Untersuchung der Rolle von Feature-Dimensionskarten in der visuellen Wahrnehmung: Auswirkungen der Aufrechterhaltung des Arbeitsgedächtnisses (Expt 2.3)

In diesem Experiment beschäftigen sich die Teilnehmer mit allen Aufgabenbedingungen in einem Design mit wiederholten Messungen. Die Teilnehmer werden nicht zufällig in Gruppen eingeteilt, da alle Teilnehmer die gleichen experimentellen Manipulationen erleben. In diesem Experiment nehmen die Teilnehmer an einer Reihe anspruchsvoller visueller Arbeitsgedächtnisaufgaben teil, während ihre Augenposition während des fMRT-Scannens verfolgt wird.

Bei allen Aufgaben werden sich die Teilnehmer ein Merkmal (Farbe oder Bewegung) eines in der Peripherie präsentierten Reizes genau merken und berichten. Verhaltensreaktionen werden mit einem Knopfdruck aufgezeichnet, den die Teilnehmer mit einer fMRT-kompatiblen Knopfbox in der rechten Hand durchführen.

In diesem Experiment manipulieren die Forscher Aspekte der Verhaltensaufgabe – Wert und Dimension des erinnerten Merkmals – und halten dabei die Stimulusanzeige ähnlich (sich bewegende bunte Punkte; Bewegungsrichtung, Ort und Farbe variierten bei jedem Versuch zufällig). Diese Manipulationen werden es den Forschern ermöglichen, die Rolle merkmalsselektiver retinotopischer Regionen von Interesse (ROIs) bei der Unterstützung räumlicher und merkmalsbezogener Darstellungen erinnerter visueller Reize über kurze Verzögerungen hinweg zu testen.

In diesem Experiment (Experiment 2.3) präsentieren die Forscher einen einzelnen Reiz an einer peripheren Stelle auf einem leeren Hintergrund, der sich bewegende Punkte gleicher Leuchtkraft enthält (zufälliger Farbton und zufällige planare Bewegungsrichtung). Die Teilnehmer werden zu Beginn jedes Versuchs aufgefordert, sich entweder die genaue Farbe der Punkte oder die genaue Bewegungsrichtung zu merken und anzugeben. Wenn die Betreuung und Kodierung einer Merkmalsdimension die Aktivierungsprofile innerhalb der entsprechenden Dimensionskarte moduliert, erwarten die Forscher eine selektive Verbesserung der Reizdarstellung in der Dimensionskarte einer Region, die das besuchte Merkmal bevorzugt.

Die Teilnehmer werden auch für eine anatomische und retinotopische Kartierungssitzung gescannt, die es den Forschern ermöglicht, Gehirnregionen für die weitere Analyse mithilfe etablierter und standardisierter Verfahren zu identifizieren.

STATISTISCHES DESIGN & LEISTUNG

Die in diesem Studienbericht beschriebenen fMRT-Studien verwenden ein invertiertes Kodierungsmodell (IEM) für die räumliche Position, um Reizdarstellungen in rekonstruierten räumlichen Karten des Gesichtsfelds auf der Grundlage von Aktivierungsmustern zu quantifizieren, die in retinotopischen merkmalsselektiven ROIs gemessen wurden. Die Forscher identifizieren ROIs rigoros mithilfe unabhängiger Retinotop-Kartierungs- und Lokalisierungstechniken und verwenden eine „Kartierungs“-Aufgabe, um ein „festes“ Kodierungsmodell zur Verwendung unter allen Bedingungen in jedem gemeldeten Experiment abzuschätzen. Diese Designentscheidungen stellen sicher, dass die Forscher ihre Fähigkeit maximieren können, Auswirkungen ihrer interessierenden Manipulationen innerhalb einzelner Teilnehmer und Gehirnregionen zu erkennen und die statistische Aussagekraft zu maximieren. Die Forscher verwenden einen Kompromiss zwischen der detaillierten Abbildung mehrerer experimenteller und stimulierender Bedingungen bei einzelnen Teilnehmern und der Aggregation von Daten über eine moderate Stichprobe dieser tief abgebildeten Teilnehmer (n = 10; siehe unten). Dies ermöglicht es den Forschern, qualitativ hochwertige, reproduzierbare Schätzungen modellbasierter Reizdarstellungen über Aufgaben- und Reizmanipulationen bei einzelnen Teilnehmern hinweg zu erhalten und statistische Rückschlüsse auf diese Messungen in der gesamten Studienstichprobe zu ziehen.

fMRT-Analysen werden im individuellen Gehirn jedes Teilnehmers durchgeführt und Voxeln werden nach unabhängigen Kriterien „Regionsbezeichnungen“ zugewiesen (funktionale Retinotopenkartierung). Dementsprechend gibt es keine Vergleiche, die eine genaue Ausrichtung des Gehirngewebes zwischen den Teilnehmern erfordern, und keine Erstellung von gruppengemittelten „Karten“ der Gehirnaktivierung. Daher sind Bedenken hinsichtlich der Reproduzierbarkeit von Gehirnkarten und damit verbundene Bedenken hinsichtlich der statistischen Aussagekraft für dieses Studiendesign irrelevant.

