Mit MazeSuite und Functional Near Infrared Spectroscopy man Lernen in Spatial Navigation

Published 10/08/2011
0 Comments
  CITE THIS  SHARE 
Neuroscience
 

Summary

MazeSuite ist ein komplettes Toolset für die Vorbereitung, darzustellen und zu analysieren Navigations-und räumliche Experimente. Functional Nahinfrarot-Spektroskopie (fNIR) ist ein optisches bildgebendes Verfahren, das nicht-invasive und tragbare Überwachung der zerebralen Blutoxygenierung Veränderungen ermöglicht. Dieser Beitrag fasst die gemeinsame Benutzung von MazeSuite und fNIR innerhalb eines kognitiven Verarbeitung Lernparadigma.

Cite this Article

Copy Citation

Ayaz, H., Shewokis, P. A., Curtin, A., Izzetoglu, M., Izzetoglu, K., Onaral, B. Using MazeSuite and Functional Near Infrared Spectroscopy to Study Learning in Spatial Navigation. J. Vis. Exp. (56), e3443, doi:10.3791/3443 (2011).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

MazeSuite ist ein komplettes Toolset für die Vorbereitung, darzustellen und zu analysieren Navigations-und räumliche Experimente 1. MazeSuite können zur Gestaltung und Bearbeitung angepasst virtuellen 3D-Umgebungen, die Position eines der Teilnehmer Behavioral Leistung innerhalb der virtuellen Umgebung und eine Synchronisierung mit externen Geräten für physiologische und bildgebende Maßnahmen, einschließlich Elektroenzephalogramm und Eye-Tracking werden.

Functional Nahinfrarot-Spektroskopie (fNIR) ist ein optisches bildgebendes Verfahren, das kontinuierliche, nichtinvasive und tragbare Überwachung von Änderungen ermöglicht in zerebralen Blutoxygenierung Zusammenhang mit der menschlichen Hirnfunktionen 2-7. In den letzten zehn fNIR wird verwendet, um wirksam zu überwachen, kognitive Aufgaben wie Aufmerksamkeit, Arbeitsgedächtnis und Problemlösung 7-11. fNIR kann in Form einer tragbaren und minimal-intrusive Gerät implementiert sein, es hat die Fähigkeit, Hirnaktivität in ökologisch validen Umgebungen zu überwachen.

Kognitive Funktionen durch Aufgabenerfüllung beurteilt beinhalten Muster der Hirnaktivität des präfrontalen Cortex (PFC), die aus dem ersten Roman Aufgabenerfüllung variieren, nach dem Training und während der Retention 12. Mit der Positronen-Emissions-Tomographie (PET), Van Horn und Kollegen fanden heraus, dass die regionalen zerebralen Blutflusses im rechten Stirnlappen war während der Kodierung (dh zunächst naiv Performance) der räumlichen Navigation der virtuellen Labyrinth aktiviert, während es wenig bis gar keine Aktivierung des frontalen Regionen nach dem Training und während der Retention-Tests. Darüber hinaus sind die Auswirkungen der kontextuellen-Interferenz, ein Lern-Phänomen im Zusammenhang mit Organisation der Praxis deutlich, wenn Menschen mehrere Aufgaben zu erwerben unter verschiedenen Praxis Zeitpläne 13,14. Hohe kontextuellen Störungen (random Trainingsplan) wird erstellt, wenn die Aufgaben, die erlernt werden in einem nicht-sequentiell, unvorhersehbaren Reihenfolge präsentiert. Low kontextuellen Interferenz (gesperrt Trainingsplan) wird erstellt, wenn die Aufgaben, die gelernt werden in einer vorhersehbaren Reihenfolge vorgestellt werden.

Unser Ziel hier ist eine doppelte: Erstens, um die experimentelle Protokoll-Design-Prozess und die Verwendung von MazeSuite, und zweitens zeigen, um das Setup und den Einsatz der fNIR Hirnaktivität Monitoring-System mit Cognitive Brain Imaging Optical (COBI) Studio Software 15 zu demonstrieren. Zur Veranschaulichung unserer Ziele ist eine Teilstichprobe aus einer Studie berichtet, dass die Verwendung von sowohl MazeSuite und COBI Studio in einem einzigen Experiment zu zeigen. Die Studie umfasst die Beurteilung der kognitiven Aktivität des PFC bei der Akquisition und das Erlernen von Computer-Labyrinth Aufgaben für blockierte und zufällige Bestellungen. Zwei Rechtshänder Erwachsene (ein Männchen, ein Weibchen) durchgeführt 315 Erwerb, 30 Zurückbehaltungsrecht und 20 übertragen Studien über vier Tage. Design, Implementierung, Datenerfassung und-analyse Phasen der Studie wurden mit der Absicht, einen Leitfaden für zukünftige Studien liefern erklärt.

