Author Produced

通过颞阶判决的基于模型的分析测量注意力和视觉处理速度

Behavior

Your institution must subscribe to JoVE's Behavior section to access this content.

Fill out the form below to receive a free trial or learn more about access:

 

Cite this Article

Copy Citation | Download Citations

Tünnermann, J., Krüger, A., Scharlau, I. Measuring Attention and Visual Processing Speed by Model-based Analysis of Temporal-order Judgments. J. Vis. Exp. (119), e54856, doi:10.3791/54856 (2017).

Please note that all translations are automatically generated.

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

Abstract

本协议描述如何进行时间顺序实验测量视觉处理速度和注意力资源分配。所提出的方法是基于三个组件的一种新的和协同组合:所述时间顺序的判断(TOJ)范式,视觉注意的Bundesen理论(TVA),和分层贝叶斯估计框架。该方法提供了易于解释的参数,这是由TVA的理论和神经生理学基础支持。使用TOJs,可以为广泛的刺激来获得基于TVA-估计,而与TVA使用的传统范式主要限于字母和数字。最后,该模型的有意义的参数允许建立一个分层的贝叶斯模型。这样的统计模型允许评估关于这个问题的相干态分析和双方集团层面的成果。

为了演示的可行性和v这种新方法的ersatility,三个实验报告,注重操控合成弹出的显示器,自然的图像和线索信报告范例。

Introduction

注意如何分布在空间和时间是在人类视觉感知的最重要的因素之一。 ,捕捉,因为他们的醒目或重要性的关注对象通常处理速度更快,精度更高。在行为研究等性能优势已被证明在各种实验范式。例如,分配注意力到目标位置加快在探针检测任务1中的反应。同样地,报告信的精度由关注2提高。这些发现证明,重视提高处理,但他们仍然无可救药静音关于这个改进的是如何建立的。

本论文表明后面注意力优点低层机制可以通过测量个体的刺激的处理速度在涉及测量到一个基于模型的框架细粒度的直流电阻进行评估关注TS。根据这样的模型中,刺激间的整体处理能力及其分布可以从处理速度的测量来推断。

Bundesen的(TVA)的视觉注意理论3提供了这项工作的合适模型。它通常应用于从信报告任务的数据。在下文中,TVA的基本面解释并证明他们如何可以扩展到与(几乎)任意刺激获得的时间顺序判断(TOJ)数据模型。这种新颖的方法提供了一种可以容易地解释的处理速度和资源分配的估计。本文中的协议说明了如何计划和进行这样的实验和详细介绍了如何将数据进行分析。

如上所述,在基于TVA建模和关注参数估计通常的范例是字母报告任务。与会者报告了一组字母的身份哪些简要地闪现和变化的延迟后通常掩盖。除其他参数,在该可视元素被编码成视觉短期存储器中的速率可被估计。该方法已成功地应用于基础和临床研究的问题。例如,Bublak和同事4评估其注意力参数在与年龄相关的认知缺陷的不同阶段的影响。在基本注意研究,彼得森Kyllingsbæk和Bundesen 5用于TVA建模的注意力的停留时间的影响,在一定的时间间隔感知的两个目标的第二观察者的困难。信报告模式的主要缺点是它需要足够overlearned和屏蔽的刺激。这种要求限制了方法字母和数字。其他刺激都需要参加大运动量的训练。

该TOJ范式既不需要特定stimul我也不屏蔽。它可与任何种类的刺激的量出现的次序可以判断使用。这扩展了激励范围为几乎所有可能有兴趣,包括直接跨模式的比较6。

调查与TOJs的关注是基于注意力之前进入的现象,这是很多早些时候参加刺激的方式相比,无人察觉1的措施。不幸的是,用于分析TOJ数据,嵌合观察者性能心理功能(如累积高斯或逻辑功能)的常规方法,不能区分注意力是否增加了参加刺激的处理速度,或者如果它降低无人参与刺激7的速率。这种模糊性是一个重要的问题,因为这个问题是否刺激的感知是真正的提高,或者如果它的好处,因为资源从竞争stimul撤出我们的是基础和实际意义的问题。例如,对于人机接口的设计是高度相关的知道,如果增加一个元件的突出于另一个的费用的工作原理。

该TOJ任务通常进行如下:一,固定标记提出了一个短暂的延迟,通常是随机抽取的间隔不到一秒钟短。然后,第一目标,提出,接着可变刺激发病异步(SOA),由第二目标之后。在SOA的负的探头 ,刺激出席,首先显示。在积极的SOA的参考 ,无人值守的刺激,会导致。在零SOA中,两个目标同时显示。

通常情况下,呈现对象是指开关上的刺激。在一定条件下,然而,其它的时间的事件,例如一个已经存在的目标或偏移的闪烁使用8。

_content“>在TOJs,响应被收集在一个unspeeded的方式,通常是通过映射到刺激的身份和介绍订单键( 例如 ,如果刺激的广场和钻石,一键表示”方第一“,一个又一个”钻石第一“) 。重要的是,用于评价,这些判断必须被转换为“探测第一”(或“参考第一”)的判断。

