Tiedot

EEG -elektrodien yhdistämisen sovellukset ja rajoitukset - keskiarvoistaminen eri aikasarjoissa

EEG -elektrodien yhdistämisen sovellukset ja rajoitukset - keskiarvoistaminen eri aikasarjoissa


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Onko olemassa kirjallisuutta, jossa on käsitelty elektrodien yhdistämistä? Onko erityisesti olemassa standardeja siitä, mitä altaita (esim. Etu-, keski-, taka- ja elektrodipareja) voitaisiin käyttää, tai erityisiä sovelluksia ja rajoituksia?

MUOKATA: "Yhdistämällä" viittaan menettelyyn, jossa uusia kanavia luodaan perustuen alkuperäisten dataelektrodien raakatietojen yhdistämiseen. Tämä on esikäsittelyvaihe, jota ei pidä sekoittaa varianssin yhdistämiseen tilastollista testausta varten.


Tämä tuntuu olevan melko tuskallinen terminologiaongelma.

"Yhdistämistä" käytetään tilastoissa kuvaamaan tietojen / eri tietolähteiden yhdistämistä yhteen malliin. Se on erityisen kiinnostunut hierarkkisista mallinnusmenetelmistä (esim. Sekavaikutteinen mallinnus) ja osittainen yhdistäminen - Yleisesti ottaen tietojen jakaminen ryhmien välillä mallissa hylättäessä ryhmien rakennetta- on ehkä yksi 1900-luvun regressiotekniikoiden suurista innovaatioista. Lisätietoja tästä aiheesta löytyy mm. Gelman ja Hill (2007).

Tässä mielessä kiinnostavien alueiden (ROI) käyttöä yksittäisten elektrodien sijaan kategorisena muuttujana voidaan pitää yhdistämismuotona - yhdistät tietolähteitä saadaksesi lisää tietoa, mutta menetät jonkin verran rakennetta matkan varrella. EEG: n rajallisen spatiaalisen resoluution ja vierekkäisten elektrodien välisen korkean korrelaation vuoksi keskiarvo ROI: ssa (ja tämä tapahtuu epäsuorasti, kun käytämme ROI: ta tekijänä ANOVA- tai regressiomalleissa - tässä on termi "regressio tarkoittaa "kotoisin", voi parantaa kykyämme nähdä ja havaita kohinasignaali (eli lisätä tilastollista tehoa). Paikallisen (erityisesti topografisen) resoluution karkeutuminen ei ehkä ole traagista, koska emme tällä hetkellä pysty tekemään tarkkoja alueellisia ennusteita. Maris (2004) ehdottaa vaihtoehtoista tapaa käsitellä topografiaa.

Tämä näyttää siltä, ​​että BrainVision Analyzer käyttää sanaa "pooling". Yhdistät useita datakanavia (elektrodeja) yhdeksi (ROI) keskiarvoistamisen avulla. Tämä on yksi niistä paikoista, joissa näet, että "kanava" ja "elektrodi" eivät ole täysin synonyymejä.

Muuten on muitakin tapoja yhdistää tietoja elektrodeista. EEG mittaa määritelmän mukaista jännitettä mahdollinen eroavaisuus. Kysymys tietysti on "ero mihin?" Perinteisissä tallennusasetuksissa sinulla on yksi vertailuelektrodi (tai ehkä muutama kytketty elektrodi, kuten linkitetyissä mastoideissa) ja mittaat mittauselektrodin ja referenssin välisen sähkökentän eron - tätä kutsutaan "yleiseksi viitteeksi". Joskus elektrodipari mitataan suhteessa toisiinsa "bipolaarisina elektrodeina". Tämä näyttää olevan yleisempi elektrookulogrammilla, ja sillä on se etu, että se tekee silmien liikkeet näkyvämmiksi. Sen haittana on, että olet tehokkaasti tehnyt yhden kanavan kahdesta ja ei voi tehdä eroa kahden alkuperäisen elektrodin välillä! Toinen haittapuoli on, että tekniikat, kuten riippumaton komponenttianalyysi (ICA), riippuvat yhteisestä viittauksesta taikuutensa tekemiseen, ja sellaisina kaksinapaiset elektrodit ovat ongelmallisia ICA: lle. Kehittyneempi vaihtoehto yhteisestä vertailusta on "keskimääräinen viite", jossa jännite mitataan kaikkien yleisten vertailuelektrodien keskimääräiseen jännitteeseen. Tämä vaikuttaa aluksi oudolta, mutta sillä on käyttötarkoituksensa ja se korostaa sitä, kuinka elektrodit eroavat toisistaan ​​(topografia). Mikä tahansa yhteinen viite voidaan laskea mistä tahansa muusta suhteellisen suoraviivaisen lineaarisen muunnoksen kautta. Lisätietoja tästä on Luck (2005, 2014).

Kaikki tämä viittauksilla varustettu asia on tärkeä, koska bipolaariset kanavat on mahdollista laskea offline-tilassa-ne ovat vain kahden tavallisen vertailuelektrodin ero. (Riippuen siitä, mistä elektrodista vähennät, saat eri merkin.) ERPLABin avulla voit yhdistää kanavia melko mielivaltaisilla tavoilla saadaksesi uusia. Jos käytät lineaarisia kanavayhdistelmiä, on melko yksinkertaista laskea, miltä yhdistetyn kanavan tilastot näyttävät verrattuna alkuperäisten tilastotietoihin, mutta mielivaltaisten yhdistelmien kohdalla tämä voi aiheuttaa hämmennystä melko nopeasti. Muuten, sijoitetun pääoman tuottoprosenttien rakentamista tai "yhdistämistä" BrainVision -analysaattorin mielessä voidaan pitää tämän erityistapauksena - lisäät useita kanavia yhteen ja jaat vakion (eli lasket keskiarvon), joka on lineaarinen muutos.

Lopuksi voit myös käyttää olemassa olevia kanavia simuloimaan puuttuvia tai huonoja kanavia - tätä kutsutaan interpoloinniksi. Hyvä interpolointi ottaa huomioon esimerkiksi päänahan kaarevuuden ja sähkökentän, ja on siten laskennallisesti monimutkaisempi, usein käyttämällä spline -tekniikoita. Yksinkertaisempi interpolointimenetelmä on yksinkertaisesti vierekkäisten elektrodien keskiarvon ottaminen (jossain mielessä mini-ROI: n rakentaminen!), Mutta tämä ei ole vain numeerisesti vähemmän tarkka, mutta siinä ei myöskään oteta huomioon sähkökenttien yhteenlaskuon liittyviä ongelmia (katso myös : vastaavat dipolit). Scott Makeigin vastalauseista huolimatta epäilen, että yhden elektrodin lineaarinen interpolointi toimisi varsin hyvin tiheässä kokoonpanossa. Mutta sitten taas, tiheässä kokoonpanossa, sinulla on yleensä varaa jättää yksi elektrodi pois analyysistäsi!

Jokaisessa edellä mainitussa tapauksessa - sijoitetun pääoman tuottoprosentin rakentaminen, mielivaltainen kanavien yhdistäminen, interpolointi - "yhdistät" tietyssä mielessä käytettävissä olevat tiedot. Et saa mitään tietoja, joita ei ollut olemassa (esim. Interpoloitu elektrodi ei todellakaan lisää paljon, jos mitään tilastollista tehoa analyysiisi), mutta saatat käyttää saamiasi tietoja tehokkaammin. Ja juuri tästä yhdistämisestä on kyse tilastoissa.

MUOKKAA (07.07.2015 05:51 UTC): ICA ja yleinen vs. bipolaarinen viite

Kuten huomautuksissa todetaan, ICA perustuu itse asiassa suhteellisen yleisiin oletuksiin, jotka ovat yleensä välinpitämättömiä referenssin valinnalle. Signaalien kannalta keskeinen olettamus on, että jokainen mitattu kanava on useiden komponenttien lineaarinen yhdistelmä (summat ja vakiokertoimet), joiden tyypillisesti katsotaan edustavan erilaisia ​​(neutraaleja) generaattoreita tai (EEG) lähteitä. Toisin sanoen ICA on eräänlainen sokeiden lähteiden erottelu (BSS), jota voidaan käyttää hajottamaan joukko (suoraan) mitattuja signaaleja joukkoon vaikuttavia lähteitä joidenkin lisäolettamusten perusteella. On olemassa monia erilaisia ​​BSS -tekniikoita, joista jokaisella on erilaiset oletukset / tavoitteet, ja siten jokainen vastaa hieman erilaisiin kysymyksiin. Esimerkiksi pääkomponenttien analyysi (PCA) edellyttää, että komponentit ovat ortogonaalinen, kun taas ICA edellyttää, että komponentit ovat riippumaton. Hieman yksinkertaistettuna PCA yrittää erottaa signaalin peräkkäisten "maksimaalisten" trendien suhteen, ja ICA yrittää erottaa signaalin sarjaksi erillisiä panoksia.

Tämä näkyy parhaiten seuraavassa kuvassa:

(Kuva otettu Jung et al. (2001).)

Ensimmäinen PCA: n tuottama komponentti on suurempi lävistäjä, joka selittää yleisen trendin $ y $ noususta $ x $ korotuksen osalta, kun taas toinen komponentti on "driftin" mitta tai korjaus yleiseen trendiin. Tärkeää on, että komponentit ovat suorassa kulmassa (ortogonaalinen) toisilleen. Yhdistä jokainen komponentti eri mittasuhteissa (esim. painot), pääset alkuperäiseen kahteen mittaussarjaan. ICA: ssa komponenttien ei tarvitse olla suorassa kulmassa toisiinsa nähden, ja tämän esimerkin tulos on komponentti jokaiselle visuaalisesti ilmeiselle ryhmälle.

Soveltamalla tätä EEG -tietoihin voimme nähdä referenssivalinnan jonkinlaisena sisäänrakennetuna "siirtymänä" mittauskanavalle. Tämä muuttaa talteen otettujen komponenttien painoja, mutta ei lopulta itse komponentteja. Tietojen muuttaminen yhdestä yleisestä viittauksesta toiseen on melko triviaalia, ja on myös melko triviaalia muuttaa komponenttien painojen muuntamista yhteisestä viittauksesta toiseen.

Nyt kun kanavilla on sekoitus viittauksia, asiat muuttuvat hieman mielenkiintoisemmiksi. Bipolaariset (mittaus) kanavat ovat edelleen lineaarisia EEG -lähteiden yhdistelmiä, mutta niillä on tuntemattomia poikkeamia. [1,2] Tämä ei ole ongelma ICA: lle itsessään - kuten @mmh huomautti kommenteissa - ja siten hajoaminen lähteiksi / komponenteiksi toimii. Suurempi ongelma on, että offset sotkee ​​hiukan painoja ja siten takaprojektiota; eli päänahkakarttojen luominen tulee jonkin verran vaikeammaksi ja tuloksena olevat päänahkakartat eivät ehkä ole tulkittavissa eivätkä ne voi olla lokalisoituja [1]. (Lisäksi bipolaariset kanavat pakkaavat tehokkaasti signaalin muutoksen kahdesta erillisestä avaruussijainnista yhdeksi ja menettävät siten osan topografiatiedoista, mikä on myös tärkeää esimerkiksi päänahkakarttojen kannalta.)

Viime kädessä tästä syystä EEGLAB Wikin virallinen neuvo on käyttää yhteistä viitettä kaikki kanavat, mukaan lukien silmäkanavat, koska voit aina luoda bipolaarisia kanavia yksinapaisista kanavista, mutta ei päinvastoin:

Suosittelemme nauhoittamaan silmäkanavia (perinteisesti neljä kanavaa, kaksi pystysuuntaista silmien liiketunnistusta ja kaksi vaakasuuntaista silmien liiketunnistusta varten) käyttämällä samaa referenssia kuin muut kanavat kaksisuuntaisten montaasien käyttämisen sijaan. Bipolaarisen montaasin aktiivisuuden voi aina palauttaa vähentämällä elektrodiparien aktiivisuudet. [2]

Työssäni ICA on todella mielenkiintoinen vain, jos voit luoda päänahkakarttoja tai suorittaa lähteen lokalisoinnin. On edelleen mahdollista tunnistaa (tietyntyyppiset) ongelmalliset komponentit ja poistaa ne (esim. Yksi meluisa elektrodi, mutta sitten voit usein tunnistaa sen ilman ICA: ta), mutta jos päänahan kartat eivät ole tulkittavissa, minulla olisi vakavia epäile elektrodista riippuvien komponenttien poistamista useista viitteistä-komponenttien poistaminen vähentää tehokkaasti komponenttiin liittyvää päänahkakarttaa mittaukseen liittyvistä päänahkakartoista, ja intuitio on, että tuloksena oleva ero ei välttämättä ole etsimäsi korjaus .

Tai lyhyemmin sanottuna Arnaud Delorme, yksi keskeisistä hahmoista ICA: n kehittämisessä ja soveltamisessa EEG -tietoihin, toteaa:

Bipolaarisen montaasin ICA ei ole informatiivinen. ICA yrittää mallintaa jokaisen kanavaviitteen siten, että yhteiset lähteet voidaan projisoida kaikkiin kanaviin lineaarisesti. [3]

ICA toimii bipolaaristen ja yleisten viittausten kanssa, mutta se vastaa eri kysymykseen kuin se, johon haluaisimme vastauksen.


Johdanto

Lapset tekevät parempia päätöksiä aistitiedoista vanhetessaan. He kykenevät havaitsemaan heikommat ärsykkeet ja tekemään hienovaraisemman syrjinnän ärsykkeiden välillä eri tehtävissä. Esimerkiksi visuaalisella alueella herkkyys kasvaa lapsuuden aikana avaruuden kontrastille (Bradley ja Freeman 1982 Ellemberg ym. 1999), globaalille liikkeelle (Gunn ym. 2002 Hayward ym. 2011 Hadad ym. 2011 Manning ym. 2014 ), biologinen liike (Hadad et al. 2011), nopeus (Manning et al. 2012) ja kasvotiedot (Bruce et al. 2000 Mondloch et al. 2003). Aistinvaraisen kehityksen tutkimukset keskittyvät tyypillisesti vastausten tarkkuuteen määrittelemällä herkkyys ärsyketasoksi tai ärsykekontrastiksi, joka tarvitaan suorituskyvyn ylläpitämiseen tietyllä oikean vastauksen tasolla (esim. 80% oikea kynnys). Samaan aikaan vastaamiseen kuluvaa aikaa ei oteta huomioon. Tässä lähestymistavassa ei hyödynnetä kaikkia saatavilla olevia tietoja, ja se tarkoittaa, että tulokset voivat saastuttaa ikään liittyviä eroja nopeuden ja tarkkuuden kompromisseissa (Ho et al. 2012 Wickelgren 1977).

Täällä analysoimme sekä tarkkuus- että vasteaikaa koskevia tietoja käyttämällä diffuusiomallin yksinkertaistettua 4-parametrista versiota (Ratcliff ja Rouder 1998 Ratcliff ja McKoon 2008 Stone 1960), joka hajottaa suorituskyvyn erillisiksi käsittelykomponenteiksi. Tämän mallin mukaan aistinvaraiseen tietoon vastaamiseen kuluva aika koostuu päätöksenteon ulkopuolisista prosesseista (mukaan lukien aistien koodaus ja toiminnan luominen) ja päätöksentekoprosessista. Päättämättömiin prosesseihin kuluva aika yhdistetään yhdeksi arvioksi päätöksentekoon liittymättömästä ajasta (τ). Päätösprosessi on mallinnettu stokastiseksi prosessiksi, jossa meluisaa aistitietoa kerätään kohti toista päätöstä, joka vastaa eri vastauksia (kuva   1). Suuntasyrjintätehtävässä rajat voivat vastata esimerkiksi ‘up ’ ja 𠆍own ’ vastauksia. Ajelehtimisprosentti kuvastaa kokeiden sisäistä todisteiden kertymisnopeutta (δ) (Kuva   1), joka määräytyy aistien todistusten laadun perusteella (esim. Korkeampi ajelehtimisnopeus saadaan, jos ärsykkeen signaali-kohinasuhde on suurempi) ja tarkkailijan herkkyys annettu ärsyke. Päätösrajojen välinen etäisyys kuvastaa vastauskriteeriä (eli kuinka paljon näyttöä tarvitaan vastauksen käynnistämiseksi). Laajemmat päätösrajat osoittavat lisääntynyttä varovaisuutta reagoida, kun taas kapeat päätösrajat osoittavat kiireellisyyttä. Jos päätöksentekoprosessin lähtökohta (β) (Kuva   1) on lähempänä toista päätöstä sidottu kuin toinen, mikä osoittaa vastauksen harhaa. Yksilöt voivat poiketa toisistaan ​​ajelehtimisnopeuksien, päätösrajojen, harhaluulojen ja päätöksentekoajan suhteen (samoin kuin näiden parametrien vaihtelevuudessa koko mallia sovittaessa). Siksi diffuusiomallinnus mahdollistaa yksilöiden tai ryhmien välisen eron lähteiden paremman tunnistamisen kuin pelkkää tarkkuutta tai vasteaikaa verrattaessa, samalla kun otetaan huomioon myös mahdolliset nopeustarkkuuden kompromissit (White et al. 2010).

Päätösprosessin esitys diffuusiomallissa. Meluisa leviämisprosessi, joka on lähtökohtana ja lähestyy toista kahdesta päätösrajasta, jotka vastaavat liikettä Ajelehtimisnopeus (δ) kuvastaa todisteiden kerääntymistä kohti päätöksenteon rajoja. Rajaerotus (α) edustaa kahden päätösrajan välistä etäisyyttä, ja suurempi erottaminen viittaa siihen, että vastausvarovaisuus lisääntyy. Lähtökohta (β) heijastaa puolueellisuutta toista päätöstä koskevasta rajoista (tässä, β on 0,5 eli lähtökohta on yhtä kaukana kahden rajan välillä)

Kun diffuusiomallia sovelletaan visuaalisen kehityksen poikkileikkaustutkimuksiin, ikään liittyvien erojen luonne voidaan tutkia tarkemmin. Erityisesti on mahdollista selvittää, osoittavatko pienet lapset herkkyyttä visuaalisille tiedoille aistinvaraisten todisteiden hitaamman kerääntymisen vuoksi, samalla kun hallitaan eroja kriteerien asettamisessa (päätösrajat) ja ei-päätösprosesseissa (Wagenmakers et al. 2007 White et al. 2010). Tämän mallinnusmenetelmän lisäetuna on, että tuloksena olevat käsittelykomponentit vastaavat todennäköisesti enemmän hermomekanismeja kuin tarkkuus- tai vasteaika (White ym. 2016 Forstmann ym. 2016), mikä helpottaa mahdollisesti yhteyksiä hermo- ja käyttäytymistietojen välillä visuaalisen kehityksen suhteen.

Diffuusiomalleja ei ole vielä rutiininomaisesti sovellettu lasten havaintokehityksen ymmärtämiseen ja ehkä siksi, että nämä mallit vaativat yleensä monia kokeita. Ratcliff et ai. (2012) sovittivat onnistuneesti levitysmallit tietoihin, jotka saatiin numerosyrjinnästä ja sanavarastoisista tehtävistä 8–16 -vuotiaiden ja#-vuotiaiden lasten ja nuorten keskuudessa 1200 kokeessa. Nuoret olivat vähemmän tarkkoja ja heillä oli pidempi vasteaika kuin aikuisilla osallistujilla. Diffuusiomallinnus osoitti, että nämä käyttäytymismuutokset johtuivat ikään liittyvistä eroista useissa malliparametreissa. Nuorten ajelehtimisnopeus oli alhaisempi kuin aikuisten, mikä tarkoittaa, että he saivat tietoa ärsykkeestä hitaammin. Heillä oli myös laajemmat vastausrajat ja pidempi päätöksentekoaika kuin aikuisilla sekä lisääntynyt vaihtelevuus päätöksentekoajalla. Tämä tulosmalli oli laadullisesti erilainen kuin ikääntymiseen liittyvä malli: vaikka ikääntyneillä aikuisilla oli myös laajemmat päätösrajat ja pidemmät päätöksentekoajat verrattuna nuorempiin aikuisiin, he eivät eronneet ajautumisasteistaan ​​(Ratcliff et al. 2004).

Viimeaikaiset metodologiset edistysaskeleet tarkoittavat sitä, että diffuusiomallit voidaan nyt sovittaa käyttämällä vähemmän kokeita. Hierarkiset lähestymistavat hyödyntävät tehokkaasti tilastollista rakennetta, joka on saatavilla kaikille osallistujille ja olosuhteille, niin että ryhmätason tiedot antavat arvioita yksittäisille osallistujille (Vandekerckhove ym. 2011 Wiecki ym. 2013). Verrattuna malleihin, jotka sopivat kunkin yksilön parametreihin erikseen, hierarkiset diffuusiomallit toimivat hyvin, varsinkin kun kokeilumäärät ovat alhaiset (Ratcliff ja Childers 2015). Siksi hierarkkisilla malleilla on selviä etuja pienten lasten arvioinnissa, joille ei voida saada laajoja koenumeroita. Niitä on todellakin käytetty arvioitaessa alle 3- ja# -vuotiaiden lasten suorituskykyä kielenkäsittelytehtävissä, vain 30 kokeessa (Nordmeyer ym. 2016 Schneider ja Frank 2016). Nämä havainnot viittaavat siihen, että pienillä lapsilla on matalammat ajelehtimisnopeudet, korkeampi rajaerotus ja pidemmät päätöksentekoajat kuin aikuisilla osallistujilla, Ratcliff et al. (2012).