Protocol

Maze-Suite besteht aus drei Hauptanwendungen, ein Bildbearbeitungsprogramm, um Labyrinth-Umgebungen (MazeMaker), eine Visualisierung / Rendering-Modul (MazeWalker) und schließlich eine Analyse und Pfad Visualisierungstool (MazeAnalyzer) zu konstruieren. Die folgenden Abschnitte beschreiben die Verwendung von MazeSuite und weitere Details sind in den drei ergänzenden Videos zur Verfügung, eine für jeden MazeSuite Modul.

1. Designing Labyrinthe

Die MazeMaker Antrag innerhalb von Maze-Suite, ermöglicht die Erstellung von dreidimensionalen (3D)-Umgebungen, indem Sie einfach diese auf einer zweidimensionalen (2D) Leinwand aus einer Vogelperspektive. Wände und Böden können durch Mausklicks erstellt werden, um Koordinaten anzugeben, und Benutzer können 3D-Objekt-Dateien zu importieren oder bearbeiten Eigenschaften der Elemente innerhalb des Labyrinths, wie Position, Orientierung, Farbe, Textur und Licht.

Maze beginnen und enden Regionen können zusätzlich zu den anderen verlassen Kriterien wie ein Zeitlimit zugeordnet werden. Separate Textnachrichten können auch angezeigt, um einen Teilnehmer für jede Ausfahrt Zustand zu informieren. Während der Entwurfsphase können Labyrinthe, indem Sie die 'quick run' Funktion innerhalb MazeMaker getestet werden.

Für die funktionelle Bildgebung Studien werden die Teilnehmer in der Regel aufgefordert, eine Reihe von Aufgaben mit wiederholten Versuchen durchzuführen. Um dies zu erleichtern Prüfung von wiederholten Versuchen, kann MazeMaker erstellen Labyrinth Liste Dateien, die Listen der Labyrinthe und SMS-Nachrichten sortiert sind für eine experimentelle Sitzung. Es ist wichtig, dass das Labyrinth-List-Datei für das Experiment vorbereitet und gründlich Pilotprojekten erprobt, bevor der Tag des Experiments.

Ein flüchtiger Tutorial für die Nutzung und Entwicklung von Umgebungen mit MazeMaker ist in "- MazeMaker Zusätzliche Video-II 'zur Verfügung gestellt.

2. fNIR Setup und Platzierung der fNIR Sensor-pad

Vorbereiten des fNIR Box

  1. Es gibt zwei Kabelanschlüsse hinter dem fNIR Feld. Einer der Steckplätze für USB-Anschluss und der andere Anschluss ist für das Netzkabel.
  2. Schließen Sie das Gerät fNIR Box per USB-Kabel an einen PC oder Laptop, dass für die Datenerfassung eingesetzt werden.
  3. Schließen Sie das Netzteil an das Gerät an und schalten Sie den Schalter.
  4. Das Flachbandkabel wird verwendet, um den Sensor-Pad mit dem fNIR Box verbinden.
    1. Der Sensor-Pad Häuser Lichtquelle (LED) und Photodetektoren.
    2. Die LEDs strahlen Infrarot-Licht bei 730nm und 850nm Wellenlänge, die vor allem durch sauerstoffarmes und sauerstoffreiches-Hämoglobin absorbiert werden bzw. und kann somit durch biologisches Gewebe eindringen.

Platzieren Sie den Sensor-pad

  1. Bitten Sie die Teilnehmer, ihre Haare aus der Stirn heben, bevor Sensor Platzierung. Legen Sie die Sensorleiste oberhalb der Augenbrauen. Match der Mitte des Sensors mit der vertikalen Achse der Symmetrie, geht auch durch die Nase
  2. Drücken Sie die Sensor-Pad fest gegen die Stirn und mit einem Clip, um die Kabel zusammen zu halten an der Rückseite des Kopfes. Obwohl nicht unbedingt erforderlich, Kopf-wrap oder Tennis Bandana wird empfohlen, den Sensor-Pad zu sichern.
  3. Nach Platzierung des Sensors Pad auf der Stirn, bringen Sie die beiden Enden der Flachbandkabel an der fNIR Feld. Das Flachbandkabel sollte durch die Zusammenführung der 'I' und 'II' Seiten des Flachbandkabel mit den entsprechenden 'I' und 'II' Anschlüsse am Gerät angebracht werden.

