Summary
Den aktuella studien syftar till att ge en stegvis handledning för att beräkna omfattningen av multisensorisk integrations effekter i ett försök att underlätta produktionen av translationella forskningsstudier över olika kliniska populationer.
Abstract
Multisensorisk integrations forskning undersöker hur hjärnan bearbetar samtidig sensorisk information. Forskning om djur (främst katter och primater) och människor avslöjar att intakt multisensorisk integration är avgörande för att fungera i den verkliga världen, inklusive både kognitiva och fysiska aktiviteter. Mycket av den forskning som bedrivs under de senaste decennierna dokument multisensorisk integration effekter med hjälp av olika psykofysiska, elektrofysiologiska och neuroimaging tekniker. Medan dess närvaro har rapporterats, de metoder som används för att bestämma omfattningen av multisensorisk integrations effekter varierar och vanligtvis står inför mycket kritik. I det följande, begränsningar av tidigare beteendestudier beskrivs och en steg-för-steg handledning för att beräkna omfattningen av multisensorisk integrations effekter med hjälp av robusta sannolikhets modeller tillhandahålls.
Introduction
Interaktioner mellan sensoriska system är viktiga för vardagliga funktioner. Även om multisensorisk integration effekter mäts över ett brett spektrum av populationer med hjälp av olika sensoriska kombinationer och andra metoder neurovetenskap [inklusive men inte begränsat till psykofysiska, elektrofysiologiska och neuroimaging metoder]1,2,3,4,5,6,7,8,9, för närvarande en guld standard för kvantifiering av multisensorisk integration saknas. Med tanke på att multisensoriska experiment vanligtvis innehåller en beteendemässig komponent, är reaktionstid (RT) data undersöks ofta för att fastställa förekomsten av ett välkänt fenomen som kallas redundanta signaler effekt10. Som namnet antyder ger samtidiga sensoriska signaler överflödig information, vilket vanligtvis ger snabbare RTs. Race och co-aktiveringsmodeller används för att förklara ovan nämnda redundanta signaler effekt11. Under Race modeller, den unisensorisk signal som bearbetas snabbast är vinnaren av loppet och ansvarar för att producera beteendemässiga svar. Emellertid, bevis för samtidig aktivering sker när svar på multisensoriska stimuli är snabbare än vad Race modeller förutsäga.
Tidigare versioner av Race modellen är till sin natur kontroversiella12,13 eftersom de refereras till av vissa som alltför konservativ14,15 och påstås innehålla begränsningar när det gäller självständighet mellan de konstituerande unisensoriska detekterings tiderna inneboende i det multisensoriska villkoret16. I ett försök att ta itu med några av dessa begränsningar, Colonius & Diederich16 utvecklat en mer konventionell Race Model test:
,
om de kumulativa fördelnings frekvenserna (CDFs) för de unisensoriska förhållandena (t. ex. en & B, med en övre gräns på en) jämförs med CDF för det samtidiga multisensoriska villkoret (t. ex. AB) för en given latens (t)11, 16 , 17. i allmänhet avgör en CDF hur ofta en RT uppstår, inom ett givet intervall av RTS, dividerat med det totala antalet stimulans presentationer (dvs. prövningar). Om CDF för det faktiska multisensoriska tillståndet 
är mindre än eller lika med den förutspådda CDF som härrör från de unisensoriska förhållanden
,
då tävlings modellen accepteras och det finns inga belägg för sensorisk integration. Men när den multisensoriska CDF är större än den förutspådda CDF som härrör från de unisensoriska förhållanden, är tävlings modellen avvisas. Avvisande av tävlings modellen indikerar att multisensorisk interaktion från redundanta sensoriska källor kombineras på ett icke-linjärt sätt, vilket resulterar i en påskyndande av RTs (t. ex., RT underlättande) till multisensoriska stimuli.
Ett huvudsakligt hinder som multisensoriska forskare ansikte är hur man bäst kvantifiera integrations effekter. Till exempel, i fallet med de mest grundläggande beteendemässiga multisensoriska paradigm, där deltagarna ombeds att utföra en enkel reaktionstid uppgift, information om noggrannhet och hastighet samlas in. Sådana multisensorisk data kan användas på det nominella värdet eller manipuleras med hjälp av olika matematiska tillämpningar, inklusive men inte begränsat till maximal sannolikhet uppskattning18,19, CDFS11, och olika andra statistiska Metoder. Majoriteten av våra tidigare multisensoriska studier använde både kvantitativa och probabilistiska metoder där multisensoriska integrativa effekter beräknades med 1) subtrahera den genomsnittliga reaktionstiden (RT) till en multisensorisk händelse från den genomsnittliga reaktionstiden ( RT) till den kortaste unisensorisk händelsen, och 2) genom att anställa CDFS för att avgöra om RT underlättande resulterade från synergistiska interaktioner underlättas av överflödig sensorisk information8,20,21, 22 , 23. den tidigare metoden var dock sannolikt inte känslig för de individuella skillnaderna i integrativa processer och forskarna har sedan dess hävdat att den senare metoden (dvs. CDFS) kan ge en bättre proxy för kvantifiering av multisensorisk integrativa effekter24.