Hierarkisissa malleissa on myös mahdollista tutkia malliparametrien ja neurofysiologisten mittausten välisiä suhteita sellaisilla tekniikoilla kuin elektroenkefalografia (EEG), toiminnallinen magneettikuvaus (fMRI) ja silmäseuranta (esim. Cassey ym. 2014, 2016 Turner ym. 2013) , 2015, 2017). Tällaisten toimenpiteiden sisällyttäminen malliin auttaa saamaan tietoa parametrien hermokorrelaateista ja yhdistämään aivot ja käyttäytymistiedot (Ratcliff ja McKoon 2008 Turner ym. 2016). Vaikka hermo- ja käyttäytymistietoja voidaan yhdistää useilla tavoilla (katso Turner ym. 2016 tarkasteltavaksi), tässä tutkimuksessa käytimme regressiomenetelmää, jossa malliparametrin kaltevuus (esim. Drift rate) on painotettuna neurofysiologisen mittauksen arvolla (Boehm et al. 2017). Tällaisten linkkien luominen on tärkeää sen varmistamiseksi, että diffuusiomallin parametrit ovat psykologisesti merkityksellisiä eivätkä vain abstrakteja käsitteitä. EEG on tässä yhteydessä erityisen hyödyllinen työkalu kahdesta syystä. Ensinnäkin sillä on hienorakeinen ajallinen resoluutio, joka mahdollistaa erillisten päätöksentekoprosessin osien irrottamisen (Kelly ja O 𠆜onnell 2015). Toiseksi, EEG tarjoaa kokonaisnäkemyksen aivotoiminnasta, joka täydentää nykyistä ymmärrystä päätökseen liittyvästä toiminnasta, joka on edustettuna laajasti koko aivoissa (Dmochowski ja Norcia 2015 Katz ym. 2016 Mulder ym. 2014).

Tämän tutkimuksen tarkoituksena on lisätä ymmärrystämme havainnollisesta päätöksenteosta koko lapsuuden ajan käyttämällä hierarkkisia diffuusiomalleja sekä käyttäytymiseen liittyvistä että elektrofysiologisista tiedoista. Tietojemme mukaan tämä on ensimmäinen tutkimus, jossa yhdistetään käyttäytymiseen liittyvät ja elektrofysiologiset mittaukset lasten diffuusiomalleissa, ja se antaa uusia näkemyksiä havaintokehityksen mekanismeista. Liikkeen johdonmukaisuustehtävää käytettiin kolmesta syystä. Ensinnäkin tätä tehtävää käytetään yleisesti päätöksentekotutkimuksissa, koska dynaamisen aistitodistuksen vahvuutta voidaan helposti käsitellä vaihtelevalla johdonmukaisuudella ja suhteellisen pitkillä vasteajoilla (Gold ja Shadlen 2007 Kelly ja O 𠆜onnell 2015 ). Toiseksi näitä tehtäviä on käytetty aiemmin lasten kanssa, ja niiden on osoitettu olevan herkkiä kehityksen muutoksille koko lapsuuden ajan (Gunn ym. 2002 Hayward ym. 2011 Hadad ym. 2011 Manning ym. 2014). Kolmanneksi, tätä tutkimusta käyttäen on tehty paljon tutkimuksia diffuusiomalliparametrien elektrofysiologisista korrelaateista (esim.Dmochowski ja Norcia 2015 Kelly ja O 𠆜onnell 2013).

Aluksi liikkeen koherenssitehtävää käytettiin apinoiden päätöksentekoprosessiin liittyvän yksisoluisen toiminnan tutkimiseen. Aktiivisuuden lisääminen soluissa lateraalisessa intraparietaalisessa aivokuoressa (LIP) seuraa aistinvaraisten todisteiden kerääntymistä. , 2001). Mediaalisen ajallisen (MT) kuoren solut aktivoituvat myös liikkeen koherenssitehtävän aikana (Shadlen ja Newsome 2001), mutta näiden solujen laukaisu heijastaa todennäköisimmin hetkellistä näyttöä, joka sitten integroidaan LIP: hen ajautumisnopeuden heijastamiseksi (Hanks et. al. 2006). Todisteiden kerääntymisaktiivisuus on osoitettu myös toisella parietaalialueella, mediaalisessa intraparietaalisessa (MIP) alueella, kun apinoita vaaditaan vastaamaan saavuttamalla (de Lafuente et al. 2015).

Päätöksentekoprosessien elektrofysiologisia korrelaatioita on tutkittu myös ihmisen tarkkailijoilla liikkeen koherenssitehtävien aikana käyttäen EEG: tä. Kelly ja O 𠆜onnell (2013) ilmoittivat, että keskusparietaalinen positiivisuus (CPP) heijasti todisteiden kerääntymistä ja kertyi enemmän, kun liikkeen koherenssi oli korkea. Dmochowski ja Norcia (2015) käyttivät hienovaraisesti erilaista liikkeenkäsittelytehtävää, jossa aistitodistuksen vahvuutta manipuloitiin lisäämällä vaihtelevuutta pisteiden suunnissa, ja tunnistivat CPP: n kaltaisen komponentin käyttämällä luotettavaa komponenttianalyysiä (Dmochowski et al. 2012, 2014) ). Kuten CPP, tämä komponentti oli maksimaalinen mediaalisen parietaalisen aivokuoren yli ja todisteista riippuvainen. Kirjoittajat tunnistivat kaksi lisäkomponenttia, joilla oli rappeuttavaa toimintaa ja joilla oli merkitystä päätöksentekoprosessin kannalta. Nämä aikuistutkimukset viittaavat diffuusiomalliparametrien ehdokashermoston korrelaatteihin tutkimuksessamme lasten kanssa.

Tutkimuksen tavoitteet

Tämän tutkimuksen tavoitteena oli karakterisoida ikään liittyviä muutoksia diffuusiomallin parametreissa. Odotimme, että ajautumisnopeudet lisääntyvät iän myötä aiempien raporttien mukaan ikään liittyvistä visuaalisen liikkeen herkkyyden lisääntymisistä lapsuuden aikana mitattuna käyttämällä psykofyysisiä kynnyksiä. Aikaisemmat tutkimukset, joissa levitettiin diffuusiomalleja lapsille ’ suorituskykyyn lukumäärän syrjinnässä, sanallisessa päätöksenteossa ja kielellisissä ymmärrystehtävissä, ovat osoittaneet, että lapsilla on korkeampi rajaerotus ja pidemmät päätösajat kuin aikuisilla yhdessä alhaisempien ajelehtimisasteiden kanssa (Nordmeyer ym. 2016 Ratcliff ym. 2012 Schneider ja Frank 2016). Tässä arvioimme, yleistyvätkö nämä havainnot visuaalisen liikkeen käsittelytehtävään. Tutkimme myös ikään liittyviä eroja hermokorrelaateissa käyttämällä tiheää EEG: tä. Aikuistutkimusten perusteella odotimme näkevän kiihtyvää aktiivisuutta centro-parietaalisissa elektrodeissa, mikä kuvastaa todisteiden kerääntymisnopeutta. Tavoitteenamme oli arvioida tämä suhde suoraan yhdistämällä malliparametrit elektrofysiologisiin mittauksiin käyttämällä Bayesin regressiomenetelmää (Boehm et al. 2017).


Eettiset julistukset

Eturistiriita

Kirjoittajat vakuuttavat, että heillä ei ole eturistiriitoja.

Eettinen hyväksyntä

Tämä projekti sai eettisen hyväksynnän Oxfordin yliopiston lääketieteellisten tieteiden välisestä tutkimusetiikan komiteasta (viite: R45543/RE001).

Suostumus osallistumiseen

Aikuiset osallistujat ja lasten osallistujien vanhemmat antoivat kirjallisen tietoisen suostumuksen ja lapset suullisen tai kirjallisen hyväksynnän.

Tietojen saatavuus

Esikäsitellyt EEG-tietojoukot ja diffuusion mallinnustiedostot, jotka on luotu ja analysoitu tämän tutkimuksen aikana, ovat saatavilla figshare-arkistossa: https://doi.org/10.6084/m9.figshare.c.5006684.

Koodin saatavuus

Kokeellinen koodi ja EEG-tiedostojen esikäsittelyskriptit ovat saatavilla osoitteessa https://osf.io/fkjt6/. Analyysikomentosarjat ovat saatavilla osoitteessa https://doi.org/10.6084/m9.figshare.c.5006684.


Abstrakti

Elektroenkefalografia (EEG), joka kerätään samanaikaisesti toiminnallisen magneettikuvauksen (fMRI) kanssa, vääristyy voimakkaasti toistuvan kaltevuuskelan vaihdon aikana fMRI -hankinnan aikana. Tyypillisen mallipohjaisen kaltevuusartefaktin vaimennusmenetelmän suorituskyky voi olla epäoptimaalinen, koska artefakti muuttuu ajan myötä. Kaltevuuden artefaktijäännökset estävät myös ballistokardiografian esineiden myöhemmän tukahduttamisen.

Tässä ehdotamme jatkuvan EEG: n tallentamista väliaikaisesti harvaan nopeaan fMRI: hen (nopea fMRI-EEG) minimoidaksesi MRI-gradienttikäämin vaihdon aiheuttamat EEG-artefaktit vaarantamatta merkittävästi fMRI: n näkökenttää ja spatiaalista ajallista resoluutiota. Käyttämällä samanaikaista usean viipaleen käänteistä kuvantamista koko aivojen fMRI: n saavuttamiseksi isotrooppisella 5 mm: n resoluutiolla 0,1 sekunnissa ja suorittamalla nämä hankinnat 2 sekunnin välein, meillä on 95% käyttöjaksosta käytettävissä EEG: n tallentamiseen huomattavasti pienemmällä kaltevuudella esine. Havaitsimme, että nopean fMRI-EEG: n EEG-signaalien keskihajonta koko hankinta-ajan aikana pieneni 54%: iin verrattuna tavanomaisen samanaikaisen kaiun tasomaisen kuvantamisen (EPI) ja EEG-tallennusten (EPI-EEG) eroihin osallistujien välillä. Kun mitattiin 15 Hz: n vakaan tilan visuaalisia herättämiä potentiaaleja (SSVEP), lähtötasolle normalisoitu värähtelevä hermovaste nopeassa fMRI-EEG-tutkimuksessa oli 2,5-kertainen EPI-EEG: hen verrattuna. EPI: n ja nopean fMRI: n rajaamaan SSVEP: hen liittyvät toiminnalliset MRI -vasteet olivat samanlaisia ​​alueellisessa jakautumisessa, aikaansaadussa aaltomuodossa ja havaitsemistehossa. Harvaan lomitettu nopea fMRI-EEG tarjoaa korkealaatuisen EEG: n heikentämättä olennaisesti fMRI: n laatua herätetyissä vastemittauksissa, ja sillä on potentiaalista hyötyä sovelluksissa, joissa kohdeärsykkeen alkamista ei voida tarkasti määrittää, kuten epilepsia.


Keskustelu

Käyttäytymistiedot

14 osallistujamme käyttäytymistietojen tilastollinen analyysi viittaa siihen, että vaikka käyttäytymiskyky sekä fMRI- että EEG -tutkimuksessa oli merkittävästi todennäköisempää, fMRI -tutkimuksen suorituskyky oli merkittävästi huonompi kuin EEG -tutkimuksessa. Toisena havaintona ei fMRI- tai EEG-tutkimuksessa ollut tilakohtaisia ​​vaikutuksia. Ensimmäinen havainto tarkoittaa, että osallistujat pystyivät käsittelemään ja ymmärtämään paradigman kaikki neljä ehtoa. FMRI- ja EEG-tutkimuksen suorituskyvyn ero voidaan selittää erilaisilla tehtävillä: fMRI-tutkimuksen vasteikkuna oli voimakkaasti aikarajoitteinen, kun taas EEG-tutkimuksessa ei. Koska osallistujat kykenevät käsittelemään ärsykkeitämme EEG -tutkimuksessa, olemme vakuuttuneita siitä, että fMRI -tutkimuksen tehtävä auttoi pitämään osallistujien huomion kohdistettuna lauseisiin, jolloin tulokset olivat päteviä. Vaikka toinen havainto voi periaatteessa puhua tasapainoisen suunnittelun puolesta ilman käsittelyongelmia, sitä on tulkittava varoen: aiemmissa tutkimuksissa on havaittu, että molemmat liittyvät etäisyyteen (Gibson, 1998 Gordon et ai., 2001 Lewis et al., 2006 ) ja järjestykseen liittyvät (R ösler et ai., 1998 Grodner ja Gibson, 2005) kuormituserot pääverbeissä lauseissa, jotka ovat verrattavissa nykyisiin ärsykkeisiin. Näin ollen vaihtoehtoisia selityksiä nollatulokselle ovat tilastollisen voiman puute rajoitetussa otoksessamme tai menetelmien herkkyyden puute kokeellisen tehtävän off-line-luonteen vuoksi.

FMRI -tulokset ja yhdistetyt analyysit

Rajoitetun otoksen fMRI-tulokset ovat yhdenmukaisia ​​aikaisemmin julkaistujen tietojen kanssa koko 24-osallistujaisesta otoksesta (Meyer et al., 2012b): TP-alue vaikuttaa herkältä argumenttien hakuvälineille, kun taas IFG vaikuttaa herkältä argumenttien uudelleenjärjestämiselle vaatii. Yleensä tämä on sopusoinnussa aiemmin ehdotetun prefrontaalisen argumentin ja#x02013 tilaukseen liittyvän aivotoiminnan riippumattomuuden kanssa työmuistiprosesseista lauseiden käsittelyn aikana (Caplan et ai., 2000 Fedorenko et al., 2011). Yhdistetyt fMRI �G -analyysit alaluokitellussa verbissä –, joka on tämän tutkimuksen pääpaino –, viittaavat siihen, että IFG-lähdeaktiviteetti tapahtuu suhteellisen myöhään, kun taas TP-alueen toiminta tapahtuu aikaisin. Vaikka hypoteesipohjainen aikaikkunamme TP-alueen aikakurssille ei tuottanut merkittävää eroa lyhyiden ja pitkien olosuhteiden välillä, huomaamme, että silmämääräinen tarkastus (ks. Kuva 4B) kertoi meille toisesta aikaisemmasta aikaikkunasta, jossa oli merkittävä ero (75 näytettä 35-180 ms). Tätä varten post hoc-valittu aikaikkuna, jonka löysimme t(13) = 2.57, s < 0,05 pitkäksi verrattuna lyhyeen argumenttiin –verbin etäisyydet (kuva 4B). Topografiset korrelaatioanalyysit osoittivat, että TP-alueen aktiivisuuspinnat ovat varhaisessa vasemmassa posteriorisessa positiivisuudessa, kun taas IFG-aktiivisuuspinnat vasemman etuosan myöhäisessä positiivisuudessa (kuvio 3). Sekä korrelaatio- että lähdetilan tulokset puhuvat IFG- ja TP-alueen dipolien uskottavan roolin puolesta havaittujen ERP-vastausten muodostamisessa: perustuu aiempiin raportteihin (Friederici ym., 2006 Novais-Santos et al., 2007) , ehdotamme, että IFG- ja TP-alueen rekonstruoidut lähdeaikakurssit, vastauksena alaluokitusverbiin, heijastavat varhaisen argumentinhaun (TP-alue) ja myöhäisen argumenttien uudelleenjärjestämisen (IFG) neuroanatomisten substraattien aktivointiajan kulkua. verbien alaluokittelu. Lisäksi ehdotamme, että anturitason fMRI- ja#x02013EEG-korrelaatiot heijastavat tätä toiminnallista hakua ja uudelleenjärjestystä. Seuraavassa keskustelemme jokaisesta TP-alueen ja IFG: n tuloksista yhdistetyistä analyyseistä, jotka liittyvät suoraan niihin liittyviin fMRI-vaikutuksiin.

Kuva 4. ERP-tietoisen dipoliaikakurssianalyysin tulokset MRI-lähdetilassa IFG (A)-ja TP-alueen (B) dipoleille. Pisteet aivojen renderöinneissä merkitsevät dipolien lopulliset sijainnit, joita vastaavat aaltomuodot kuvaavat rekonstruoituja suuria keskimääräisiä dipoliaikakursseja IFG: n läpi (A) ja TP-alue (B) dipolit. TP-alueelle valittiin varhainen aikaikkuna visuaalisen datatarkastuksen jälkeen, mikä osoittaa varhaisen eron lyhyen ja pitkän argumentin –verbi-etäisyyksien välillä, joka näkyy varhaisen vasemmanpuoleisena positiivisuutena (s < 0,05, korjaamaton). IFG näyttää myöhemmin eron subjekti-ensimmäisen ja kohteen-ensimmäisen argumenttijärjestyksen välillä, joka ilmaantuu myöhäisenä vasemmanpuoleisena etupositiivisuutena (s < 0,05, korjaamaton).

Varhainen TP-alueen toiminta: Argumenttien haku

Nykyiset fMRI-analyysit tukevat TP-alueen roolia argumenttien haussa, mikä on uskottavaa, kun otetaan huomioon aiemmat raportit vasemman SMG: n sekä alemman ja takaosan parietaalialueen roolista sanallisen haun aikana lauseiden käsittelyn ulkopuolella (Henson et ai., 1999 Buchsbaum et ai., 2001 Ravizza et ai., 2004, 2011). Takaosan STG: n on myös havaittu olevan aktiivinen sanalliseen tallentamiseen epäselvien lauseiden käsittelyn aikana, joilla on pitkiä aikavälejä yksiselitteistä tietoa varten (Novais-Santos et al., 2007). Lisäksi verbaaliseen työmuistiin liittyvää parietaalista aivotoimintaa on ehdotettu lähteeksi lauseiden käsittelyongelmille vanhuksilla (Grossman et al., 2002). Psykolingvistisestä näkökulmasta lisääntynyt TP-alueen aktiivisuus varastointi- ja hakuintensiivisten olosuhteidemme aikana voi heijastaa lisääntynyttä käsittelykuormaa vastustamaan lisääntynyttä muistin heikkenemistä (Gibson, 1998, 2000). Näiden havaintojen vastustamisen vuoksi lisätutkimukset viittaavat siihen, että BA 45 osallistuu prefrontaaliseen kuoreen verbaalisessa työmuistissa lauseiden käsittelyn aikana. Tämä lasketaan englanninkielisessä työssä, jossa pronominin sitoutumista verrattiin argumentti- ja#x02013 -verbiriippuvuuksiin (Santi ja Grodzinsky, 2007) tai argumentti- ja#x02013 -verbiriippuvuuksia upotettuihin lauseisiin (Santi ja Grodzinsky, 2010). Se laskee myös saksalaisen työn, joka käsittelee subjekti-argumentti – -verbietäisyyttä (Makuuchi et al., 2009), jolloin argumenttien ja#x02013 -verbiriippuvuuksien määrä vaihteli etäisyyden manipuloinnin eri tasoilla. Toinen saksalainen tutkimus Fiebach et al. (2005) löysi BA 45 -aktivoinnin, jossa objekti-ensimmäiset lauseet asetettiin vastakkain objektin pronominin (ja subjektin substantiivin) kanssa. Edellä mainittujen tutkimusten epäsymmetriset vertailut ovat saattaneet sisältää syntaktisesti toimivan muistijärjestelmän, joka eroaa muista verbaalitehtävissä käytetystä järjestelmästä (Fedorenko ym., 2006 Van Dyke, 2007), ja ehdotti tukeutumista BA 45: een (Caplan et al. ., 2000). Sitä vastoin nykyinen paradigma piti syntaktisen riippuvuuden tyypin vakiona kaikissa olosuhteissa.

Nykyiset yhdistetyt fMRI �G -analyysit osoittivat, että fMRI-analyysissä havaittu lisääntynyt TP-alueen aktiivisuus analysoi pintoja varhaisen vasemmanpuoleisen TP-positiivisuutena. Tämä vastaa hypoteesiamme, jonka mukaan pitkät argumenttien –verbin etäisyydet lisäävät argumenttien hakuvaihtoehtoja alaluokitellussa verbissä. Se, että riippumaton analyysi osoitti TP-alueen aktiivisuuden lähdetasolla tapahtuvan samanlaisen aikaikkunan aikana, tukee tätä tulkintaa. Ehdotamme, että yhdistetyt fMRI �G-tulokset tarjoavat mahdollisen yhteyden fMRI-todisteiden välillä TP-alueen osallistumisesta hakuun (Henson et ai., 1999 Buchsbaum et ai., 2001 Ravizza et al., 2004, 2011), ERP-havainnot varhaisista positiivisia vastauksia noutamisen aikana (Grossberg, 1984 Donchin ja Coles, 1988) ja psykolingvistinen työ lauseiden käsittelyalueelta, joka osoittaa lisääntyneitä argumenttien noutamisvaatimuksia verbien alaluokittelussa lauseiden käsittelyn aikana (Gibson, 1998, 2000). Lauseiden käsittelyalueen ulkopuolella on tehty aiempi vastaavanlainen ehdotus (Birbaumer et al., 1990), mutta fMRI �G -tutkimuksia, jotka ansaitsisivat suoran yhteyden, ei vielä ollut.

