Waiting
Login processing...

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

Behavior

Davranışsal multisensory entegrasyon efektlerini ölçmek için yarış modeli eşitsizliği kullanma

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

Mevcut çalışmada çeşitli klinik nüfusa göre translasyonel araştırma çalışmalarının üretimini kolaylaştırmak için bir çaba multisensory entegrasyon efektlerinin büyüklüğü hesaplamak için bir adım adım öğretici sağlamayı amaçlamaktadır.

Abstract

Multisensory entegrasyon araştırması, beynin eşzamanlı duyusal bilgileri nasıl işlediğini inceler. Hayvanlar üzerinde araştırma (ağırlıklı olarak kediler ve primatlar) ve insanlar bu bozulmamış multisensory entegrasyon gerçek dünyada işleyişi için önemli olduğunu ortaya, hem bilişsel ve fiziksel faaliyetler de dahil olmak üzere. Son birkaç yıl içinde yapılan araştırma çok çeşitli psikofiziksel, elektrofizyolojik ve nörogörüntüleme teknikleri kullanarak multisensory entegrasyon etkileri belgelemektedir. Varlığı bildirilmiştir iken, multisensory entegrasyon efektlerinin büyüklüğünü belirlemek için kullanılan yöntemler değişir ve genellikle çok eleştiri yüzleri. Aşağıda, önceki davranışsal çalışmaların sınırlamaları özetlenmiştir ve güçlü olasılık modelleri kullanılarak multisensory entegrasyon efektlerinin büyüklüğünü hesaplamak için adım adım eğitim verilmektedir.

Introduction

Duyusal sistemler arasında etkileşimler günlük fonksiyonlar için esastır. Multisensory entegrasyon efektleri, çeşitli duyusal kombinasyonları ve farklı Nörobilim yaklaşımlarını kullanarak geniş bir nüfus yelpazesine göre ölçülür, ancak psikofiziksel, elektrofizyolojik ve nörogörüntüleme dahil ancak bunlarla sınırlı olmamak üzere metodolojisi]1,2,3,4,5,6,7,8,9, şu anda bir altın standart multisensory entegrasyonun ölçülmesi eksiktir. Multisensory deneylerin genellikle bir davranış bileşeni içerdiğinden, reaksiyon süresi (RT) verileri genellikle gereksiz sinyaller etkisi10olarak adlandırılan iyi bilinen bir fenomen varlığını belirlemek için incelenir. Adından da anlaşılacağı gibi, eşzamanlı duyusal sinyaller genellikle daha hızlı RTs verim gereksiz bilgi sağlar. yarış ve Co-aktivasyon modelleri yukarıda belirtilen yedek sinyalleri etkisini açıklamak için kullanılır11. Yarış modelleri altında, en hızlı işlenmiş olan ırabensory sinyal, yarışın kazananı ve davranışsal tepkinin üretilmesine sorumludur. Ancak, birden çok ensory uyaranlara yanıtlar yarış modelleri tahmin daha hızlı olduğunda ortak etkinleştirme için kanıt oluşur.

Yarış modelinin önceki sürümleri, bazıları tarafından aşırı muhafazakar14,15 olarak anılacaktır ve bağımsızlıkla ilgili sınırlamalar içerdikleri için12,13 ' ün doğal olarak tartışmalı olduğunu birden çok ensory durum16doğasında kurucu unisensory algılama süreleri arasında. Bu sınırlamalar bazı adres için bir çaba, Colonius & Diederich16 daha konvansiyonel bir yarış modeli testi geliştirdi:

Equation 1,

nerede unisensory koşulların toplu dağıtım frekansları (CDFs) (örneğin, bir & B; bir üst sınırı ile) aynı anda multisensory koşulu (örneğin, AB) CDF ile karşılaştırıldığında herhangi bir gecikme (t)11, 16 , 17. genel olarak, BIR CDF ne SıKLıKTA bir RT oluşur, RTs belirli bir aralıkta, uyaran sunumlar toplam sayısına bölünmüş (yani, denemeler) belirler. Gerçek multisensory koşul Equation 2 CDF daha az veya eşit olduğu öngörülen CDF unisensory koşullardan türetilen

Equation 3,

sonra yarış modeli kabul edilir ve duyusal entegrasyon için hiçbir kanıt yoktur. Ancak, multisensory CDF unisensory koşullardan türetilen öngörülen CDF büyüktür, yarış modeli reddedilir. Yarış modelinin reddedilmesi, yedek duyusal kaynaklardan gelen multisensory etkileşimlerin doğrusal olmayan bir şekilde birleştirdiğini gösterir ve RTs 'nin (örn. RT kolaylaştırma) çoklu uyarıcı uyaranlara hızlandırılması ile sonuçlanır.