Gondan och Minakata publicerade nyligen en handledning om hur man korrekt testa Race Model ojämlikhet (RMI) eftersom forskare alltför ofta gör otaliga fel under förvärvet och Pre-processing stadier av RT datainsamling och beredning25. Först författarna ståndpunkten som är ogynnsamma att tillämpa data putsning förfaranden där vissa a priori minimum och högsta RT gränser är inställda. De rekommenderar att långsamma och uteslutna svar anges till oändlighet, i stället för exkluderade. För det andra, med tanke på att RMI kan kränkas vid någon latens, flera t-tester används ofta för att testa RMI vid olika tidpunkter (dvs., quantiles); Tyvärr, denna praxis leder till ökad typ I fel och kraftigt minskad statistisk makt. För att undvika dessa problem rekommenderas att RMI testas över ett visst tidsintervall. Vissa forskare har föreslagit att det är meningsfullt att testa den snabbaste kvartilen av svaren (0-25%)26 eller vissa i förväg identifierade fönster (dvs 10-25%)24,27 som multisensorisk integration effekter observeras vanligtvis under detta tidsintervall; Vi hävdar dock att det percentilintervall som ska testas måste dikteras av den faktiska datauppsättningen (se protokoll avsnitt 5). Problemet med att förlita sig på publicerade data från unga vuxna eller datorsimuleringar är att äldre vuxna manifesterar mycket olika RT-distributioner, sannolikt på grund av åldersrelaterade nedgångar i sensoriska system. Race Model signifikans testning bör endast testas över kränkta portioner (positiva värden) av grupp-genomsnitt skillnad våg mellan faktiska och förutspådde CDFs från studien kohort.
För detta ändamål har en skyddande effekt av multisensorisk integration hos friska äldre vuxna som använder konventionella test av Race Model16 och de principer som anges av gondan och kollegor25 visats. I själva verket, större magnitud av visuell-somatosensorisk RMI (en proxy för multisensorisk integration) befanns vara kopplad till bättre balans prestanda, lägre sannolikhet för incident Falls och ökad spatial gång prestanda28,29.
Syftet med det nuvarande experimentet är att ge forskarna en stegvis handledning för att beräkna omfattningen av multisensoriska integrations effekter med hjälp av RMI, för att underlätta den ökade produktionen av olika translationella forskningsstudier över många olika kliniska populationer. Observera att data som presenteras i den aktuella studien är från nyligen publicerade visuella somatosensoriska experiment som utförts på friska äldre vuxna28,29, men denna metod kan tillämpas på olika kohorter över många olika experimentella konstruktioner med hjälp av ett brett spektrum av multisensoriska kombinationer.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Alla deltagare tillhandahöll skriftligt informerat samtycke till de experimentella förfarandena, som godkändes av den institutionella Granskningsnämnden vid Albert Einstein College of Medicine.
1. deltagarnas rekrytering, inklusionskriterier och samtycke
- Rekrytera en relativt stor kohort av engelsktalande personer som kan ambulera självständigt och är fria från betydande Sensorisk förlust; aktiva neurologiska eller psykiska störningar som stör experimentella utvärderingar; och nuvarande/framtida medicinska ingrepp som påverkar rörligheten.
- Se till att varje deltagare framgångsrikt kan slutföra en sensorisk screening examen, där visuell, auditiv, och somatosensorisk skärpa formellt testas för att bekräfta studiens lämplighet.
- Använd Snellen Eye-diagrammet för att säkerställa att bilateral synskärpa är bättre än eller lika med 20/100.
- Använd en ton-Emitting otoskop för att säkerställa att deltagarna är minst kunna höra en 2 000 Hz ton vid 25 dB30.
- Avgöra om deltagarna upprätthåller en diagnos av klinisk neuropati och om det stör förmågan att känna den experimentella somatosensorisk stimulering21,28,29.
- Om deltagaren inte kan uppfylla dessa minsta sensoriska krav, ta inte med dem i studien.
- Utesluta äldre vuxna med demens genom att genomföra cut-score från tillförlitliga screening instrument såsom AD8 demens screening intervju cutoff Poäng ≥ 2 31,32; och minnesförsämring skärmen MIS; cutoff Poäng < 533.
- Har deltagarna skriftligt informerat samtycke till de experimentella förfarandena (godkända av en lokal institutionell prövnings nämnd) om de är villiga att delta.
2. experimentell design
- Använd stimulus presentation programvara för att programmera en enkel reaktionstid experiment med tre experimentella förhållanden: visuell (V) ensam, somatosensorisk (S) ensam, och samtidig visuell-somatosensorisk (VS). Informera deltagarna att reagera på varje sensorisk stimulans, oavsett skick, så snabbt som möjligt. Se kompletterande filer för ett exempel på en VS enkel RT-uppgift (tilläggsfil 1).