在目前的工作,TVA和TOJ实验范例的处理模式的组合被用于消除在任一单独的域的问题。用这种方法,很容易解释的速度参数可被估计为几乎任意的视觉刺激,使得能够推断出观察者的注意力被如何分配到竞争的视觉元素。

该模型是基于TVA方程单个刺激的处理,这将在下面进行简要解释。的概率,一个stimul在另一个之前被解释为判断这种刺激作为首先出现的概率我们编码成视觉短期记忆。个别编码持续时间指数分布9:

式(1) (1)

最大的无效曝光持续时间T 0是什么之前,在所有编码的阈值。根据TVA,所述速度v 的x,我在哪些对象x被编码为一个感性i类的部件(例如颜色或形状)由速率方程式给出

公式(2) 。 (2)

感官的证据表明,x属于第一类是ηX,我表达, β的强度进行分类的刺激,因为我分类的成员决定的偏见。这是通过一个乘以ttentional权重。个人注意力加权W x可通过在视场中的所有对象的注意力权重分配。因此,相对的注意力重量计算为

公式3 (3)

其中R代表所有类别和ηX,我代表感官的证据表明,对象x属于类学家该值πj被称为类j的针对性,反映了偏见,使分类已为J。整体处理能力C是所有处理速率为所有刺激和分类的总和。对于TVA的更详细说明,请参阅Bundesen和Habekost的书9。

在我们的新方法,式1中,其描述了单个刺激的编码,变换成TOJs的模型。假设选择的偏见和报告类别constan实验任务中t时,两个目标刺激探针(p)和参考(r)的处理速率v p和V R取决于C和在V型P = C中的注意力权重·W p和V R = C ·W R,分别为。新TOJ模型表达了参与者判断探针的刺激是首先作为SOA和处理速率的函数的成功概率P p 1日 。它可以形式化如下:

公式4 (4)

如何这个方程从基本TVA公式得出的更详细的描述由Tünnermann,彼得森和Scharlau公司7中所述。

为简单起见,该参数t 0被省略的模型公式1根据原TVA,叔0应该是博相同在TOJ任务个目标,并且,因此,它抵消了。然而,这种假设可能有时被侵犯(见讨论)。

对于这个拟合方程TOJ数据,分层贝叶斯估计方案11建议。这种方法允许以估计所注意的权重w P和W探头和基准刺激和整体处理速率C.这些参数,所得的吸收速率v p和V R,和它们之间的注意力诱导的差异的R,可以评估与估计的不确定性以及主体和群体水平。分层模型在图1中示出在一个实验的规划阶段,方便贝叶斯功率分析可以进行。

以下协议描述了如何规划,执行和分析实验TOJ从处理速度参数与注意权重的视觉刺激就可以来获得。该协议假定研究人员感兴趣的是在操纵注意力是如何影响的一些感兴趣的目标的处理速度。

图1

图1:贝叶斯估计过程中使用的图形模式。圆圈表示估计分布;双圆圈表示确定性节点。方块表示数据。的关系给出在图的右侧。圆形框架之外(“板”)的节点代表TVA参数(参见导言)在集团层面的平均和分散的估计。在“歼受试者”板,可以看到如何注意力权重(w)的与整体处理速率(C)与从受试者水平刺激处理速率(v)的组合。板“我的SOA”显示了这些TVA参数如何然后转化(通过在引言中所述的函数P p 1日 )到在每个SOA中二项式分布的响应的成功概率(θ)。因此,θ与SOA(n)的重复一起描述的数据点(y)的。有关符号和图形模型解释更多的细节,请参考Lee和Wagenmakers 23。注意,为了清楚起见,表示的参数的差异节点已被删去。这些确定性参数在代替的实验结果的数字显示。 请点击此处查看该图的放大版本。

Subscription Required. Please recommend JoVE to your librarian.

Protocol

注:在这个协议的某些步骤可以在http://groups.upb.de/viat/TVATOJ使用提供(连同安装说明)定制软件来实现。在该协议的程序和脚本这个集合被称为“TVATOJ”。

1.刺激材料选择

  1. 根据研究问题选择刺激。
    注意:一般来说,两个目标在屏幕上的不同位置显示。已经使用用本发明的方法刺激包括,例如,形状,数字,字母,单身在弹出显示,并且在自然图像中的对象。后三种是在这个协议中。
    注意:几个不同的刺激类型都包含在TOJ插件(“psylab_toj_stimulus”设置有TVATOJ)用于实验助洗剂OPENSESAME 12。
  2. 当创建新的刺激的类型,确保intere的属性ST必须通过他们在这里感兴趣的属性自动编码任务或者选择重要的刺激进行编码的判断( 例如 ,在弹出的显示器单身)。

2.功耗估算和规划

  1. 通过模拟数据集选择的模型,计划设计(SOA分布和重复),样本大小和虚拟参数进行贝叶斯功率分析。估计它是否是可能达到的研究目的(例如,在参数一定差异)。如果功率是不够的,通过增加或移位的SOA或重复改变设计并重复分析。
    1. 使用提供TVATOJ软件,打开并编辑脚本“EXP1-power.R”。按照文件中的注释来调整它的具体分析。有关贝叶斯功耗估计一般信息,请参阅Kruschke 13。
<p系列=“jove_title”> 3。规范或实验的编程