Starten des COBI Studio Software zur Datenerfassung

  1. Klicken Sie auf die Cognitive Brain Imaging Optical (COBI) Studio13-Symbol auf dem Desktop, um das Hauptfenster zu öffnen.
  2. Das Programm wird mit bestimmten Voreinstellungen für die Datenerfassung und Visualisierung kommen.
  3. Es ist wichtig zu überprüfen und zu bestätigen Datenerfassung Parameter und Auslösung (Marker-Synchronisation) auf Geräte-Einstellungen-Dialog, wenn nötig.
  4. COBI Studio kann automatisch Namen alle zugehörigen Daten-Dateien, wenn "Experiment-Modus" mit der "New Experiment" Assistent aktiviert ist.
  5. In der Daten-Ordner, 3 Arten von Dateien erstellt werden: (*. NIR) für fNIR Daten (*. MRK) für den Marker-Daten und (*. txt) für ein Protokoll des Experiments Sitzung.

3. Das Ausführen des Experiments: Rendering der Labyrinthe

Gerät einstellen und starten fNIR Datenerfassung

  1. LED-Laufwerk Aktuelle legt fest, wie hell jeder LED leuchtet. Der Standardwert für LED-Laufwerk ist 20mA. Dieser Wert kann auf der Grundlage der Pigmentierung der Haut und andere Charakteristika des Teilnehmers zu ändern. Empfohlener Bereich für den LED-Strom zwischen 5mA bis 20mA
  2. Der Standardwert für die erstmalige Gewinn für alle Kanäle beträgt 20. Empfohlene Werte für Gain sind 1,5,10,15,20.
  3. Klicken Sie auf die Schaltfläche 'Start aktuellen Gerät "-Link, und überprüfen Sie die Signalqualität. Wenn die rohe Intensität Werte in COBI Ansatz 4000 gezeigt oder unter 1000, klicken Sie auf 'Stop Device', und stellen Sie die LED-Laufwerk Strom-und Geräte-Gewinnen Sie bis geeignete Werte erhalten werden. In Low-Signal Umständen erhöhen LED-Laufwerk Aktuelle vor steigenden Gerät zu erlangen. Unter gesättigten Signal Umständen reduzieren die Geräte sammeln, bevor die Verringerung der LED Strom. Sobald die Signalqualität akzeptabel ist, weiter zu Schritt 4.
  4. Starten Baseline. Diese sammeln 10 Sekunden an Daten und verwenden es als Ausgangswert in einer modifizierten Lambert-Beer-Gleichung gesetzt, um Konzentrationsänderungen für Oxy-und Desoxy-Hämoglobin-8 Berechnen.
  5. Lassen Sie die Baseline komplett (Mai 10 bis 20 Sekunden dauern)
  6. Klicken Sie auf "Start recording". Dies wird mit dem Sparen beginnen alle Daten. Experiment Protokoll sollte nach diesem Start.
  7. Experimenter können wählen, manuelle Marker während des gesamten Versuchs-Sitzung hinzufügen, um bestimmte Ereignisse durch Drücken der "Add manuelle Marker"-Tasten über die manuelle Marker-Menü in der linken unteren Ecke des Bildschirms zu bezeichnen.
  8. Starten Sie das Maze Suite auf visuelle Reize zu präsentieren.

Mit MazeWalker um Labyrinthe zu machen

  1. Run MazeWalker aus dem Menü auf Start> Maze Suite> MazeWalker
  2. Schalten Sie Marker-Synchronisation, indem Sie 'Enable Serial Port "aus dem im Menü unter Erweitert> Serial Port-Optionen. Stellen Sie sicher, dass der richtige COM-Port-Adresse ausgewählt ist.
  3. Wählen Sie das Labyrinth-List-Datei (das war von MazeMaker erstellt), und wählen Sie auch Namen für die neue Log-Datei für diese Sitzung. Name oder Teilnehmernummer innerhalb Walker Field aufgezeichnet werden. Optional kann der autolog verwendet werden, um automatisch zu einem Zeitstempel Protokolldatei aufzeichnen, statt der manuellen Eingabe der Log-Datei werden.
  4. Klicken Sie auf 'Start', um den Prozess zu initiieren. Abhängig von der Video-Einstellungen können Protokoll laufen im Vollbildmodus oder im Fenstermodus.

4. Visualisierung des Subjekts Weg

Mit MazeAnalyzer, kann der Forscher visualisieren das Labyrinth und der Teilnehmer den Weg aus dem Labyrinth und Log-Dateien. Darüber hinaus sind ein zusammenfassender Bericht einschließlich der gesamten Weglänge und die Zeit bis zur Fertigstellung der jedes Labyrinth als oberflächliche Verhaltensmaßnahmen produziert. Log-Dateien enthalten Informationen in Millisekunden Zeitauflösung über den Weg, dass ein Thema Reisen sowie Subjekts Sichtvektor und Interaktionen mit Objekten.

