시각적 인지에서 특징 차원 맵의 역할 조사: 현저성 수준의 영향(Expt 1.1)

이 실험에서 참가자는 반복 측정 설계의 모든 작업 조건에 참여하게 됩니다. 모든 참가자가 동일한 일련의 실험 조작을 경험하게 되므로 참가자는 무작위로 그룹에 할당되지 않습니다. 이 실험에서 참가자는 fMRI 스캔 중에 눈 위치를 추적하는 동안 일련의 까다로운 시각적 주의 작업에 참여하게 됩니다.

모든 작업에서 참가자는 고정 지점에 제시된 자극을 기반으로 도전적인 차별 판단을 수행합니다(+ 대상의 종횡비 구별 - 넓거나 높음?). 행동 반응은 참가자가 오른손에 들고 있는 fMRI 호환 버튼 상자를 사용하여 버튼 누름으로 기록됩니다.

이 실험에서 연구자는 행동 과제를 일정하게 유지하면서 자극 표시의 측면을 조작합니다. 이러한 조작을 통해 연구자는 시각적 주의를 유도하기 위해 환경에서 두드러진 정보를 자동으로 추출하는 기능 선택적 관심 영역(ROI)의 역할을 테스트할 수 있습니다.

이 실험(실험 1.1)에서 연구자들은 기능 선택적 망막 주제 ROI의 fMRI 활성화 패턴에서 재구성된 자극 표현에 대한 시각적 자극 디스플레이의 돌출 정의 기능을 변경하는 효과를 테스트합니다. 참가자는 가끔 두드러진 자극이 나타나는 동안 지속적으로 도전적인 고정 차별 작업을 수행합니다. 자극은 깜박이는 체커보드, 서로 다른 색상의 점으로 구성된 국부적인 두드러진 패치가 있는 정적 색상의 도트 필드, 다른 방향으로 움직이는 국부적으로 두드러진 점 패치가 있는 움직이는 회색조 도트 필드로 구성됩니다. 짧은꼬리원숭이 시각 피질의 단일 뉴런은 두드러진 자극에 반응하는 것으로 나타났으며, 따라서 연구자들은 이러한 이전 연구를 기반으로 기능 선택적인 뇌 영역에서 측정된 반응 패턴에서 두드러진 자극 위치에 대한 실질적인 표현을 볼 수 있을 것으로 기대합니다.

또한 참가자는 해부학적 및 망막색소 매핑 세션을 위해 스캔을 받게 되며, 이를 통해 연구자는 잘 정립되고 표준화된 절차를 사용하여 추가 분석을 위해 뇌 영역을 식별할 수 있습니다.

통계적 설계 및 성능

이 연구 기록에 설명된 fMRI 연구는 망막색소 특징 선택적 ROI에서 측정된 활성화 패턴을 기반으로 시야의 재구성된 공간 맵에서 자극 표현을 정량화하기 위해 공간 위치에 대한 반전된 인코딩 모델(IEM)을 사용합니다. 연구자들은 독립적인 레티노토픽 매핑 및 로컬라이저 기술을 사용하여 ROI를 엄격하게 식별하고 '매핑' 작업을 사용하여 보고된 각 실험의 모든 조건에서 사용할 '고정' 인코딩 모델을 추정합니다. 이러한 설계 결정은 연구자가 개별 참가자와 뇌 영역 내에서 관심 있는 조작의 효과를 감지하고 통계적 힘을 최대화하는 능력을 최대화할 수 있도록 보장합니다. 조사관은 개별 참가자 내의 여러 실험 및 자극 조건에 대한 심층 이미징과 깊이 이미징된 참가자(n = 10, 아래 참조)의 중간 정도 샘플에 대한 데이터 집계 간의 절충안을 사용합니다. 이를 통해 조사자는 개별 참가자 내 작업 및 자극 조작 전반에 걸쳐 모델 기반 자극 표현에 대한 고품질의 재현 가능한 추정치를 얻고 연구 샘플 전체에서 이러한 측정에 대한 통계적 추론을 수행할 수 있습니다.

fMRI 분석은 각 참가자의 개별 뇌 내에서 수행되며 복셀에는 독립적인 기준(기능적 망막 주제 매핑)에 따라 '영역' 라벨이 할당됩니다. 따라서 참가자 간의 뇌 조직의 정확한 정렬이 필요한 비교가 없으며 뇌 활성화의 그룹 평균 '지도'가 생성되지 않습니다. 따라서 뇌 지도의 재현성에 대한 우려와 관련 통계적 검정력에 대한 우려는 이 연구 설계와 관련이 없습니다.