- Använd en stimulus Generator med tre kontroll boxar (30,48 mm × 20,32 mm × 12,70 mm) och plasthölje för stimulatorer. Vänster och höger kontroll boxar innehåller bilaterala blå lysdioder (LED; 15,88 cm diameter) som lyser för visuell stimulering och bilaterala motorer med 0,8 G vibrations amplitud som vibrerar för somatosensorisk stimulering (motsvarar en mobiltelefon vibration)22,23,28.
- Se till att stimulans generatorer ger både unisensorisk (visuell eller somatosensorisk ensam), samt multisensorisk (samtidig visuell och somatosensorisk) stimulering. Placera en mittdummy-styrenhet som är lika avlägsen (28 cm) från den vänstra och högra kontrollboxen som beskrivs i 2.1.1. och fästa en visuell mål klistermärke (Central cirkel av 0,4 cm diameter) att fungera som Fixeringspunkt.
- Anslut stimulus generator till experimentell dator via parallellporten som tillåter direkt kontroll för varje stimulator.
- Programmera stimulus presentation programvara för att skicka transistor-transistor-logic (TTL, 5 V) pulser till utlösa stimulans generatorer på och av direkt via parallellporten. Ställ in stimulus presentation tid till 100 MS i varaktighet.
- I Stimulus presentation programvara, program minst 3 experimentella block vardera bestående av 45 prövningar (15 prövningar av varje stimulus villkor presenteras i slumpmässig ordning) för totalt 135 stimulus presentationer för denna enkla reaktionstid experiment.
- Variera Inter-stimulus-intervallet slumpmässigt mellan 1 och 3 s för att förhindra för utseende effekter. Alternativt kan du infoga fångst försök där stimulans parametrarna är desamma som ovan, men TTL-pulsen skickas inte, vilket innebär att ingen visuell eller somatosensorisk stimulering sker och därför förväntas inget svar.
- Tillåt deltagare upp till 2 000 MS att svara på en given stimulansvillkor. Om inget svar upptäcks inom svarsperioden 2 000 MS, se till att stimulus presentation programvaran avancerar till nästa testperiod automatiskt.
Anmärkning: detta svar fönster cut-off är godtyckligt men nödvändigt att hålla den totala experimentella tiden till ett minimum; Observera att längre RTs kommer att vara inställd på oändlighet oavsett. - Separera de tre experimentella blocken genom programmering 20-s raster i Stimulus presentation programvara för att minska potentiell trötthet och öka koncentrationen. Se till att varje efterföljande block börjar omedelbart efter att 20-s-brytningen avslutas.
- Program skrivna instruktioner ska visas på den visuella displayen (Monitor av den experimentella datorn). De exakta instruktionerna finns i tilläggsmaterialet. Be deltagaren att starta experimentet genom att trycka på Response pad med sin högra fot när du är redo att börja. När stimulans parametrarna är programmerade, skapar stimulus presentation programvara ett skript som ska köras på varje deltagare.
- Ange deltagar-ID och sessionsnummer för att köra experiment skriptet. När experimentet är klart, skapas en unik beteendemässig data logg för varje deltagare (se kompletterande fil 2 för ett exempel på eprime 2,0 utdatafilen).
3. apparat & uppgift
- Har deltagarna sitta upprätt och bekvämt vila händerna på vänster och höger kontroll boxar.
- Strategiskt placera pekfingret över Vibrationsmotorerna monterade på baksidan av kontrollboxen, och tummen på framsida av kontrollboxen, under LED för att inte blockera ljuset (se figur 1).
- Se till att de somatosensoriska stimuli är ohörbara genom att ge deltagarna med hörlurar över vilka kontinuerligt vitt brus spelas på en bekväm nivå (typiskt 65-75 dBs).
- Instruera deltagarna att reagera på alla stimuli så snabbt som möjligt.
- Be deltagarna att använda en fotpedal placerad under höger fot som responsdyna eftersom fingrarna kommer att acceptera somatosensorisk stimulering (se figur 1).
- Beräkna prestanda noggrannhet genom stimulans tillstånd.
- Instruera deltagarna att svara på var och en av de experimentella stimuli (45 per tillstånd) så snabbt som möjligt.
- Dividera antalet exakt identifierade stimuli per villkor över 45 (totalt antal prövningar per tillstånd) för att få mått på prestanda noggrannhet för visuella, somatosensoriska, och VS villkor, respektive.
4. Race modell ojämlikhet data förberedelse (individuell nivå)
- Avgöra om en individs beteendemässiga prestanda är giltig.
- Utesluta deltagare som inte kan uppnå en noggrannhet på 70% korrekt eller större på någon stimulansvillkor som deltagarens prestanda noggrannhet på en enkel reaktionstid uppgift minskar, så gör tillförlitligheten av individens data.