Ein Tutorial-Video wird in "Zusätzliche Video-I - MazeAnalyzer" zur Verfügung gestellt und beschreibt die Verwendung von Basisfunktionalität MazeAnalyzer ist zusammen mit Methoden der Verhaltenstherapie-Metriken in die Ergebnisse beschrieben produzieren.

5. Die Verarbeitung der fNIR Daten und Analysen

Rauschunterdrückung ist der erste Schritt zur Verarbeitung der Daten. Lärmquellen gehören 1) Kopfbewegung 2) Physiologische Signale wie Herzfrequenz und Atmung und 3) Instrument und Umwelt-Lärm.

Kopfbewegung kann der fNIR Detektoren zu verschieben und verlieren den Kontakt mit der Haut, bei denen sie: 1) Umgebungslicht, 2) das Licht direkt aus dem fNIR Quellen emittiert, oder 3) Licht von der Haut reflektierte, anstatt von Gewebe reflektiert in der Hirnrinde. Diese Art von Bewegungsartefakten ist leicht erkennbar, weil sie plötzlich große Spitzen in der fNIR Daten verursacht. Eine subtilere Artefakt der Kopfbewegung wird durch die Auswirkungen der Schwerkraft auf die Gehirndurchblutung. Schnelle Kopfbewegungen kann das Blut in Richtung zu bewegen (oder von ihm weg) die Fläche, die überwacht wird, rasch zu (oder fallend) Blutvolumen mit einer gleichzeitigen Verdrehung der Daten. Da die Dynamik dieser Art von Bewegungsartefakten langsamer als LED "Pop" sind, können sie mit den tatsächlichen hämodynamische Reaktion aufgrund der Hirnaktivität verwechselt werden. Daher entfernen Bewegungsartefakte aus fNIR Daten ist ein wichtiger und notwendiger Schritt, wenn fNIR ist als ein Gehirn Monitoring-Technologie in natürlichen Umgebungen 16 eingesetzt werden.

Physiologische Signale wie Herzfrequenz (über 0,5 Hz) und Atmung (über 0,2 Hz) sind in höheren Frequenzbereichen als hämodynamischen Reaktionen, so können sie beseitigt mit einem linearen Phase Tiefpass-FIR-Filter mit cut-off Frequenz zwischen 0,1 bis zu 0,15 Hz 9.

Instrument und Umgebungslärm kann durch Umgebungslicht wie Tageslicht (DC) und Raumlicht (60Hz) oder Licht von einem Computer-Monitor (60-75Hz) stammen. Es wird vorgeschlagen, dass der beste Weg, diese Art von Rauschen zu eliminieren, um die experimentellen Umfeld und Datenerfassung entsprechend vorzubereiten. Eine analoge Tiefpassfilter (Anti-Aliasing-Filter) hat in der fNIR box umgesetzt zu beseitigen Falten hochfrequentes Rauschen auf Sampling-Frequenz-Bereich.

Es gibt viele erweiterte Rauschunterdrückung Algorithmen zur Verfügung, die unterschiedliche Eigenschaften des Signals 17-20 nutzen. Allerdings, wenn ein Thema oder Session ausgeschlossen, wenn die Daten unwiederbringlich (dh gesättigte) werden.


Abbildung 1.

Die fNIR Rohsignale Lichtintensität Messungen (siehe Abbildung 1). Durch die Messung der optischen Dichte (OD) Änderungen bei zwei Wellenlängen, kann die relative Änderung von Oxy-Hb und deoxy-Hb gegen die Zeit unter Verwendung der modifizierten Beer-Lambert Gesetz 21-23 sein. OD zu einem bestimmten Eingang Wellenlänge (λ) ist das logarithmische Verhältnis von Eingangs-Lichtintensität (I in) und Ausgang (erkannt) Lichtstärke (I out). OD ist auch die Konzentration (c) und Extinktionskoeffizienten (e) von Chromophoren, die korrigierte Distanz (d) zwischen Lichtquelle und Detektor, plus eine konstante Dämpfung (G) zusammen.
Gleichung 1

Nach der gleichen I in an zwei verschiedenen Zeitpunkten und detektierten Lichtintensität während der Baseline (I rest) und während der Durchführung der Aufgabe (I-Test), der Unterschied in der OD für die Wellenlänge λ ist
Gleichung 2

Die Messung der OD bei zwei verschiedenen Wellenlängen gibt
Gleichung 3

Diese Gleichung Set kann für Konzentrationen gelöst werden, wenn der 2x2-Matrix ist nicht singulär. Typischerweise sind die beiden Wellenlängen i gewählt) in 700-900nm, wo die Absorption von Oxy-Hb und deoxy-Hb sind dominant gegenüber anderen Gewebe Chromophore, und ii Vergleich) unterhalb und oberhalb der isosbestischen Punkt (~ 805nm, wo Absorptionsspektren des Desoxy - und Oxy-Hb einander kreuzen), um die Änderungen in Absorption entweder deoxy-Hb oder Oxy-Hb zu konzentrieren, bzw.. Die fNIR Instrument in dieser Studie verwendeten beschäftigt 730nm und 850nm Wellenlänge.