Tämä ehdotus on aiempien havaintojen mukainen: Friedman ym. Hakeminen aiheutti kahdenvälisen P300 -vasteen. Myöhempi työ epämääräisyyden ratkaisemiseksi verbien alaluokittelussa (Mecklinger et ai., 1995 Friederici et al., 1998) havaitsi parietaalisesti jakautuneen positiivisen vasteen noin 345 ms (P345), jonka amplitudi kasvoi, kun epäselvän argumentin tila oli tarkistettava kohteena ja jonka esiintyminen oli sidottu osallistujien ’ lukualueeseen. Mahdollisuus, että P345 lauseiden käsittelyn aikana indeksien noutamisen aikana on Phillips et ai. ’s (2005) -raportin mukainen varhaisesta positiivisuudesta argumentin aikana ja#x02013verbin riippuvuuden ratkaiseminen pääverbissä. Nämä lauseiden käsittelyraportit lähentyvät työtä lauseiden käsittelyalueen ulkopuolelta: Polich et al. (1983) raportoivat P300: n sävyhaun aikana, jonka latenssi korreloi positiivisesti numeroalueen testituloksiin. Ergen et ai. (2012) löysi vastaavia tuloksia kirjeiden noutolle (tarkasteltavaksi, katso Friedman ja Johnson, 2000 Polich, 2007 Rugg ja Curran, 2007). Tämänhetkisen positiivisuuden vielä lyhyempi viive voidaan havaita aiemmilla ehdotuksilla, joiden mukaan verbi-viimeisten kielten argumentti – -verbiriippuvuuden ratkaiseminen voidaan aloittaa ennen pääverbiä (Friederici ja Mecklinger, 1996 Aoshima et ai., 2004 Phillips et al. , 2005). Tämä on yhteensopiva Fiebachin ym. ’s (2001) havaintojen kanssa ennen verbaalista positiivisuutta, kun ratkaistaan ​​argumentteja ja#x02013 -verbiriippuvuuksia saksalaisissa lauseissa. Lisäksi tämä voi selittää, miksi TP-alueen dipoliaikakurssi osoitti vaikutuksen aikaikkunassa, joka oli ennakoitua aikaisempi.

Vaihtoehtoinen selitys varhaiselle topografiselle korrelaatiovaikutukselle ja siihen liittyvälle TP-alueen aikakurssille on, että nämä eivät muistuta P300: ta, vaan negatiivista ERP-komponenttia, jonka huippu on noin 400 ms (N400), ja joka on saatu klassisesti lisäämään semanttisia integrointitarpeita lauseiden käsittelyn aikana ( Van Petten, 1993 Van Petten ja Luka, 2012). Vähentynyt N400-amplitudi pitkään verrattuna lyhyeen argumenttiin Van Petten, 1993 Hagoort et ai., 2004). Riippumatta argumenttien ja verbin väliin tulevien ainesosien lisätiedoista, argumentin ja verbin etäisyyden lisääntyminen avaa aikaikkunan verrattain hitaille leksikaalisille assosiatiivisille mekanismeille (Konieczny, 2000 Spivey ym., 2002 Konieczny ja D öring, 2003) tai lauseen tyypin taajuuteen perustuvia mekanismeja (Levy, 2008) verbiennusteiden lisäämiseksi. Kolmesta syystä pidämme tätä tulkintaa kuitenkin epätodennäköisempänä: ensinnäkin N400: n aivokuoren generaattoreita esiintyy harvoin vasemmassa TP-alueella, mutta niihin liittyy pikemminkin keskikokoisia aivokuoria (Simos et ai., 1997 Johnson ja Hamm, 2000 Silva -Pereyra et ai., 2003 Maess et ai., 2006) tai vasen lateralisoitu keski- ja huonompi aivokuoren verkosto (Halgren et ai., 2002 tarkasteltavaksi, katso Lau et ai., 2008). Toiseksi, klassinen päänahan jakautuminen N400: ssa lauseiden käsittelyn aikana sisältää kahdenvälisiä parieto-occipital-antureita, joissa on lievä kallistuma oikealle pallonpuoliskolle (Kutas ja Van Petten, 1994 Lau et al., 2008). ERP -komponentilla, jossa havaitsimme vahvemman fMRI �G -korrelaation pitkään verrattuna lyhyeen argumenttiin –verbi -etäisyyksiin, oli kuitenkin selvästi vasen lateraalinen jakauma. Kolmanneksi, fMRI- ja#x02013EEG-differentiaalinen korrelaatio kauan kuin lyhyt argumentti –verbiriippuvuus ilmeni liian aikaisin leksikaalisen ja semanttisen vastauksen indeksoimiseksi.

Yhteenvetona on uskottavinta, että havaitun vasteen lyhyt latenssi liittyy argumentinhaun esisanaiseen aloittamiseen (Fiebach et ai., 2001 Phillips et al., 2005), jonka laukaisee esipää-kiinnitysmekanismi kuvattu aktiivisen täyteaineen hypoteesissa (Clifton ja Frazier, 1988 Frazier ja Clifton, 1989). Tämän hypoteesin mukaan työmuistiin tallennetut argumentit haetaan heti, kun aukon esiintyminen tulee selväksi.On kuitenkin mahdotonta, että semanttinen N400 -vastaus alaluokitellulle verbille tapahtuu ennen itse verbiä. Siitä huolimatta ajallinen päällekkäisyys lisääntyneen aukon käynnistämän haun liittyvän P300: n ja vähentyneen verbin käynnistämän leksikaaliseen aktivointiin liittyvän N400: n välillä on mahdollista myöhemmässä aikaikkunassa. Tämä on mahdollinen kompromissi työmuistiin rappeutumiseen perustuvien käsittelyteorioiden välillä, jotka ennustavat lisääntyneitä käsittelyvaikeuksia riippuvuusetäisyyden kasvaessa (Gibson, 1998, 2000 Lewis et ai., 2006), ja ennakointiin perustuviin käsittelyteorioihin, jotka ennustavat vähentyneitä käsittelyvaikeuksia riippuvuuden kasvaessa etäisyys (Konieczny ja D öring, 2003 Levy, 2008).

Myöhäinen IFG -toiminta: Argument Reordering

Nykyiset fMRI-tiedot osoittavat lisääntyneen aktivoinnin vasemmassa IFG: ssä kohde-ensimmäisenä verrattuna kohteen ensimmäisen argumenttimääritykseen, mikä on raportoitu aiemmassa heprean, saksan ja japanin kuvantamistyössä (Ben-Shachar et ai., 2003 Friederici et al. ., 2006 Kinno ym., 2008 Obleser et al., 2011), riippumatta työmuistivaatimuksista: argumentti –verbietäisyydet näissä tutkimuksissa käytetyissä objekti-ensimmäisissä lauseissa olivat identtisiä argumentin –verbin etäisyyksien kanssa ensimmäiset vastineet. Tämän vuoksi lisääntynyttä käsittelyvaikeutta tai lisääntynyttä IFG -aivojen aktivoitumista näissä tutkimuksissa ei voida pitää työmuistivaatimuksista, vaan voidaan pikemminkin laskea argumenttien uudelleenjärjestämistarpeisiin. Psykolingvistisestä näkökulmasta tämä tarkoittaa sitä, että argumenttien järjestysmuutokset lisäävät vaikeuksia ja aivojen aktivoitumista varastointitarpeisiin verrattuna (vrt. Lewis et al., 2006). Ennakointiin perustuvat jäsentämistilit voivat kuvata yllä olevien tutkimusten lisääntynyttä käsittelyvaikeutta verbin ennustettavuuden heikkenemisellä (vrt. Konieczny, 2000 Levy, 2008). Kuitenkin, kun otetaan huomioon kuvantamisraportit, että IFG: llä on rooli uudelleenjärjestyksessä lauseiden käsittelyn aikana (Ben-Shachar et ai., 2003 Friederici et al., 2006 Kinno et al., 2008 Obleser et al., 2011) ja lauseen ulkopuolella tapahtuvassa sekvensoinnissa käsittelyalueella (Gerton et ai., 2004 Clerget et al., 2011 Makuuchi et al., 2012), ehdotus toimeenpanoväitteen argumenttien uudelleenjärjestelymekanismista on uskottava kognitiivisen neurotieteen näkökulmasta.

Ottaen huomioon, että topografiset korrelaatiot osoittivat fMRI-tiedoissa havaitun IFG-aktiivisuuden myöhäisen vasemman etuosan positiivisuuden korrelaation, ehdotamme, että yhdistetty fMRI �G -analyysimme tarjoaa todisteita läheisestä suhteesta uudelleenjärjestelyyn liittyvän IFG-aktiivisuuden ja uudelleenjärjestelyyn liittyvän myöhäisen positiivisen ERP: n välillä noin 600 ms (P600). Vaikka IFG: n dipoliaikakurssin myöhäisvaikutus (katso kuva 4A) on tämän ehdotuksen mukainen, on hyvin epätodennäköistä, että IFG on P600: n yksittäinen generaattori: Service et al. (2007) ovat osoittaneet, että P600 -generaattorit voivat ulottua kahdenvälisestä keski -ajallisesta vasempaan huonompaan etugeneraattoriin osallistujien välillä. IFG-toiminta voi kuitenkin ainakin osittain selittää nykyisissä tiedoissa havaitut anturitason aikakurssit, ja sen osallistuminen johtuu suoraan lähdetason aikakursseista. Vaikka P600 -alueen vastauksia havaittiin ensin vastauksena syntaktisiin rikkomuksiin (Osterhout ja Holcomb, 1992, 1993 Friederici et ai., 1993 Hagoort et ai., 1993), myöhemmässä työssä havaittiin, että P600 -vastaus verbien alaluokittelussa esiintyy myös epäselviä lauseita. Nämä eivät sisällä rikkomuksia, vaan edellyttävät sen sijaan alkuperäisen tulkinnan tarkistamista (Friederici et al., 1998). Viime aikoina Kaan et ai. (2000) ehdotti tulkitsevansa P600: n yleiseksi syntaktisten käsittelyvaikeuksien indeksiksi, jossa aistillinen monimutkaisuus johti päänahan etuosan jakautumiseen ja tarkistusprosesseihin, jotka johtivat päänahan jakautumiseen (Kaan ja Swaab, 2003).

Vaikka edellä ehdotimme, että varhaiset posterioriset positiivisuudet heijastavat pikemminkin noutamista työmuistista, ehdotuksemme, jonka mukaan myöhäiset anterioriset P600 -vaikutukset voivat indeksoida argumenttien uudelleenjärjestyksen, on yhteensopiva Kaanin ja Swaabin (2003) ehdotuksen kanssa. Lisäksi uudelleenjärjestelyehdotus on R ösler et ai. Aikaisempien saksalaisten tietojen mukainen. (1998). Näiden tietojen perusteella Friederici et ai. (2002) raportoivat keskitetysti hajautetun P600: n objekti ensin -arvoon verrattuna verbien alaluokittelussa. Näiden aikaisempien vaikutusten ja nykyisen P600-vaikutuksen selittäminen hajoamisperusteisiin lauseidenkäsittelykehyksiin (Gibson, 1998, 2000 Lewis et al., 2006) –-toistumatta johtoryhmän uudelleenjärjestysmekanismiin –-on hankalaa: ärsykkeet piti argumentin –verbin etäisyyden –-ja näin ollen argumentin rappeutumisen määrän –-vakiona sekä aiheen ensimmäisen että objektin ensimmäisen lauseen poissulkemalla P600: n selityksen erilaisten hakuvaatimusten suhteen. Toiminnallisesta ja neurokuvantavasta näkökulmasta aivotiedot puhuvat uudelleenjärjestelymekanismin puolesta, joka voidaan jakaa eri kognitiivisten alojen välillä. Vaikka Levy ’s (2008) -lauseidenkäsittelytili saattaa heijastaa tätä vaikutusta, emme ehdota, että mikä tahansa uudelleenjärjestykseen tai sekvensointiin liittyvä IFG-aktivointi olisi vain suora heijastus korpustaajuuksista.

Nykyisten tulosten tulkinta myöhäiseen uudelleenjärjestelyyn liittyvien fronto-central P600 -komponenttien dissosiaation ja varhaiseen hakuun liittyvien posterioristen positiivisten ERP-vastausten suhteen on Vos et al. (2001). ERP-tutkimuksessaan he vertasivat objekti ensin ja subjekti ensin argumenttien järjestyksiä alaluokitellussa verbissä. Tutkijat löytävät lisääntyneen myöhäisen etuosan positiivisuuden kohde-ensiksi verrattuna aiheen ensimmäinen-argumenttitilauksiin vain matalan span osallistujille korkean span-osallistujille, kirjoittajat löytävät sen sijaan varhaisen posteriorisen positiivisuuden. Tämä dissosiaatio sopii tuloksiin, koska se voi heijastaa matalan alueen osallistujia ja#x02019 suhteellista riippuvuutta uudelleenjärjestämisprosesseista (P600: n indeksoimalla), kun taas korkean jakson osallistujat voivat luottaa suhteellisen voimakkaammin työmuistikapasiteettiinsa (kuten varhaisen positiivisuuden indeksoima) ).


Positronimikroskopia

IV.A Kuvaus ja toiminta

Keskustelemme TPM: n toiminnasta yksityiskohtaisesti havainnollistamalla joitakin positronien ainutlaatuisia ominaisuuksia. Ensimmäinen lähetyspositronimikroskooppi on esitetty kuvassa 2. Positronit 40 mCi, 5 mm halkaisijaltaan, 15 mg/cm 2-paksuisesta 22 Na-lähteestä, tulevat W-siipien joukkoon, jotka on hehkutettu 2200 ° C: ssa. Lähteen itsestään imeytymisestä aiheutuvien häviöiden jälkeen noin 4 × 10–4 lähteen lähettämistä positroneista lähetetään uudelleen 2 V: n energialla, kiihdytetään ja sitten tarkennetaan 7 × 105 5 positronin/s säteeseen. Tämä säde kuljetetaan taivutusmagneetille, joka kääntää sen 90 °: n läpi, ja sen jälkeen se fokusoidaan yhdensuuntaiseksi sädeksi, joka sitten kohdistuu pienen poikkeaman lauhdutinlinssiin. Lauhdutinlinssi tarkentaa säteen alas kohteen 1,7 mm: n halkaisijakohtaan 1,3 keV: n energialla. Kohteen läpi lähetetty e + kuvataan objektiivilinssillä ja sitten projektorin linssillä kolmilevyiselle CEMA-laitteelle, jossa on fosforinäyttöanodi. CEMA/fosfori-yhdistelmä muuntaa jokaisen e +: n 200 μm: n diam-valopisteeksi, joka havaitaan kuvan analysointijärjestelmällä (kuva 2). Järjestelmä lisää tapahtuman oikeaan muistipaikkaan 384 × 384-taulukossa digitaalisen signaalin keskiarvoistuksessa, joka mahdollistaa kuvan rakentamisen jopa 20–200 Hz: n taajuudella. Ilmaisimessa käytetty todellinen nopeus riippuu ilmaisimen kohinatasosta ja halutusta signaalin keskiarvoistamisajasta, ja lyhyemmät signaalin keskiarvoistusajat vaativat suurempia nopeuksia. Eq: n ennustama suurennus ja resoluutio. (1) tälle prototyypille TPM ovat M = 125 × ja R = 2,2 b μm. Käytännössä kohteen siirtohäviöt on otettava huomioon. Nämä häviöt johtavat pienempiin suurennuksiin ja siten muihin kuin yhtälön antamiin resoluutioihin. (1). TPM -prototyypissä havaittiin, että tyypilliset suurennukset olivat noin M = 55 ×, missä ennustettu resoluutio on R = 4 μm.

KUVA 2. Lähetyspositronimikroskooppi. [Van House, J. ja Rich, A. (1988). Phys. Lett. 60, 169–172.]

Kuvat, jotka saatiin käyttämällä TPM: ää, olivat polyvinyyliklooryyliasetaattikopolymeeri (V.Y.N.S.) -kalvoja, joiden paksuus oli alle 800 Å ja jotka oli tuettu 100 -viivalle, 82% läpäisevälle kupariverkolle. Ensimmäinen TPM -kuva on esitetty kuvassa 1. Se vaati 4 tunnin signaalin keskiarvon kertymistä. Suurennus kalibroitiin tunnetusta 250 μm: n verkkokaapelivälyksestä. Gauss -malli sopii yhden kuvion 1 verkkokaapelin histogrammiin sekä V.Y.N.S.: n kanssa että ilman sitä elokuva, tuotettu vastaavasti (virheet ovat tilastollisia), Rm = (9 ± 1) μm ja Rm = 4,2 ± 0,5 μm. Ensimmäinen mittaus osoittaa, että kohteen epäelastisesta sironnasta johtuvien kromaattisten poikkeamien vaikutukset heikentävät resoluutiota vain kertoimella tai kahdella. Tällainen vaikutus ei ole riittävän vakava estämään TPM: n käyttöä 1 keV: n energioilla, joissa odotetaan esiintyvän suurimmat uudet kontrastit, kuten myöhemmin käsitellään. Toinen mittaus osoittaa, että Eq. (1) on vahvistettu kokeelliseen virheeseen.

Mahdolliset resoluution arvot, jotka voidaan saavuttaa TPM: llä moderaattorin lähettämien positronien virrantiheyden funktiona, on esitetty kuvassa 3. Resoluution diffraktioraja saavutetaan virrantiheyksillä 1,6 × 10-8 A/cm 2. Tällaiset virrantiheydet ovat hyvin hitaiden positronisäteiden nykyisen teknologisen kehityksen ulottuvilla, jos tällaiset säteet hyödyntävät osassa I käsiteltyä kirkkauden parantamistekniikkaa.

KUVA 3. TPM: n resoluutio moderaattorin positronivirran tiheyden funktiona. Resoluution diffraktioraja on merkitty nuolella. [Van House, J. ja Rich, A. (1988). Phys. Lett. 60, 169–172.]


EEG -taajuusalueet / taajuusalueet

1. Delta -kaista (1 - 4 Hz)

Koska hitain ja korkein amplitudi aivoaalto, 1 - 4 Hz: n värähtelyt luonnehditaan delta -aalloiksi (Niedermeyer & amp da Silva, 2012). Delta-aallot ovat yleensä läsnä vain syvän ei-REM-unen aikana (vaihe 3), joka tunnetaan myös nimellä hidas aalto-uni (SWS). Unilaboratorioissa delta -kaistan tehoa tutkitaan unen syvyyden arvioimiseksi. Mitä voimakkaampi on delta -rytmi, sitä syvempi uni. Koska uni liittyy muistin vakauttamiseen, delta -taajuuksilla on keskeinen rooli biografisen muistin muodostumisessa ja sisäisessä järjestelyssä sekä hankittujen taitojen ja opitun tiedon.

2. Theta -kaista (4-8 Hz)

Aivojen värähtelyjä 4-8 Hz: n taajuusalueella kutsutaan teeta -alueeksi (Niedermeyer & amp da Silva, 2012). Tutkimukset raportoivat johdonmukaisesti edestä tapahtuvaa teeta -toimintaa, joka korreloi henkisten toimintojen vaikeuden kanssa, esimerkiksi keskittyneen huomion ja tiedonoton, käsittelyn ja oppimisen tai muistin muistamisen aikana. Theta -taajuudet tulevat näkyvämmiksi tehtävien vaikeuksien kasvaessa. Siksi teeta liittyy yleensä aivoprosesseihin, jotka ovat henkisen työtaakan tai työmuistin taustalla (Klimesch, 1996 O'Keefe & amp; Burgess, 1999 Schack, Klimesch, & amp; Sauseng, 2005). laajan verkoston tuottama, johon kuuluu mediaaliset prefrontal-alueet, keski-, parietaaliset ja mediaaliset ajalliset aivokuoret. Ilmeisesti teeta toimii kantoaaltotaajuutena kognitiiviselle prosessoinnille eri aivoalueilla, jotka ovat kauempana toisistaan ​​(Mizuhara, Wang, Kobayashi ja amp Yamaguchi, 2004).

3. Alpha -kaista (8-12 Hz)

Hans Berger löysi ensimmäisen kerran vuonna 1929. Alfa -aalloilla on useita toiminnallisia korrelaatteja, jotka heijastavat aisti-, moottori- ja muistitoimintoja. Näet lisääntynyttä alfa -bändin voimaa henkisen ja fyysisen rentoutumisen aikana silmät kiinni. Sitä vastoin alfa -teho heikkenee tai heikkenee henkisen tai ruumiillisen toiminnan aikana silmät auki. Alfa -tukahduttaminen muodostaa pätevän allekirjoituksen henkisen toiminnan ja sitoutumisen tiloista, esimerkiksi silloin, kun keskitytään mihin tahansa ärsykkeeseen (Pfurtscheller & amp Aranibar, 1977). Voisit myös sanoa, että alfa -tukahduttaminen osoittaa, että aivosi valmistautuvat keräämään tietoa eri aisteista, koordinoimaan huomioresursseja ja keskittymään siihen, mikä on todella tärkeää kyseisellä hetkellä.