- Överväg att försök är felaktiga (utelämnas) om en deltagare inte svarar på en stimulans inom den inställda svars tidsperioden och ställer in motsvarande RT till oändlighet i stället för att utesluta utvärderingsversionen från analysen25,28.
Anmärkning: i tidigare studier var den grupp-genomsnitt (n = 289) stimulus Detection 96% över alla förhållanden, och över 90% av befolkningen hade detekterings hastigheter över 90% för alla villkor28. - Använd inte data putsning procedurer som tar bort mycket långsamma RTs eftersom detta kommer att bias distributionen av RT-data. 25 se till att RTS är klart extremvärden är inställda på oändlighet. Se kompletterande fil som skildrar förändringar i CDFs baserat på data-trimning förfaranden och införande av långsamma RTs (kompletterande fil 3).
- Organisera RT-data.
- Sortera RT-data i stigande ordning efter försöks villkoret. Placera visuella, somatosensoriska, och VS villkor i separata kolumner av sorterade RT data. Se till att varje rad representerar en utvärderingsversion och varje cell representerar den faktiska RT (eller oändligheten när det gäller uteslutna eller långsamma försök).
- Bin RT-data.
- Identifiera den snabbaste RT (till vilket villkor-orange ellips) och den långsammaste RT (till vilket villkor-röd ellips). Subtrahera den långsammaste RT från den snabbaste (t. ex., 740 MS – 237 MS) för att beräkna individens RT-intervall (503ms; blå ellips) över alla testförhållanden. Tabell 1 visar hur man beräknar en individs RT-sortiment och skildrar de olika färg elipses.
- Bin RT-data från 0% (snabbast RT = 237 i det här exemplet) till 100% (eller långsammast RT = 740 i det här exemplet) i steg om 5% genom att ta den snabbaste RT och gradvis lägga till 5% av RT-intervallet som identifierats i 4.3.1 tills 100% av RT-data redovisas (se tabell 2 ). Detta kommer att resultera i 21-tid papperskorgar.
ANMÄRKNINGAR: i tabell 2-1% Ile ingår endast i kalkylbladet bara för illustrativt ändamål.
- Beräkna den kumulativa fördelnings frekvensen (CDF) för försöksbetingelserna.
- Använda kalkylprogram, Använd en "frekvens" funktion där matris1 är lika med den faktiska RTs för en av de experimentella förhållanden och matris2 är lika med 21 kvantiserade RTs papperskorgar beräknas i steg 4,3, dividerat med det totala antalet prövningar (45) per villkor. Detta illustreras i figur 2A.
- Upprepa denna funktion för de två andra försöksbetingelserna (figur 2b-2C) för att fylla på frekvenser (eller sannolikhet (P)) för en RT som inträffar inom var och en av de 21 kvantifierade tids korgarna, för vart och ett av de tre försöksbetingelserna.
- Skapa sedan den kumulativa fördelnings frekvensen (CDF) genom att summera det totala antalet sannolikheter över de kvantiserade lagerplatserna (0%, 0 + 5%, 0 + 5 + 10%, 0 + 5 + 10 + 15%, etc.) för vart och ett av tre försöksbetingelser. I kolumnen kumulativ sannolikhet för Soma-villkoret (kolumn AE) är den kumulativa sannolikheten för 95% Ile-intervallet (cell AE22) summeringen av sannolikhets värden i cellerna Z3: Z23 (se figur 3).
- Faktiska kontra förväntade CDFs.
- Se till att CDF för det multisensoriska villkoret representerar den faktiska CDF (se figur 4 kolumn AF och plottade lila spår). För att beräkna den förutspådda CDF (kolumn AG), summera de två Unisensoriska CDFS (med en övre gräns inställd på 1) över var och en av de 21 kvantiserade tid facken (se figur 5). Börja vid 0: e percentilen (bin 1) och fortsätt ända ner till 100: e percentilen (bin 21).
- Genomföra testet av ras modellen ojämlikhet (RMI).
- Subtrahera den förväntade CDF (beräknad i 4.5.2.) från den faktiska CDF för var och en av de 21 kvantiserade tidslager platserna för att erhålla differensvärdena (kolumn Ah; se figur 6).
- Rita dessa 21 värden som ett linjediagram, där x-axeln representerar var och en av de kvantiserade tid facken (kolumn AC) och y-axeln representerar sannolikhets skillnaden mellan de faktiska och förväntade CDFs (kolumn AH; Figur 7 (svart spår).
- Kontrollera om det finns positiva värden vid någon fördröjning (dvs. kvantiler) som indikerar integrationen av de unisensoriska stimuli och återspeglar en kränkning av RMI (se den gröna markerade delen av skillnaden våg från 0,00-0,10 i figur 7).
5. kvantifiering av den multisensoriska effekten (gruppnivå).