  1. 使用一个实验制造商或心理呈现库来实现试验。
    1. 要使用TVATOJ提供的OPENSESAME TOJ插件,拖动“psylab_toj_stimulus”插件安装到试验演示循环。另外,打开OPENSESAME“简单toj.osexp”示例实验。
    2. 选择从psylab_toj_stimulus配置中的下拉菜单“刺激类型”中选择所需的刺激类型。按照TVATOJ的说明,如果需要添加新的刺激的类型。
  2. 如下面的步骤所述指定的审判。
    1. 对于每一个实验条件下,建立与计划的SOA试验。当使用psylab_toj_stimulus插件和OPENSESAME,添加所有不同的因素作为变量审判环( “SOA”)。
    2. 行添加到表来实现所有因素的组合( 例如 ,七SOA中,从-100到100毫秒,越过与实验条件的“关注”和“中性”)。调整环的“重复”的属性来创建足够重复(参见用于确定的SOA的分布和重复协议步骤2)。
      注意:典型地,至多800试验可以在一小时内被呈现。如果需要更多的重复,考虑拆分实验分成几个会议。确保循环的“订单式”属性在运行实验前设置为“随机”。
    3. 在psylab_toj_stimulus插件配置,添加占位符( “[SOA]”)在各自领域的各种因素。在未变化的因素的字段中输入常数值。
      注:运行实验前,确保精确的计时保证。如果有更新的显示器适当的时机行为未经过验证,使用CRT显示器和与垂直回扫信号12同步。

4.实验步骤

  1. 欢迎和参与者简报
    1. 欢迎与会者,并告知他们有关实验(计算机为基础的感知实验)的一般形式。告知实验的预期持续时间的参与者。获得参与者的知情同意参加该试验。
    2. 确保参与者显示正常或矫正到正常视力(最好通过开展短视力检查)。一些缺陷,如色盲,是可以容忍的,如果他们不与特定类型的刺激物质的研究问题干扰。
    3. 提供该实验进行了一个安静的展位。调整椅子,下巴休息,键盘位置,等等,确保为experime最佳观看效果和反应条件NT。
    4. 让参与者知道该实验需要注意和精神集中和可疲劳。问他们在需要时采取短暂的休息。它是,但是,同样重要的是不要在强烈的注意力应变执行这些简单的任务。告诉与会代表,它是好的,使一些错误。
  2. 指导和热身
    1. 该任务现在屏幕上的说明,详细呈现序列和响应收集程序。告诉参与者的任务是报告中的目标到达,并认为这将是一些试验困难的顺序。请参与者报告他们的第一印象时,他们不能告诉秩序肯定的,让自己有没有这样的印象,在所有这些猜测。
      注意:在这里使用的二进制TOJs,没有选项来指示同时发生的感知。为了避免过多的猜测,不指出与捷联惯试验的存在ltaneously提出的目标明确。让这些仅仅是与上述的说明困难试验。
    2. 为了避免在试验期间眼球运动,要求学员注视这是在屏幕中间显示一个标志。请他们在下巴休息一下休息他们的头。
    3. 请参与者在必要时采取短暂的休息。让他们知道符被允许时,当必须避免它们( 例如 ,在视标显现和响应之前)。
    4. 包括短期培训,参与者可以习惯的任务。为此,目前的实验性试验的随机子集(见协议步骤3.2)。
      注:由于任务本身是相当简单的,十几二十试验通常就足够了。它可以是有利的,以增加参与者的在其在此任务性能的信心。这可以通过放慢介绍和提供反馈来实现。
    5. 获得参与者的confirmati在他们理解了任务(让他们解释),他们有没有其他问题。
  3. 运行的主要实验
    1. 让实验软件启动与主要试验的演示。离开主实验展位。

5. TOJ数据的基于模型的分析

  1. 原始数据文件转换为为每SOA“探测第一”的判断计数。例如,运行脚本“os2toj.py”提供TVATOJ。
  2. 运行贝叶斯估计程序来估计主要参数W p和C中,衍生的那些v p和V R和参数的差异。为了这个目的,运行脚本根据文件中提供的说明编辑后“磨合evaluation.R”。
  3. 当采样已经完成,为研究问题感兴趣的差异进行评估。为例ES可在以下章节找到。

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

在下文中,报告了所提出的方法获得的结果。三个实验测得不同注意操作的影响有三个非常不同类型的刺激物质。刺激在弹出的图案简单的线段,在自然图像的行动空间物体和线索信的目标。

实验1:凸显在弹出显示
实验1目的是在由合成图案上测量线段的处理速度视觉显着性的影响。受试者判断哪在面向线段的背景图案两个靶线段(左或右)的闪烁第一。在试验中的一半,探针是一个彩色弹出(参见图2a)。在弹出的基于TOJ评估更多的背景可以在研究报告克鲁格和同事8,地方ORIENTA找到化突出被操纵,而不是颜色。在SOA中的分布和频率示于图2b。