4. Beta-kaista (12-25 Hz)

Värähtelyjä 12 - 25 Hz: n alueella kutsutaan yleisesti beetakaistan aktiivisuudeksi (Niedermeyer & amp da Silva, 2012). Tämä taajuus syntyy sekä taka- että etualueille. Aktiivisen, kiireisen tai ahdistuneen ajattelun ja aktiivisen keskittymisen tiedetään yleensä korreloivan suuremman beeta -tehon kanssa. Keskuskuoren yläpuolella (moottoriliuskaa pitkin) beeta -voima vahvistuu, kun suunnittelemme tai suoritamme liikkeitä, varsinkin kun tavoittaminen tai tarttuminen vaatii hienoja sormiliikkeitä ja keskittynyttä huomiota. Mielenkiintoista on, että tämä beetatehon kasvu on havaittavissa myös, kun tarkkailemme toisten kehon liikkeitä. Aivomme matkivat näennäisesti muiden raajojen liikkeitä, mikä osoittaa, että aivoissamme on monimutkainen "peilineuronijärjestelmä", jota beetaajuudet koordinoivat (Zhang et al., 2008).

5. Gamma -alue (yli 25 Hz)

Tällä hetkellä gammataajuudet ovat EEG -tutkimuksen mustia aukkoja, koska on edelleen epäselvää, missä tarkalleen aivojen gammataajuudet syntyvät ja mitä nämä värähtelyt heijastavat. Jotkut tutkijat väittävät, että gamma, kuten teeta, toimii kantoaaltona, joka sitoo esineen erilaiset aistinvaraiset vaikutelmat yhteen yhtenäiseen muotoon, mikä heijastaa tarkkaavaisuutta. Toiset väittävät, että gamma-taajuus on sivutuote muista hermoprosesseista, kuten silmänliikkeistä ja mikrosakkadista, eikä siksi heijasta kognitiivista käsittelyä ollenkaan. Tulevassa tutkimuksessa on käsiteltävä gamman roolia yksityiskohtaisemmin.


Korkeataajuinen hermotoiminta ja ihmisen kognitio: kallonsisäisen EEG-tutkimuksen menneisyys, nykyisyys ja mahdollinen tulevaisuus

Ihmisen kallonsisäinen EEG (iEEG) -tallennus suoritetaan ensisijaisesti epilepsiapotilailla esikirurgista kartoitusta varten. Kun potilaat suorittavat kognitiivisia tehtäviä, iEEG-signaalit paljastavat korkeataajuisia hermotoimintoja (HFA: t, noin 40 Hz-150 Hz), joilla on hieno anatomiset, toiminnalliset ja ajalliset spesifisyydet. Tällaiset HFA: t tulkittiin alun perin havainto- tai moottorisitoutumisen yhteydessä gamma-kaistan (40 Hz) hermosynkronointia koskevien eläinkokeiden mukaisesti. Nykyään ymmärryksemme HFA: sta on kehittynyt yleisemmäksi aivokuoren käsittelyn indeksiksi: tehtävien aiheuttama HFA paljastaa erinomaisella tila- ja aikatarkkuudella paikallisten hermoyhtyeiden osallistumisen tehtävään ja ehkä hermoviestintämekanismeja antaa heidän tehdä niin. Tämä katsaus tukee väitettä, jonka mukaan HFA: n tutkiminen iEEG: n avulla antaa tietoa kognition hermopohjista, joita ei voida johtaa yhtä helposti muista lähestymistavoista, kuten fMRI: stä. Tarjoamme sarjan esimerkkejä tämän väitteen tueksi, jotka on saatu muistia, kieltä ja oletustilaa koskevien verkkojen tutkimuksista ja onnistuneista reaaliaikaisen toiminnallisen kartoituksen yrityksistä. Näitä esimerkkejä seuraa useita ohjeita HFA -tutkimukselle, jotka on tarkoitettu uusille ryhmille, jotka ovat kiinnostuneita tästä lähestymistavasta. Kaiken kaikkiaan HFA: n iEEG -tutkimuksella pitäisi olla kasvava rooli ihmisten kognitiivisessa neurotieteessä, koska se voidaan nimenomaisesti yhdistää eläinten perustutkimukseen. Lopuksi keskustelemme tämän alan tulevasta kehityksestä, joka saattaa laajentaa roolia entisestään esimerkiksi käyttämällä moniastekoelektrodeja ja fuusioimalla iEEG MEG: n ja fMRI: n kanssa.

Kohokohdat

► Suurtaajuinen toiminta kallonsisäisessä EEG: ssä paljastaa ihmisen toiminnallisen verkon dynamiikan. ► Kallonsisäinen EEG yhdistää ihmisen toiminnallisen neurokuvan ja eläinten elektrofysiologian. ► Kallonsisäinen EEG voi tarjota keskeisiä testejä aivopohjaisista ihmisen kognitiomalleista. ► Ehdotettuja ohjeita kallonsisäisten EEG -tietojen analysoimiseksi kognitiivisten tehtävien aikana.


Katsaus piilevien muuttujien arvioimiseen käyttäytymisestä

Aiemmin käsitellyt EEG -käsittelyvaiheet johtavat hyödyllisiin ominaisuuksiin, jotka voivat myöhemmin liittyä käyttäytymiseen. Tässä osassa tarkastelemme lähestymistapoja piilevien kognitiivisten muuttujien integroimiseksi EEG: hen yhdistämistä varten seuraavissa vaiheissa. Esimerkiksi kategorisia muuttujia (esim. Pysyä vs. vaihtotutkimukset) käytetään kokeiden yhdistämiseen ryhmiin, joiden välillä hermosignaalia verrataan (Collins et ai., 2014), tai jatkuvia muuttujia (esim. Konfliktin määrä) voidaan käyttää EEG -signaalin yksittäiseen koeanalyysiin (Cohen ja Cavanagh, 2011). Tätä kategorista lähestymistapaa voidaan parantaa toteuttamalla kognitiivisen mallintamisen (eli käyttäytymisen laskennallisen mallintamisen) tekniikoita piilevien muuttujien arvioimiseksi kokeittain kokeittain ja yhdistämällä nämä toimenpiteet EEG: hen.

Laskennalliset käyttäytymismallit tarjoavat yleensä mekaanisen tai algoritmisen kuvauksen laskelmista, joita aivoissa voi tapahtua käyttäytymisen tueksi. Näillä malleilla on yleensä parametrit (esim. Ajelehtimisnopeus tai oppimisnopeus, katso lisätietoja alla), jotka modifioivat kvantitatiivisesti mallin tekemiä laskelmia. Mallien sovitustekniikoiden avulla voimme päätellä parametrit, jotka todennäköisimmin aiheuttavat havaitun käyttäytymisen. Kun mallille on määritetty joukko parametreja, on myös mahdollista saada piileviä muuttujia, jotka ovat osa malleja ’ -laskelmia, ja siten oletettavasti ovat taustalla olevat muuttujat, joita tarvitaan havaitun käyttäytymisen huomioon ottamiseksi.

Siten kognitiivinen mallinnus voi tarjota kahdenlaisia ​​etuja käyttäytymisen ja EEG -signaalin yhdistämiseksi. Ensinnäkin laskentamallien sovittaminen käyttäytymistietoihin antaa tutkijoille mahdollisuuden poimia malliparametreja, jotka oletettavasti liittyvät käyttäytymisen taustalla oleviin mekanismeihin. Nämä parametrit voivat sitten tallentaa vaihtelua (olosuhteiden tai yksilöiden välillä) paremmin kuin raaka käyttäytyminen. Toiseksi mallin sovittaminen mahdollistaa myös tutkijoiden poimia piileviä muuttujia, jotka oletettavasti heijastavat käyttäytymistä tukevia laskelmia. Nämä muuttujat voivat sitten olla parempia ehdokkaita heijastamaan koe-koke-hermosignaalia. Seuraavissa kappaleissa annamme yleiskatsauksen laskennallisesta mallinnusprosessista, jossa on nämä kaksi tavoitehyötyä, ja keskitymme kahteen keskeiseen esimerkkiin: drift diffusion modeling (DDM) havainnollista päätöksentekoa varten (Ratcliff, 1978 Ratcliff ja McKoon, 2008) ja vahvistaminen oppimisen (RL) mallinnus (Sutton ja Barto, 1998).

DDM on erityinen tapaus peräkkäisestä näytteenottomallista (SSM), johon tässä keskitymme. DDM: ää käytetään samanaikaisesti tarkkuuden ja reaktioaikojen havaintojen huomioon ottamiseen binäärisissä havainnointitehtävissä, kuten satunnaisten pisteiden liiketehtävissä (esim. Roitman ja Shadlen, 2002).Erityisesti DDM muodostaa päätöksen meluisaksi todisteiden keräämiseksi yhdelle kahdesta rajasta ja olettaa, että kun päätösmuuttuja saavuttaa rajan, tehdään vastaava valinta. DDM-parametrit parametroidaan yleensä kolmella parametrilla: päätöksentekoaika, drift rate ja kynnys. Päätöksenteko-aika heijastaa kiinteää ajanjaksoa, jonka aikana tietoja ei kerry mekaanisesti, ja se voi sisältää sekä alkuvaiheen viiveen että moottorin käskyn viiveen päätöksen tekemisen jälkeen. Ajelehtimisnopeus kuvastaa tiedon keräämisnopeutta tai jokaisen uuden todistuksen vahvuutta. Kynnysarvo osoittaa tason, jonka todisteet pitäisi saavuttaa ennen päätöksen tekemistä. Joskus muita parametreja sisällytetään DDM: ään kaapatakseen käyttäytymistä paremmin, esimerkiksi bias -termiä voidaan tarvita osallistujien kaappaamiseksi ja#x02019 taipumusta valita yksi vaihtoehto enemmän kuin toinen (katso kuva 5A).

Kuva 5. DDM- ja RL -malli. DDM: ssä sisään (A), yksittäiset jäljet ​​osoittavat useita esimerkkejä simuloidusta meluisasta todisteiden keräämisestä päätösten tekemiseksi (musta) tai väärin (punainen). Tuloksena oleva reaktioaikojen jakauma on piirretty oikeille (ylhäältä) ja väärille kokeille (alhaalta). DDM perustuu kolmeen pääparametriin —päätösttömyysaikaan, kynnykseen q, joka osoittaa rajat, joihin todisteet kerätään, ja ajelehtimisnopeuteen, joka osoittaa todisteiden kerääntymisnopeuden. Vuonna kuvatussa RLM: ssä (B), annetaan esimerkki 30 oppimiskokeen sarjasta, jossa vasen valinta palkitaan todennäköisyydellä s = 0,2 ja oikea todennäköisyydellä s = 0,8. Valinta- ja palkintohistorian (musta) perusteella laskentamalli tarjoaa kunkin vaihtoehdon oletetut arvot (V, punainen ja sininen jälki) ja oletetut palkkion ennustusvirheet (RPE, keltainen). Mallinnuksen piileviä muuttujia voidaan käyttää kokeilun analysointiin koejännitteen mukaan. Sisällä (C) Keskierontaelektrodien aktiivisuus korreloi oikeiden kokeiden RPE: iden kanssa (muokattu Collins ja Frank, 2016).

DDM -simulaatiot voivat osoittaa, kuinka parametrien muuttaminen muuttaa suorituskykyä ja reaktioaikoja eri olosuhteissa (esim. Oikeat ja väärät kokeet Ratcliff ja McKoon, 2008). Esimerkiksi korkeammalla kynnyksellä tarvitaan enemmän todisteita ennen päätöksentekoa, mikä on epätodennäköisempää melun vuoksi, joten havaittu käyttäytyminen on konservatiivisempaa: vähemmän virheitä ja pidemmät reaktioajat. Hitaammat ajelehtimisnopeudet tuottavat laadullisesti samanlaisen mallin, mutta määrällisesti erilaiset. Tarvitsemme siis kvantitatiivista menetelmää eri parametrien roolin erottamiseksi osallistujien havaitusta käyttäytymisestä. Mallin sovitusmenettely laskee sopivuuden, mallin kyvyn ennustaa valintojen jakautumisen ja reaktioajat kahden ehdon välillä tietylle parametrisarjalle ja yrittää sitten maksimoida tämän sovitusmitan löytääkseen parhaan parametrijoukon selittää käyttäytymisen. Asennus voidaan tehdä erikseen eri kohteille tai olosuhteille, ja sovitusparametrit voidaan sitten yhdistää hermosignaaliin —, esimerkiksi etuosan teeta -teho ja DDM -kynnys (Cavanagh et al., 2011).

Mallin sovitus voi myös tarjota pääteltyjä piileviä muuttujia, jotka perustuvat päätöksiin. Esimerkiksi oppimistehtävässä, jossa osallistujat oppivat valitsemaan parhaan kahdesta vaihtoehdosta todennäköisyysperäisen palautteen avulla (Frank et ai., 2004), kunkin vaihtoehdon päätelty oppima -arvo kussakin ajankohdassa on jatkuva kiinnostuksenmuuttuja, joka ei ole suoraan havaittavissa. RL -mallit olettavat, että osallistujat seuraavat arvioita Vt eri vaihtoehtojen arvosta kerrallaan tja että he päivittävät tämän arvion saadessaan palkinnon rt lisäämällä sitä osuudella palkinnon ennakointivirheestä (RPE) havaitun palkkion ja ennustetun palkkion välinen ero: rpe = rtVt. Oppimisnopeusparametri α ohjaa sitä, kuinka paljon estimaattia lisätään, jotta uusi arvio ajanhetkellä t + 1 on Vt+1 = Vt + αrpe. Valinta kahden vaihtoehdon välillä riippuu arvioiduista arvoista, ja sitä voidaan ohjata meluparametrilla (esim. Softmax -käänteinen lämpötila β, katso kuva 5B).

Parhaat parametrit osallistujalle voidaan saada samanlaisella mallin sovitusmenettelyllä kuin DDM: lle kuvattu. Kun parametrit on päätelty, tutkijat voivat päätellä laskentamallin määrittämien piilevien muuttujien sekvenssin, sovitusparametrit ja osallistujien valinta- ja palkitsemishistorian. Esimerkiksi todennäköisyysperusteisessa oppimistehtävässä voimme poimia odotettujen arvojen ja RPE -sekvenssin, jotka selittävät parhaiten osallistujien valinnat#. Nämä piilevät muuttujat voidaan sitten yhdistää hermosignaaliin kokeellisesti (esim. Collins ja Frank, 2016 ja kuva 5C), jolloin saadaan tietoa käyttäytymisen taustalla olevista laskennallisista mekanismeista.

Vaikka laskennallisten mallien käyttäminen käyttäytymisen analysointiin ja sen linkittäminen hermosignaaliin voi olla erittäin hyödyllistä, sillä on myös monia mahdollisia sudenkuoppia, jotka on pidettävä mielessä huolellisesti, ja useat menetelmät voivat lieventää niitä (Nassar ja Frank, 2016). Tärkein vaihe on mallin validointi. On mahdotonta olla varma, että tietty malli on hyvä mekanismi kiinnostavaa kognitiivista prosessia varten, mutta on tärkeää varmistaa, että se on kohtuullinen ehdokas. Mallin ja#x02019 hyvyyden suhteellinen mitta sisältää sen sopivuuden vertaamisen muihin ehdokasmalleihin. Kvantitatiivisissa vertailuissa on otettava huomioon mallin monimutkaisuus, koska monimutkaisemmat mallit ovat todennäköisemmin ylikapasiteettisia. Mallin ja#x02019 sopivuuden absoluuttisempi mitta edellyttää jälkikäteistä ennakoivaa tarkastusta: on tärkeää simuloida malli, joka perustuisi parhaiten sopiviin parametreihin, ja varmistaa, että simuloitu käyttäytymismalli vastaa laadullisesti osallistujan suorituskykyä.


Keskustelu

Tarjoamme täällä lisää todisteita siitä, että pienoiskoossa olevat EEG -elektrodit mahdollistavat merkityksellisten hermosignaalien tallentamisen. Tämä näytettiin aiemmin erikseen päänahalle (Nikulin et al. 2010) ja korvien paikoille (Kidmose et ai. 2012, 2013 Hoon Lee et al. 2014). Tutkimuksemme on ensimmäinen, joka käyttää identtisiä elektrodeja samanaikaisiin EEG -tallennuksiin molemmissa paikoissa, mikä helpottaa suoraa vertailua. Näytämme 12: lle tyypillistä online-BCI-sovellusta suorittavalle henkilölle, että mielekäs yhden koekokeen EEG ja kokeiden keskiarvoinen ERP voidaan tallentaa päänahan ja korvan kohdista miniatyyrisillä elektrodeilla.

Saamamme tulokset ovat yleisesti verrattavissa aikaisempaan tutkimukseen, jossa käytettiin päänahalle sijoitettuja klassisia EEG -elektrodeja elektrodikorkilla (De Vos et al. 2014b). Toisin kuin aikaisemmassa tutkimuksessa, olemme käyttäneet tässä kaikille osallistujille kiinteää määrää välähdyksiä, mikä vaikeuttaa virran suoraa vertailua edellisen tutkimuksen online -suorituskykyyn. Optimaalinen välähdysten määrä harjoitusjakson aikana ja luokittelutarkkuus olivat kuitenkin hyvin vertailukelpoisia tutkimusten välillä. Tämä korostaa BCI -sovellusten käyttöönoton yleistä toteutettavuutta.

P300 -amplitudi korvassa pieneni kaksi kertaa päänahan kanaviin verrattuna. Tämä amplitudin väheneminen on odotettavissa, koska korvaelektrodien välinen etäisyys on paljon pienempi kuin päänahan elektrodit. Kuitenkin signaalin amplitudin myötä myös kohinan amplitudi pieneni, mikä aiheutti samanlaisia ​​tehokokoja korvan ja päänahan EEG -tallennuksessa. Signaalin amplitudin pienentäminen ei ole haitallista, jos käytetään erittäin tarkkoja vahvistimia.

Vielä tärkeämpää on yksittäisten kanavien tietosisältö, kuten Hedgesin g ja R 2 -arvo oli vertailukelpoinen korkin ja korvan elektrodien välillä huolimatta korvakanavan amplitudin pienenemisestä. Tämä voidaan selittää SSVEP: n vähentyneellä vaikutuksella korvakäytäviin. On myös ilmeistä, että P300 saavutti huippunsa hieman myöhemmin korvakanaville, mikä saattaa heijastaa päänahan erilaista kulmaa verrattuna korvan kaksisuuntaisen kanavan suuntaukseen ja P300 -hermogeneraattoreihin. Tulevissa tutkimuksissa on tutkittava, voidaanko myös P300: ta vähemmän voimakkaita komponentteja tallentaa luotettavasti.

Minitonnielektrodit yhdessä baseball -korkin reunaan integroidun vahvistimen kanssa mahdollistavat piilotetun ja huomaamattoman EEG -tallennuksen. Henkilö, jolla on baseball -lippis (tai jokin muu päähine) ja/tai korvan EEG, ei erottu julkisesti, toisin kuin tavallisella EEG -korkilla. Tämä voi auttaa vähentämään EEG -korkin käyttämisen havaittua leimautumista ja siten lisäämään käyttäjän hyväksyntää käyttää EEG: tä sekä kotona että julkisesti. Tämä asetus mahdollistaa lisäksi EEG: n tallentamisen julkisesti (esim. Sosiaalisten vuorovaikutusten tutkimiseksi) mahdollisimman vähän häiritsemällä normaalia käyttäytymistä.

Vaikka korvan EEG: llä on lukuisia käytännön etuja päänahan EEG: hen nähden (Looney et al. 2011 Hoon Lee et al. 2014), on vielä osoitettava täysi potentiaali käyttää vain elektrodeja korvassa ja sen ympärillä. Kidmose et ai. (2013) raportoivat SSVEP: n ja ASSR: n korvan ja päänahan kanaville kahdeksalta osallistujalta sekä AEP: t ja VEP: t kolmen osallistujan alaryhmästä. Toisin kuin tutkimuksemme, he käyttivät erilaisia ​​elektrodeja päänahalle ja korvakäytäville. Nämä kirjoittajat ilmoittivat myös voimakkaasta amplitudin vähenemisestä noin 20 dB korvakanavalla verrattuna päänahan kanavan VEP- ja AEP -amplitudiin. Tämä suurempi amplitudin väheneminen verrattuna tutkimuksessamme havaittuun vaatimattomaan noin 4 dB: n amplitudin vähenemiseen voidaan selittää Kidmose -tutkimuksen korvaelektrodien pienemmällä etäisyydellä toisin kuin Kidmose, käytimme myös korvan ympärillä olevia elektrodeja. Kidmose ja kollegat raportoivat, että ERP -aaltomuodon yleinen muoto on verrattavissa päänahan ja korvakanavien välillä. Tietojemme mukaan korvan ja päänahan kanavat jakavat joitakin aaltomuotoja, mutta niissä on myös selviä eroja. Kun otetaan huomioon P300: n eri kortikaalilähteiden määrä (Debener et al. 2005 Linden 2005), on hyvin mahdollista, että tässä tutkimuksessa käytetty korvan EEG -kokoonpano ei ole herkkä kaikille P300 -kompleksiin vaikuttaville hermolähteille, koska HC -elektrodin suunta ja etäisyys käytettyyn vertailuelektrodiin. Miten tekijät kanavan numero, elektrodien etäisyys ja bipolaarinen kanavan suunta vaikuttavat herkkyyteen eri aivosignaalien tallentamiseen, on vielä tutkittava tulevissa tutkimuksissa.