Multisensory araştırmacılar yüz bir ana engel nasıl en iyi entegrasyon etkilerini ölçmek için. Örneğin, katılımcıların basit bir reaksiyon süresi görevi gerçekleştirmesi istendiği en temel davranışsal multisensory paradigma durumunda, doğruluk ve hız ile ilgili bilgiler toplanır. Bu tür multisensory veri yüz değeri kullanılabilir veya dahil olmak üzere çeşitli matematiksel uygulamalar kullanılarak manipüle edilebilir ancak maksimum olasılık tahmini18,19, CDFS11ve çeşitli diğer istatistiksel Yaklaşım. Daha önceki multisensory çalışmalarımız, çoklu entegratif etkilerinin 1 tarafından hesaplanmasında nicel ve Probabilistik yaklaşımlar kullanılarak, ortalama reaksiyon süresini (RT) ortalama reaksiyon süresinden çok ensory bir etkinliğe çıkarır ( RT) en kısa unisensory olay, ve 2) RT kolaylaştırılması gereksiz duyusal bilgiler tarafından kolaylaştırılan sinerjik etkileşimler sonuçlandı olup olmadığını belirlemek için CDFS istihdam tarafından8,20,21, 22 , 23. ancak, eski metodoloji büyük olasılıkla Integrative süreçler ve araştırmacılar bireysel farklılıkları duyarlı değildi bu yana daha sonra metodoloji (yani, CDFS) multisensory ölçmek için daha iyi bir vekil sağlayabilir oturtulması Integrative etkileri24.

Gondan ve Minakata son zamanlarda nasıl doğru test etmek için bir öğretici yayınladı yarış modeli eşitsizlik (RMı) araştırmacılar tüm çok sık RT veri toplama ve hazırlık25satın alma ve ön işlem aşamaları sırasında sayısız hatalar yapmak beri. İlk olarak, yazarlar belirli bir priori asgari ve maksimum RT sınırları ayarlanır veri kesme prosedürleri uygulamak için olumsuzdur varsaymak. Onlar yavaş ve atlanacak yanıtlar sonsuz, yerine hariç ayarlamak öneririz. İkinci olarak, RMı herhangi bir gecikme sırasında ihlal edilebilir verilen, birden fazla t-testleri genellikle farklı zaman noktalarında RMı test etmek için kullanılır (i.e., quantiles); Maalesef bu uygulama artan tip ı hatasına yol açar ve istatistiksel gücü önemli ölçüde azaltmıştır. Bu sorunları önlemek için RMı belirli bir zaman aralığı üzerinde test edilmesi önerilir. Bazı araştırmacılar, yanıtların en hızlı dörde (% 0-25)26 veya önceden tanımlanan bazı pencerelerin (örneğin,% 10-25)24,27 gibi multisensory entegrasyon efektleri genellikle gözlenen test etmek için mantıklı olduğunu önerdi Bu zaman aralığında; Ancak, test edilecek yüzdelik aralığın gerçek veri kümesi tarafından dikte edilmesi gerektiğini iddia ediyoruz (bkz. protokol Bölüm 5). Genç yetişkinlerden veya bilgisayar simülasyonlarından yayımlanan verilere güvenerek sorun, büyük yetişkinlerin, duyusal sistemlerde yaşa bağlı düşüşler nedeniyle çok farklı RT dağıtımları bildirmektedir. Yarış modeli önemi testi, sadece çalışma kohort gelen gerçek ve öngörülen CDFs arasında grup ortalama fark dalgası ihlal bölümleri (pozitif değerler) üzerinde test edilmelidir.

Bu amaçla, sağlıklı yaşlı yetişkinlerde, yarış modeli16 ' nın konvansiyonel testini ve Gondan ve meslektaşları tarafından belirlenen ilkeleri kullanarak multisensory entegrasyonun koruyucu bir etkisi gösterildi. Aslında, görsel-somatoduyusal rmi (multisensory entegrasyon için bir vekil) daha büyük büyüklüğü daha iyi denge performansı, olay düşüyor daha düşük olasılık ve artan mekansal yürüyüş performansı bağlı olduğu bulunmuştur28,29.

Geçerli denemenin amacı, bir adım adım öğretici ile, RMı kullanarak multisensory entegrasyon efektlerinin büyüklüğünü hesaplamak için, çeşitli translasyonel araştırma çalışmalarının artan üretimini kolaylaştırmak için araştırmacılar sağlamaktır birçok farklı klinik nüfus. Mevcut çalışmada sunulan verilerin son zamanlarda yayınlanan görsel-somatoduyusal deneyler sağlıklı büyük yetişkinler28,29, ancak bu metodoloji birçok farklı arasında çeşitli kohorts uygulanabilir olduğunu unutmayın geniş bir dizi multisensory kombinasyonları kullanarak Deneysel tasarımlar.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Tüm katılımcılar, Albert Einstein Tıp Koleji 'nin kurumsal İnceleme Kurulu tarafından onaylanmış deneysel prosedürler için yazılı onaylı onay sağladı.

