Die Dynamik des repräsentativen Wandels, der dem Abruf zugrunde liegt

Pro Teilnehmer werden zwei fMRT-Sitzungen durchgeführt. In der Lokalisierungssitzung werden die Forscher anatomische Bilder und fMRT-Daten erfassen, die notwendig sind, um visuelle Areale im individuellen Hirnraum jedes Probanden zu definieren. Zusätzlich zu zwei hochauflösenden anatomischen Bildern werden zwei kurze funktionelle Aufgaben von jedem Teilnehmer erfasst: 1) Mapping der populationsrezeptiven Felder (pRF); 2) visueller Kategorien-Lokalisierer. Die pRF-Mapping-Aufgabe besteht aus mehreren Durchläufen, bei denen eine Balkenblende über die zentralen 8 Grad des Gesichtsfelds driftet. Dies ermöglicht uns, die retinotope Empfindlichkeit einzelner Voxel im visuellen Kortex zu schätzen und Grenzen zwischen verschiedenen retinotopen Feldkarten zu ziehen. Der visuelle Kategorien-Lokalisierer wird ein Blockdesign mit verschiedenen Bildkategorien sein. Dies ermöglicht uns, höhere kategorie-selektive Hirnareale zu definieren.

In der experimentellen Sitzung werden die Forscher fMRT-Daten erfassen, während die Probanden Wahrnehmung und Abruf der gleichen Reize durchlaufen. Um zu bewerten, ob unsere Ergebnisse auf einfache und komplexe visuelle Reize verallgemeinerbar sind, werden zwei Klassen von Reizen verwendet: einfache Muster in diskreten räumlichen Positionen, wie in früheren Arbeiten, und natürliche Bilder. In Lernblöcken werden die Probanden Cue-Reiz-Paare lernen. Farbige Fixationspunkte werden als Cues verwendet. Die Reize stammen aus einer der oben genannten Klassen. In Abrufblöcken werden die Teilnehmer gebeten, den Reiz bei gegebenem Cue abzurufen. Der Abruf erfolgt unter einer von zwei Bedingungen: wiederholt und Kontrolle. Die wiederholte Bedingung ermöglicht uns zu untersuchen, wie Gedächtnisrepräsentationen mit wiederholtem Abruf evolvieren, während die Kontrollbedingung eine angepasste Baseline liefert, um Veränderungen über das gleiche tatsächliche Zeitintervall zu bewerten. Für Paare in der wiederholten Bedingung werden die Teilnehmer jeden Reiz 5 Mal abrufen, unterbrochen durch Abrufe von anderen Paaren. Für Paare in der Kontrollbedingung werden die Teilnehmer jeden Reiz 2 Mal abrufen. Kritisch ist, dass Abrufe in dieser Bedingung so verteilt werden, dass sie mit Abruf 1 und 5 aus der wiederholten Bedingung übereinstimmen, was eine Kontrolle für die verstrichene Zeit bietet. Lern- und Abrufblöcke werden in verschachtelter Reihenfolge durchgeführt.

Analysen werden BOLD-Aktivitätsmuster aus wiederholtem Abruf, Kontrollabruf und Lernbedingungen vergleichen. Daten von Lernversuchen werden gemittelt, um ein einzelnes Muster für jeden Reiz zu bilden. Abrufdaten werden separat für jeden Reiz und jeden Abrufversuch in beiden Bedingungen analysiert. Für sowohl räumliche Reize als auch natürliche Bilder werden die Forscher sich darauf konzentrieren, repräsentative Veränderungen zwischen wiederholten und Kontrollbedingungen zu vergleichen. Obwohl die spezifischen Modelle, die zur Charakterisierung von Hirnrepräsentationen verwendet werden, je nach Reiztyp variieren, folgen die Analysen ansonsten parallelen Verfahren. Für räumliche Reize werden die Forscher einen zuvor veröffentlichten Ansatz verwenden, der pRF-Schätzungen mit aufgabenbasierten BOLD-Daten kombiniert, um räumliche Tuning in visuellen Arealen zu quantifizieren. Diese Methode bewertet die Amplitude der aufgabeninduzierten BOLD-Antwort in jedem Voxel als Funktion der Distanz zwischen dem pRF des Voxels und der räumlichen Position des Reizes. Die Forscher werden räumliches Tuning über wiederholte und Kontrollabrufbedingungen sowie mit der Lernbedingung vergleichen, um zu bestimmen, ob Veränderungen im räumlichen Tuning sich über wiederholten Abruf akkumulieren. Für natürliche Bilder werden die Forscher die repräsentative Struktur von BOLD-Aktivitätsmustern mit der eines Convolutional Neural Network (CNN)-Modells vergleichen. Mittels Repräsentativer Ähnlichkeitsanalyse (RSA) werden die Forscher die Ähnlichkeit zwischen CNN-abgeleiteten Einbettungen und BOLD-Aktivitätsmustern während sowohl Lernen als auch Abruf bewerten. Höhere Korrelationen mit frühen CNN-Schichten deuten darauf hin, dass niedrigstufige visuelle Merkmale repräsentiert sind, während höhere Korrelationen mit tieferen Schichten die Repräsentation höherstufiger visueller Merkmale anzeigen. Die Forscher werden diesen Ansatz verwenden, um Korrelationen aus den wiederholten und Kontrollbedingungen zu vergleichen und zu testen, ob repräsentative Veränderungen sich mit wiederholtem Abruf verstärken.