如在协议步骤2.对于典型组总体评分-C(M = 70赫兹,SD = 20)和一个假设的优点为约7赫兹的注意状态描述为凸靶进行的贝叶斯功率分析(从所得M = 0.55,SD = 0.02)的注意力重量,进行了200仿真。用于检测的优点的成功率计算为95%的HDI的用于下边界(最高密度间隔)是上述4赫兹和履行有关的差向控制条件的附加要求(见TVATOJ例如“通电exp1.R”所有细节)。与25名与会者的假设条件下,实现这一目标的成功率竟然是0.8895%的人类发展指数从0.82至0.92。

对于实际的实验中,30名学员被招募。一位与会者被排除在分析之外,因为他没有按照说明进行操作,但总是按相同的密钥。

图2

图2: 实验一,( )目标(标有圆圈作说明)中性(上部)和关注(下部)的条件。 ( )SOA分布。 (c)三个典型的受试级响应计数(点)和后预测曲线(阴影区;强度代表就100模拟重复的细粒度SOA的可能性)。蓝色表示控制和绿色的关注情况。 ( p和W R( )后验分布。 (F)V P和V p和分歧的后验分布。 请点击此处查看该图的放大版本。

数据装有使用JAGS 10实现分层贝叶斯程序由TVA衍生(如在引言中所述)的TOJ模型。 图2c示出了从拟合模型的主题级样品获得的原始数据和后的预测估计的三个示范性主题层次图。组级后预测曲线示于图2d和参数估算在图2ep和W R( 图2e)或个别速率参数v p和V R( 图2F)进行评估。如果整体的处理能力下由操作改变时,后者的参数可以显示单独刺激处理速率是否以及如何改变了。

所提出的分层贝叶斯估计程序提供了丰富的成果。例如,所有的参数都可以被评估为关于这个主题层次每个参与者。通常情况下,有在人口倾向兴趣。因此,在集团层面的结果进行了讨论。直方图显示在参数空间分布。分布的模式表示指示参数“集中趋势。 95%的人类发展指数标记范围中真值位于95%的概率,根据模型和数据(关于如何解释贝叶斯统计的进一步详情,请参阅Kruschke 11,13)。

图2e显示了跨学科的重量和整体速度参数手段的估计。为突出刺激所注意的好处可以在注意情况可以看出。参数W的P上的集中趋势是0.59,其95%的HDI的范围从0.55至0.63。因此,突出转移了注意力重量远离0.5中性值。在控制条件下,在没有目标是显着的,是=所得的W p的中性重量0.5(95%HDI:0.48至0.51)。相应的行“比较”显示,整个条件将W p重量之差为0.09,与此不同的95%的HDI响ES从-0.11到0.07。因此,有利于显着刺激的两个权重之间的可靠的差异。

然而,这是否意味着显着的目标是处理速度更快?在与关注状态的共享总速率C一起加权的差值表明它已处理比在此条件下,非凸目标快。然而,一个重要的问题是,它是否也比处理控制条件的目标更快。采取的处理速率估计进去,答案一定是否定的。在图2e中所示的C的估计是由近17赫兹的差在注意条件下。在相应的“比较”的情节,0,没有区别,只是在95%的人类发展指数的边缘;因此,它是极不可能的。考虑刺激在这两个条件的探针(ⅴp)和参考(V R)的各个速率秒( 图2F),很显然,从16赫兹减少在注意状态的非突出刺激的处理速度的显着刺激的结果的优点。这些结果的一个可能的解释是,突出目标导致非凸目标的注意力状态的抑制,从而相对于利益。

注意,在这个实验中,即使探针和参考的出现是在中性条件相同的,试验开始和探针事件之间的延迟是恒定的。因此,参与者可以把注意力朝这个时间点,从而从中间值0.5的转移注意力的重量了。因此,在控制条件探针刺激的实际注意力重量必须估计并固定在0.5。固定的参数是可能的时候,甚至在原则参与者无法分辨哪个是探针和所述基准刺激,如在实验3的控制条件。

实验2:在自然图像行动的空间优势
第二个实验在自然图像的操作空间物体测量注意力的优势。从变化盲视研究已知中心的利益物体意思驱动定向的自然图像14获益。当图像被颠倒的介绍遮蔽这种效果是不存在的。在未公开的变化盲视的实验中,我们发现了一个动作的空间优势与行动空间和背景物体的变化一组图片(有参考15类似的刺激材料的出版复制)。我们推测,这些行动的空间物体,这是接近观察者和可能抓握,表现出他们的处理速度类似的优势。

“FO:保together.within页=”1“>因此,提出了基于TOJ法与自然图像测试的行动空间(探头)和更远(参考)对象,突然出现在自然图像,构成。为TOJ过程(见图3a)的目标。在一间受试者控制条件中,使用相同的图像的上下颠倒的版本。这些已知具有在变化检测实验15,16减少背景效应。之间的SOA的起始点根据在图3a所示的分布变化。

功率估算究竟是作为实验1进行,除了实验和控制条件之间的受试者间的比较进行的。为实现这一目标的成功率估计与0.92(95%HDI:0.88至0.96),每个条件35模拟参与者(细节可FOUND在TVATOJ例如“电exp2.R”)。

有39位受试者中的注意状态和在实际实验的控制条件38。 (一些受试者参加了这两个条件。据我们所知,这不会损害贝叶斯统计分析。对待混合数据相比考虑受试者内差异主体间减少功率)。同样,一个参与者(同一人在这两个条件下)从各条件的分析中删除,由于在整个实验具有给定有意随机响应。

