 5
Figura 5: Cálculo del CDF previsto. Sume los CDF de los dos CDF unisensoriales, incluyendo un límite superior 1 para cada uno de los cuantiles de 0.00 a 1.00. Haga clic aquí para ver una versión más grande de esta figura.

Figure 6
Figura 6: Crear la desigualdad del modelo de raza (RMI). Restar el CDF del CDF pronosticado del CDF real para cada cuantil. Haga clic aquí para ver una versión más grande de esta figura.

Figure 7
Figura 7: Trazar los valores RMI individuales. El eje x representa cada uno de los 21 cuantiles (columna AC) y el eje Y representa la diferencia de probabilidad entre CDF (columna AH). La parte verde resaltada del RMI representa la parte positiva o violada de la forma de onda, indicativa de la integración multisensorial. Haga clic aquí para ver una versión más grande de esta figura.

Figure 8
Figura 8: Cálculo del área de un individuo bajo la curva (AUC). a) Sume el valor de diferencia del CDF en el cuantil 1 (0,00) con el valor de diferencia del CDF del cuantil 2 (0,05) y luego dividir por dos para crear una medida de AUC de 0.00 a 0.05. b-c) Repita el paso a) para cada par consecutivo de cuantiles (por ejemplo, 0.05 - 0.10 y 0.10 - 0.15) para alcanzar el AUC para cada rango de cuantiles. d) Sume el AUC para cada rango de ubicación de tiempo para obtener el AUC total para toda la ventana de ubicación de tiempo identificada en 5.3. Tenga en cuenta que este ejemplo incluye un rango de cuantil más amplio (0,00 - 0,15) solo con fines ilustrativos. Haga clic aquí para ver una versión más grande de esta figura.

Figure 9
Figura 9: Desigualdad del modelo de raza: General y por clasificación de grupo. La diferencia promediada por grupo entre los CDF reales y los predichas a lo largo de la trayectoria de todos los cuantiles se representa mediante el seguimiento discontinuo. Las trazas sólidas representan cada una de las cuatro clasificaciones de integración multisensorial definidas anteriormente en función del número de bines cuantiles violados. Esta figura adaptada ha sido reimpresa con permiso29. Haga clic aquí para ver una versión más grande de esta figura.

Archivo suplementario 1: Ejemplo de paradigma de tiempo de reacción simple programado en Eprime 2.0. Haga clic aquí para descargar este archivo.

Archivo Suplementario 2: Ejemplo de salida de datos de comportamiento RT de Eprime 2.0. Haga clic aquí para descargar este archivo.

Archivo Suplementario 3: Ejemplo de datos RMI con y sin valores atípicos y ensayos omitidos. Haga clic aquí para descargar este archivo.

Tabla 1. Estadísticas Descriptivas Individuales por Condición y Cálculo del Rango RT. Haga clic aquí para descargar este archivo.

Cuadro 2. Ejemplo de cómo bin rusar datos RT basados en el rango RT. Haga clic aquí para descargar este archivo.

Cuadro 3. Ejemplo de cálculo de AUC e identificación de un número de cuantiles violados (área sombreada gris). Haga clic aquí para descargar este archivo.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

El objetivo del estudio actual fue detallar el proceso detrás del establecimiento de un fenotipo de integración multisensorial robusto. Aquí, proporcionamos los pasos necesarios y críticos necesarios para adquirir efectos de integración multisensorial que se pueden utilizar para predecir resultados cognitivos y motores importantes basados en circuitos neuronales similares. Nuestro objetivo general era proporcionar un tutorial paso a paso para calcular la magnitud de la integración multisensorial en un esfuerzo por facilitar estudios multisensoriales traslacionales innovadores y novedosos en diversas poblaciones clínicas y rangos de edad.

Como se indicó anteriormente y esbozado por Gondan y sus colegas, es muy importante preservar el conjunto de datos RT25,28. Es decir, evite los procedimientos de recorte de datos que omiten RT muy lentos dado su sesgo inherente en la distribución RT; 25 en su lugar, establezca los Rór de los T omitidos y lentos en el infinito. Este paso es crítico y el incumplimiento de estas sencillas reglas conducirá al desarrollo de resultados de integración multisensorial inexactos. Además, las pruebas de significancia del modelo de carrera solo deben probarse sobre las partes violadas promediadas por grupos del RMI identificadas en la cohorte del estudio (es decir, no en las ventanas especificadas a priori).

En términos de limitaciones, el diseño experimental actual se basaba en datos de una simple tarea de tiempo de reacción a estímulos bilaterales que se presentaban en la misma ubicación y precisamente al mismo tiempo. Reconocemos que se pueden realizar varias adaptaciones al diseño experimental actual en función de varias hipótesis que los investigadores estén interesados en examinar. Utilizamos este estudio como plataforma de lanzamiento para documentar los efectos MSI robustos en el envejecimiento, pero reconocemos que la implementación de diversas adaptaciones experimentales (por ejemplo, diferentes combinaciones bi- e incluso trisensoriales, tiempos de inicio de la presentación de estímulos variados, y magnitud diferencial de la intensidad del estímulo) proporcionará una gran cantidad de información incremental sobre este fenómeno multisensorial.

Hemos implementado el enfoque anterior para demostrar asociaciones significativas entre la magnitud de la integración visual-somatosensorial con el equilibrio28 y las caídas de incidentes28,donde los adultos mayores con mayor integración multisensorial las habilidades manifiestan un mejor equilibrio del rendimiento y menos caídas de incidentes. Del mismo modo, demostramos que la magnitud de la integración visual-somatosensorial fue un fuerte predictor de los aspectos espaciales de la marcha29,donde los individuos con peor integración visual-somatosensorial demostraron una velocidad de marcha más lenta, zancadas más cortas, y un mayor apoyo doble. En el futuro, esta metodología debe utilizarse para descubrir la relación de MSI con otros resultados clínicos importantes como el estado cognitivo, y ayudar en la identificación de redes neuronales multifuncionales y multifuncionales funcionales y estructurales críticas en el envejecimiento y otras poblaciones clínicas.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

No hay conflictos de intereses que informar y los autores no tienen nada que revelar.

Acknowledgments

El actual cuerpo de trabajo cuenta con el apoyo del Instituto Nacional sobre el Envejecimiento del Instituto Nacional de Salud (K01AG049813 a JRM). La financiación suplementaria fue proporcionada por el Centro de Gerontología Resnick del Albert Einstein College of Medicine. Agradecimiento especial a todos los voluntarios y personal de investigación por el apoyo excepcional con este proyecto.

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

Comportamiento Número 147 integración multisensorial integración sensorimotor Desigualdad del modelo de carrera Efecto de señales redundantes envejecimiento
Uso de la desigualdad del modelo de raza para cuantificar los efectos de integración multisensorial conductual
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Mahoney, J. R., Verghese, J. UsingMore

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