Das statistische Design der Studie ist ein Design mit wiederholten Messungen, bei dem jeder Teilnehmer allen Manipulationen in der Studie ausgesetzt ist. Die Reihenfolge der Manipulationen, die jeder Teilnehmer erfährt, wird von Teilnehmer zu Teilnehmer zufällig festgelegt. Die Forscher werden für alle statistischen Vergleiche nichtparametrische Randomisierungstests verwenden, wobei sie Hypothesentests (z. B. Varianzanalyse mit wiederholten Messungen) unter Verwendung „gemischter“ Daten (fehlausgerichtete Zustandsbezeichnungen relativ zur gemessenen Kartenaktivierung bei jedem Versuch) durchführen, um eine Nullverteilung zu generieren der Teststatistiken unter der Nullhypothese, dass ihre unabhängige(n) Variable(n) keinen Effekt haben. Sobald dieses Verfahren pro Test ausgiebig wiederholt wird (1.000 Mal), kann der p-Wert geschätzt werden, indem die unter Verwendung intakter Etiketten berechnete Teststatistik mit dieser Nullverteilung verglichen und gegebenenfalls für mehrere Vergleiche korrigiert wird (z. B. über die Rate falscher Entdeckungen). Durch die Verwendung von Permutationsverfahren zur Generierung einer Nullverteilung wird die Abhängigkeit von parametrischen Annahmen minimiert.

Darüber hinaus sind die Experimente im Rahmen der Studie so konzipiert, dass ausreichend Daten erfasst werden, sodass die Daten jedes einzelnen Teilnehmers zum Testen der interessierenden Auswirkungen verwendet werden können. Dementsprechend kann jeder Teilnehmer als unabhängige „Replikation“ jedes anderen Teilnehmers betrachtet werden. Frühere Studien, die eine ähnliche Methodik verwendeten, bei der IEM-basierte Rekonstruktionen visueller Reize zwischen Bedingungen verglichen wurden, verwendeten relativ kleine Stichprobengrößen (n = 7–8). Andere Studien, die bevölkerungsrezeptive Feldmodelle oder ortsspezifische funktionale Lokalisierer verwenden, die im Prinzip dem hier verwendeten Ansatz sehr ähnlich sind, verwendeten kleinere Stichprobengrößen (z. B. n = 6).

Stichprobengröße und statistische Aussagekraft:

In dieser Studie erfassen die Forscher eine mittlere Stichprobengröße mit umfangreichen Daten pro Aufgabenbedingung (n = 10; 2 experimentelle fMRT-Sitzungen, jeweils 1,5–2 Stunden, für jeden Teilnehmer; zusammen mit einer 2-stündigen fMRT zur anatomischen Bildgebung und Retinotopenkartierung Sitzung). Von besonderem Interesse ist, dass in einer Studie mit n = 6 Teilnehmern mit einer großen Effektgröße dz = 3,52 festgestellt wurde, dass V1-Voxel, die auf einen Reizort eingestellt sind, an dem ein hervorstechender Reiz durch Merkmalskontrast definiert wurde, stärker reagieren als wenn kein Merkmalskontrast vorhanden ist. In einer anderen Studie wurden von dieser Gruppe ähnliche Effektgrößen in einem farbselektiven ROI namens hV4 berichtet (n = 6; dz = 1,06 bzw. 1,80 für orientierungs- und bewegungsbasierten Kontrast).

Unter der Annahme einer konservativen Effektgröße von 0,90 (basierend auf den zuvor berichteten) gehen die Forscher daher davon aus, dass eine Stichprobengröße von n = 10 es der Studie ermöglichen wird, eine gute Aussagekraft (80 %, α = 0,05) zu haben, um eine ähnliche Änderung in zu erkennen Experiment 1.1, das dieser Studie am ähnlichsten ist (einseitiger gepaarter T-Test).

Darüber hinaus verwendeten die Forscher ihre Pilotdaten (n = 3), um die Effektgröße für den kritischen Vergleich zwischen Salienz-bezogenen Modulationen zwischen merkmalsselektiven Regionen zu messen, die für das Salienz-definierende Merkmal dz = 3,10 beträgt. Diese Werte stimmen mit den oben genannten überein und unterstützen die Auswahl der Stichprobengröße zusätzlich. Wenn Analysen von Daten, die während weiterer Pilottests und der Verfeinerung von Experimenten erfasst wurden, auf kleinere Effektgrößen hindeuten, werden die Forscher die Leistungsanalysen verfeinern und die geplante Registrierung entsprechend anpassen, um robuste und reproduzierbare Ergebnisse sicherzustellen. Beachten Sie, dass diese Leistungsanalyse auf parametrischen Annahmen beruht, die für die vorgeschlagenen Analysen, die Randomisierungsmethoden zur Berechnung empirischer Nullverteilungen verwenden, nicht erforderlich sind.