图3

图3: 实验2( 操作空间(标有白色ARROWS)和背景(黑色箭头)的目标是中性(左)和关注(右)的条件。 ( )的SOA分布。 ( )从中立(蓝色)两个条件典型的受试级别的图和从关注状态(绿色)与响应计数(点)和后预测曲线阴影区两地块;强度代表就100模拟重复的细粒度SOA的可能性)。整体失业率C和注意力的权重w p和W R( )后验分布。 ( )集团级后的预测曲线。 (F)V p和V R和分歧的后验分布。 请点击此处查看该图的放大版本。

这个数据被装配在相同的曼呃如在第一个实验。唯一的区别是,由于主体间的设计,不能在科目层面采样期间计算这两个条件之间的参数差异。这减少了在比较受试者内的差异的力量。

示范性学科水平和图3c显示分布组级别后的预测分布被勉强转向反目成仇。这两个条件重叠几乎完全在组级后预测曲线( 图3e),以便它可能看起来好像注意操纵没有在所有的工作。检查的参数的后验分布,但是,发现,有确实是为动作空间物体的优点。在注意条件将W p估计偏移从0.5空档状态,这是只在95%的HDI的非常左端程。奇怪的是,然而,这是也转向在控制条件下,95%的HDI即使剔除0.5,表明图像的反转并没有消除潜在的动作空间的优势。

考虑的单个刺激处理速率的比较( 图3f,“对照”),注意力的效果可以看出对于参考刺激V R的速率。但是,在方向上的差异点相对的假设和小,反射仅2 Hz的频率变化(95%HDI:-3.36到0.66)。

因此,它必须断定是(a)的动作的空间物体的注意力优点是由于不受场景反演,如显着或能见度的一个因素。可替代地,(b)该场景倒置不降低动作空间效果意图,或(c)在本实验的功率太小,以检测EFFE克拉。解释(a)和(b)中,或它们的组合,都是可能的。在我们前面提到的未发表的变化盲实验,这与相同的图像进行的,但仍然是一个优势(虽然减少)为倒置场景的动作空间物体。

在此方法为本纸的范围内,但是,方法(c)可能是最有趣的。因此,有可能忽略影响的大小将予以简单讨论。望着注意力权重的比较,下界95%的HDI,这反映了虚拟的方向,是在-0.01的。因此,只有权重0.01在较大的相对于对照条件出席是可能的。相比于其它实验这种差别是小的,并且凶多吉少甚至这样小的效果。这是由达到0.04上HDI界体现。纵观处理速率是有益的,因为在赫兹率可以很容易地解释为PROCEssing速度。

这两个条件之间的差别示于图3f的“比较”排。参考刺激之间差ΔVr为负,-2.03赫兹和95%的HDI排除0的负差反映的参考目标,背景对象,也就是对抗行动空间优势假设的处理速率的增加。一个小的注意力优点仍然是可能的探测目标的处理速率,它们的差ΔVp被估计接近零,但95%的HDI范围从-1.64 Hz到1.51赫兹。即使接近零的值是最可能的,速率影响高达1.64赫兹赞成的假说,并可达反对1.51赫兹,仍可能涉及95%的HDI。总的来说,这些结果是不是原来的假设有利的,但它们的讨论表明的可能错过作用有意义的大小如何可以CON从结果veniently萃取。需要注意的是,用于接受空的结果,例如通过旋转图像的缺乏减少的作用空间的优势,实际等价的区域可以被定义和它们与95%的HDI的重叠可以被测试11(讨论科 )。

实验3:在字母识别插入字幕空间
第三个实验中考察提出的基于TVA-TOJ模型的限制,并示出了模型如何可以扩展到处理这些困难。

它是什么,得到了该方法惹祸?在前面的两个实验中,参与者判断两颞事件。现在,我们添加第三个时间的事件,那就是探测刺激向它直接关注之前显示110毫秒的外围线索。这第三个事件呈现给简单的基于TVA-TOJ莫困难德尔,为此,只有两个刺激被明确建模。

图4

图4: 在感性潜伏期线索的典型影响。关注影响程度一般与外围线索(水平线)TOJs找到。震级通过增加探头刺激(曲线)的注意力权重根据TVA-TOJ模型预测。实线对应于通常观察到的参数。 请点击此处查看该图的放大版本。

在TOJ文献报道注意力好处幅度已经暗示了这些困难。由外周线索引起的延迟差异往往高达50%,并且有时甚至高达80%的空间启动间隔19。如在图4中所示,如此大的转变将在典型的处理率接近为w p值= 0.9所需要不太注意力权重。此外,这种极端的权重会导致极不平衡的心理分布。这些将具有在一端具有陡坡和在另一端的浅坡度。在较弱的表现形式,这可以在第一个实验中(图2c和d)的后预测曲线中可以看出。这种强烈的失真曲线鲜有报道。当从本周边插入字幕实验数据装有基于TVA-TOJ模型中,后预测曲线强烈从实际的数据模式偏离。