1. katılımcı alımı, eklenmesi kriterleri ve onay

  1. Bağımsız olarak ambulans olabilir ve önemli duyusal kaybı ücretsiz Ingilizce konuşan bireylerin nispeten büyük kohort işe; Deneysel değerlendirmelerde müdahale eden aktif nörolojik veya psikiyatrik bozukluklar; ve hareketlilik etkileyen mevcut/gelecekteki tıbbi prosedürler.
  2. Her katılımcının, görsel, işitsel ve somatoduyusal keskinliğin çalışma uygunluğunu onaylamak için resmi olarak test edildiği bir duyusal tarama sınavına başarılı bir şekilde tamamlandığından emin olun.
    1. Bilateral görsel keskinliğin 20/100 ' e eşit veya daha iyi olduğundan emin olmak için Snellen göz grafiğini kullanın.
    2. Katılımcıların en az 25 DB30' lık bir 2.000 Hz sesi duyabildiğinden emin olmak için ton yayan bir Otoskop kullanın.
    3. Katılımcıların klinik nöropati tanısı olup olmadığını ve deneysel somatoduyusal stimülasyon hissi ile müdahale edip etmediğini belirlemek21,28,29.
    4. Katılımcı bu minimum duyusal gereklilikleri karşılamayırsa, bunları araştırmaya dahil etmeyin.
  3. AD8 demans taraması röportaj kesme skoru ≥ 2 31,32gibi güvenilir tarama aletlerinin kesme puanları uygulayarak demans ile yaşlı yetişkinler hariç; ve bellek bozukluğu ekran MıS; kesme puanı < 533.
  4. Katılımcılar, katılmaya istekli ise deneysel prosedürlere (yerel bir kurumsal İnceleme Kurulu tarafından onaylanmış) yazılı bilgilendirilmiş onay sağlar.

2. deneysel tasarım

  1. Üç deneysel koşulları ile basit bir reaksiyon süresi deneme programı uyarıcı sunum yazılımı kullanın: görsel (V) tek başına, somatosensoriyel (S) tek başına, ve eşzamanlı görsel-somatosensoriyel (vs). Katılımcıların her duyusal uyarıcıya, koşul ne olursa olsun, mümkün olduğunca çabuk yanıt vermesini bildirin. VS basit RT görevinin (Tamamlayıcı dosya 1) bir örneği için tamamlayıcı dosyalara bakın.
    1. Uyarıcılar için üç kontrol kutusu (30,48 mm × 20,32 mm × 12,70 mm) ve plastik gövde ile uyarıcı jeneratör kullanın. Sol ve sağ kontrol kutuları, somatoduyusal stimülasyon için titreşimli 0,8 G titreşim genliği ile görsel stimülasyon ve bilateral motorlar için aydınlatan bilateral mavi ışık yayan diyotlar (LED 'Ler; 15,88 cm çapı) içerir (bir cep telefonu titreşim)22,23,28.
    2. Uyarıcı jeneratörlerin hem unisensory (görsel veya somatoduyusal tek başına), hem de multisensory (eşzamanlı görsel ve somatoduyusal) stimülasyon sağlar emin olun. 2.1.1 ' de açıklanan sol ve sağ kontrol kutularından bir merkez kukla kontrol kutusunu eşit mesafede (28 cm) yerleştirin. ve sabitleme noktası olarak hizmet vermek için bir görsel hedef etiket (0,4 cm çapı merkezi daire) yapıştırmayı.
    3. Uyarıcı jeneratör her stimülatör için doğrudan kontrol sağlayan paralel bağlantı noktası üzerinden deneysel bilgisayara bağlayın.
    4. Program uyarıcı sunum yazılımı transistör göndermek için-transistör-mantık (TTL, 5 V) tetik uyarıcı jeneratörler üzerinde ve doğrudan paralel bağlantı noktası üzerinden darbeleri. 100 ms süreyle uyarıcı sunum süresini ayarlayın.
  2. Uyarıcı sunum yazılımı, program en az 3 deneysel bloklar her 45 denemeler oluşan (her uyaran durumun 15 denemeler rasgele sırada sunulan) Bu basit reaksiyon süresi deney için 135 uyarıcı sunumlar toplam.
  3. Beklentinin etkilerini önlemek için 1 ile 3 s arasında rastgele interstimulus-aralığı değişebilir. Alternatif olarak, uyarıcı parametrelerin yukarıda olduğu gibi yakalama denemeleri ekleyin, ancak TTL nabız gönderilmez, böylece görsel veya somatoduyusal stimülasyon oluşmaz ve bu nedenle hiçbir yanıt beklenmez.
  4. Katılımcıların 2.000 MS 'ye kadar izin verilen herhangi bir uyarıcı durumuna yanıt vermesini sağlar. 2.000 MS yanıt döneminde hiçbir yanıt algılanmazsa, uyarıcı sunum yazılımının bir sonraki deneme sürümünü otomatik olarak ilerletmesini sağlayın.
    Not: Bu yanıt penceresi kesme rasgele ancak toplam deneysel zaman minimum tutmak için gereklidir; daha uzun RTs ne olursa olsun sonsuzluğa ayarlanacaktır unutmayın.
  5. Potansiyel yorgunluk azaltmak ve konsantrasyonu artırmak için uyarıcı sunum yazılımı 20-s sonları programlama tarafından üç deneysel blokları ayırın. 20-s break bittikten hemen sonra sonraki her blok başlar emin olun.
  6. Program yazılı talimatlar görsel ekranda görünmesini (deneysel bilgisayarın monitörü). Tam talimatlar ek malzeme sağlanır. Katılımcının, başlamak için hazır olduğunda yanıt panelini sağ ayak ile iterek deneyi başlatlarını isteyin. Uyarıcı parametreleri programlandıktan sonra, uyarıcı sunum yazılımı her katılımcı üzerinde çalışacak bir komut dosyası oluşturur.
  7. Deneysel komut dosyasını çalıştırmak için katılımcı KIMLIĞI ve oturum numarası sağlayın. Deneme tamamlandıktan sonra her katılımcı için benzersiz bir davranış veri günlüğü üretilir (bkz: ek dosya 2 örnek bir eprime 2,0 çıkış dosyası için).