- Gruppera-genomsnittet individen RMI data (skillnader mellan förutspådde CDF och faktisk CDF för var och en av de 21-tiden papperskorgar; steg 4.6.1-kolumn Ah) över alla deltagare. Använd ett kalkylbladsprogram för att tilldela personer till rader och tids korgar som kolumner. I ett nytt kalkylblad placerar du de 21 värden som beräknats i 4.6.1 i enskilda rader (1 rad per deltagare) och genomsnittliga värden inom tidslager platser för att skapa ett gruppgenomsnittligt differensvågform.
- Rita grupp medelvärdet 21 värden som ett linjediagram, där x-axeln representerar var och en av de kvantiserade tid lagerplatserna och y-axeln representerar sannolikhets skillnaden mellan CDFs.
- Inspektera och dokumentera den överträdde delen av den gruppbaserade differensvågen (dvs. positiva värden).
- Kör Gondan ' s RMI permutation test (R script finns som en gratis nedladdning)26 för att avgöra om det finns en statistiskt signifikant kränkning av RMI över de positiva värden som identifierades i steg 5,3.
- Organisera data i en textfil där den första kolumnen heter "Obs" för observatör (t. ex. deltagar-ID), den andra kolumnen heter "Cond" för stimulus condition (V, S, eller VS) och den tredje kolumnen heter "RT" för faktiska RT eller "inf" om inställd på oändlighet.
- Öppna programvaran, identifiera vilka tidslager platser som ska testas (baserat på de positiva tids korgarna som identifieras i 5,3) och ange det text fils namn som skapades i 5.4.1.
- Kör testet genom att anropa skriptet. Resultaten kommer att ge ett tMax värde, 95% kriterium, och p-värde som kommer att vara avgörande för att avgöra om en betydande kränkning av ras modellen finns över hela studien provet.
- Beräkna area-under-kurvan (AUC) för varje individ när du har etablerat de betydligt kränkta percentilen lagerplatser i steg 5,3. AUC kommer att fungera som omfattningen av multisensorisk integration (eller den oberoende variabeln). För att beräkna AUC Använd deltagare 1: s data som ett exempel, för percentil lagerplatser 0,00-0,15 avbildas i figur 8a-d).
- Summa värdet för CDF-differens vid Time bin 1 (1St tid positivt värde) med värdet för CDF-differens för Time bin 2 (nästa positiva värde) och dividera med två (se figur 8a). Upprepa steg 5.3.1. för varje sammanhängande par av tidslager platser som innehåller positiva värden (se figur 8b-8c).
- Summa de resultat som erhålls från steg 5.5.1-5.5.2. för att generera den totala AUC för CDF-differensvågen under det överträdde percentilintervallet (t. ex. 0,00 – 0,15 i figur 8D).
Anmärkning: AUC är en kontinuerlig åtgärd och ett AUC-värde är närvarande för varje individ för den överträdde delen av RMI (figur 8D röd ellips = deltagare 1: s auc = 0,13). AUC kan användas som en oberoende variabel som representerar "omfattningen av vs integration" som senare kan testas för att förutsäga viktiga kliniska resultatåtgärder (se även28,29).
- Tilldela klassificerings grupper för multisensorisk integration baserat på antalet åsidosatte percentilen lagerplatser (värden som är större än noll markerat i grått i tabell 3) under den signifikant brutit percentil intervall som anges ovan i steg 5,3. Om man tittar på tabell 3 (percentil papperskorgar 0,00 – 0,15): deltagare 1 har positiva värden för 2 av 4 papperskorgar; Deltagare 2 har positiva värden för 4 av 4 papperskorgar; och deltagare 3 har positiva värden för 0 av 4 papperskorgar.
- Operationalisera ett klassificeringssystem baserat på antalet åsidosatte percentilen lagerplatser (värden som är större än noll för 0, 1, 2 eller 3 lagerplatser) under 0-10: e percentilen.
- Figur 9 skildrar en potentiell klassificerings definition som är anpassad från nyligen publicerade data presenterade av Mahoney och Verghese29.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Syftet med denna studie var att ge en stegvis handledning av en metodisk metod för att kvantifiera omfattningen av VS integrations effekter, att främja offentliggörandet av nya multisensoriska studier med liknande experimentella konstruktioner och uppställningar (se figur 1 ). Skärmdumpar av varje steg och beräkning som behövs för att härleda omfattningen av multisensoriska integrations effekter, mätt med RMI-AUC, avgränsas ovan och illustreras i figurerna 2-8.
Figur 9 visar en grupp-genomsnitt överträdelse (streckad spår) som inträffar över 0-10% percentil intervall för ett urval av 333 äldre vuxna (se även29). Här bestämmer det totala antalet positiva värden (0, 1, 2, eller 3) för de 3 kvantilerna (0,00-0,10) vilken multisensorisk klassificeringsgrupp en person tilldelas (bristfällig, dålig, god eller överlägsen).