然而重要的是,外围线索产生心理TOJ 20关注的最强大和最可靠的效果。因此,它是worthwhILE申请基于模型的评估与所提出的模型的扩展版本。阿尔卡拉-昆塔纳和加西亚-佩雷斯21提出了一种基于指数的刺激编码的一般假设一个TOJ模式。此模型包含一个额外的参数,允许大的变化,而不改变心理曲线的斜率。阿尔卡拉 - 昆塔纳和加西亚 - 佩雷斯用它crossmodal TOJs,在这种转变从模式之间的延迟产生。因此,将数据从线索TOJs模型,包括它们的参数τ。的编码处理的开始之间的延迟可能占预期大的横向位移。参数τ甚至可能有一个TVA兼容的解释。然而,这并不是完全没有问题,并将在后面讨论。为了保持模型吝啬,由阿尔卡拉 - 昆塔纳和加西亚 - 佩雷斯(响应偏差,失误,和最小可能的时间建议其他参数分辨率)不包括在内。

在形式上,在公式4中的原始心理模型是由经调整的术语SOA 形容词 = SOA +τ替换术语SOA修改。此调整也反映τ的解释:指数编码处理的开始,现在不仅由SOA分离,但增加了一个额外的恒定延迟。在分层贝叶斯模型,科目层面τ从组级别的正态分布采样。

没有为这个实验进行明确的功率分析。由于试内设计类似于从Expriment 1的人,一个类似的权力,预计在利率和注意力的权重影响。由τ参数捕获的预期大的横向偏移是更大和更稳定的比率及重量的影响通常是,这样就没有电力问题可以通过电子邮件xpected用于检测要么它。

收集数据,用于根据在协议步骤4.与会者必须报告的两个字母的顺序描述的实验程序32的参与者(它们之间的三个作者)。在试验中的探针的刺激物之前(110毫秒)由外围的四点线索的一半(参见图5a)。刺激材料的详细描述可以在Tünnermann,彼得森发现,和Scharlau公司的研究7。在SOA中和它们的频率示于图5b。每个参与者执行的一个或两个会话。

图5

图5: 实验3( )目标,任意德signated为探针,并在中性条件(上段)的参考。在注意条件(下部)探针刺激是由四点线索前面(110毫秒)。 (c)三个典型的受试级响应计数(点)和后预测分布(阴影区;强度代表就100模拟重复的细粒度SOA的可能性)。蓝色代表中性和绿色的关注情况。 ( )集团级后的预测曲线。整体失业率C和注意力的权重w p和W R( )后验分布。 (F)和τ从零的区别后验分布。 v P和V r和他们之间的分歧(g)款后验分布。 请点击此处查看次的放大版本是图。

如上所述扩展模型的分层贝叶斯估计过程中施加。 (有关谁制作在第一届非常陡的心理曲线参与者,更小的SOA是在第二会话中使用。由此可以看出,例如,在最左边的曲线图图5c,它包含附加数据点在小的SOA。)由于更复杂的模型,从斯坦软件包强大的NUTS采样器在此分析了22采用。

在另一个实验中,探针的刺激可以具有比基准刺激不同的处理速度,即使在控制条件。在实验1,这是因为参加者可在相对于审判发病时间已拨出注意其预测的点。在实验2中,图像的反演是没有预料到完全删除操作空间物体的优势。在此信为本插入字幕实验,然而,与会者将甚至原则上不能识别它是探针和其中参考的刺激,因为相同的随机字母被用于与试验之间的时间和目标发病不允许结束目标类型。因此,真正的空挡控制条件预计以及w p在空档状态固定在0.5和τ在0。

如在图5c5d可看出,线索导致相比于其它实验的心理功能的实质性移。此外,作为53.27毫秒为线索目标受益如图后部曲线5f示出了τ估计。上的差异(“比较”行)的95%HDI排除所有的差异小于47.56(或大于57.73),使它们非常不可能的。

t“的>有趣的是,有利于uncued靶( 图5e)的注意力权重的变化。为W p的其模式在0.42的后验分布。0.5中性自重不包含在95%的HDI。对于C参数,有增加由4.69赫兹为注意条件。在v形参数( 图5F)表示,它是最显着的,在注意状态增大基准刺激的速率v R。

在前面的两个实验中,观察到的关注的操作增加了探针刺激的注意力重量。在本实验中,然而,该图案能够反映与靶的线索的干扰,从而减少在比赛中用于编码其速率。同时,从处理速度更快,由于τ参数的线索目标收益。后者可以被链接到线索目标的延迟之前的减少或之后指数种族。但是请注意,该有关τ,与uncued刺激相关联的延迟的延长解释的相对差同样出色。

Subscription Required. Please recommend JoVE to your librarian.