3. cihaz & görev

  1. Katılımcılar sol ve sağ kontrol kutuları üzerine dik ve rahat dinlenelim.
    1. Işık engellemez (bkz. Şekil 1) LED altında, kontrol kutusunun arkasına monte edilmiş titreşim motorları üzerinde ve kontrol kutusunun önünde başparmak üzerinde stratejik olarak dizin parmakları yerleştirin.
    2. Sürekli beyaz gürültüsünün rahat bir seviyede çalınması (genellikle 65-75 dBs) ile katılımcılara kulaklık vererek somatoduyusal uyaranların duyulmadığından emin olun.
  2. Katılımcıların tüm uyaranlara mümkün olduğunca çabuk yanıt vermesini isteyin.
    1. Katılımcılara, parmakların somatoduyusal stimülasyon kabul edildiğimden beri sağ ayak altında yer alan bir ayak pedalı kullanılmasını isteyin (bkz. Şekil 1).
  3. Performans doğruluğunu uyarıcı koşuluyla hesaplayın.
    1. Katılımcıların her deneysel uyarıcıya (45 koşul başına) mümkün olduğunca çabuk yanıt vermesini isteyin.
    2. 45 üzerinden koşul başına doğru algılanan uyaranların sayısını (koşul başına toplam deneme sayısı), sırasıyla görsel, somatoduyusal ve VS koşulları için performans doğruluğu önlemleri elde etmek için bölün.

4. yarış modeli eşitsizlik veri hazırlama (bireysel seviye)