Schließlich mit dem Marker (Zeitsynchronisation Signale), sind Zeiten der Grundlinie / Ruhe und Aufgaben beschriftet, und wählen Sie Eigenschaften aus Sauerstoffversorgung Daten wie Mittelwert, Minimum und Maximum-Werte extrahiert. COBI Studio spart Rohstoffe Lichtintensität Messungen berechnet und Sauerstoffversorgung Werte (unter Verwendung von modifizierten Bier lambert Gesetz) zu textbasierten Dateien sowie die Zeitsynchronisation (Marker)-Dateien. COBI Studio kann auch zur Entfernung von Rauschen Methoden wie Finite Impulse Response Tiefpass-oder Bandpassfilter anzuwenden. Output-Dateien können auf eine gemeinsame Analyse-Software wie (Matlab, Excel, SPM und SPSS) oder dedizierte Analyse-Software wie fnirSoft 24 zur weiteren Verarbeitung exportiert werden.

6. Repräsentative Ergebnisse

fNIR Signal Beispiele

Abbildungen 2-5 voreingestellten fNIR Rohsignale von einer einzigen Messstelle mit zwei Wellenlängen Komponenten (730nm und 850nm) separat ausgewiesen. Abbildung 2 stellt eine wirksame und akzeptable Signal Epoche, während Abbildung 3 und 4 nicht akzeptabel sind und muss entsorgt werden. Abbildung 5 zeigt Rohsignal mit Bewegungsartefakte verunreinigt war und muss gereinigt oder entsorgt werden.

Abbildung 2
Abbildung 2. Eine gute fNIR Rohsignal Probe

Abbildung 3
Abbildung 3. Eine schlechte fNIR Rohsignal Probe, wo 850nm Kanal gesättigt ist.

Abbildung 4
Abbildung 4. Eine schlechte fNIR Rohsignal Probe, wo es Hardware-Problem oder Kabel Konnektivität Problem.

Abbildung 5
Abbildung 5. Eine schlechte fNIR Rohsignal Probe, wo es Bewegungsartefakte.

Study Protocol

Assessments des Lernens werden am besten durch Retention (dh, Speicher) und Transfer (dh Generalisierbarkeit) Tests veranschaulicht. In unserer Studie wurden drei Labyrinthe (maze1, maze2 und maze3) während der Akquisitionsphase für insgesamt 105 Studien jeweils über 3 Tage geübt. Die beiden Bedingungen, Zufalls Praxis um (RND) und blockiert die Praxis um (BLK) sind in Abbildung 6 zusammengefasst. Zwei Probanden freiwillig für die 4 Tage zu studieren. Am 4. Tag wurden 10 Zurückbehaltungsrecht Studien für jedes Labyrinth geführt und die Labyrinthe wurden in einer zufälligen Reihenfolge präsentiert. Zwei neue Labyrinthe (maze4 und maze5) wurden geschaffen, mussten zusätzliche Gänge und verschiedene Start-und Endpunkte als die Labyrinthe ursprünglich praktiziert. Themen abgeschlossen zehn Studien für jede der beiden neuen Labyrinthen. Diese Labyrinthe bildeten einen Transfer-Phase und wurden in zufälliger Reihenfolge alle vorgestellt. Die Transferphase Labyrinthe wurden verwendet, um das Ausmaß, in dem jeder Gegenstand war in der Lage, ihr Lernen und Praxis mit dem Erwerb Labyrinthe verallgemeinern zu bestimmen.

Abbildung 6
Abbildung 6. Repräsentatives Experiment Protokoll zu skizzieren. </ P>

Study Behavioral Ergebnisse

Die folgenden Abbildungen 7 bis 9, Anzeige Durchschnitts-Funktion Werte (Weglänge, insgesamt Zeitpunkt der Fertigstellung, und die Geschwindigkeit) der Probanden über jeden Tag. Zunächst werden die Ergebnisse aus maze1, maze2 und maze3 für RND und BLK Praxis aufgeführt. Als nächstes werden maze4 und maze5 Ergebnisse aufgeführt, um zufällige gegenüber blockiert Praxis zu vergleichen. Alle Fehlerbalken sind Standardfehler des Mittelwertes (SEM).