Discussion

本文中的协议描述如何进行简单TOJs,适合基于基本刺激编码模型的数据。三个实验演示了如何的结果可以以分层贝叶斯估计的框架进行评估,以评估的关注高度不同的物质刺激的影响。在显着弹出式显示屏导致增加的注意权重。此外,增加的重量估计在自然图像行动空间物体。然而,由于当空间关系被示出上下颠倒这样的图像干扰的持续优势,它很可能是另一个地方注意力益处导致重量增加。外围线索,如实验3中使用,表现出对注意力重量负面影响。然而,它导致在τ参数,该模型的编码处理的起始时间之间的延迟有很大的影响。

大部分的协议如下共同步骤在一般进行TOJs和感知实验。注意,但是,该结果在TVA方面的解释是依赖于编码该刺激成视觉短期记忆。由纯起始点检测执行TOJ的可能性应减少尽可能。因此,如在协议步骤1.2所提到的,这是至关重要的感兴趣的属性是自动编码(可假定为一定的刺激, 例如 ,显着弹出奏)或编码必须通过任务变得容易( 例如 ,报告了刺激同一性)。

这是明智的检查汇总原始数据(“探测第一”跨SOA的罪名被重复的次数除以)运行最终分析之前。此数据应遵循所示的代表性的结果部分的附图中的心理功能的S形曲线。注意,由于所述二项式分布的响应,数据点的随机LY与理想路径偏离。偏差与减少重复次数的增加。少重复,偏差通常相对较大,混淆理想S形。然而,如果图案清楚地从通常的曲线偏离,所述数学模型可能需要调整。例如,当观察到大的横向变化(如本文实验3),阿尔卡拉 - 昆塔纳和加西亚 - 佩雷斯的τ参数可以被包括在内。如果曲线不收敛到在其端部1和0,附加推移参数21可以增加。

这是可能的,在阿尔卡拉-昆塔纳和加西亚-佩雷斯21建议不同型号之间决定进行正式的模型进行比较。使用模型从在引言中概述的不同,但是,可能会影响到是否结果可以在TVA来解释。

在那里sults报道在这篇文章中,我们指出的估计差异的集中趋势与95%的人类发展指数一起。然而,在贝叶斯框架,能够接受或拒绝,有两个估计之间没有差别。为了这个目的,一个绳(实际意义的区域)必须指定11,13。绳子绕指零很小的范围内。在此范围内的值被认为几乎等于零。如果该绳不与HDI重叠,零假设被否决。有意义的ROPE限制取决于所研究的问题或应用程序。对比传统的手段TOJ分析中,基于TVA的方法可以指导建立有意义绳限制:由于它们的有意义的单位,参数可以与来自其他TVA范式估计( 例如 ,全报告,请参见参考文献3) 。此外,处理速度可以转换成编码杜口粮(刺激x的编码持续时间E X的期望值为1 /体积的x,见参考文献7),以告知ROPE限制。例如,如果研究人员感兴趣的注意操纵是否有助于在驾驶模拟为一个参与者的反应时间减少,他们可以推理如下:反应时间(包括马达组件)是在几百毫秒的范围内,因此中,如果注意操纵改变了总的反应只有几毫秒,这种变化将是几乎为零。因此,从-2至+2毫秒的绳可以应用于参考和探头编码的持续时间的差(Eř-E p)的 。如果这种差异的绳索完全包括HDI,结果没有差异可以接受。如果HDI和绳索不重叠,零假设被拒绝。如果两者都不是的情况下,没有这样的点可以判定。关于EVA贝叶斯的进一步细节在一般luation方法可以发现,例如,在Kruschke的书13。

至于更一般的问题,对于这个协议的成功,这是至关重要的,只有两个刺激生成在目标位置的时间信号。例如,外围线索(如在实验3)或掩模7导致不能由当前基于TVA模型来解释大的横向位移。这种情况并不少见,他们通过加入由阿尔卡拉-昆塔纳和加西亚-佩雷斯21建议的参数建模。在此扩展的模型中,τ组件不能被清楚地连接到一个TVA机制。有τ和TVA之间的暂定连接,但也存在一些尚未解决的问题。事实上,TVA假定编码开始前短暂的延迟。参数T 0,这是在绪论所探讨的是最大的无效曝光DUR通货膨胀这之前没有在所有的编码。该差t 0R -t 0P可以理解为τ。然而,叔0通常是小的,约10至20毫秒。此外,该理论并没有认为它是由注意力的影响。尽管如此,T 0的减少已经在字母识别7,24观察。如果接受这种可能性,必须作出进一步的承诺。参数τ是围绕50毫秒测量。鉴于t时线索刺激0P能最大限度地通过10至20毫秒,因为它是在第一个地方不较大下降,最τ的将来自提高uncued的吨0R至50至60毫秒。这个幅度是远远超出了有时会观察(约10毫秒)。随着τ的不明确关系TVA的后果,一些重要的问题不能回答。例如,它不能决定是否出席stimu的延迟李减少或如果这些无人值守的刺激都延长(导致观测τ差)。

上面提到的技术的局限性来自这一事实只有两个刺激被明确地与TVA建模产生。为了改善这一点,今后的研究目的是在基于TVA模型延伸到两个以上的刺激物。特别是,明确地TVA造型线索在线索TOJ是后来的研究25的重要目标。

该协议的优点是TOJ的任务,可以利用任意差不多刺激,通过TVA彻底的理论基础,而且贝叶斯评估方案的简单性。基于TVA模型是从传统的无模型的方法向前迈进了一大步。在过去,大多通用心理功能已被装配到TOJ数据。在他们的总结参数的变化PSS(主观同时性点)和DL(差值阈限;衡量鉴别性能)已与注意力的操作。有时,这些参数被过度解释。例如,它经常声称注意加速出席刺激处理,而它也可能是无人参与刺激减慢7的情况。除了这个弱点,这些参数是相当间接的。它们描述在任务的性能和不定性产生它的过程。 TOJs的基于模型的分析通过提供基于TVA有意义参数对这些缺点得到改善。

Subscription Required. Please recommend JoVE to your librarian.

