시각적 인지에서 특징 차원 맵의 역할 조사: 작업 메모리 유지 관리의 영향(Expt 2.3)

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 작업 기억 작업에 참여하게 됩니다.

모든 작업에서 참가자는 주변에 제시된 자극의 한 가지 특징(색상 또는 동작)을 정확하게 기억하고 보고합니다. 행동 반응은 참가자가 오른손에 들고 있는 fMRI 호환 버튼 상자를 사용하여 버튼 누름으로 기록됩니다.

이 실험에서 조사자는 자극 표시를 유사하게 유지하면서 행동 작업의 측면(기억된 특징 값 및 차원)을 조작합니다(다채로운 점 이동, 동작 방향, 위치 및 색상은 각 시험에서 무작위로 다양함). 이러한 조작을 통해 연구자는 짧은 지연에 걸쳐 기억된 시각적 자극의 공간 및 특징 표현을 지원하는 기능 선택적 관심 영역(ROI)의 역할을 테스트할 수 있습니다.

이 실험(실험 2.3)에서 연구자는 등화 색상의 움직이는 점(무작위 색상 색조 및 무작위 평면 모션 방향)을 포함하는 빈 배경의 주변 위치에 단일 자극을 제시합니다. 참가자는 각 시험이 시작될 때 점의 정확한 색상이나 정확한 동작 방향을 기억하고 보고하도록 신호를 받습니다. 기능 차원에 주의를 기울이고 인코딩하는 것이 해당 차원 맵 내에서 활성화 프로필을 변조하는 경우 조사자는 관심 있는 기능을 선호하는 영역의 차원 맵에서 자극 표현의 선택적 향상을 볼 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 공간 위치에 대한 반전된 인코딩 모델(IEM)을 사용하여 망막색소 특징 선택적 ROI에서 측정된 활성화 패턴을 기반으로 시야의 재구성된 공간 맵에서 자극 표현을 정량화합니다. 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. 연구자들은 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 통계적 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 = 7-8)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 각 1.5~2시간씩 2회의 실험 fMRI 세션; 2시간 해부학 영상 및 망막색소 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 유사한 변화를 탐지할 수 있는 강력한 성능(80%, α = 0.05)을 얻을 수 있을 것으로 기대합니다. 실험 1.1은 이 연구와 가장 유사합니다(단측 쌍 T-검정).

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 위에서 인용한 값과 일치하며, 표본 크기 선택을 더욱 뒷받침합니다. 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.