Abbildung 7
Abbildung 7. RND Praxis Verhaltensleistung Zusammenfassung für Erwerb und Erhalt Aufgaben einschließlich der gesamten Weglänge, insgesamt Zeitpunkt der Fertigstellung und durchschnittliche Geschwindigkeit.

Abbildung 8
Abbildung 8. BLK Praxis Verhaltensleistung Zusammenfassung für Erwerb und Erhalt Aufgaben einschließlich der gesamten Weglänge, insgesamt Zeitpunkt der Fertigstellung und durchschnittliche Geschwindigkeit.

Abbildung 9
Abbildung 9. Behavioral Performance-Vergleich von BLK vs RND Praxis für die Übertragung Aufgaben einschließlich der gesamten Weglänge, insgesamt Zeitpunkt der Fertigstellung und durchschnittliche Geschwindigkeit.

Study fNIR Ergebnisse

Mit Sauerstoff angereichertes Hämoglobin-Konzentration Veränderung vom Ausgangswert über den zeitlichen Verlauf der einzelnen Labyrinth mit Marker-Daten aus MazeWalker (gibt den Beginn und das Ende jedes Labyrinth) erhielt gemittelt. Größere Größenordnung Konzentration Veränderungen ergriffen werden, um höhere Ebenen der regionalen Hirnaktivität stellen. Ein höheres Maß an Aktivierung wurde sowohl während der Speicherung und Übertragung Aufgaben für BLK Praxis im Vergleich zu RND Praxis beobachtet. Während der Übertragung Aufgaben wurde ein höheres Niveau der Aktivierung unter BLK Praxis gesehen, wie mit RND Praxis (siehe Abbildung 10) verglichen.

Für die BLK Praxis unterliegen, erforderlich Erprobung des höheren Aktivierung im Vergleich zu Zurückbehaltungsrecht Studien. Für die RND Praxis unterliegen, DID Aktivierung Ebene nicht für die Übertragung und Speicherung Aufgaben unterscheiden sich hinsichtlich BLK Praxis unterliegen (siehe Abbildung 11) entgegen.

Abbildung 10
Abbildung 10 dargestellt. Vergleich der durchschnittlichen Oxy-Hb-Konzentration ändert für BLK vs RND Praxis sowohl Retention Aufgaben (links) und Transfer-Aufgaben (rechts).

Abbildung 11
Abbildung 11. Vergleich der durchschnittlichen Oxy-Hb-Konzentration ändert für die Beibehaltung vs Transfer Aufgaben für beide BLK (links) und RND (rechts) üben.

Discussion

Der präfrontale Cortex (PFC) im menschlichen Gehirn erleichtert kognitive Kontrolle über die Koordinierung von Gedanken und Handlungen in Bezug auf interne Ziele. Insbesondere ist die anterior / dorsolateralen PFC bekannt, höhere kognitive Funktionen wie Task-Management, Planung und räumliche Navigation 25 zu vermitteln. fNIR ist ein tragbarer, sicherer und nicht-invasive Gehirn-Monitoring-Tool, dass in klinischen, Labor-und Natur-Einstellungen verwendet wurde, um Gehirn-Aktivierung zu studieren. Diese explorative Studie zeigte der Einsatz von Maze Suite und fNIR zu neurobehavioral Aspekte der räumlichen Navigation zu studieren. In dieser explorativen Studie ist die MazeSuite Plattform in Verbindung mit fNIR die neurologische Aspekte der räumlichen Navigation im dorsolateralen PFC zu studieren und die Kombination dieser beiden Instrumente zu demonstrieren.

MazeSuite ist ein experimentelles Design, Darstellung und Analyse-Plattform. Es ermöglicht die Erstellung und Anwendung von einfachen 3D-Umgebungen mit einer benutzerfreundlichen grafischen Oberfläche und zeichnet automatisch Verhaltensmaßnahmen für im Betreff oder über unterliegen Vergleiche. Während der Präsentation des MazeSuite Umgebungen, gleichzeitige zeitsynchron fNIR Messungen wurden mit einem kommerziell erhältlichen, tragbaren, continuous wave fNIR System (Imager 1000, fNIR Devices, LLC) und COBI Studio Software 15. fNIR zuvor als eine sichere und effektive nicht-invasive Gehirn-Monitoring-Tool in der klinischen, Labor-und Natur-Einstellungen für das Studium der Gehirn-Aktivierung 7,11 festgelegt und wird in dieser Studie verwendet werden, um kognitive Reaktionen mit kontextuellen Störungen bei der räumlichen Navigation Aufgaben zugeordnet untersuchen.