  1. Bireyin davranışsal performansının geçerli olup olmadığını belirleyin.
    1. Herhangi bir uyarıcı durumda% 70 doğru veya daha fazla bir doğruluk elde etmek mümkün olmayan katılımcıları hariç tutma basit bir tepki süresi görev üzerinde katılımcı performans doğruluğu azalır, bu nedenle bireyin veri güvenilirliğini yapar.
    2. Bir katılımcı set yanıt süresi içinde bir uyarıcı yanıt vermek ve analiz25,28deneme hariç yerine sonsuz karşılık RT ayarlamak başarısız olursa denemeler yanlış (atlanacak) düşünün.
      Not: önceki çalışmalarda, grup ortalaması (n = 289) uyarıcı algılama tüm koşullarda% 96, ve nüfusun% 90 üzerinde% 90 üzerinde tüm koşullar28üzerinde algılama oranları vardı.
    3. Bu önyargı RT veri dağılımı olarak çok yavaş RTs silmek veri kesme prosedürleri istihdam etmeyin. 25 açıkça aykırı olan RTs 'nin sonsuzluğa ayarlandığından emin olun. Veri kesme prosedürlerine ve yavaş RTs 'ye (ek dosya 3) dahil olmak üzere CDFS 'de yapılan değişiklikleri gösteren ek dosyaya bakın.
  2. RT verilerini düzenleyin.
    1. RT verilerini deneysel koşulla artan düzende sırala. Sıralanmış RT verilerinin ayrı sütunlarında görsel, somatoduyusal ve VS koşullarını yerleştirin. Her satırın bir deneme temsil etmesini sağlayın ve her hücre gerçek RT (veya atlanmadan veya yavaş denemeler durumunda sonsuzluk) temsil eder.
  3. RT veri kutusu.
    1. En hızlı RT (hangi koşul-turuncu elips) ve en yavaş RT (hangisi koşulu-kırmızı elips) tanımlayın. Tüm test koşullarında bireyin RT aralığını (503ms; mavi elips) hesaplamak için en yavaş RT 'yi hızlı (örn. 740 MS – 237 MS) çıkarın. Tablo 1 BIR bireyin RT aralığını hesaplamak ve çeşitli renk elipsleri tasvir gösterilmiştir.
    2. % 0 ' dan (Bu örnekte en hızlı RT = 237) 100%% 5 ' ten (ya da en düşük RT = 740), en hızlı RT 'yi alarak ve% 5 ' lik artışlarla (Bu örnekteki% 5ila), RT verilerinin% 100 ' ine kadar (bkz. Tablo 2 ). Bu, 21 zamanlı kutulara neden olur.
      Not: Tablo 2-1% Ile sadece açıklayıcı amaçlar için çalışma sayfasına dahil edilir.
  4. Deneysel koşullar için toplu dağıtım sıklığı (CDF) hesaplayın.
    1. Elektronik tablo yazılımı kullanarak, bir "frekans" işlevi burada Dizi1 bir deneysel koşullardan biri için gerçek RTs eşittir ve dizi2 eşittir 21 quantized RTs depo gözleri adım 4,3, deneme toplam sayısı (45) koşul başına bölünmüş hesaplanır. Bu Şekil 2agösterilmiştir.
    2. Diğer iki deneysel koşul için bu işlevi tekrarlayın (Şekil 2B-2C) böylece frekansları doldurmak için (veya olasılık (P)) bir RT her biri içinde meydana gelen 21 quantized zaman kutuları, her üç deneysel koşulların her biri için.
    3. Ardından, üç deneysel koşulların her biri için quantized depo gözleri (0%, 0 + 5%, 0 + 5 + 10%, 0 + 5 + 10 + 15%, vb) arasında toplam olasılıkların toplamını toplayarak toplu dağıtım sıklığı (CDF) oluşturun. Örneğin, Soma koşulu (sütun AE) için birikimli olasılık sütununda,% 95 ile Aralık (hücre AE22) için toplu olasılık, Z3: Z23 hücrelerinde olasılık değerlerinin toplamı (bkz. Şekil 3).
  5. Fiili ve öngörülen CDFs karşılaştırması.
    1. Çok ensory durumun CDF gerçek CDF temsil ettiğini emin olun (bkz: ŞEKIL 4 sütun AF ve çizilen mor izleme). Öngörülen CDF (sütun AG) hesaplamak için, iki unisensory CDFS (bir üst sınır 1 olarak ayarlanmış) Toplam 21 quantized zaman kutularla toplamı (bkz. Şekil 5). 0TH yüzdelik (bin 1) başlayın ve 100TH yüzdelik (bin 21) tüm yol aşağı devam edin.
  6. Yarış modeli eşitsizliği (RMı) testini gerçekleştirin.
    1. Fark değerleri elde etmek için 21 quantized zaman kutularının her biri için fiili CDF 'den öngörülen CDF 'yi (4.5.2 'de hesaplanır.) çıkarın (sütun Ah; bkz. Şekil 6).
    2. Bu 21 değerleri bir çizgi grafik olarak çizin, burada x ekseni her biri quantized zaman bölmeleri (sütun AC) temsil eder ve y ekseni gerçek ve öngörülen CDFs (sütun AH; Şekil 7 (siyah iz).
    3. Herhangi bir gecikme süresi (i.e., quantiles), unisensory uyaranların entegrasyonu gösteren ve RMı ihlali yansıtacak pozitif değerler için kontrol edin (0,00 gelen fark dalgası yeşil vurgulanan bölümüne bakın – 0,10 Şekil 7).

5. multisensory etkiyi (Grup seviyesi) ölçmek.