Tässä tutkimuksessa olemme käyttäneet bipolaarisia elektrodijohdannaisia. Kukin korvakanava muodosti bipolaarisen parin korvan yläpuolella olevan elektrodin kanssa, kun taas jokainen korkkikanava muodosti bipolaarisen parin mastoidisen kanavan kanssa. Nämä elektrodiparit mittaavat potentiaalieroja ja ovat herkkiä hermolähteiden sijainnille ja suunnalle: Bipolaarinen pari, joka sijaitsee isopotentiaalilinjan poikki, on herkkä tietylle lähteelle, kun taas isopotentiaalilinjaa pitkin sijoitettu bipolaarinen pari ei ole (Nunez ja Srinivasan 2006). SSVEP: n pienempi vaikutus HC: hen verrattuna PZ: hen on mahdollisesti suora seuraus elektrodien suunnasta ja etäisyydestä suhteessa taustalla olevaan lähteeseen, jonka SSVEP: n voidaan olettaa sijaitsevan niskakappaleessa (Di Russo et ai. al. 2007). Tulevissa tutkimuksissa on tutkittava suhde elektrodiparien suuntausten välillä eri korvakäytävissä ja niiden herkkyys eri hermoprosesseille. Elektrodien etäisyyksien ja suuntausten tarkka tarkasteleminen 3D-elektrodien digitoinnin avulla olisi toivottavaa yhdessä hienorakeisen näytteenoton kanssa erilaisista bipolaarisista kanavakulmista ja etäisyyksistä korvassa ja sen ympärillä.

Ensisijainen tavoitteemme oli arvioida minielektrodien laatua eri tallennuspaikoissa pitäen muut tekijät vakiona. Koska odotimme absoluuttisten signaalin amplitudien olevan korva -alueilla pieniä (Kidmose et al. 2013), halusimme varmistaa, että vahvistimen amplituditarkkuus oli riittävä.

Edellisissä mobiili-EEG-tutkimuksissamme (esim. Debener et al. 2012) käytetyn 14-kanavaisen langattoman EEG-vahvistimen amplituditarkkuus (0,5 uV) ei riittänyt tukemaan riittävää korvan EEG-hakua, joten käytimme tavallista laboratoriopohjaista vahvistinta, jonka amplitudi oli parempi päätöslauselma nykyisessä tutkimuksessa. Nykyaikaiset huipputekniset mobiilit EEG-vahvistimet ovat kuitenkin tarkempia, ja niiden pitäisi pystyä havaitsemaan korvasivustojen signaalit myös todella liikkuvissa tallennusolosuhteissa.

Tulevien tutkimusten on osoitettava tämän tallennusjärjestelyn luotettavuus liikkeen aikana sen varmistamiseksi, että se soveltuu aivotoiminnan ei -invasiiviseen seurantaan päivittäisissä elämäntilanteissa (katso De Vos & Debener, 2014, tämän käsitteen tarkastelu). Omien tulosten perusteella (Debener ym. 2012 De Vos ym. 2014a) odotamme, että tallennukset liikkeen aikana ovat mahdollisia, jos seuraavat kriteerit täyttyvät: elektrodit on liitetty tiukasti vahvistimeen, elektrodien ja vahvistimen väliset kaapelit niin lyhyet kuin mahdollista, vahvistimet ja elektrodit liikkuvat yhdessä eivätkä erikseen, ja kaikilla elektrodeilla on vakaa kosketus ihoon niin, että elektrodien liike ihoon on minimoitu.

Tässä käyttämämme minielektrodit vaativat pienen määrän johtavaa geeliä. Epäilemättä kuivat elektrodit olisivat helpompi ja käyttäjäystävällisempi tapa tallentaa EEG (Taheri ym. 1994 Fonseca ym. 2007 Popescu ym. 2007 Gargiulo ym. 2010), mutta tällaiset elektrodit eivät näytä sietävän liikettä kovin hyvin. Tällä hetkellä saatavilla oleva EEG-kuivaelektroditekniikka ei näytä kovin sopivan korkealaatuisten EEG-signaalien sieppaamiseen kohteiden ollessa liikkeessä.

Tässä tutkimuksessa rajoittava tekijä oli suuri työmäärä, itse tehtyjen korvakorujen rajallinen kestävyys ja kohtuullinen käytettävyys. Tapa, jolla elektrodit asetettiin silikonikappaleeseen, teki niistä alttiita yhteysongelmille. Tulevia sovelluksia varten tarvitaan vankempi korvanappi, jossa on upotetut ja korvan ympärillä olevat elektrodit. Yhdistämällä korvan EEG-tekniikka kuulonsuojaukseen kehitettyyn itsekiinnittyvään korvakappaleetekniikkaan voi olla mahdollista valmistaa yksittäisiä EEG-korvakoruja ilman asiantuntijan apua. Mobiilisovellusten osalta on myös varmistettava, että elektrodit eivät liiku korvakäytävässä edes suun liikkuessa. Delnavazin ja Voix 2014: n työ viittaa siihen, että tällainen sijainti voi olla mahdollista tunnistaa ihmisten ulkokorvakäytävässä.


Kiitokset

Tätä työtä tukivat CMU BrainHUB ja osittain Systems on Nanoscale Information fabriCs (SONIC), yksi kuudesta SRC STARnet -keskuksesta, joita sponsoroi MARCO ja DARPA. M.B. tuettiin National Science Foundationin apurahalla (BCS-1354350). P.V. tuettiin osittain Henry L. Hillmanin presidentin apurahalla ja osittain Dowd -apurahalla Carnegie Mellonin yliopiston teknillisestä korkeakoulusta. Kirjoittajat haluavat kiittää Philip ja Marsha Dowdia taloudellisesta tuesta ja kannustuksesta. M.J.B. tuettiin CNBC: n perustutkinnon apurahalla laskennallisessa neurotieteessä. Kiitämme Shawn Kellyä ja Jeff Weldonia avusta EEG -korkin rakentamisessa, Austin Marcusia avusta tietojen keräämisessä ja Louis (Xiaowei) Kuangia avusta dekoodausanalyysissä.


Katsaus piilevien muuttujien arvioimiseen käyttäytymisestä

Aiemmin käsitellyt EEG -käsittelyvaiheet johtavat hyödyllisiin ominaisuuksiin, jotka voivat myöhemmin liittyä käyttäytymiseen. Tässä osassa tarkastelemme lähestymistapoja piilevien kognitiivisten muuttujien integroimiseksi EEG: hen yhdistämistä varten seuraavissa vaiheissa. Esimerkiksi kategorisia muuttujia (esim. Pysyä vs. vaihtotutkimukset) käytetään kokeiden yhdistämiseen ryhmiin, joiden välillä hermosignaalia verrataan (Collins et ai., 2014), tai jatkuvia muuttujia (esim. Konfliktin määrä) voidaan käyttää EEG -signaalin yksittäiseen koeanalyysiin (Cohen ja Cavanagh, 2011). Tätä kategorista lähestymistapaa voidaan parantaa toteuttamalla kognitiivisen mallintamisen (eli käyttäytymisen laskennallisen mallintamisen) tekniikoita piilevien muuttujien arvioimiseksi kokeittain kokeittain ja yhdistämällä nämä toimenpiteet EEG: hen.

Laskennalliset käyttäytymismallit tarjoavat yleensä mekaanisen tai algoritmisen kuvauksen laskelmista, joita aivoissa voi tapahtua käyttäytymisen tueksi. Näillä malleilla on yleensä parametrit (esim. Ajelehtimisnopeus tai oppimisnopeus, katso lisätietoja alla), jotka modifioivat kvantitatiivisesti mallin tekemiä laskelmia. Mallien sovitustekniikoiden avulla voimme päätellä parametrit, jotka todennäköisimmin aiheuttavat havaitun käyttäytymisen. Kun mallille on määritetty joukko parametreja, on myös mahdollista saada piileviä muuttujia, jotka ovat osa malleja ’ -laskelmia, ja siten oletettavasti ovat taustalla olevat muuttujat, joita tarvitaan havaitun käyttäytymisen huomioon ottamiseksi.

Siten kognitiivinen mallinnus voi tarjota kahdenlaisia ​​etuja käyttäytymisen ja EEG -signaalin yhdistämiseksi. Ensinnäkin laskentamallien sovittaminen käyttäytymistietoihin antaa tutkijoille mahdollisuuden poimia malliparametreja, jotka oletettavasti liittyvät käyttäytymisen taustalla oleviin mekanismeihin. Nämä parametrit voivat sitten tallentaa vaihtelua (olosuhteiden tai yksilöiden välillä) paremmin kuin raaka käyttäytyminen. Toiseksi mallin sovittaminen mahdollistaa myös tutkijoiden poimia piileviä muuttujia, jotka oletettavasti heijastavat käyttäytymistä tukevia laskelmia. Nämä muuttujat voivat sitten olla parempia ehdokkaita heijastamaan koe-koke-hermosignaalia. Seuraavissa kappaleissa annamme yleiskatsauksen laskennallisesta mallinnusprosessista, jossa on nämä kaksi tavoitehyötyä, ja keskitymme kahteen keskeiseen esimerkkiin: drift diffusion modeling (DDM) havainnollista päätöksentekoa varten (Ratcliff, 1978 Ratcliff ja McKoon, 2008) ja vahvistaminen oppimisen (RL) mallinnus (Sutton ja Barto, 1998).

DDM on erityinen tapaus peräkkäisestä näytteenottomallista (SSM), johon tässä keskitymme. DDM: ää käytetään samanaikaisesti tarkkuuden ja reaktioaikojen havaintojen huomioon ottamiseen binäärisissä havainnointitehtävissä, kuten satunnaisten pisteiden liiketehtävissä (esim. Roitman ja Shadlen, 2002). Erityisesti DDM muodostaa päätöksen meluisaksi todisteiden keräämiseksi yhdelle kahdesta rajasta ja olettaa, että kun päätösmuuttuja saavuttaa rajan, tehdään vastaava valinta. DDM-parametrit parametroidaan yleensä kolmella parametrilla: päätöksentekoaika, drift rate ja kynnys. Päätöksenteko-aika heijastaa kiinteää ajanjaksoa, jonka aikana tietoja ei kerry mekaanisesti, ja se voi sisältää sekä alkuvaiheen viiveen että moottorin käskyn viiveen päätöksen tekemisen jälkeen. Ajelehtimisnopeus kuvastaa tiedon keräämisnopeutta tai jokaisen uuden todistuksen vahvuutta. Kynnysarvo osoittaa tason, jonka todisteet pitäisi saavuttaa ennen päätöksen tekemistä. Joskus muita parametreja sisällytetään DDM: ään kaapatakseen käyttäytymistä paremmin, esimerkiksi bias -termi saattaa olla tarpeen osallistujien kaappaamiseksi ja#x02019 taipumus valita yksi vaihtoehto enemmän kuin toinen (katso kuva 5A).

Kuva 5. DDM- ja RL -malli.DDM: ssä sisään (A), yksittäiset jäljet ​​osoittavat useita esimerkkejä simuloidusta meluisasta todisteiden keräämisestä päätösten tekemiseksi (musta) tai väärin (punainen). Tuloksena oleva reaktioaikojen jakauma on piirretty oikeille (ylhäältä) ja väärille kokeille (alhaalta). DDM perustuu kolmeen pääparametriin —päätösttömyysaikaan, kynnykseen q, joka osoittaa rajat, joihin todisteet kerätään, ja ajelehtimisnopeuteen, joka osoittaa todisteiden kerääntymisnopeuden. Vuonna kuvatussa RLM: ssä (B), annetaan esimerkki 30 oppimiskokeen sarjasta, jossa vasen valinta palkitaan todennäköisyydellä s = 0,2 ja oikea todennäköisyydellä s = 0,8. Valinta- ja palkintohistorian (musta) perusteella laskentamalli tarjoaa kunkin vaihtoehdon oletetut arvot (V, punainen ja sininen jälki) ja oletetut palkkion ennustusvirheet (RPE, keltainen). Mallinnuksen piileviä muuttujia voidaan käyttää kokeilun analysointiin koejännitteen mukaan. Sisällä (C) Keskierontaelektrodien aktiivisuus korreloi oikeiden kokeiden RPE: iden kanssa (muokattu Collins ja Frank, 2016).

DDM -simulaatiot voivat osoittaa, kuinka parametrien muuttaminen muuttaa suorituskykyä ja reaktioaikoja eri olosuhteissa (esim. Oikeat ja väärät kokeet Ratcliff ja McKoon, 2008). Esimerkiksi korkeammalla kynnyksellä tarvitaan enemmän todisteita ennen päätöksentekoa, mikä on epätodennäköisempää melun vuoksi, joten havaittu käyttäytyminen on konservatiivisempaa: vähemmän virheitä ja pidemmät reaktioajat. Hitaammat ajelehtimisnopeudet tuottavat laadullisesti samanlaisen mallin, mutta määrällisesti erilaiset. Tarvitsemme siis kvantitatiivista menetelmää eri parametrien roolin erottamiseksi osallistujien havaitusta käyttäytymisestä. Mallin sovitusmenettely laskee sopivuuden, mallin kyvyn ennustaa valintojen jakautumisen ja reaktioajat kahden ehdon välillä tietylle parametrisarjalle ja yrittää sitten maksimoida tämän sovitusmitan löytääkseen parhaan parametrijoukon selittää käyttäytymisen. Asennus voidaan tehdä erikseen eri kohteille tai olosuhteille, ja sovitusparametrit voidaan sitten yhdistää hermosignaaliin —, esimerkiksi etuosan teeta -teho ja DDM -kynnys (Cavanagh et al., 2011).

Mallin sovitus voi myös tarjota pääteltyjä piileviä muuttujia, jotka perustuvat päätöksiin. Esimerkiksi oppimistehtävässä, jossa osallistujat oppivat valitsemaan parhaan kahdesta vaihtoehdosta todennäköisyysperäisen palautteen avulla (Frank et ai., 2004), kunkin vaihtoehdon päätelty oppima -arvo kussakin ajankohdassa on jatkuva kiinnostuksenmuuttuja, joka ei ole suoraan havaittavissa. RL -mallit olettavat, että osallistujat seuraavat arvioita Vt eri vaihtoehtojen arvosta kerrallaan tja että he päivittävät tämän arvion saadessaan palkinnon rt lisäämällä sitä osuudella palkinnon ennakointivirheestä (RPE) havaitun palkkion ja ennustetun palkkion välinen ero: rpe = rtVt. Oppimisnopeusparametri α ohjaa sitä, kuinka paljon estimaattia lisätään, jotta uusi arvio ajanhetkellä t + 1 on Vt+1 = Vt + αrpe. Valinta kahden vaihtoehdon välillä riippuu arvioiduista arvoista, ja sitä voidaan ohjata meluparametrilla (esim. Softmax -käänteinen lämpötila β, katso kuva 5B).

Parhaat parametrit osallistujalle voidaan saada samanlaisella mallin sovitusmenettelyllä kuin DDM: lle kuvattu. Kun parametrit on päätelty, tutkijat voivat päätellä laskentamallin määrittämien piilevien muuttujien sekvenssin, sovitusparametrit ja osallistujien valinta- ja palkitsemishistorian. Esimerkiksi todennäköisyysperusteisessa oppimistehtävässä voimme poimia odotettujen arvojen ja RPE -sekvenssin, jotka selittävät parhaiten osallistujien valinnat#. Nämä piilevät muuttujat voidaan sitten yhdistää hermosignaaliin kokeellisesti (esim. Collins ja Frank, 2016 ja kuva 5C), jolloin saadaan tietoa käyttäytymisen taustalla olevista laskennallisista mekanismeista.

Vaikka laskennallisten mallien käyttäminen käyttäytymisen analysointiin ja sen linkittäminen hermosignaaliin voi olla erittäin hyödyllistä, sillä on myös monia mahdollisia sudenkuoppia, jotka on pidettävä mielessä huolellisesti, ja useat menetelmät voivat lieventää niitä (Nassar ja Frank, 2016). Tärkein vaihe on mallin validointi. On mahdotonta olla varma, että tietty malli on hyvä mekanismi kiinnostavaa kognitiivista prosessia varten, mutta on tärkeää varmistaa, että se on kohtuullinen ehdokas. Mallin ja#x02019 hyvyyden suhteellinen mitta sisältää sen sopivuuden vertaamisen muihin ehdokasmalleihin. Kvantitatiivisissa vertailuissa on otettava huomioon mallin monimutkaisuus, koska monimutkaisemmat mallit ovat todennäköisemmin ylikapasiteettisia. Mallin ja#x02019 sopivuuden absoluuttisempi mitta edellyttää jälkikäteistä ennakoivaa tarkastusta: on tärkeää simuloida malli, joka perustuisi parhaiten sopiviin parametreihin, ja varmistaa, että simuloitu käyttäytymismalli vastaa laadullisesti osallistujan suorituskykyä.


EEG -taajuusalueet / taajuusalueet

1. Delta -kaista (1 - 4 Hz)

Koska hitain ja korkein amplitudi aivoaalto, 1 - 4 Hz: n värähtelyt luonnehditaan delta -aalloiksi (Niedermeyer & amp da Silva, 2012). Delta-aallot ovat yleensä läsnä vain syvän ei-REM-unen aikana (vaihe 3), joka tunnetaan myös nimellä hidas aalto-uni (SWS). Unilaboratorioissa delta -kaistan tehoa tutkitaan unen syvyyden arvioimiseksi. Mitä voimakkaampi on delta -rytmi, sitä syvempi uni. Koska uni liittyy muistin vakauttamiseen, delta -taajuuksilla on keskeinen rooli biografisen muistin muodostumisessa ja sisäisessä järjestelyssä sekä hankittujen taitojen ja opitun tiedon.

2. Theta -kaista (4-8 Hz)

Aivojen värähtelyjä 4-8 Hz: n taajuusalueella kutsutaan teeta -alueeksi (Niedermeyer & amp da Silva, 2012). Tutkimukset raportoivat johdonmukaisesti edestä tapahtuvaa teeta -toimintaa, joka korreloi henkisten toimintojen vaikeuden kanssa, esimerkiksi keskittyneen huomion ja tiedonoton, käsittelyn ja oppimisen tai muistin muistamisen aikana. Theta -taajuudet tulevat näkyvämmiksi tehtävien vaikeuksien kasvaessa. Siksi teeta liittyy yleensä aivoprosesseihin, jotka ovat henkisen työtaakan tai työmuistin taustalla (Klimesch, 1996 O'Keefe & amp; Burgess, 1999 Schack, Klimesch, & amp; Sauseng, 2005). laajan verkoston tuottama, johon kuuluu mediaaliset prefrontal-alueet, keski-, parietaaliset ja mediaaliset ajalliset aivokuoret. Ilmeisesti teeta toimii kantoaaltotaajuutena kognitiiviselle prosessoinnille eri aivoalueilla, jotka ovat kauempana toisistaan ​​(Mizuhara, Wang, Kobayashi ja amp Yamaguchi, 2004).

3. Alpha -kaista (8-12 Hz)

Hans Berger löysi ensimmäisen kerran vuonna 1929. Alfa -aalloilla on useita toiminnallisia korrelaatteja, jotka heijastavat aisti-, moottori- ja muistitoimintoja. Näet lisääntynyttä alfa -bändin voimaa henkisen ja fyysisen rentoutumisen aikana silmät kiinni. Sitä vastoin alfa -teho heikkenee tai heikkenee henkisen tai ruumiillisen toiminnan aikana silmät auki. Alfa -tukahduttaminen muodostaa pätevän allekirjoituksen henkisen toiminnan ja sitoutumisen tiloista, esimerkiksi silloin, kun keskitytään mihin tahansa ärsykkeeseen (Pfurtscheller & amp Aranibar, 1977). Voisit myös sanoa, että alfa -tukahduttaminen osoittaa, että aivosi valmistautuvat keräämään tietoa eri aisteista, koordinoimaan huomioresursseja ja keskittymään siihen, mikä on todella tärkeää kyseisellä hetkellä.