Um zu untersuchen, die Auswirkungen der Praxis um kontextuelle Interferenz erhielten die Probanden entweder mit einem geringen Störungen (BLK) oder hohe Interferenz (RND) Praxis Reihenfolge präsentiert. Diese unterschiedlichen Praxis Zeitpläne wurden verwendet, um die Wirkung des Lernens mehrere virtuelle räumliche Navigation Labyrinth Aufgaben auf Erwerb, die Aufrechterhaltung und den Transfer-Tests testen. Die Verhaltens-Ergebnisse zeigen, dass sowohl für die Praxis Bestellungen gibt es eine monotone rückläufigen Trend in der gesamten Zeit, die notwendig zum Labyrinth vollständig, was darauf hindeutet, dass die Themen der Praxis, sie jedes Labyrinth fertig in kürzerer Zeit. Darüber hinaus erhöhte sich die durchschnittliche Geschwindigkeit, mit der Themen navigiert das Labyrinth (Labyrinth Geschwindigkeit) mit der Praxis. Diese Verbesserungen in Verhaltensmaßnahmen über die Zeit sind Rückschlüsse von Lernen erwartet. Mittlere Oxy-Hb-Konzentration ändert sich während der Praxis-Studien zeigen, dass die BLK Praxis höhere Hirnaktivität erforderlich, wenn mit RND Praxis um verglichen.

RND Praxis führten in schneller Zeit bis zur Fertigstellung und kürzere Weglängen, wenn die BLK Praxis um sowohl für Aufbewahrung und Übertragung bzw. verglichen. Ein rückläufiger Trend in der mittleren Oxy-Hb für BLK beobachtet und RND Praxis in Retention Studien zeigt verminderte Aktivität im PFC. Dieser Befund ist zu erwarten, da bisherige Forschung hat vorgeschlagen, dass es eine Reduktion der Aktivität des PFC in den späteren Phasen des Lernens 12,26.

Darüber hinaus benötigt die Navigation in neue Labyrinthe während der Transferphase höhere Hirnaktivität für BLK Praxis unterliegt im Vergleich zu RND Praxis unterliegen. Da die Praxis um verschiedene für die Aufgaben bereits gelernt (dh maze1, maze2 und maze3), diese geschichteten Zufallsstichprobe der Praxis, um für das Thema, dass die Aufgaben in einem sequentiellen (BLK Praxis) um lernte, war möglicherweise nicht ausreichend Roman zu verlangen, haben zusätzlichen Aufwand und kognitiven Ressourcen zur Erfüllung der Aufgaben 12,26. Doch für die RND Praxis wurde die Übertragung Phase der neuronalen Aktivierung nicht höher als die Beibehaltung Phase. Diese Ergebnisse bestätigen die PET-Befunde mit der räumlichen Navigation der virtuellen Labyrinth von Van Horn und Kollegen 12 berichtet.

Zusammenfassend haben wir beschrieben, die Verwendung von MazeSuite in Kombination mit COBI Studio für eine Studie über die Auswirkungen der kontextuellen Störungen im Zusammenhang mit der Praxis, um beim Lernen räumlichen Navigations-Aufgaben. Die fNIR besprochenen Methoden sind hier nicht die räumliche Navigation Aufgaben beschränkt und kann für eine Vielzahl von Aufgaben in anderen Studien mit bildgebenden Verfahren eingesetzt werden. Design, Implementierung, Datenerfassung und-analyse Phasen der Studie wurden mit der Absicht, einen Leitfaden für zukünftige Studien liefern erklärt.

Disclosures

fNIR Devices, LLC produziert die optische Bildgebung des Gehirns Instrument und lizenzierte IP und Know-how von der Drexel University. H. Ayaz, M. Izzetoglu, K. Izzetoglu und B. Onaral wurden in der Technologie-Entwicklung beteiligt und so bot einen geringen Anteil in den neuen Startup Firma fNIR Devices, LLC.

Acknowledgements

Die Finanzierung dieser Arbeit wurde zum Teil von der Commonwealth of Pennsylvania # 4100037709 # 240468 Subunternehmer und Drexel University vergeben # 280773 zur Verfügung gestellt.

