視覚認知における特徴次元マップの役割の調査: 顕著性レベルの影響 (Expt 1.1)

この実験では、参加者は反復測定計画のすべてのタスク条件に取り組みます。 すべての参加者が同じ一連の実験操作を経験するため、参加者はランダムにグループに割り当てられません。 この実験では、参加者は、fMRI スキャン中に目の位置が追跡されている間に、一連の挑戦的な視覚的注意タスクに取り組みます。

すべてのタスクにおいて、参加者は注視点に提示された刺激に基づいて挑戦的な識別判断を実行します (+ ターゲットのアスペクト比を識別します - 幅が広いか高いか?)。 行動反応はボタンを押すことで記録され、参加者は右手に持った fMRI 互換のボタン ボックスを使用して反応します。

この実験では、研究者は行動課題を一定に保ちながら、刺激表示の側面を操作します。 これらの操作により、研究者は、環境から顕著な情報を自動的に抽出して視覚的注意を誘導する際の、特徴選択的網膜関心領域（ROI）の役割をテストできるようになります。

この実験 (実験 1.1) では、研究者らは、視覚刺激表示の顕著性を定義する特徴を変更した場合の、特徴選択的網膜性 ROI の fMRI 活性化パターンから再構成された刺激表現への影響をテストします。 参加者は、時折顕著な刺激が現れる一方で、困難な固視識別タスクを継続的に実行します。 刺激は、ちらつきチェッカーボード、異なる色のドットの局所的な顕著なパッチを含む静的な色のドット フィールド、および異なる方向に移動するドットの局所的な顕著なパッチを含む移動グレースケール ドット フィールドで構成されます。 マカクの視覚野の単一ニューロンは、顕著な刺激に反応することが示されているため、研究者らは、これらの以前の研究に基づいて、特徴選択的な脳領域から測定された反応パターンにおける顕著な刺激の位置の実質的な表現が見られることを期待している。

参加者はまた、解剖学的および網膜部位のマッピングセッションのためにスキャンされます。これにより、研究者は、十分に確立され標準化された手順を使用して、さらなる分析のための脳領域を特定することができます。

統計的なデザインとパワー

この研究記録で説明されている fMRI 研究では、空間位置の逆符号化モデル (IEM) を採用し、網膜特徴選択的 ROI で測定された活性化パターンに基づいて、視野の再構築された空間マップにおける刺激表現を定量化します。 研究者らは、独立したレチノトピックマッピングとローカライザー技術を使用してROIを厳密に特定し、「マッピング」タスクを使用して、報告された各実験のすべての条件で使用する「固定」エンコードモデルを推定します。 これらの設計上の決定により、研究者は個々の参加者および脳領域内で関心のある操作の影響を検出する能力を最大限に高め、統計的検出力を最大限に高めることができます。 研究者らは、個々の参加者内のいくつかの実験条件および刺激条件の詳細なイメージングと、これらの詳細にイメージ化された参加者の中程度のサンプルにわたるデータの集約との間の妥協点を使用しています（n = 10、以下を参照）。 これにより、研究者は、個々の参加者内のタスクおよび刺激操作全体にわたるモデルベースの刺激表現の高品質で再現可能な推定値を取得し、研究サンプル全体でこれらの測定値について統計的推論を行うことができます。

fMRI 分析は各参加者の個々の脳内で実施され、ボクセルには独立した基準 (機能的網膜局所マッピング) に従って「領域」ラベルが割り当てられます。 したがって、参加者間の脳組織の正確な位置合わせを必要とする比較はなく、脳活性化のグループ平均「マップ」の生成もありません。 したがって、脳マップの再現性やそれに関連する統計的検出力に関する懸念は、この研究デザインには無関係です。

研究の統計的デザインは反復測定デザインであり、これにより各参加者は研究内のすべての操作にさらされます。 各参加者が経験する操作の順序は、参加者間でランダム化されます。 研究者は、すべての統計的比較にノンパラメトリックランダム化テストを採用し、それにより「シャッフル」データ（各試行で測定されたマップ活性化に関連して位置がずれている条件ラベル）を使用して仮説検定（分散の反復測定分析など）を実施し、帰無分布を生成します。独立変数の影響がないという帰無仮説に基づく検定統計量。 この手順がテストごとに広範囲 (1,000 回) 繰り返されると、無傷のラベルを使用して計算されたテスト統計量をこの帰無分布と比較することによって p 値を推定し、必要に応じて (誤検出率などを介して) 多重比較のために補正できます。 置換手順を使用してヌル分布を生成すると、パラメトリックな仮定への依存が最小限に抑えられます。

さらに、研究内の実験は、個々の参加者からのデータを使用して目的の効果をテストできるように、十分なデータが取得されるように設計されています。 したがって、各参加者は、他の各参加者の独立した「複製」とみなすことができます。 IEM ベースの視覚刺激の再構成を条件間で比較する同様の方法論を採用した以前の研究では、比較的小さなサンプル サイズ (n = 8、n = 8、n = 7) が使用されていました。 集団受容野モデルまたは場所固有の機能ローカライザーを使用する他の研究は、原理的にはここで使用されるアプローチと非常によく似ていますが、より小さなサンプルサイズ（たとえば、n = 6）を使用しています。

サンプルサイズと統計的検出力:

この研究では、研究者は、タスク条件ごとに広範なデータを含む中間サンプルサイズを取得します（n = 10; 各参加者に対して、実験的な fMRI セッションを 2 回、各 1.5 ～ 2 時間行います。2 時間の解剖学的イメージングと網膜局所マッピング fMRI も併せて行います）セッション）。 特に興味深いのは、ある研究では、n = 6 人の参加者を使用して、顕著な刺激が特徴コントラストによって定義される刺激位置に同調した V1 ボクセルが、特徴コントラストがない場合よりも強く反応することを、大きな効果サイズ dz = 3.52 で確立しました。 別の研究では、hV4 として知られる色選択的 ROI において、このグループによって同様の効果サイズが報告されました (n = 6; 向きベースのコントラストと動きベースのコントラストでそれぞれ dz = 1.06 と 1.80)。

したがって、（以前に報告されたものに基づいて）保守的な効果サイズを 0.90 と仮定すると、研究者らは、n = 10 のサンプル サイズにより、研究の検出力が高く (80%、α = 0.05)、同様の変化を検出できると予想しています。この実験 (実験 1.1) は、この研究 (片側対応 T 検定) に最も類似しています。

さらに、研究者らはパイロット データ (n = 3) を使用して、特徴選択領域間の顕著性関連変調間の重要な比較の効果量を測定し、顕著性を定義する特徴について dz = 3.10 となるようにしました。 これらの値は上で引用した値と一致しており、サンプル サイズの選択をさらにサポートします。 さらなるパイロットテストと実験の改良中に取得されたデータの分析により、効果量がより小さいことが示唆された場合、研究者は検出力分析を改良し、それに応じて予測登録数を調整して、堅牢で再現性のある結果を保証します。 この検出力分析は、経験的帰無分布を計算するためにランダム化手法を呼び出す、提案された分析には必要とされないパラメトリック仮定に依存していることに注意してください。