4. Beta-kaista (12-25 Hz)

Värähtelyjä 12 - 25 Hz: n alueella kutsutaan yleisesti beetakaistan aktiivisuudeksi (Niedermeyer & amp da Silva, 2012). Tämä taajuus syntyy sekä taka- että etualueille. Aktiivisen, kiireisen tai ahdistuneen ajattelun ja aktiivisen keskittymisen tiedetään yleensä korreloivan suuremman beeta -tehon kanssa. Keskuskuoren yläpuolella (moottoriliuskaa pitkin) beeta -voima vahvistuu, kun suunnittelemme tai suoritamme liikkeitä, varsinkin kun tavoittaminen tai tarttuminen vaatii hienoja sormiliikkeitä ja keskittynyttä huomiota. Mielenkiintoista on, että tämä beetatehon kasvu on havaittavissa myös, kun tarkkailemme toisten kehon liikkeitä. Aivomme matkivat näennäisesti muiden raajojen liikkeitä, mikä osoittaa, että aivoissamme on monimutkainen "peilineuronijärjestelmä", jota beetaajuudet koordinoivat (Zhang et al., 2008).

5. Gamma -alue (yli 25 Hz)

Tällä hetkellä gammataajuudet ovat EEG -tutkimuksen mustia aukkoja, koska on edelleen epäselvää, missä tarkalleen aivojen gammataajuudet syntyvät ja mitä nämä värähtelyt heijastavat. Jotkut tutkijat väittävät, että gamma, kuten teeta, toimii kantoaaltona, joka sitoo esineen erilaiset aistinvaraiset vaikutelmat yhteen yhtenäiseen muotoon, mikä heijastaa tarkkaavaisuutta. Toiset väittävät, että gamma-taajuus on sivutuote muista hermoprosesseista, kuten silmänliikkeistä ja mikrosakkadista, eikä siksi heijasta kognitiivista käsittelyä ollenkaan. Tulevassa tutkimuksessa on käsiteltävä gamman roolia yksityiskohtaisemmin.


Positronimikroskopia

IV.A Kuvaus ja toiminta

Keskustelemme TPM: n toiminnasta yksityiskohtaisesti havainnollistamalla joitakin positronien ainutlaatuisia ominaisuuksia. Ensimmäinen lähetyspositronimikroskooppi on esitetty kuvassa 2. Positronit 40 mCi, 5 mm halkaisijaltaan, 15 mg/cm 2-paksuisesta 22 Na-lähteestä, tulevat W-siipien joukkoon, jotka on hehkutettu 2200 ° C: ssa. Lähteen itsestään imeytymisestä aiheutuvien häviöiden jälkeen noin 4 × 10–4 lähteen lähettämistä positroneista lähetetään uudelleen 2 V: n energialla, kiihdytetään ja sitten tarkennetaan 7 × 105 5 positronin/s säteeseen. Tämä säde kuljetetaan taivutusmagneetille, joka kääntää sen 90 °: n läpi, ja sen jälkeen se fokusoidaan yhdensuuntaiseksi sädeksi, joka sitten kohdistuu pienen poikkeaman lauhdutinlinssiin. Lauhdutinlinssi tarkentaa säteen alas kohteen 1,7 mm: n halkaisijakohtaan 1,3 keV: n energialla. Kohteen läpi lähetetty e + kuvataan objektiivilinssillä ja sitten projektorin linssillä kolmilevyiselle CEMA-laitteelle, jossa on fosforinäyttöanodi. CEMA/fosfori-yhdistelmä muuntaa jokaisen e +: n 200 μm: n diam-valopisteeksi, joka havaitaan kuvan analysointijärjestelmällä (kuva 2). Järjestelmä lisää tapahtuman oikeaan muistipaikkaan 384 × 384-taulukossa digitaalisen signaalin keskiarvoistuksessa, joka mahdollistaa kuvan rakentamisen jopa 20–200 Hz: n taajuudella. Ilmaisimessa käytetty todellinen nopeus riippuu ilmaisimen kohinatasosta ja halutusta signaalin keskiarvoistamisajasta, ja lyhyemmät signaalin keskiarvoistusajat vaativat suurempia nopeuksia. Eq: n ennustama suurennus ja resoluutio. (1) tälle prototyypille TPM ovat M = 125 × ja R = 2,2 b μm. Käytännössä kohteen siirtohäviöt on otettava huomioon. Nämä häviöt johtavat pienempiin suurennuksiin ja siten muihin kuin yhtälön antamiin resoluutioihin. (1). TPM -prototyypissä havaittiin, että tyypilliset suurennukset olivat noin M = 55 ×, missä ennustettu resoluutio on R = 4 μm.

KUVA 2. Lähetyspositronimikroskooppi. [Van House, J. ja Rich, A. (1988). Phys. Lett. 60, 169–172.]

Kuvat, jotka saatiin käyttämällä TPM: ää, olivat polyvinyyliklooryyliasetaattikopolymeeri (V.Y.N.S.) -kalvoja, joiden paksuus oli alle 800 Å ja jotka oli tuettu 100 -viivalle, 82% läpäisevälle kupariverkolle. Ensimmäinen TPM -kuva on esitetty kuvassa 1. Se vaati 4 tunnin signaalin keskiarvon kertymistä. Suurennus kalibroitiin tunnetusta 250 μm: n verkkokaapelivälyksestä. Gauss -malli sopii yhden kuvion 1 verkkokaapelin histogrammiin sekä V.Y.N.S.: n kanssa että ilman sitä elokuva, tuotettu vastaavasti (virheet ovat tilastollisia), Rm = (9 ± 1) μm ja Rm = 4,2 ± 0,5 μm. Ensimmäinen mittaus osoittaa, että kohteen epäelastisesta sironnasta johtuvien kromaattisten poikkeamien vaikutukset heikentävät resoluutiota vain kertoimella tai kahdella. Tällainen vaikutus ei ole riittävän vakava estämään TPM: n käyttöä 1 keV: n energioilla, joissa odotetaan esiintyvän suurimmat uudet kontrastit, kuten myöhemmin käsitellään. Toinen mittaus osoittaa, että Eq. (1) on vahvistettu kokeelliseen virheeseen.

Mahdolliset resoluution arvot, jotka voidaan saavuttaa TPM: llä moderaattorin lähettämien positronien virrantiheyden funktiona, on esitetty kuvassa 3. Resoluution diffraktioraja saavutetaan virrantiheyksillä 1,6 × 10-8 A/cm 2. Tällaiset virrantiheydet ovat hyvin hitaiden positronisäteiden nykyisen teknologisen kehityksen ulottuvilla, jos tällaiset säteet hyödyntävät osassa I käsiteltyä kirkkauden parantamistekniikkaa.

KUVA 3. TPM: n resoluutio moderaattorin positronivirran tiheyden funktiona. Resoluution diffraktioraja on merkitty nuolella. [Van House, J. ja Rich, A. (1988). Phys. Lett. 60, 169–172.]


Abstrakti

Elektroenkefalografia (EEG), joka kerätään samanaikaisesti toiminnallisen magneettikuvauksen (fMRI) kanssa, vääristyy voimakkaasti toistuvan kaltevuuskelan vaihdon aikana fMRI -hankinnan aikana. Tyypillisen mallipohjaisen kaltevuusartefaktin vaimennusmenetelmän suorituskyky voi olla epäoptimaalinen, koska artefakti muuttuu ajan myötä. Kaltevuuden artefaktijäännökset estävät myös ballistokardiografian esineiden myöhemmän tukahduttamisen.

Tässä ehdotamme jatkuvan EEG: n tallentamista väliaikaisesti harvaan nopeaan fMRI: hen (nopea fMRI-EEG) minimoidaksesi MRI-gradienttikäämin vaihdon aiheuttamat EEG-artefaktit vaarantamatta merkittävästi fMRI: n näkökenttää ja spatiaalista ajallista resoluutiota. Käyttämällä samanaikaista usean viipaleen käänteistä kuvantamista koko aivojen fMRI: n saavuttamiseksi isotrooppisella 5 mm: n resoluutiolla 0,1 sekunnissa ja suorittamalla nämä hankinnat 2 sekunnin välein, meillä on 95% käyttöjaksosta käytettävissä EEG: n tallentamiseen huomattavasti pienemmällä kaltevuudella esine. Havaitsimme, että nopean fMRI-EEG: n EEG-signaalien keskihajonta koko hankinta-ajan aikana pieneni 54%: iin verrattuna tavanomaisen samanaikaisen kaiun tasomaisen kuvantamisen (EPI) ja EEG-tallennusten (EPI-EEG) eroihin osallistujien välillä. Kun mitattiin 15 Hz: n vakaan tilan visuaalisia herättämiä potentiaaleja (SSVEP), lähtötasolle normalisoitu värähtelevä hermovaste nopeassa fMRI-EEG-tutkimuksessa oli 2,5-kertainen EPI-EEG: hen verrattuna. EPI: n ja nopean fMRI: n rajaamaan SSVEP: hen liittyvät toiminnalliset MRI -vasteet olivat samanlaisia ​​alueellisessa jakautumisessa, aikaansaadussa aaltomuodossa ja havaitsemistehossa. Harvaan lomitettu nopea fMRI-EEG tarjoaa korkealaatuisen EEG: n heikentämättä olennaisesti fMRI: n laatua herätetyissä vastemittauksissa, ja sillä on potentiaalista hyötyä sovelluksissa, joissa kohdeärsykkeen alkamista ei voida tarkasti määrittää, kuten epilepsia.


Korkeataajuinen hermotoiminta ja ihmisen kognitio: kallonsisäisen EEG-tutkimuksen menneisyys, nykyisyys ja mahdollinen tulevaisuus

Ihmisen kallonsisäinen EEG (iEEG) -tallennus suoritetaan ensisijaisesti epilepsiapotilailla esikirurgista kartoitusta varten. Kun potilaat suorittavat kognitiivisia tehtäviä, iEEG-signaalit paljastavat korkeataajuisia hermotoimintoja (HFA: t, noin 40 Hz-150 Hz), joilla on hieno anatomiset, toiminnalliset ja ajalliset spesifisyydet. Tällaiset HFA: t tulkittiin alun perin havainto- tai moottorisitoutumisen yhteydessä gamma-kaistan (40 Hz) hermosynkronointia koskevien eläinkokeiden mukaisesti. Nykyään ymmärryksemme HFA: sta on kehittynyt yleisemmäksi aivokuoren käsittelyn indeksiksi: tehtävien aiheuttama HFA paljastaa erinomaisella tila- ja aikatarkkuudella paikallisten hermoyhtyeiden osallistumisen tehtävään ja ehkä hermoviestintämekanismeja antaa heidän tehdä niin. Tämä katsaus tukee väitettä, jonka mukaan HFA: n tutkiminen iEEG: n avulla antaa tietoa kognition hermopohjista, joita ei voida johtaa yhtä helposti muista lähestymistavoista, kuten fMRI: stä. Tarjoamme sarjan esimerkkejä tämän väitteen tueksi, jotka on saatu muistia, kieltä ja oletustilaa koskevien verkkojen tutkimuksista ja onnistuneista reaaliaikaisen toiminnallisen kartoituksen yrityksistä. Näitä esimerkkejä seuraa useita ohjeita HFA -tutkimukselle, jotka on tarkoitettu uusille ryhmille, jotka ovat kiinnostuneita tästä lähestymistavasta. Kaiken kaikkiaan HFA: n iEEG -tutkimuksella pitäisi olla kasvava rooli ihmisten kognitiivisessa neurotieteessä, koska se voidaan nimenomaisesti yhdistää eläinten perustutkimukseen. Lopuksi keskustelemme tämän alan tulevasta kehityksestä, joka saattaa laajentaa roolia entisestään esimerkiksi käyttämällä moniastekoelektrodeja ja fuusioimalla iEEG MEG: n ja fMRI: n kanssa.

Kohokohdat

► Suurtaajuinen toiminta kallonsisäisessä EEG: ssä paljastaa ihmisen toiminnallisen verkon dynamiikan. ► Kallonsisäinen EEG yhdistää ihmisen toiminnallisen neurokuvan ja eläinten elektrofysiologian. ► Kallonsisäinen EEG voi tarjota keskeisiä testejä aivopohjaisista ihmisen kognitiomalleista. ► Ehdotettuja ohjeita kallonsisäisten EEG -tietojen analysoimiseksi kognitiivisten tehtävien aikana.


Keskustelu

Tarjoamme täällä lisää todisteita siitä, että pienoiskoossa olevat EEG -elektrodit mahdollistavat merkityksellisten hermosignaalien tallentamisen. Tämä näytettiin aiemmin erikseen päänahalle (Nikulin et al. 2010) ja korvien paikoille (Kidmose et ai. 2012, 2013 Hoon Lee et al. 2014). Tutkimuksemme on ensimmäinen, joka käyttää identtisiä elektrodeja samanaikaisiin EEG -tallennuksiin molemmissa paikoissa, mikä helpottaa suoraa vertailua. Näytämme 12: lle tyypillistä online-BCI-sovellusta suorittavalle henkilölle, että mielekäs yhden koekokeen EEG ja kokeiden keskiarvoinen ERP voidaan tallentaa päänahan ja korvan kohdista miniatyyrisillä elektrodeilla.

Saamamme tulokset ovat yleisesti verrattavissa aikaisempaan tutkimukseen, jossa käytettiin päänahalle sijoitettuja klassisia EEG -elektrodeja elektrodikorkilla (De Vos et al. 2014b). Toisin kuin aikaisemmassa tutkimuksessa, olemme käyttäneet tässä kaikille osallistujille kiinteää määrää välähdyksiä, mikä vaikeuttaa virran suoraa vertailua edellisen tutkimuksen online -suorituskykyyn. Optimaalinen välähdysten määrä harjoitusjakson aikana ja luokittelutarkkuus olivat kuitenkin hyvin vertailukelpoisia tutkimusten välillä. Tämä korostaa BCI -sovellusten käyttöönoton yleistä toteutettavuutta.

P300 -amplitudi korvassa pieneni kaksi kertaa päänahan kanaviin verrattuna. Tämä amplitudin väheneminen on odotettavissa, koska korvaelektrodien välinen etäisyys on paljon pienempi kuin päänahan elektrodit. Kuitenkin signaalin amplitudin myötä myös kohinan amplitudi pieneni, mikä aiheutti samanlaisia ​​tehokokoja korvan ja päänahan EEG -tallennuksessa. Signaalin amplitudin pienentäminen ei ole haitallista, jos käytetään erittäin tarkkoja vahvistimia.

Vielä tärkeämpää on yksittäisten kanavien tietosisältö, kuten Hedgesin g ja R 2 -arvo oli vertailukelpoinen korkin ja korvan elektrodien välillä huolimatta korvakanavan amplitudin pienenemisestä. Tämä voidaan selittää SSVEP: n vähentyneellä vaikutuksella korvakäytäviin. On myös ilmeistä, että P300 saavutti huippunsa hieman myöhemmin korvakanaville, mikä saattaa heijastaa päänahan erilaista kulmaa verrattuna korvan kaksisuuntaisen kanavan suuntaukseen ja P300 -hermogeneraattoreihin. Tulevissa tutkimuksissa on tutkittava, voidaanko myös P300: ta vähemmän voimakkaita komponentteja tallentaa luotettavasti.

Minitonnielektrodit yhdessä baseball -korkin reunaan integroidun vahvistimen kanssa mahdollistavat piilotetun ja huomaamattoman EEG -tallennuksen. Henkilö, jolla on baseball -lippis (tai jokin muu päähine) ja/tai korvan EEG, ei erottu julkisesti, toisin kuin tavallisella EEG -korkilla. Tämä voi auttaa vähentämään EEG -korkin käyttämisen havaittua leimautumista ja siten lisäämään käyttäjän hyväksyntää käyttää EEG: tä sekä kotona että julkisesti. Tämä asetus mahdollistaa lisäksi EEG: n tallentamisen julkisesti (esim. Sosiaalisten vuorovaikutusten tutkimiseksi) mahdollisimman vähän häiritsemällä normaalia käyttäytymistä.

Vaikka korvan EEG: llä on lukuisia käytännön etuja päänahan EEG: hen nähden (Looney et al. 2011 Hoon Lee et al. 2014), on vielä osoitettava täysi potentiaali käyttää vain elektrodeja korvassa ja sen ympärillä. Kidmose et ai. (2013) raportoivat SSVEP: n ja ASSR: n korvan ja päänahan kanaville kahdeksalta osallistujalta sekä AEP: t ja VEP: t kolmen osallistujan alaryhmästä. Toisin kuin tutkimuksemme, he käyttivät erilaisia ​​elektrodeja päänahalle ja korvakäytäville. Nämä kirjoittajat ilmoittivat myös voimakkaasta amplitudin vähenemisestä noin 20 dB korvakanavalla verrattuna päänahan kanavan VEP- ja AEP -amplitudiin. Tämä suurempi amplitudin väheneminen verrattuna tutkimuksessamme havaittuun vaatimattomaan noin 4 dB: n amplitudin vähenemiseen voidaan selittää Kidmose -tutkimuksen korvaelektrodien pienemmällä etäisyydellä toisin kuin Kidmose, käytimme myös korvan ympärillä olevia elektrodeja. Kidmose ja kollegat raportoivat, että ERP -aaltomuodon yleinen muoto on verrattavissa päänahan ja korvakanavien välillä. Tietojemme mukaan korvan ja päänahan kanavat jakavat joitakin aaltomuotoja, mutta niissä on myös selviä eroja. Kun otetaan huomioon P300: n eri kortikaalilähteiden määrä (Debener et al. 2005 Linden 2005), on hyvin mahdollista, että tässä tutkimuksessa käytetty korvan EEG -kokoonpano ei ole herkkä kaikille P300 -kompleksiin vaikuttaville hermolähteille, koska HC -elektrodin suunta ja etäisyys käytettyyn vertailuelektrodiin. Miten tekijät kanavan numero, elektrodien etäisyys ja bipolaarinen kanavan suunta vaikuttavat herkkyyteen eri aivosignaalien tallentamiseen, on vielä tutkittava tulevissa tutkimuksissa.

Tässä tutkimuksessa olemme käyttäneet bipolaarisia elektrodijohdannaisia. Kukin korvakanava muodosti bipolaarisen parin korvan yläpuolella olevan elektrodin kanssa, kun taas jokainen korkkikanava muodosti bipolaarisen parin mastoidisen kanavan kanssa. Nämä elektrodiparit mittaavat potentiaalieroja ja ovat herkkiä hermolähteiden sijainnille ja suunnalle: Bipolaarinen pari, joka sijaitsee isopotentiaalilinjan poikki, on herkkä tietylle lähteelle, kun taas isopotentiaalilinjaa pitkin sijoitettu bipolaarinen pari ei ole (Nunez ja Srinivasan 2006). SSVEP: n pienempi vaikutus HC: hen verrattuna PZ: hen on mahdollisesti suora seuraus elektrodien suunnasta ja etäisyydestä suhteessa taustalla olevaan lähteeseen, jonka SSVEP: n voidaan olettaa sijaitsevan niskakappaleessa (Di Russo et ai. al. 2007). Tulevissa tutkimuksissa on tutkittava suhde elektrodiparien suuntausten välillä eri korvakäytävissä ja niiden herkkyys eri hermoprosesseille. Elektrodien etäisyyksien ja suuntausten tarkka tarkasteleminen 3D-elektrodien digitoinnin avulla olisi toivottavaa yhdessä hienorakeisen näytteenoton kanssa erilaisista bipolaarisista kanavakulmista ja etäisyyksistä korvassa ja sen ympärillä.

Ensisijainen tavoitteemme oli arvioida minielektrodien laatua eri tallennuspaikoissa pitäen muut tekijät vakiona. Koska odotimme absoluuttisten signaalin amplitudien olevan korva -alueilla pieniä (Kidmose et al. 2013), halusimme varmistaa, että vahvistimen amplituditarkkuus oli riittävä.

Edellisissä mobiili-EEG-tutkimuksissamme (esim. Debener et al. 2012) käytetyn 14-kanavaisen langattoman EEG-vahvistimen amplituditarkkuus (0,5 uV) ei riittänyt tukemaan riittävää korvan EEG-hakua, joten käytimme tavallista laboratoriopohjaista vahvistinta, jonka amplitudi oli parempi päätöslauselma nykyisessä tutkimuksessa. Nykyaikaiset huipputekniset mobiilit EEG-vahvistimet ovat kuitenkin tarkempia, ja niiden pitäisi pystyä havaitsemaan korvasivustojen signaalit myös todella liikkuvissa tallennusolosuhteissa.

Tulevien tutkimusten on osoitettava tämän tallennusjärjestelyn luotettavuus liikkeen aikana sen varmistamiseksi, että se soveltuu aivotoiminnan ei -invasiiviseen seurantaan päivittäisissä elämäntilanteissa (katso De Vos & Debener, 2014, tämän käsitteen tarkastelu). Omien tulosten perusteella (Debener ym. 2012 De Vos ym. 2014a) odotamme, että tallennukset liikkeen aikana ovat mahdollisia, jos seuraavat kriteerit täyttyvät: elektrodit on liitetty tiukasti vahvistimeen, elektrodien ja vahvistimen väliset kaapelit niin lyhyet kuin mahdollista, vahvistimet ja elektrodit liikkuvat yhdessä eivätkä erikseen, ja kaikilla elektrodeilla on vakaa kosketus ihoon niin, että elektrodien liike ihoon on minimoitu.