Materials

Name Company Catalog Number Comments
Maze Suite
fNIR Imager 1000

DOWNLOAD MATERIALS LIST

References

  1. Ayaz, H., Allen, S. L., Platek, S. M., Onaral, B. Maze Suite 1.0: a complete set of tools to prepare, present, and analyze navigational and spatial cognitive neuroscience experiments. Behav. Res Methods. 40, 353-359 (2008).
  2. Chance, B., Zhuang, Z., UnAh, C., Alter, C., Lipton, L. Cognition-activated low-frequency modulation of light absorption in human brain. Proceedings of the National Academy of Sciences of the United States of America. 90, 3770-3774 (1993).
  3. Villringer, A., Planck, J., Hock, C., Schleinkofer, L., Dirnagl, U. Near infrared spectroscopy (NIRS): a new tool to study hemodynamic changes during activation of brain function in human adults. Neuroscience letters. 154, 101-104 (1993).
  4. Hoshi, Y. Non-synchronous behavior of neuronal activity, oxidative metabolism and blood supply during mental tasks in man. Neuroscience letters. 172, 129-133 (1994).
  5. Strangman, G., Boas, D. A., Sutton, J. P. Non-invasive neuroimaging using near-infrared light. Biological psychiatry. 52, 679-693 (2002).
  6. Coyle, S., Ward, T. E., Markham, C. M. Brain-computer interface using a simplified functional near-infrared spectroscopy system. Journal of neural engineering. 4, 219-226 (2007).
  7. Ayaz, H. Optical brain monitoring for operator training and mental workload assessment. Neuroimage. (2011).
  8. Izzetoglu, M. Functional near-infrared neuroimaging. IEEE Trans Neural Syst Rehabil Eng. 13, 153-159 (2005).
  9. Izzetoglu, M., Bunce, S. C., Izzetoglu, K., Onaral, B., Pourrezaei, K. Functional brain imaging using near-infrared technology. IEEE Eng Med Biol Mag. 26, 38-46 (2007).
  10. Shalinsky, M. H., Kovelman, I., Berens, M. S., Petitto, L. A. Exploring Cognitive Functions in Babies, Children & Adults with Near Infrared Spectroscopy. J. Vis. Exp. (29), e1268-e1268 (2009).
  11. Izzetoglu, K. The evolution of field deployable fNIR spectroscopy from bench to clinical settings. Journal of Innovative Optical Health Sciences. 4, 1-12 (2011).
  12. Van Horn, J. D. Changing patterns of brain activation during maze learning. Brain Res. 793, 29-38 (1998).
  13. Shewokis, P. A. Memory consolidation and contextual interference effects with computer games. Perc Motor Skills. 97, 581-589 (2003).
  14. Magill, R. A., Hall, K. G. A review of the contextual interference effect in motor skill acquisition. Human Movement Science. 9, 241-289 (1990).
  15. Ayaz, H., Onaral, B. Analytical software and stimulus-presentation platform to utilize, visualize and analyze near-infrared spectroscopy measures Masters Degree thesis [dissertation]. Drexel University. (2005).
  16. Ayaz, H. Advances in Understanding Human Performance: Neuroergonomics, Human Factors Design, and Special Populations. Marek, T., Karwowski, W., Rice, V. 3, CRC Press Taylor & Francis Group. 21-31 (2010).
  17. Izzetoglu, M., Chitrapu, P., Bunce, S., Onaral, B. Motion artifact cancellation in NIR spectroscopy using discrete Kalman filtering. Biomedical engineering online. 9, 16-16 (2010).
  18. Huppert, T. J., Diamond, S. G., Franceschini, M. A., Boas, D. A. HomER: a review of time-series analysis methods for near-infrared spectroscopy of the brain. Appl Opt. 48, 280-298 (2009).
  19. Zhang, Q., Strangman, G., Ganis, G. Adaptive filtering to reduce global interference in non-invasive NIRS measures of brain activation: How well and when does it work? Neuroimage. 45, 788-794 (2009).
  20. Izzetoglu, M., Devaraj, A., Bunce, S., Onaral, B. Motion artifact cancellation in NIR spectroscopy using Wiener filtering. IEEE Trans Biomed Eng. 52, 934-938 (2005).
  21. Cope, M. The development of a near infrared spectroscopy system and its application for non invasive monitoring of cerebral blood and tissue oxygenation in the newborn infant. University College London. London. (1991).
  22. Elwell, C. Quantification of adult cerebral hemodynamics by near-infrared spectroscopy. Journal of Applied Physiology. 77, 2753-2753 (1994).
  23. Wyatt, J. Quantitation of cerebral blood volume in human infants by near-infrared spectroscopy. Journal of Applied Physiology. 68, 1086-1086 (1990).
  24. Ayaz, H. Functional Near Infrared Spectroscopy based Brain Computer Interface PhD thesis [dissertation]. Drexel University. (2010).
  25. Wood, J. N., Grafman, J. Human prefrontal cortex: processing and representational perspectives. Nat Rev Neurosci. 4, 139-147 (2003).
  26. Shadmehr, R., Holcomb, H. H. Neural correlates of motor memory consolidation. Science. 277, 821-825 (1997).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Video Stats