연구의 통계 설계는 각 참가자가 연구의 모든 조작에 노출되는 반복 측정 설계입니다. 각 참가자가 경험하는 조작 순서는 참가자 전체에 걸쳐 무작위로 지정됩니다. 연구자는 모든 통계 비교에 대해 비모수적 무작위 테스트를 사용하여 '셔플링된' 데이터(각 시험에서 측정된 맵 활성화와 관련하여 잘못 정렬된 상태 라벨)를 사용하여 가설 테스트(예: 분산의 반복 측정 분석)를 수행하여 널 분포를 생성합니다. 독립 변수의 영향이 없다는 귀무 가설 하에서 테스트 통계의. 이 절차가 테스트당 광범위하게(1,000회) 반복되면 손상되지 않은 레이블을 사용하여 계산된 테스트 통계량을 이 널 분포와 비교하여 p-값을 추정할 수 있으며 다중 비교를 위해 적절하게(예: 잘못된 발견률을 통해) 수정될 수 있습니다. 순열 절차를 사용하여 널 분포를 생성하면 모수적 가정에 대한 의존도가 최소화됩니다.

또한 연구 내 실험은 각 개별 참가자의 데이터를 사용하여 관심 효과를 테스트할 수 있도록 충분한 데이터를 수집하도록 설계되었습니다. 따라서 각 참가자는 다른 참가자의 독립적인 '복제'로 간주될 수 있습니다. 시각적 자극의 IEM 기반 재구성을 조건 간에 비교하는 유사한 방법론을 채택한 이전 연구에서는 상대적으로 작은 샘플 크기(n = 8, n = 8, n = 7)를 사용했습니다. 원칙적으로 여기에 사용된 접근 방식과 매우 유사한 모집단 수용 필드 모델 또는 위치별 기능 로컬라이저를 사용하는 다른 연구에서는 더 작은 샘플 크기(예: n = 6)를 사용했습니다.

표본 크기 및 통계적 검정력:

이 연구에서 조사관은 작업 조건당 광범위한 데이터(n = 10; 각 참가자에 대해 2회의 실험 fMRI 세션, 각 1.5-2시간, 2시간 해부학 영상 및 망막토피 매핑 fMRI와 함께 중간 샘플 크기를 획득합니다. 세션). 특히 흥미로운 한 연구에서는 n = 6명의 참가자를 사용하여 특징 대비에 의해 두드러진 자극이 정의된 자극 위치에 조정된 V1 복셀이 특징 대비가 없을 때보다 더 강하게 반응한다는 큰 효과 크기 dz = 3.52를 설정했습니다. 또 다른 연구에서는 hV4(n = 6, dz = 1.06 및 방향 기반 대비와 모션 기반 대비 각각 1.06 및 1.80)로 알려진 색상 선택 ROI에서 이 그룹에 의해 유사한 효과 크기가 보고되었습니다.

따라서, (이전에 보고된 것에 기초하여) 0.90의 보수적인 효과 크기를 가정할 때, 연구자들은 n = 10의 표본 크기를 통해 연구가 다음과 같은 유사한 변화를 탐지할 수 있는 강력한 성능(80%, α = 0.05)을 가질 수 있을 것으로 기대합니다. 이 실험(실험 1.1)은 이 연구(단측 쌍 T-검정)와 가장 유사합니다.

또한 연구자들은 특징 선택 영역 간의 현저성 관련 변조 간의 중요한 비교를 위한 효과 크기를 측정하기 위해 파일럿 데이터(n = 3)를 사용하여 현저성 정의 특징에 대해 dz = 3.10이 되도록 했습니다. 이 값은 위에 인용된 값과 일치하며 표본 크기 선택을 추가로 지원합니다. 추가 파일럿 테스트 및 실험 개선 중에 얻은 데이터 분석에서 더 작은 효과 크기가 제안되면 조사관은 강력하고 재현 가능한 결과를 보장하기 위해 검정력 분석을 개선하고 이에 따라 예상 등록을 조정합니다. 이 검정력 분석은 경험적 널 분포를 계산하기 위해 무작위화 방법을 호출하는 제안된 분석에 필요하지 않은 모수적 가정에 의존합니다.