Tässä käyttämämme minielektrodit vaativat pienen määrän johtavaa geeliä. Epäilemättä kuivat elektrodit olisivat helpompi ja käyttäjäystävällisempi tapa tallentaa EEG (Taheri ym. 1994 Fonseca ym. 2007 Popescu ym. 2007 Gargiulo ym. 2010), mutta tällaiset elektrodit eivät näytä sietävän liikettä kovin hyvin. Tällä hetkellä saatavilla oleva EEG-kuivaelektroditekniikka ei näytä kovin sopivan korkealaatuisten EEG-signaalien sieppaamiseen kohteiden ollessa liikkeessä.

Tässä tutkimuksessa rajoittava tekijä oli suuri työmäärä, itse tehtyjen korvakorujen rajallinen kestävyys ja kohtuullinen käytettävyys. Tapa, jolla elektrodit asetettiin silikonikappaleeseen, teki niistä alttiita yhteysongelmille. Tulevia sovelluksia varten tarvitaan vankempi korvanappi, jossa on upotetut ja korvan ympärillä olevat elektrodit. Yhdistämällä korvan EEG-tekniikka kuulonsuojaukseen kehitettyyn itsekiinnittyvään korvakappaleetekniikkaan voi olla mahdollista valmistaa yksittäisiä EEG-korvakoruja ilman asiantuntijan apua. Mobiilisovellusten osalta on myös varmistettava, että elektrodit eivät liiku korvakäytävässä edes suun liikkuessa. Delnavazin ja Voix 2014: n työ viittaa siihen, että tällainen sijainti voi olla mahdollista tunnistaa ihmisten ulkokorvakäytävässä.


Eettiset julistukset

Eturistiriita

Kirjoittajat vakuuttavat, että heillä ei ole eturistiriitoja.

Eettinen hyväksyntä

Tämä projekti sai eettisen hyväksynnän Oxfordin yliopiston lääketieteellisten tieteiden välisestä tutkimusetiikan komiteasta (viite: R45543/RE001).

Suostumus osallistumiseen

Aikuiset osallistujat ja lasten osallistujien vanhemmat antoivat kirjallisen tietoisen suostumuksen ja lapset suullisen tai kirjallisen hyväksynnän.

Tietojen saatavuus

Esikäsitellyt EEG-tietojoukot ja diffuusion mallinnustiedostot, jotka on luotu ja analysoitu tämän tutkimuksen aikana, ovat saatavilla figshare-arkistossa: https://doi.org/10.6084/m9.figshare.c.5006684.

Koodin saatavuus

Kokeellinen koodi ja EEG-tiedostojen esikäsittelyskriptit ovat saatavilla osoitteessa https://osf.io/fkjt6/. Analyysikomentosarjat ovat saatavilla osoitteessa https://doi.org/10.6084/m9.figshare.c.5006684.


Keskustelu

Käyttäytymistiedot

14 osallistujamme käyttäytymistietojen tilastollinen analyysi viittaa siihen, että vaikka käyttäytymiskyky sekä fMRI- että EEG -tutkimuksessa oli merkittävästi todennäköisempää, fMRI -tutkimuksen suorituskyky oli merkittävästi huonompi kuin EEG -tutkimuksessa. Toisena havaintona ei fMRI- tai EEG-tutkimuksessa ollut tilakohtaisia ​​vaikutuksia. Ensimmäinen havainto tarkoittaa, että osallistujat pystyivät käsittelemään ja ymmärtämään paradigman kaikki neljä ehtoa. FMRI- ja EEG-tutkimuksen suorituskyvyn ero voidaan selittää erilaisilla tehtävillä: fMRI-tutkimuksen vasteikkuna oli voimakkaasti aikarajoitteinen, kun taas EEG-tutkimuksessa ei. Koska osallistujat kykenevät käsittelemään ärsykkeitämme EEG -tutkimuksessa, olemme vakuuttuneita siitä, että fMRI -tutkimuksen tehtävä auttoi pitämään osallistujien huomion kohdistettuna lauseisiin, jolloin tulokset olivat päteviä. Vaikka toinen havainto voi periaatteessa puhua tasapainoisen suunnittelun puolesta ilman käsittelyongelmia, sitä on tulkittava varoen: aiemmissa tutkimuksissa on havaittu, että molemmat liittyvät etäisyyteen (Gibson, 1998 Gordon et ai., 2001 Lewis et al., 2006 ) ja järjestykseen liittyvät (R ösler et ai., 1998 Grodner ja Gibson, 2005) kuormituserot pääverbeissä lauseissa, jotka ovat verrattavissa nykyisiin ärsykkeisiin. Näin ollen vaihtoehtoisia selityksiä nollatulokselle ovat tilastollisen voiman puute rajoitetussa otoksessamme tai menetelmien herkkyyden puute kokeellisen tehtävän off-line-luonteen vuoksi.

FMRI -tulokset ja yhdistetyt analyysit

Rajoitetun otoksen fMRI-tulokset ovat yhdenmukaisia ​​aikaisemmin julkaistujen tietojen kanssa koko 24-osallistujaisesta otoksesta (Meyer et al., 2012b): TP-alue vaikuttaa herkältä argumenttien hakuvälineille, kun taas IFG vaikuttaa herkältä argumenttien uudelleenjärjestämiselle vaatii. Yleensä tämä on sopusoinnussa aiemmin ehdotetun prefrontaalisen argumentin ja#x02013 tilaukseen liittyvän aivotoiminnan riippumattomuuden kanssa työmuistiprosesseista lauseiden käsittelyn aikana (Caplan et ai., 2000 Fedorenko et al., 2011). Yhdistetyt fMRI �G -analyysit alaluokitellussa verbissä –, joka on tämän tutkimuksen pääpaino –, viittaavat siihen, että IFG-lähdeaktiviteetti tapahtuu suhteellisen myöhään, kun taas TP-alueen toiminta tapahtuu aikaisin. Vaikka hypoteesipohjainen aikaikkunamme TP-alueen aikakurssille ei tuottanut merkittävää eroa lyhyiden ja pitkien olosuhteiden välillä, huomaamme, että silmämääräinen tarkastus (ks. Kuva 4B) kertoi meille toisesta aikaisemmasta aikaikkunasta, jossa oli merkittävä ero (75 näytettä 35-180 ms). Tätä varten post hoc-valittu aikaikkuna, jonka löysimme t(13) = 2.57, s < 0,05 pitkäksi verrattuna lyhyeen argumenttiin –verbin etäisyydet (kuva 4B). Topografiset korrelaatioanalyysit osoittivat, että TP-alueen aktiivisuuspinnat ovat varhaisessa vasemmassa posteriorisessa positiivisuudessa, kun taas IFG-aktiivisuuspinnat vasemman etuosan myöhäisessä positiivisuudessa (kuvio 3). Sekä korrelaatio- että lähdetilan tulokset puhuvat IFG- ja TP-alueen dipolien uskottavan roolin puolesta havaittujen ERP-vastausten muodostamisessa: perustuu aiempiin raportteihin (Friederici ym., 2006 Novais-Santos et al., 2007) , ehdotamme, että IFG- ja TP-alueen rekonstruoidut lähdeaikakurssit, vastauksena alaluokitusverbiin, heijastavat varhaisen argumentinhaun (TP-alue) ja myöhäisen argumenttien uudelleenjärjestämisen (IFG) neuroanatomisten substraattien aktivointiajan kulkua. verbien alaluokittelu. Lisäksi ehdotamme, että anturitason fMRI- ja#x02013EEG-korrelaatiot heijastavat tätä toiminnallista hakua ja uudelleenjärjestystä. Seuraavassa keskustelemme jokaisesta TP-alueen ja IFG: n tuloksista yhdistetyistä analyyseistä, jotka liittyvät suoraan niihin liittyviin fMRI-vaikutuksiin.

Kuva 4. ERP-tietoisen dipoliaikakurssianalyysin tulokset MRI-lähdetilassa IFG (A)-ja TP-alueen (B) dipoleille. Pisteet aivojen renderöinneissä merkitsevät dipolien lopulliset sijainnit, joita vastaavat aaltomuodot kuvaavat rekonstruoituja suuria keskimääräisiä dipoliaikakursseja IFG: n läpi (A) ja TP-alue (B) dipolit. TP-alueelle valittiin varhainen aikaikkuna visuaalisen datatarkastuksen jälkeen, mikä osoittaa varhaisen eron lyhyen ja pitkän argumentin –verbi-etäisyyksien välillä, joka näkyy varhaisen vasemmanpuoleisena positiivisuutena (s < 0,05, korjaamaton). IFG näyttää myöhemmin eron subjekti-ensimmäisen ja kohteen-ensimmäisen argumenttijärjestyksen välillä, joka ilmaantuu myöhäisenä vasemmanpuoleisena etupositiivisuutena (s < 0,05, korjaamaton).

Varhainen TP-alueen toiminta: Argumenttien haku

Nykyiset fMRI-analyysit tukevat TP-alueen roolia argumenttien haussa, mikä on uskottavaa, kun otetaan huomioon aiemmat raportit vasemman SMG: n sekä alemman ja takaosan parietaalialueen roolista sanallisen haun aikana lauseiden käsittelyn ulkopuolella (Henson et ai., 1999 Buchsbaum et ai., 2001 Ravizza et ai., 2004, 2011). Takaosan STG: n on myös havaittu olevan aktiivinen sanalliseen tallentamiseen epäselvien lauseiden käsittelyn aikana, joilla on pitkiä aikavälejä yksiselitteistä tietoa varten (Novais-Santos et al., 2007). Lisäksi verbaaliseen työmuistiin liittyvää parietaalista aivotoimintaa on ehdotettu lähteeksi lauseiden käsittelyongelmille vanhuksilla (Grossman et al., 2002). Psykolingvistisestä näkökulmasta lisääntynyt TP-alueen aktiivisuus varastointi- ja hakuintensiivisten olosuhteidemme aikana voi heijastaa lisääntynyttä käsittelykuormaa vastustamaan lisääntynyttä muistin heikkenemistä (Gibson, 1998, 2000). Näiden havaintojen vastustamisen vuoksi lisätutkimukset viittaavat siihen, että BA 45 osallistuu prefrontaaliseen kuoreen verbaalisessa työmuistissa lauseiden käsittelyn aikana. Tämä lasketaan englanninkielisessä työssä, jossa pronominin sitoutumista verrattiin argumentti- ja#x02013 -verbiriippuvuuksiin (Santi ja Grodzinsky, 2007) tai argumentti- ja#x02013 -verbiriippuvuuksia upotettuihin lauseisiin (Santi ja Grodzinsky, 2010). Se laskee myös saksalaisen työn, joka käsittelee subjekti-argumentti – -verbietäisyyttä (Makuuchi et al., 2009), jolloin argumenttien ja#x02013 -verbiriippuvuuksien määrä vaihteli etäisyyden manipuloinnin eri tasoilla. Toinen saksalainen tutkimus Fiebach et al. (2005) löysi BA 45 -aktivoinnin, jossa objekti-ensimmäiset lauseet asetettiin vastakkain objektin pronominin (ja subjektin substantiivin) kanssa. Edellä mainittujen tutkimusten epäsymmetriset vertailut ovat saattaneet sisältää syntaktisesti toimivan muistijärjestelmän, joka eroaa muista verbaalitehtävissä käytetystä järjestelmästä (Fedorenko ym., 2006 Van Dyke, 2007), ja ehdotti tukeutumista BA 45: een (Caplan et al. ., 2000). Sitä vastoin nykyinen paradigma piti syntaktisen riippuvuuden tyypin vakiona kaikissa olosuhteissa.

Nykyiset yhdistetyt fMRI �G -analyysit osoittivat, että fMRI-analyysissä havaittu lisääntynyt TP-alueen aktiivisuus analysoi pintoja varhaisen vasemmanpuoleisen TP-positiivisuutena. Tämä vastaa hypoteesiamme, jonka mukaan pitkät argumenttien –verbin etäisyydet lisäävät argumenttien hakuvaihtoehtoja alaluokitellussa verbissä. Se, että riippumaton analyysi osoitti TP-alueen aktiivisuuden lähdetasolla tapahtuvan samanlaisen aikaikkunan aikana, tukee tätä tulkintaa. Ehdotamme, että yhdistetyt fMRI �G-tulokset tarjoavat mahdollisen yhteyden fMRI-todisteiden välillä TP-alueen osallistumisesta hakuun (Henson et ai., 1999 Buchsbaum et ai., 2001 Ravizza et al., 2004, 2011), ERP-havainnot varhaisista positiivisia vastauksia noutamisen aikana (Grossberg, 1984 Donchin ja Coles, 1988) ja psykolingvistinen työ lauseiden käsittelyalueelta, joka osoittaa lisääntyneitä argumenttien noutamisvaatimuksia verbien alaluokittelussa lauseiden käsittelyn aikana (Gibson, 1998, 2000). Lauseiden käsittelyalueen ulkopuolella on tehty aiempi vastaavanlainen ehdotus (Birbaumer et al., 1990), mutta fMRI �G -tutkimuksia, jotka ansaitsisivat suoran yhteyden, ei vielä ollut.

Tämä ehdotus on aiempien havaintojen mukainen: Friedman ym. Hakeminen aiheutti kahdenvälisen P300 -vasteen. Myöhempi työ epämääräisyyden ratkaisemiseksi verbien alaluokittelussa (Mecklinger et ai., 1995 Friederici et al., 1998) havaitsi parietaalisesti jakautuneen positiivisen vasteen noin 345 ms (P345), jonka amplitudi kasvoi, kun epäselvän argumentin tila oli tarkistettava kohteena ja jonka esiintyminen oli sidottu osallistujien ’ lukualueeseen. Mahdollisuus, että P345 lauseiden käsittelyn aikana indeksien noutamisen aikana on Phillips et ai. ’s (2005) -raportin mukainen varhaisesta positiivisuudesta argumentin aikana ja#x02013verbin riippuvuuden ratkaiseminen pääverbissä. Nämä lauseiden käsittelyraportit lähentyvät työtä lauseiden käsittelyalueen ulkopuolelta: Polich et al. (1983) raportoivat P300: n sävyhaun aikana, jonka latenssi korreloi positiivisesti numeroalueen testituloksiin. Ergen et ai. (2012) löysi vastaavia tuloksia kirjeiden noutolle (tarkasteltavaksi, katso Friedman ja Johnson, 2000 Polich, 2007 Rugg ja Curran, 2007). Tämänhetkisen positiivisuuden vielä lyhyempi viive voidaan havaita aiemmilla ehdotuksilla, joiden mukaan verbi-viimeisten kielten argumentti – -verbiriippuvuuden ratkaiseminen voidaan aloittaa ennen pääverbiä (Friederici ja Mecklinger, 1996 Aoshima et ai., 2004 Phillips et al. , 2005). Tämä on yhteensopiva Fiebachin ym. ’s (2001) havaintojen kanssa ennen verbaalista positiivisuutta, kun ratkaistaan ​​argumentteja ja#x02013 -verbiriippuvuuksia saksalaisissa lauseissa. Lisäksi tämä voi selittää, miksi TP-alueen dipoliaikakurssi osoitti vaikutuksen aikaikkunassa, joka oli ennakoitua aikaisempi.

Vaihtoehtoinen selitys varhaiselle topografiselle korrelaatiovaikutukselle ja siihen liittyvälle TP-alueen aikakurssille on, että nämä eivät muistuta P300: ta, vaan negatiivista ERP-komponenttia, jonka huippu on noin 400 ms (N400), ja joka on saatu klassisesti lisäämään semanttisia integrointitarpeita lauseiden käsittelyn aikana ( Van Petten, 1993 Van Petten ja Luka, 2012). Vähentynyt N400-amplitudi pitkään verrattuna lyhyeen argumenttiin Van Petten, 1993 Hagoort et ai., 2004). Riippumatta argumenttien ja verbin väliin tulevien ainesosien lisätiedoista, argumentin ja verbin etäisyyden lisääntyminen avaa aikaikkunan verrattain hitaille leksikaalisille assosiatiivisille mekanismeille (Konieczny, 2000 Spivey ym., 2002 Konieczny ja D öring, 2003) tai lauseen tyypin taajuuteen perustuvia mekanismeja (Levy, 2008) verbiennusteiden lisäämiseksi. Kolmesta syystä pidämme tätä tulkintaa kuitenkin epätodennäköisempänä: ensinnäkin N400: n aivokuoren generaattoreita esiintyy harvoin vasemmassa TP-alueella, mutta niihin liittyy pikemminkin keskikokoisia aivokuoria (Simos et ai., 1997 Johnson ja Hamm, 2000 Silva -Pereyra et ai., 2003 Maess et ai., 2006) tai vasen lateralisoitu keski- ja huonompi aivokuoren verkosto (Halgren et ai., 2002 tarkasteltavaksi, katso Lau et ai., 2008). Toiseksi, klassinen päänahan jakautuminen N400: ssa lauseiden käsittelyn aikana sisältää kahdenvälisiä parieto-occipital-antureita, joissa on lievä kallistuma oikealle pallonpuoliskolle (Kutas ja Van Petten, 1994 Lau et al., 2008). ERP -komponentilla, jossa havaitsimme vahvemman fMRI �G -korrelaation pitkään verrattuna lyhyeen argumenttiin –verbi -etäisyyksiin, oli kuitenkin selvästi vasen lateraalinen jakauma. Kolmanneksi, fMRI- ja#x02013EEG-differentiaalinen korrelaatio kauan kuin lyhyt argumentti –verbiriippuvuus ilmeni liian aikaisin leksikaalisen ja semanttisen vastauksen indeksoimiseksi.

Yhteenvetona on uskottavinta, että havaitun vasteen lyhyt latenssi liittyy argumentinhaun esisanaiseen aloittamiseen (Fiebach et ai., 2001 Phillips et al., 2005), jonka laukaisee esipää-kiinnitysmekanismi kuvattu aktiivisen täyteaineen hypoteesissa (Clifton ja Frazier, 1988 Frazier ja Clifton, 1989).Tämän hypoteesin mukaan työmuistiin tallennetut argumentit haetaan heti, kun aukon esiintyminen tulee selväksi. On kuitenkin mahdotonta, että semanttinen N400 -vastaus alaluokitellulle verbille tapahtuu ennen itse verbiä. Siitä huolimatta ajallinen päällekkäisyys lisääntyneen aukon käynnistämän haun liittyvän P300: n ja vähentyneen verbin käynnistämän leksikaaliseen aktivointiin liittyvän N400: n välillä on mahdollista myöhemmässä aikaikkunassa. Tämä on mahdollinen kompromissi työmuistiin rappeutumiseen perustuvien käsittelyteorioiden välillä, jotka ennustavat lisääntyneitä käsittelyvaikeuksia riippuvuusetäisyyden kasvaessa (Gibson, 1998, 2000 Lewis et ai., 2006), ja ennakointiin perustuviin käsittelyteorioihin, jotka ennustavat vähentyneitä käsittelyvaikeuksia riippuvuuden kasvaessa etäisyys (Konieczny ja D öring, 2003 Levy, 2008).

Myöhäinen IFG -toiminta: Argument Reordering

Nykyiset fMRI-tiedot osoittavat lisääntyneen aktivoinnin vasemmassa IFG: ssä kohde-ensimmäisenä verrattuna kohteen ensimmäisen argumenttimääritykseen, mikä on raportoitu aiemmassa heprean, saksan ja japanin kuvantamistyössä (Ben-Shachar et ai., 2003 Friederici et al. ., 2006 Kinno ym., 2008 Obleser et al., 2011), riippumatta työmuistivaatimuksista: argumentti –verbietäisyydet näissä tutkimuksissa käytetyissä objekti-ensimmäisissä lauseissa olivat identtisiä argumentin –verbin etäisyyksien kanssa ensimmäiset vastineet. Tämän vuoksi lisääntynyttä käsittelyvaikeutta tai lisääntynyttä IFG -aivojen aktivoitumista näissä tutkimuksissa ei voida pitää työmuistivaatimuksista, vaan voidaan pikemminkin laskea argumenttien uudelleenjärjestämistarpeisiin. Psykolingvistisestä näkökulmasta tämä tarkoittaa sitä, että argumenttien järjestysmuutokset lisäävät vaikeuksia ja aivojen aktivoitumista varastointitarpeisiin verrattuna (vrt. Lewis et al., 2006). Ennakointiin perustuvat jäsentämistilit voivat kuvata yllä olevien tutkimusten lisääntynyttä käsittelyvaikeutta verbin ennustettavuuden heikkenemisellä (vrt. Konieczny, 2000 Levy, 2008). Kuitenkin, kun otetaan huomioon kuvantamisraportit, että IFG: llä on rooli uudelleenjärjestyksessä lauseiden käsittelyn aikana (Ben-Shachar et ai., 2003 Friederici et al., 2006 Kinno et al., 2008 Obleser et al., 2011) ja lauseen ulkopuolella tapahtuvassa sekvensoinnissa käsittelyalueella (Gerton et ai., 2004 Clerget et al., 2011 Makuuchi et al., 2012), ehdotus toimeenpanoväitteen argumenttien uudelleenjärjestelymekanismista on uskottava kognitiivisen neurotieteen näkökulmasta.

