視覚認知における特徴次元マップの役割の調査: 作業記憶維持の影響 (拡張 2.3)

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作業記憶タスクに取り組みます。

すべてのタスクにおいて、参加者は周辺に提示された刺激の 1 つの特徴 (色または動き) を正確に記憶し、報告します。 行動反応は、参加者が右手に持った fMRI 互換のボタン ボックスを使用してボタンを押すことで記録されます。

この実験では、研究者は、刺激表示を同様に保ちながら（カラフルなドットの移動、動作の方向、位置、色は試行ごとにランダムに変化します）、行動タスクの側面（記憶された特徴量と次元）を操作します。 これらの操作により、研究者は、記憶された視覚刺激の空間表現と特徴表現を短時間の遅延にわたってサポート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 2.3) では、研究者は、等発光色の移動ドット (ランダムな色相とランダムな平面運動方向) を含む空白の背景上の周辺位置に単一の刺激を提示します。 参加者は各トライアルの開始時に、ドットの正確な色または正確な動きの方向を覚えて報告するよう指示されます。 特徴次元に注目してエンコードすることで、対応する次元マップ内の活性化プロファイルが調整される場合、研究者は、注目している特徴を優先する領域の次元マップ内の刺激表現が選択的に強化されることが期待されます。

参加者は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も行われ、これにより研究者は確立された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できるようになります。

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、視野の再構成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、下記を参照）。 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検定を採用し、「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 = 7 ～ 8) 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部位マッピングの 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た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エフェクト 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。実験 1.1。この研究に最も類似しています (片側対応 T 検定)。

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。