  1. Grup-bireysel RMı verilerini ( öngörülen CDF ile Gerçek CDF arasındaki farklar her 21-zaman depo gözü; adım 4.6.1-sütun Ah) tüm katılımcılar arasında ortalama. Kişileri satırlar ve saat kutularına sütun olarak atamak için bir elektronik tablo yazılımı kullanın. Yeni bir elektronik tabloda, bir grup ortalamalı fark dalga formu oluşturmak için ayrı satırlarda (katılımcı başına 1 satır) ve saat kutuları içindeki ortalama değerleri 4.6.1 içinde hesaplanan 21 değerleri yerleştirin.
  2. Grup ortalama 21 değerleri x ekseni her biri quantized zaman kutuları temsil eder ve y ekseni CDFs arasındaki olasılık farkını temsil eden bir çizgi grafiği olarak çizin.
  3. Grup ortalamasının ihlal ettiği kısmını görsel olarak inceleyin ve belgeleyin (yani pozitif değerler).
  4. Run Gondan 's RMı permutasyon testi (R Script ücretsiz olarak indirilebilir)26 adım 5,3 içinde tanımlanan pozitif değerler üzerinde RMI istatistiksel olarak önemli bir ihlali olup olmadığını belirlemek için.
    1. İlk sütunun Observer için "OBS" olarak adlandırılan bir metin dosyasındaki verileri düzenleyin (örn. katılımcı KIMLIĞI), ikinci sütunda uyarıcı koşulu için "cond" adı verilir (V, S veya VS) ve üçüncü sütun, sonsuz olarak ayarlanırsa gerçek RT veya "INF" için "RT" olarak adlandırılır.
    2. Yazılımı açın, hangi saat kutularının test edilecek olduğunu belirleyin (5,3 'de tanımlanan pozitif saat kutularını temel alarak) ve 5.4.1 içinde oluşturulan metin dosyası adını girin.
    3. Komut dosyasını çağırarak testi çalıştırın. Sonuçlar bir tMax değeri, 95% kriteri ve yarış modelinin önemli bir ihlali olup olmadığını belirlemek için uygun olacak p-değeri sağlayacaktır tüm çalışma örneği.
  5. 5,3 adımda önemli ölçüde ihlal edilen yüzdelik kutuları kurduktan sonra her birey için-eğrisi altında (AUC) alanı hesaplayın. AUC multisensory entegrasyon (veya bağımsız değişken) büyüklüğü olarak hizmet verecektir. AUC kullanımı katılımcı 1 ' in verilerini örnek olarak hesaplamak için, Şekil 8A-d' l e tasvir edilen yüzdelik depo gözleri 0,00-0,15 için).
    1. CDF fark değeri zaman bin 1 (1St zaman pozitif değer) zaman bin 2 (sonraki pozitif değer) CDF fark değeri ile topla ve sonra ikiye böl (bkz. Şekil 8A). 5.3.1 adım yineleyin. pozitif değerler içeren ardışık her zaman kutusu çifti için (bkz. Şekil 8B-8C).
    2. 5.5.1-5.5.2 adımlarından elde edilen sonuçları topla. ihlal edilen yüzdelik Aralık sırasında CDF fark dalgası toplam AUC oluşturmak için (örn., 0,00 – 0,15 Şekil 8D).
      Not: AUC sürekli bir ölçüsüdür ve bir AUC değeri her biri için RMı (Şekil 8D kırmızı elips = katılımcı 1 's auc = 0,13) ihlal kısmı için mevcut. AUC, daha sonra önemli klinik sonuç önlemleri tahmin etmek için test edilebilir ' vs entegrasyon büyüklüğü ' temsil eden bağımsız bir değişken olarak kullanılabilir (Ayrıca bkz:28,29).
  6. 5,3 adımda yukarıda tanımlanan önemli ölçüde ihlal edilen yüzdelik aralığı sırasında, ihlal edilen yüzdelik depo gözü sayısına ( Tablo 3' teki gri renkle vurgulanmış sıfırdan büyük değerler) göre multisensory tümleştirme sınıflandırma gruplarını atayın. Tablo 3 ' ye bakarak (yüzdelik kutular 0,00 – 0,15): katılımcı 1, 4 kutudan 2 ' si için pozitif değerlere sahiptir; Katılımcı 2 ' nin 4 kutudan 4 ' ü için pozitif değerleri vardır; ve katılımcı 3 ' ün 4 kutudan 0 ' a pozitif değerleri vardır.
    1. 0-10TH yüzdelik sayısı sırasında, ihlal edilen yüzdelik depo gözlerinin sayısına (0, 1, 2 veya 3 depo gözü için sıfırdan büyük değerler) göre bir sınıflandırma sistemini işlemler.
    2. Şekil 9 , Mahoney ve sunlar29tarafından sunulan son yayınlanan verilerden uyarlanan bir potansiyel sınıflandırma tanımını tasvir ediyor.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Bu çalışmanın amacı, benzer Deneysel tasarımlar ve kurulumlar kullanarak yeni multisensory çalışmaların yayınlanması için, VS entegrasyon efektlerinin büyüklüğünü ölçmek için bir metanik yaklaşım adım adım öğretici sağlamak oldu (bkz. Şekil 1 ). RMı AUC tarafından ölçülen multisensory entegrasyon efektlerinin büyüklüğünü türetmek için gereken her adım ve hesaplamanın ekran görüntüleri, yukarıda betimlenmiştir ve rakamlar 2-8olarak gösterilmiştir.

Şekil 9 (Ayrıca bkz:29) 333 büyük yetişkinler için bir örnek için 0-10% yüzdelik aralığı üzerinde oluşan bir grup ortalaması ihlali (kesikli izleme) gösterir. Burada, bu 3 quantiles (0,00-0,10) için pozitif değerler (0, 1, 2 veya 3) toplam sayısı sırasıyla hangi multisensory Sınıflandırma grubunu bir kişinin atanacağını (yetersiz, kötü, iyi veya üstün) belirler.