Ottaen huomioon, että topografiset korrelaatiot osoittivat fMRI-tiedoissa havaitun IFG-aktiivisuuden myöhäisen vasemman etuosan positiivisuuden korrelaation, ehdotamme, että yhdistetty fMRI �G -analyysimme tarjoaa todisteita läheisestä suhteesta uudelleenjärjestelyyn liittyvän IFG-aktiivisuuden ja uudelleenjärjestelyyn liittyvän myöhäisen positiivisen ERP: n välillä noin 600 ms (P600). Vaikka IFG: n dipoliaikakurssin myöhäisvaikutus (katso kuva 4A) on tämän ehdotuksen mukainen, on hyvin epätodennäköistä, että IFG on P600: n yksittäinen generaattori: Service et al. (2007) ovat osoittaneet, että P600 -generaattorit voivat ulottua kahdenvälisestä keski -ajallisesta vasempaan huonompaan etugeneraattoriin osallistujien välillä. IFG-toiminta voi kuitenkin ainakin osittain selittää nykyisissä tiedoissa havaitut anturitason aikakurssit, ja sen osallistuminen johtuu suoraan lähdetason aikakursseista. Vaikka P600 -alueen vastauksia havaittiin ensin vastauksena syntaktisiin rikkomuksiin (Osterhout ja Holcomb, 1992, 1993 Friederici et ai., 1993 Hagoort et ai., 1993), myöhemmässä työssä havaittiin, että P600 -vastaus verbien alaluokittelussa esiintyy myös epäselviä lauseita. Nämä eivät sisällä rikkomuksia, vaan edellyttävät sen sijaan alkuperäisen tulkinnan tarkistamista (Friederici et al., 1998). Viime aikoina Kaan et ai. (2000) ehdotti tulkitsevansa P600: n yleiseksi syntaktisten käsittelyvaikeuksien indeksiksi, jossa aistillinen monimutkaisuus johti päänahan etuosan jakautumiseen ja tarkistusprosesseihin, jotka johtivat päänahan jakautumiseen (Kaan ja Swaab, 2003).

Vaikka edellä ehdotimme, että varhaiset posterioriset positiivisuudet heijastavat pikemminkin noutamista työmuistista, ehdotuksemme, jonka mukaan myöhäiset anterioriset P600 -vaikutukset voivat indeksoida argumenttien uudelleenjärjestyksen, on yhteensopiva Kaanin ja Swaabin (2003) ehdotuksen kanssa. Lisäksi uudelleenjärjestelyehdotus on R ösler et ai. Aikaisempien saksalaisten tietojen mukainen. (1998). Näiden tietojen perusteella Friederici et ai. (2002) raportoivat keskitetysti hajautetun P600: n objekti ensin -arvoon verrattuna verbien alaluokittelussa. Näiden aikaisempien vaikutusten ja nykyisen P600-vaikutuksen selittäminen hajoamisperusteisiin lauseidenkäsittelykehyksiin (Gibson, 1998, 2000 Lewis et al., 2006) –-toistumatta johtoryhmän uudelleenjärjestysmekanismiin –-on hankalaa: ärsykkeet piti argumentin –verbin etäisyyden –-ja näin ollen argumentin rappeutumisen määrän –-vakiona sekä aiheen ensimmäisen että objektin ensimmäisen lauseen poissulkemalla P600: n selityksen erilaisten hakuvaatimusten suhteen. Toiminnallisesta ja neurokuvantavasta näkökulmasta aivotiedot puhuvat uudelleenjärjestelymekanismin puolesta, joka voidaan jakaa eri kognitiivisten alojen välillä. Vaikka Levy ’s (2008) -lauseidenkäsittelytili saattaa heijastaa tätä vaikutusta, emme ehdota, että mikä tahansa uudelleenjärjestykseen tai sekvensointiin liittyvä IFG-aktivointi olisi vain suora heijastus korpustaajuuksista.

Nykyisten tulosten tulkinta myöhäiseen uudelleenjärjestelyyn liittyvien fronto-central P600 -komponenttien dissosiaation ja varhaiseen hakuun liittyvien posterioristen positiivisten ERP-vastausten suhteen on Vos et al. (2001). ERP-tutkimuksessaan he vertasivat objekti ensin ja subjekti ensin argumenttien järjestyksiä alaluokitellussa verbissä. Tutkijat löytävät lisääntyneen myöhäisen etuosan positiivisuuden kohde-ensiksi verrattuna aiheen ensimmäinen-argumenttitilauksiin vain matalan span osallistujille korkean span-osallistujille, kirjoittajat löytävät sen sijaan varhaisen posteriorisen positiivisuuden. Tämä dissosiaatio sopii tuloksiin, koska se voi heijastaa matalan alueen osallistujia ja#x02019 suhteellista riippuvuutta uudelleenjärjestämisprosesseista (P600: n indeksoimalla), kun taas korkean jakson osallistujat voivat luottaa suhteellisen voimakkaammin työmuistikapasiteettiinsa (kuten varhaisen positiivisuuden indeksoima) ).


Johdanto

Lapset tekevät parempia päätöksiä aistitiedoista vanhetessaan. He kykenevät havaitsemaan heikommat ärsykkeet ja tekemään hienovaraisemman syrjinnän ärsykkeiden välillä eri tehtävissä. Esimerkiksi visuaalisella alueella herkkyys kasvaa lapsuuden aikana avaruuden kontrastille (Bradley ja Freeman 1982 Ellemberg ym. 1999), globaalille liikkeelle (Gunn ym. 2002 Hayward ym. 2011 Hadad ym. 2011 Manning ym. 2014 ), biologinen liike (Hadad et al. 2011), nopeus (Manning et al. 2012) ja kasvotiedot (Bruce et al. 2000 Mondloch et al. 2003). Aistinvaraisen kehityksen tutkimukset keskittyvät tyypillisesti vastausten tarkkuuteen määrittelemällä herkkyys ärsyketasoksi tai ärsykekontrastiksi, joka tarvitaan suorituskyvyn ylläpitämiseen tietyllä oikean vastauksen tasolla (esim. 80% oikea kynnys). Samaan aikaan vastaamiseen kuluvaa aikaa ei oteta huomioon. Tässä lähestymistavassa ei hyödynnetä kaikkia saatavilla olevia tietoja, ja se tarkoittaa, että tulokset voivat saastuttaa ikään liittyviä eroja nopeuden ja tarkkuuden kompromisseissa (Ho et al. 2012 Wickelgren 1977).

Täällä analysoimme sekä tarkkuus- että vasteaikaa koskevia tietoja käyttämällä diffuusiomallin yksinkertaistettua 4-parametrista versiota (Ratcliff ja Rouder 1998 Ratcliff ja McKoon 2008 Stone 1960), joka hajottaa suorituskyvyn erillisiksi käsittelykomponenteiksi. Tämän mallin mukaan aistinvaraiseen tietoon vastaamiseen kuluva aika koostuu päätöksenteon ulkopuolisista prosesseista (mukaan lukien aistien koodaus ja toiminnan luominen) ja päätöksentekoprosessista. Päättämättömiin prosesseihin kuluva aika yhdistetään yhdeksi arvioksi päätöksentekoon liittymättömästä ajasta (τ). Päätösprosessi on mallinnettu stokastiseksi prosessiksi, jossa meluisaa aistitietoa kerätään kohti toista päätöstä, joka vastaa eri vastauksia (kuva   1). Suuntasyrjintätehtävässä rajat voivat vastata esimerkiksi ‘up ’ ja 𠆍own ’ vastauksia. Ajelehtimisprosentti kuvastaa kokeiden sisäistä todisteiden kertymisnopeutta (δ) (Kuva   1), joka määräytyy aistien todistusten laadun perusteella (esim. Korkeampi ajelehtimisnopeus saadaan, jos ärsykkeen signaali-kohinasuhde on suurempi) ja tarkkailijan herkkyys annettu ärsyke. Päätösrajojen välinen etäisyys kuvastaa vastauskriteeriä (eli kuinka paljon näyttöä tarvitaan vastauksen käynnistämiseksi). Laajemmat päätösrajat osoittavat lisääntynyttä varovaisuutta reagoida, kun taas kapeat päätösrajat osoittavat kiireellisyyttä. Jos päätöksentekoprosessin lähtökohta (β) (Kuva   1) on lähempänä toista päätöstä sidottu kuin toinen, mikä osoittaa vastauksen harhaa. Yksilöt voivat poiketa toisistaan ​​ajelehtimisnopeuksien, päätösrajojen, harhaluulojen ja päätöksentekoajan suhteen (samoin kuin näiden parametrien vaihtelevuudessa koko mallia sovittaessa). Siksi diffuusiomallinnus mahdollistaa yksilöiden tai ryhmien välisen eron lähteiden paremman tunnistamisen kuin pelkkää tarkkuutta tai vasteaikaa verrattaessa, samalla kun otetaan huomioon myös mahdolliset nopeustarkkuuden kompromissit (White et al. 2010).

Päätösprosessin esitys diffuusiomallissa. Meluisa leviämisprosessi, joka on lähtökohtana ja lähestyy toista kahdesta päätösrajasta, jotka vastaavat liikettä Ajelehtimisnopeus (δ) kuvastaa todisteiden kerääntymistä kohti päätöksenteon rajoja. Rajaerotus (α) edustaa kahden päätösrajan välistä etäisyyttä, ja suurempi erottaminen viittaa siihen, että vastausvarovaisuus lisääntyy. Lähtökohta (β) heijastaa puolueellisuutta toista päätöstä koskevasta rajoista (tässä, β on 0,5 eli lähtökohta on yhtä kaukana kahden rajan välillä)

Kun diffuusiomallia sovelletaan visuaalisen kehityksen poikkileikkaustutkimuksiin, ikään liittyvien erojen luonne voidaan tutkia tarkemmin. Erityisesti on mahdollista selvittää, osoittavatko pienet lapset herkkyyttä visuaalisille tiedoille aistinvaraisten todisteiden hitaamman kerääntymisen vuoksi, samalla kun hallitaan eroja kriteerien asettamisessa (päätösrajat) ja ei-päätösprosesseissa (Wagenmakers et al. 2007 White et al. 2010). Tämän mallinnusmenetelmän lisäetuna on, että tuloksena olevat käsittelykomponentit vastaavat todennäköisesti enemmän hermomekanismeja kuin tarkkuus- tai vasteaika (White ym. 2016 Forstmann ym. 2016), mikä helpottaa mahdollisesti yhteyksiä hermo- ja käyttäytymistietojen välillä visuaalisen kehityksen suhteen.

Diffuusiomalleja ei ole vielä rutiininomaisesti sovellettu lasten havaintokehityksen ymmärtämiseen ja ehkä siksi, että nämä mallit vaativat yleensä monia kokeita. Ratcliff et ai. (2012) sovittivat onnistuneesti levitysmallit tietoihin, jotka saatiin numerosyrjinnästä ja sanavarastoisista tehtävistä 8–16 -vuotiaiden ja#-vuotiaiden lasten ja nuorten keskuudessa 1200 kokeessa. Nuoret olivat vähemmän tarkkoja ja heillä oli pidempi vasteaika kuin aikuisilla osallistujilla. Diffuusiomallinnus osoitti, että nämä käyttäytymismuutokset johtuivat ikään liittyvistä eroista useissa malliparametreissa. Nuorten ajelehtimisnopeus oli alhaisempi kuin aikuisten, mikä tarkoittaa, että he saivat tietoa ärsykkeestä hitaammin. Heillä oli myös laajemmat vastausrajat ja pidempi päätöksentekoaika kuin aikuisilla sekä lisääntynyt vaihtelevuus päätöksentekoajalla. Tämä tulosmalli oli laadullisesti erilainen kuin ikääntymiseen liittyvä malli: vaikka ikääntyneillä aikuisilla oli myös laajemmat päätösrajat ja pidemmät päätöksentekoajat verrattuna nuorempiin aikuisiin, he eivät eronneet ajautumisasteistaan ​​(Ratcliff et al. 2004).

Viimeaikaiset metodologiset edistysaskeleet tarkoittavat sitä, että diffuusiomallit voidaan nyt sovittaa käyttämällä vähemmän kokeita. Hierarkiset lähestymistavat hyödyntävät tehokkaasti tilastollista rakennetta, joka on saatavilla kaikille osallistujille ja olosuhteille, niin että ryhmätason tiedot antavat arvioita yksittäisille osallistujille (Vandekerckhove ym. 2011 Wiecki ym. 2013). Verrattuna malleihin, jotka sopivat kunkin yksilön parametreihin erikseen, hierarkiset diffuusiomallit toimivat hyvin, varsinkin kun kokeilumäärät ovat alhaiset (Ratcliff ja Childers 2015). Siksi hierarkkisilla malleilla on selviä etuja pienten lasten arvioinnissa, joille ei voida saada laajoja koenumeroita. Niitä on todellakin käytetty arvioitaessa alle 3- ja# -vuotiaiden lasten suorituskykyä kielenkäsittelytehtävissä, vain 30 kokeessa (Nordmeyer ym. 2016 Schneider ja Frank 2016). Nämä havainnot viittaavat siihen, että pienillä lapsilla on matalammat ajelehtimisnopeudet, korkeampi rajaerotus ja pidemmät päätöksentekoajat kuin aikuisilla osallistujilla, Ratcliff et al. (2012).

Hierarkisissa malleissa on myös mahdollista tutkia malliparametrien ja neurofysiologisten mittausten välisiä suhteita sellaisilla tekniikoilla kuin elektroenkefalografia (EEG), toiminnallinen magneettikuvaus (fMRI) ja silmäseuranta (esim. Cassey ym. 2014, 2016 Turner ym. 2013) , 2015, 2017). Tällaisten toimenpiteiden sisällyttäminen malliin auttaa saamaan tietoa parametrien hermokorrelaateista ja yhdistämään aivot ja käyttäytymistiedot (Ratcliff ja McKoon 2008 Turner ym. 2016). Vaikka hermo- ja käyttäytymistietoja voidaan yhdistää useilla tavoilla (katso Turner ym. 2016 tarkasteltavaksi), tässä tutkimuksessa käytimme regressiomenetelmää, jossa malliparametrin kaltevuus (esim. Drift rate) on painotettuna neurofysiologisen mittauksen arvolla (Boehm et al. 2017). Tällaisten linkkien luominen on tärkeää sen varmistamiseksi, että diffuusiomallin parametrit ovat psykologisesti merkityksellisiä eivätkä vain abstrakteja käsitteitä. EEG on tässä yhteydessä erityisen hyödyllinen työkalu kahdesta syystä. Ensinnäkin sillä on hienorakeinen ajallinen resoluutio, joka mahdollistaa erillisten päätöksentekoprosessin osien irrottamisen (Kelly ja O 𠆜onnell 2015). Toiseksi, EEG tarjoaa kokonaisnäkemyksen aivotoiminnasta, joka täydentää nykyistä ymmärrystä päätökseen liittyvästä toiminnasta, joka on edustettuna laajasti koko aivoissa (Dmochowski ja Norcia 2015 Katz ym. 2016 Mulder ym. 2014).

Tämän tutkimuksen tarkoituksena on lisätä ymmärrystämme havainnollisesta päätöksenteosta koko lapsuuden ajan käyttämällä hierarkkisia diffuusiomalleja sekä käyttäytymiseen liittyvistä että elektrofysiologisista tiedoista. Tietojemme mukaan tämä on ensimmäinen tutkimus, jossa yhdistetään käyttäytymiseen liittyvät ja elektrofysiologiset mittaukset lasten diffuusiomalleissa, ja se antaa uusia näkemyksiä havaintokehityksen mekanismeista. Liikkeen johdonmukaisuustehtävää käytettiin kolmesta syystä. Ensinnäkin tätä tehtävää käytetään yleisesti päätöksentekotutkimuksissa, koska dynaamisen aistitodistuksen vahvuutta voidaan helposti käsitellä vaihtelevalla johdonmukaisuudella ja suhteellisen pitkillä vasteajoilla (Gold ja Shadlen 2007 Kelly ja O 𠆜onnell 2015 ). Toiseksi näitä tehtäviä on käytetty aiemmin lasten kanssa, ja niiden on osoitettu olevan herkkiä kehityksen muutoksille koko lapsuuden ajan (Gunn ym. 2002 Hayward ym. 2011 Hadad ym. 2011 Manning ym. 2014). Kolmanneksi, tätä tutkimusta käyttäen on tehty paljon tutkimuksia diffuusiomalliparametrien elektrofysiologisista korrelaateista (esim.Dmochowski ja Norcia 2015 Kelly ja O 𠆜onnell 2013).

Aluksi liikkeen koherenssitehtävää käytettiin apinoiden päätöksentekoprosessiin liittyvän yksisoluisen toiminnan tutkimiseen. Aktiivisuuden lisääminen soluissa lateraalisessa intraparietaalisessa aivokuoressa (LIP) seuraa aistinvaraisten todisteiden kerääntymistä. , 2001). Mediaalisen ajallisen (MT) kuoren solut aktivoituvat myös liikkeen koherenssitehtävän aikana (Shadlen ja Newsome 2001), mutta näiden solujen laukaisu heijastaa todennäköisimmin hetkellistä näyttöä, joka sitten integroidaan LIP: hen ajautumisnopeuden heijastamiseksi (Hanks et. al. 2006). Todisteiden kerääntymisaktiivisuus on osoitettu myös toisella parietaalialueella, mediaalisessa intraparietaalisessa (MIP) alueella, kun apinoita vaaditaan vastaamaan saavuttamalla (de Lafuente et al. 2015).

Päätöksentekoprosessien elektrofysiologisia korrelaatioita on tutkittu myös ihmisen tarkkailijoilla liikkeen koherenssitehtävien aikana käyttäen EEG: tä. Kelly ja O 𠆜onnell (2013) ilmoittivat, että keskusparietaalinen positiivisuus (CPP) heijasti todisteiden kerääntymistä ja kertyi enemmän, kun liikkeen koherenssi oli korkea. Dmochowski ja Norcia (2015) käyttivät hienovaraisesti erilaista liikkeenkäsittelytehtävää, jossa aistitodistuksen vahvuutta manipuloitiin lisäämällä vaihtelevuutta pisteiden suunnissa, ja tunnistivat CPP: n kaltaisen komponentin käyttämällä luotettavaa komponenttianalyysiä (Dmochowski et al. 2012, 2014) ). Kuten CPP, tämä komponentti oli maksimaalinen mediaalisen parietaalisen aivokuoren yli ja todisteista riippuvainen. Kirjoittajat tunnistivat kaksi lisäkomponenttia, joilla oli rappeuttavaa toimintaa ja joilla oli merkitystä päätöksentekoprosessin kannalta. Nämä aikuistutkimukset viittaavat diffuusiomalliparametrien ehdokashermoston korrelaatteihin tutkimuksessamme lasten kanssa.

Tutkimuksen tavoitteet

Tämän tutkimuksen tavoitteena oli karakterisoida ikään liittyviä muutoksia diffuusiomallin parametreissa. Odotimme, että ajautumisnopeudet lisääntyvät iän myötä aiempien raporttien mukaan ikään liittyvistä visuaalisen liikkeen herkkyyden lisääntymisistä lapsuuden aikana mitattuna käyttämällä psykofyysisiä kynnyksiä. Aikaisemmat tutkimukset, joissa levitettiin diffuusiomalleja lapsille ’ suorituskykyyn lukumäärän syrjinnässä, sanallisessa päätöksenteossa ja kielellisissä ymmärrystehtävissä, ovat osoittaneet, että lapsilla on korkeampi rajaerotus ja pidemmät päätösajat kuin aikuisilla yhdessä alhaisempien ajelehtimisasteiden kanssa (Nordmeyer ym. 2016 Ratcliff ym. 2012 Schneider ja Frank 2016). Tässä arvioimme, yleistyvätkö nämä havainnot visuaalisen liikkeen käsittelytehtävään. Tutkimme myös ikään liittyviä eroja hermokorrelaateissa käyttämällä tiheää EEG: tä. Aikuistutkimusten perusteella odotimme näkevän kiihtyvää aktiivisuutta centro-parietaalisissa elektrodeissa, mikä kuvastaa todisteiden kerääntymisnopeutta. Tavoitteenamme oli arvioida tämä suhde suoraan yhdistämällä malliparametrit elektrofysiologisiin mittauksiin käyttämällä Bayesin regressiomenetelmää (Boehm et al. 2017).


Kiitokset

Tätä työtä tukivat CMU BrainHUB ja osittain Systems on Nanoscale Information fabriCs (SONIC), yksi kuudesta SRC STARnet -keskuksesta, joita sponsoroi MARCO ja DARPA. M.B. tuettiin National Science Foundationin apurahalla (BCS-1354350). P.V. tuettiin osittain Henry L. Hillmanin presidentin apurahalla ja osittain Dowd -apurahalla Carnegie Mellonin yliopiston teknillisestä korkeakoulusta.Kirjoittajat haluavat kiittää Philip ja Marsha Dowdia taloudellisesta tuesta ja kannustuksesta. M.J.B. tuettiin CNBC: n perustutkinnon apurahalla laskennallisessa neurotieteessä. Kiitämme Shawn Kellyä ja Jeff Weldonia avusta EEG -korkin rakentamisessa, Austin Marcusia avusta tietojen keräämisessä ja Louis (Xiaowei) Kuangia avusta dekoodausanalyysissä.