Som avbildas i figur 9, visar grupp-genomsnitt resultat en betydande ras modell brott över den snabbaste tionde av alla svarstider26. Även denna grupp-genomsnitt skillnad vågform tyder på att i genomsnitt äldre vuxna uppvisar betydande ras modell kränkning (dvs. multisensorisk integration effekter), hävdar vi att detta inte är en en storlek passar alla modeller. Snarare ger individens AUC under den kränkta tidsperioden (0-10% Ile) en bättre proxy för att bedöma individens storlek av VS integration, som differentiella integrationsmönster har dokumenterats 20-23, 28, 29. En gång beräknat, den individuella omfattningen av VS integration kan fungera som en kontinuerlig prediktor för viktiga resultat i olika kliniska populationer.
Vi rekommenderar att du implementerar ett klassificeringssystem, kanske baserat på antalet överträdde percentilen lagerplatser (värden som är större än noll) undergrupp-genomsnitt RMI överträdelseperiod, som ett sätt att avbilda inneboende differentiella integrationsmönster. Klassificering av data på detta sätt kommer att avslöja en tydlig nedbrytning av ras modell kränkning av multisensorisk integration klassificeringsgrupp.
Figur 1: Experimentell apparatur. Med hjälp av en fotpedal placerad under höger fot som en responsdyna ombads deltagarna att reagera på unisensoriska och multisensoriska stimuli så snabbt som möjligt. Denna siffra har tryckts om med tillstånd22,28,29. Vänligen klicka här för att se en större version av denna siffra.
Figur 2: Beräkning av frekvens av en RT som förekommer inom ett angivet intervall av RTS för varje försöks tillstånd. a) visuell (V); b) somatosensoriska (S); och c) visuell-Somatosensorisk (VS). Vänligen klicka här för att se en större version av denna siffra.
Figur 3: Skapa den kumulativa fördelnings frekvensen för försöksbetingelserna. Den här figuren visar summeringen av den kumulativa sannolikheten vid 95% Ile-bin för Soma (S)-villkoret. Vänligen klicka här för att se en större version av denna siffra.
Figur 4: Plottning av själva CDF (vs skick; lila spår) som en funktion av quantile. Vänligen klicka här för att se en större version av denna siffra.
Figur 5: Beräkna den förväntade CDF. Summera CDFS för de två unisensoriska CDFS samtidigt som en övre gräns = 1 för varje kvantilmetoden från 0,00 till 1,00. Vänligen klicka här för att se en större version av denna siffra.
Figur 6: skapa ojämlikheten mellan tävlings modeller (RMI). Subtrahera CDF för den förväntade CDF från den faktiska CDF för varje quantile. Vänligen klicka här för att se en större version av denna siffra.
Figur 7: rita de enskilda RMI-värdena. X-axeln representerar var och en av de 21 kvantilerna (kolumn AC) och y-axeln representerar sannolikhets skillnaden mellan CDFs (kolumn AH). Den gröna markerade delen av RMI skildrar den positiva eller kränkta delen av vågform, vilket tyder på multisensorisk integration. Vänligen klicka här för att se en större version av denna siffra.
Figur 8: beräkning av en individs area-under-kurva (AUC). a) Summa CDF-differensvärdet vid kvantilen 1 (0,00) med CDF-differensvärdet för kvantilen 2 (0,05) och dividera sedan med två för att skapa ett mått på AUC från 0,00-0,05. b-c) Upprepa steg a) för varje sammanhängande par av kvantiler (t. ex. 0,05-0,10 och 0,10-0,15) för att uppnå AUC för varje kvantilen-intervall. d) summera AUC för varje tidsintervall för att erhålla den totala AUC för hela tidslager plats fönstret som identifieras i 5,3. Det här exemplet innehåller ett bredare kvantilen-intervall (0,00-0,15) i illustrativt syfte. Vänligen klicka här för att se en större version av denna siffra.
Figur 9: ras modell ojämlikhet: övergripande och genom gruppindelning. Den grupp-genomsnittliga skillnaden mellan faktiska och förutspådda CDFs över banan för alla kvantiler representeras av streckad trace. De fasta spåren representerar var och en av de fyra multisensoriska integrations klassificeringar som definieras ovan baserat på antalet överträdde kvantile lagerplatser. Denna anpassade siffra har tryckts om med tillstånd29. Vänligen klicka här för att se en större version av denna siffra.
Kompletterande fil 1: prov enkel reaktionstid paradigm programmeras i Eprime 2,0. Vänligen klicka här för att ladda ner denna fil.
Kompletterande fil 2: Exempel RT data beteendemässiga data utdata från Eprime 2,0. Vänligen klicka här för att ladda ner denna fil.
Kompletterande fil 3: Exempel på RMI-data med och utan avvikare och uteslutna prövningar. Vänligen klicka här för att ladda ner denna fil.
Tabell 1. Individuell beskrivande statistik efter villkor och beräkning av RT-intervall. Vänligen klicka här för att ladda ner denna fil.