Şekil 9' da gösterildiği gibi, Grup ortalamalı sonuçlar tüm yanıt süreleri26en hızlı onuncu üzerinde önemli bir yarış modeli ihlali göstermektedir. Bu grup ortalamadan fark dalga formu ortalama büyük yetişkinlerde önemli yarış modeli ihlali (yani, multisensory entegrasyon efektleri) göstermek olduğunu düşündürürken, bu bir tek boyutu tüm modele uygun olmadığını savunuyorlar. Aksine, bireyin AUC ihlal süresi altında (0-10% ile) VS entegrasyonu bireyin büyüklüğü değerlendirmek için daha iyi bir vekil sağlar, diferansiyel entegrasyon desenleri 20-23 belgelenmiştir gibi, 28, 29. Bir kez hesaplanan, VS entegrasyonu bireysel büyüklüğü çeşitli klinik nüfusa önemli sonuçların sürekli bir tahmin olarak hizmet verebilir.

Grup ortalamasındaki RMı ihlali döneminde, kalıtsal diferansiyel tümleştirme desenlerini tasvir etme aracı olarak, belki de ihlal edilen yüzdelik depo gözü (sıfırdan büyük değerler) sayısına göre bir sınıflandırma sistemi uygulaymanızı öneririz. Verilerin bu şekilde sınıflandırılması, Çoklu entegrasyon sınıflandırma grubu tarafından yarış modeli ihlalinin net bir şekilde bozulmasını ortaya çıkarır.

Figure 1
Şekil 1: Deneysel cihaz. Bir ayak pedalı kullanarak sağ ayak altında bir yanıt pad olarak, katılımcıların mümkün olduğunca çabuk ve en kısa sürede unisensory uyaranlara cevap istendi. Bu rakam22,28,29izni ile yeniden basılmıştır. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız.

Figure 2
Şekil 2: Frekansı hesaplama her deneysel koşul Için RTs belirli bir aralıkta oluşan BIR RT. a) görsel (V); b) Somatoduyusal (S); ve c) görsel-Somatoduyusal (VS). Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız.

Figure 3
Şekil 3: Deneysel koşullar için toplu dağıtım sıklığı oluşturma. Bu rakam, Soma (S) koşulu için% 95 ile bin toplu olasılık toplamını gösterir. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız.

Figure 4
Şekil 4: Quantile bir işlevi olarak gerçek CDF (vs koşulu; mor iz) çizerek. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız.

Figure 5
Şekil 5: Öngörülen CDF hesaplama. İki unisensory CDFs bir üst sınırı dahil ederken CDFs Sum = 1 her quantiles için 0,00 için 1,00. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız.

Figure 6
Şekil 6: yarış modeli eşitsizliği (RMı) oluşturun. Her quantile için gerçek CDF öngörülen CDF CDF çıkarın. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız.

Figure 7
Şekil 7: ayrı RMI değerlerini çizin. X ekseni her 21 quantiles (sütun AC) temsil eder ve y ekseni CDFs (sütun AH) arasındaki olasılık farkını temsil eder. RMı 'nin yeşil vurgulanan kısmı, çok ensory entegrasyonun göstergesi olan dalga formunun pozitif veya ihlal edilen kısmını tasvir ediyor. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız.

Figure 8
Şekil 8: bir bireyin alan-altında-eğri (AUC) hesaplama. a) dilim 1 (0,00) ' de CDF fark değerinin niceli 2 (0,05) CDF fark değeriyle toplamı ve sonra, 0,00-0,05 ' den AUC 'nin bir ölçüsü oluşturmak için ikiye böl. b-c) her bir dilim aralığı için AUC 'ye ulaşmak için (örn. 0,05-0,10 ve 0,10-0,15) ardışık her bir çifti için adım a) tekrarlayın. d) 5,3 içinde tanımlanan tüm zaman kutusu penceresi için toplam AUC elde etmek için her zaman kutusu aralığı için AUC topla. Not Bu örnek yalnızca açıklayıcı amaçlar için daha geniş bir dilim aralığı (0,00-0,15) içerir. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız.

Figure 9
Şekil 9: yarış modeli eşitsizlik: genel ve grup sınıflandırması. Tüm quantiles yörüngesinin üzerinde gerçek ve öngörülen CDFs arasındaki grup ortalamalı fark kesikli iz ile temsil edilir. Katı izler, yukarıda tanımlanan dört multisensory entegrasyon sınıflandırmalarının her birini, ihlal edilen dilim depo gözlerinin sayısına göre temsil eder. Bu uyarlanmış rakam29izin ile yeniden basılmıştır. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız.

Ek dosya 1: örnek basit reaksiyon süresi paradigma eprime 2,0 programlanmış. Bu dosyayı indirmek Için lütfen buraya tıklayın.

Ek dosya 2: Eprime 2,0 örnek RT veri davranışsal veri çıktısı. Bu dosyayı indirmek Için lütfen buraya tıklayın.

Ek dosya 3: Örnek RMI veri ile ve olmadan aykırı ve ihmal denemeler. Bu dosyayı indirmek Için lütfen buraya tıklayın.