Materials

Name Company Catalog Number Comments
Personal Computer
(Open Source) Experimentation and evaluation software

DOWNLOAD MATERIALS LIST

References

  1. Posner, M. I. Orienting of attention. Quarterly Journal of Experimental Psychology. 32, (1), 3-25 (1980).
  2. Van der Heijden, A., Wolters, G., Groep, J., Hagenaar, R. Single-letter recognition accuracy benefits from advance cuing of location. Perception & Psychophysics. 42, (5), 503-509 (1987).
  3. Bundesen, C. A theory of visual attention. Psychological Review. 97, (4), 523-547 (1990).
  4. Bublak, P., et al. Staged decline of visual processing capacity in mild cognitive impairment and Alzheimer's disease. Neurobiology of Aging. 32, (7), 1219-1230 (2011).
  5. Petersen, A., Kyllingsbæk, S., Bundesen, C. Measuring and modeling attentional dwell time. Psychonomic Bulletin & Review. 19, (6), 1029-1046 (2012).
  6. Vroomen, J., Keetels, M. Perception of intersensory synchrony: A tutorial review. Attention, Perception, & Psychophysics. 72, (4), 871-884 (2010).
  7. Tünnermann, J., Petersen, A., Scharlau, I. Does attention speed up processing? Decreases and increases of processing rates in visual prior entry. Journal of Vision. 15, (3), 1-27 (2015).
  8. Krüger, A., Tünnermann, J., Scharlau, I. Fast and conspicuous? Quantifying salience with the Theory of Visual Attention. Advances in Cognitive Psychology. 12, (1), 20 (2016).
  9. Bundesen, C., Habekost, T. Principles of Visual Attention: Linking Mind and Brain. Oxford University Press. Oxford, UK. (2008).
  10. Plummer, M. JAGS: A program for analysis of Bayesian graphical models using Gibbs sampling. Proceedings of the 3rd international workshop on distributed statistical computing. 124-125 (2003).
  11. Kruschke, J. K., Vanpaemel, W. Bayesian estimation in hierarchical models. The Oxford Handbook of Computational and Mathematical Psychology. Busemeyer, J., Townsend, J., Wang, Z. J., Eidels, A. 279-299 (2015).
  12. Mathôt, S., Schreij, D., Theeuwes, J. OpenSesame: An open-source, graphical experiment builder for the social sciences. Behavior Research Methods. 44, (2), 314-324 (2012).
  13. Kruschke, J. K. Doing Bayesian data analysis: A tutorial with R, JAGS, and Stan. 2nd, Academic Press. Boston, MA. (2015).
  14. Rensink, R. A., O'Regan, J. K., Clark, J. J. To see or not to see: The need for attention to perceive changes in scenes. Psychological Science. 8, (5), 368-373 (1997).
  15. Tünnermann, J., Krüger, N., Mertsching, B., Mustafa, W. Affordance estimation enhances artificial visual attention: Evidence from a change-blindness study. Cognitive Computation. 7, (5), 525-538 (2015).
  16. Shore, D. I., Klein, R. M. The effects of scene inversion on change blindness. The Journal of General Psychology. 127, (1), 27-43 (2000).
  17. Scharlau, I., Neumann, O. Temporal parameters and time course of perceptual latency priming. Acta Psychologica. 113, (2), 185-203 (2003).
  18. Schneider, K. A., Bavelier, D. Components of visual prior entry. Cognitive Psychology. 47, (4), 333-366 (2003).
  19. Scharlau, I., Neumann, O. Perceptual latency priming by masked and unmasked stimuli: Evidence for an attentional interpretation. Psychological Research. 67, (3), 184-196 (2003).
  20. Shore, D. I., Spence, C., Klein, R. M. Visual prior entry. Psychological Science. 12, (3), 205-212 (2001).
  21. Alcalá-Quintana, R., García-Pérez, M. A. Fitting model-based psychometric functions to simultaneity and temporal-order judgment data: MATLAB and R routines. Behavior Research Methods. 45, (4), 972-998 (2013).
  22. Hoffman, M. D., Gelman, A. The No-U-turn sampler: adaptively setting path lengths in Hamiltonian Monte Carlo. Journal of Machine Learning Research. 15, (1), 1593-1623 (2014).
  23. Lee, M. D., Wagenmakers, E. J. Bayesian cognitive modeling: A practical course. Cambridge University Press. Cambridge, UK. (2014).
  24. Vangkilde, S., Bundesen, C., Coull, J. T. Prompt but inefficient: Nicotine differentially modulates discrete components of attention. Psychopharmacology. 218, (4), 667-680 (2011).
  25. Tünnermann, J., Scharlau, I. Peripheral Visual Cues: Their Fate in Processing and Effects on Attention and Temporal-order. Front. Psychol. 7, (1442), (2016).

Comments

0 Comments


    Post a Question / Comment / Request

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

    Usage Statistics