Tabell 2. Exempel på hur bin RT-data baseras på RT-intervall. Vänligen klicka här för att ladda ner denna fil.
Tabell 3. Exempel på AUC-beräkning & identifiering av # av kränkta kvantiler (gråskuggat område). Vänligen klicka här för att ladda ner denna fil.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Målet med den aktuella studien var att detaljera processen bakom inrättandet av en robust multisensorisk integration fenotyp. Här ger vi de nödvändiga och kritiska steg som krävs för att förvärva multisensorisk integrations effekter som kan utnyttjas för att förutsäga viktiga kognitiva och motoriska utfall förlitar sig på liknande neurala kretsar. Vårt övergripande mål var att ge en stegvis handledning för att beräkna omfattningen av multisensorisk integration i ett försök att underlätta innovativa och nya translationella multisensoriska studier över olika kliniska populationer och åldersintervall.
Som nämnts ovan och beskrivs av gondan och kollegor, är det mycket viktigt att bevara individens RT dataset25,28. Det är, undvika data putsning förfaranden som utesluter mycket långsam RTs med tanke på dess inneboende bias på RT distributionen; 25 istället, ange utelämnas och långsamma RTS till oändlighet. Detta steg är kritisk och underlåtenhet att följa dessa enkla regler kommer att leda till utveckling av felaktiga multisensorisk integrations resultat. Dessutom, Race Model signifikans testning bör endast testas över grupp-genomsnitt brutit delar av RMI identifierats i studien kohort (dvs, inte en priori specificerade fönster).
När det gäller begränsningar baserades den nuvarande experimentella designen på data från en enkel reaktions tidsuppgift till bilaterala stimuli som presenterades på samma plats och vid exakt samma tidpunkt. Vi inser att flera anpassningar till den nuvarande experimentella designen kan göras beroende på olika hypoteser som forskarna är intresserade av att undersöka. Vi använder denna studie som en lansering pad för att dokumentera robusta MSI-effekter i åldrande men inser att genomförandet av olika experimentella anpassningar (t. ex. olika bi-och även Tri-sensoriska kombinationer, varierande stimulans tider presentation debut, och differentiell storlek stimulans intensitet) kommer att ge en mängd inkrementell information om detta multisensoriska fenomen.
Vi har genomfört ovanstående tillvägagångssätt för att demonstrera betydande associationer mellan omfattningen av visuell-somatosensorisk integration med balans28 och incident Falls28, där äldre vuxna med större multisensorisk integration förmågor manifestera bättre balans prestanda och mindre incident faller. Likaså visar vi att omfattningen av visuell-somatosensorisk integration var en stark prediktor för rumsliga aspekter av gång29, där individer med sämre visuell-somatosensorisk integration visade långsammare gånghastighet, kortare steg, och ökat dubbelt stöd. I framtiden, denna metod bör användas för att avslöja förhållandet mellan MSI med andra viktiga kliniska resultat som kognitiv status, och stöd i identifieringen av kritiska funktionella och strukturella multisensoriska integrativa neurala nätverk i åldrande och andra kliniska populationer.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Det finns inga intressekonflikter att rapportera och författarna har inget att avslöja.
Acknowledgments
Den nuvarande kroppen av arbete stöds av det nationella institutet för åldrande vid National Institute of Health (K01AG049813 till JRM). Kompletterande finansiering tillhandahölls av den Resnick Gerontology Center av Albert Einstein College of Medicine. Särskilt tack till alla volontärer och forskningspersonal för exceptionellt stöd med detta projekt.
Materials
| Name | Company | Catalog Number | Comments |
| stimulus generator | Zenometrics, LLC; Peekskill, NY, USA | n/a | custom-built |
| Excel | Microsoft Corporation | spreadsheet program | |
| Eprime | Psychology Software Tools (PST) | stimulus presentation software |
References
- Foxe, J., et al. Auditory-somatosensory multisensory processing in auditory association cortex: an fMRI study. Journal of Neurophysiology. 88 (1), 540-543 (2002).
- Molholm, S., et al. Multisensory auditory-visual interactions during early sensory processing in humans: a high-density electrical mapping study. Brain Research: Cognitive Brain Research. 14 (1), 115-128 (2002).
- Murray, M. M., et al. Grabbing your ear: rapid auditory-somatosensory multisensory interactions in low-level sensory cortices are not constrained by stimulus alignment. Cerebral Cortex. 15 (7), 963-974 (2005).
- Molholm, S., et al. Audio-visual multisensory integration in superior parietal lobule revealed by human intracranial recordings. Journal of Neurophysiology. 96 (2), 721-729 (2006).
- Peiffer, A. M., Mozolic, J. L., Hugenschmidt, C. E., Laurienti, P. J. Age-related multisensory enhancement in a simple audiovisual detection task. Neuroreport. 18 (10), 1077-1081 (2007).