Tablo 1. RT aralığının koşulu ve hesaplanması ile bireysel açıklayıcı Istatistikler. Bu dosyayı indirmek Için lütfen buraya tıklayın.

Tablo 2. RT aralığına göre RT verilerinin nasıl kurulup yapıldığı örneği. Bu dosyayı indirmek Için lütfen buraya tıklayın.

Tablo 3. AUC hesaplamasının örneği & ihlal edilen quantiles (gri gölgeli alan) tanımlaması. Bu dosyayı indirmek Için lütfen buraya tıklayın.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Mevcut çalışmanın amacı, sağlam bir multisensory entegrasyon fenotipi kurulması arkasındaki sürecin ayrıntılarıyla oldu. Burada, benzer nöral devrelerine bağlı önemli bilişsel ve motor sonuçlarını tahmin etmek için kullanılabilecek multisensory entegrasyon efektleri elde etmek için gerekli ve kritik adımları sağlıyoruz. Genel amacımız, çeşitli klinik nüfus ve yaş aralıkları arasında yenilikçi ve yeni translasyonel multisensory çalışmalar kolaylaştırmak için bir çaba multisensory entegrasyon büyüklüğü hesaplamak için bir adım adım öğretici sağlamak oldu.

Yukarıda belirtildiği gibi ve Gondan ve meslektaşları tarafından özetlenen, bu bireyin RT DataSet25,28korumak için çok önemlidir. Yani, çok yavaş RTs RT dağıtım onun içsel önyargı verilen atlamak veri kesme prosedürleri kaçının; 25 yerine, atlanacak ve sonsuz RTs yavaş ayarlayın. Bu adım kritik ve bu basit kurallara uymak için başarısızlık yanlış multisensory entegrasyon sonuçlarının gelişmesine yol açacaktır. Ayrıca, yarış modeli önemi testi yalnızca çalışma kohort (yani, bir priori belirtilen Windows) tanımlanan RMI grup ortalaması ihlal bölümleri üzerinde test edilmelidir.

Sınırlamalar açısından, mevcut deneysel tasarım, aynı konuma ve tam olarak aynı zamanda sunulan bilateral uyaranlara basit bir reaksiyon süresi görevinden verilere dayanır. Biz mevcut deneysel tasarıma birkaç adaptasyon araştırmacılar inceleyerek ilgilendi çeşitli hipotezler bağlı olarak yapılabilir biliyoruz. Bu çalışmayı yaşlanmada sağlam MSI efektlerini belgeleme yönünde bir fırlatma yastığı olarak kullanıyoruz, ancak çeşitli deneysel adaptasyonların (örn. farklı çift ve hatta Tri-duyusal kombinasyonları, çeşitli uyarıcı sunum başlangıçlı süreleri ve uyarıcı yoğunluğu diferansiyel büyüklüğü) bu multisensory fenomen ile ilgili artan bilgi zenginliği sağlayacaktır.

Biz, denge28 ile görsel-somatoduyusal entegrasyon büyüklüğü arasında önemli ilişkiler göstermek için yukarıdaki yaklaşımı uyguladık ve olay28düşüyor, burada daha büyük multisensory entegrasyon ile yaşlı yetişkinler yetenekleri daha iyi denge performansı ve daha az olay düşüyor tezahür. Benzer şekilde, görsel-somatoduyusal entegrasyonun büyüklüğünü, daha kötü görsel-somatoduyusal entegrasyona sahip bireyler daha yavaş yürüyüş hızı, kısa adımlar gösterdi, yürüyüş29, uzamsal yönlerini güçlü bir tahmin olduğunu göstermektedir ve çift destek arttı. Gelecekte, Bu metodoloji, MSI 'nın bilişsel durum gibi diğer önemli klinik sonuçlarıyla ilişkisini ortaya çıkarmak ve yaşlanmayla ilgili kritik fonksiyonel ve yapısal multisensory bütünleştirici sinir ağlarının tanımlanmasına yardımcı olmak için kullanılmalıdır. ve diğer klinik nüfus.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Rapor için ilgi hiçbir çatışma ve yazarlar ifşa hiçbir şey vardır.

Acknowledgments

İş mevcut gövde Ulusal Sağlık Enstitüsü (K01AG049813 JRM için) yaşlanma Ulusal Enstitüsü tarafından desteklenmektedir. Ek fon tarafından sağlandı Resnick Gerontology merkezi Albert Einstein Tıp Koleji. Bu proje ile olağanüstü destek için tüm gönüllüler ve araştırma personeli sayesinde özel.

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

Davranış sayı 147 multisensory entegrasyon sensorimotor entegrasyon yarış modeli eşitsizlik yedekli sinyaller etkisi yaşlanma
Davranışsal multisensory entegrasyon efektlerini ölçmek için yarış modeli eşitsizliği kullanma
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