- Brandwein, A. B., et al. The development of audiovisual multisensory integration across childhood and early adolescence: a high-density electrical mapping study. Cerebral Cortex. 21 (5), 1042-1055 (2011).
- Girard, S., Collignon, O., Lepore, F. Multisensory gain within and across hemispaces in simple and choice reaction time paradigms. Experimental Brain Research. 214 (1), 1-8 (2011).
- Mahoney, J. R., Li, P. C., Oh-Park, M., Verghese, J., Holtzer, R. Multisensory integration across the senses in young and old adults. Brain Research. 1426, 43-53 (2011).
- Foxe, J. J., Ross, L. A., Molholm, S. Ch. 38. The New Handbook of Multisensory Processing. Stein, B. E. , The MIT Press. 691-706 (2012).
- Kinchla, R. Detecting target elements in multielement arrays: A confusability model. Perception and Psychophysics. 15, 149-158 (1974).
- Miller, J. Divided attention: Evidence for coactivation with redundant signals. Cognitive Psychology. 14 (2), 247-279 (1982).
- Eriksen, C. W., Goettl, B., St James, J. D., Fournier, L. R. Processing redundant signals: coactivation, divided attention, or what? Perception and Psychophysics. 45 (4), 356-370 (1989).
- Mordkoff, J. T., Yantis, S. An interactive race model of divided attention. Journal of Experimental Psychology: Human Perception and Performance. 17 (2), 520-538 (1991).
- Miller, J. Timecourse of coactivation in bimodal divided attention. Perception and Psychophysics. 40 (5), 331-343 (1986).
- Gondan, M., Lange, K., Rosler, F., Roder, B. The redundant target effect is affected by modality switch costs. Psychonomic Bulletin Review. 11 (2), 307-313 (2004).
- Colonius, H., Diederich, A. The race model inequality: interpreting a geometric measure of the amount of violation. Psychological Review. 113 (1), 148-154 (2006).
- Maris, G., Maris, E. Testing the race model inequality: A nonparametric approach. Journal of Mathematical Psychology. 47 (5-6), 507-514 (2003).
- Clark, J. J., Yuille, A. L. Data Fusion for Sensory Information Processing Systems. , Kluwer Academic. (1990).
- Ernst, M. O., Banks, M. S. Humans integrate visual and haptic information in a statistically optimal fashion. Nature. 415 (6870), 429-433 (2002).
- Mahoney, J. R., Verghese, J., Dumas, K., Wang, C., Holtzer, R. The effect of multisensory cues on attention in aging. Brain Research. 1472, 63-73 (2012).
- Mahoney, J. R., Holtzer, R., Verghese, J. Visual-somatosensory integration and balance: evidence for psychophysical integrative differences in aging. Multisensory Research. 27 (1), 17-42 (2014).
- Mahoney, J. R., Dumas, K., Holtzer, R. Visual-Somatosensory Integration is linked to Physical Activity Level in Older Adults. Multisensory Research. 28 (1-2), 11-29 (2015).
- Dumas, K., Holtzer, R., Mahoney, J. R. Visual-Somatosensory Integration in Older Adults: Links to Sensory Functioning. Multisensory Research. 29 (4-5), 397-420 (2016).
- Couth, S., Gowen, E., Poliakoff, E. Using race model violation to explore multisensory responses in older adults: Enhanced multisensory integration or slower unisensory processing. Multisensory Research. 31 (3-4), 151-174 (2017).
- Gondan, M., Minakata, K. A tutorial on testing the race model inequality. Attention, Perception & Psychophysics. 78 (3), 723-735 (2016).
- Gondan, M. A permutation test for the race model inequality. Behavior Research Methods. 42 (1), 23-28 (2010).
- Kiesel, A., Miller, J., Ulrich, R. Systematic biases and Type I error accumulation in tests of the race model inequality. Behavior Research Methods. 39 (3), 539-551 (2007).
- Mahoney, J., Cotton, K., Verghese, J. Multisensory Integration Predicts Balance and Falls in Older Adults. Journal of Gerontology: Medical Sciences. , Epub ahead of print (2018).
- Mahoney, J. R., Verghese, J. Visual-Somatosensory Integration and Quantitative Gait Performance in Aging. Frontiers in Aging Neuroscience. 10, 377 (2018).
- Yueh, B., et al. Long-term effectiveness of screening for hearing loss: the screening for auditory impairment--which hearing assessment test (SAI-WHAT) randomized trial. Journal of the American Geriatrics Society. 58 (3), 427-434 (2010).
- Galvin, J. E., et al. The AD8: a brief informant interview to detect dementia. Neurology. 65 (4), 559-564 (2005).
- Galvin, J. E., Roe, C. M., Xiong, C., Morris, J. C. Validity and reliability of the AD8 informant interview in dementia. Neurology. 67 (11), 1942-1948 (2006).
- Buschke, H., et al. Screening for dementia with the memory impairment screen. Neurology. 52 (2), 231-238 (1999).
