Sondando o papel dos mapas de dimensões de recursos na cognição visual: impacto da manutenção da memória de trabalho (Expt 2.3)

Neste experimento, os participantes se envolverão em todas as condições de tarefa em um projeto de medidas repetidas. Os participantes não são distribuídos aleatoriamente em grupos, pois todos os participantes experimentarão o mesmo conjunto de manipulações experimentais. Neste experimento, os participantes se envolverão em uma série de tarefas desafiadoras de memória de trabalho visual enquanto a posição dos olhos é rastreada durante a ressonância magnética funcional.

Em todas as tarefas, os participantes lembrarão e relatarão com precisão uma característica (cor ou movimento) de um estímulo apresentado na periferia. As respostas comportamentais serão registradas pressionando um botão, que os participantes farão usando uma caixa de botão compatível com fMRI segurada na mão direita.

Neste experimento, os investigadores manipularão aspectos da tarefa comportamental - valor e dimensão do recurso lembrado - enquanto mantêm a exibição do estímulo semelhante (pontos coloridos em movimento; direção do movimento, localização e cor variadas aleatoriamente em cada tentativa). Essas manipulações permitirão que os investigadores testem o papel das regiões retinotópicas de interesse (ROIs) seletivas de características no apoio a representações espaciais e de características de estímulos visuais lembrados durante breves atrasos.

Neste Experimento (Experimento 2.3), os investigadores apresentarão um único estímulo em um local periférico em um fundo branco contendo pontos móveis coloridos equiluminantes (matiz de cor aleatória e direção de movimento planar aleatória). Os participantes serão instruídos no início de cada tentativa a lembrar e relatar a cor precisa dos pontos ou a direção precisa do movimento. Se atender e codificar uma dimensão de recurso modula os perfis de ativação dentro do mapa de dimensão correspondente, os investigadores esperam ver um aprimoramento seletivo da representação de estímulo no mapa de dimensão de uma região que prefere o recurso atendido.

Os participantes também serão escaneados para uma sessão de mapeamento anatômico e retinotópico, que permitirá aos investigadores identificar regiões do cérebro para análise posterior usando procedimentos padronizados e bem estabelecidos.

PROJETO ESTATÍSTICO E PODER

Os estudos de fMRI descritos neste registro de estudo empregam um modelo de codificação invertida (IEM) para posição espacial para quantificar representações de estímulos em mapas espaciais reconstruídos do campo visual com base em padrões de ativação medidos em ROIs seletivos de recursos retinotópicos. Os investigadores identificam rigorosamente os ROIs usando mapeamento retinotópico independente e técnicas de localização, e usam uma tarefa de 'mapeamento' para estimar um modelo de codificação 'fixo' para uso em todas as condições em cada experimento relatado. Essas decisões de projeto garantem que os investigadores possam maximizar sua capacidade de detectar os efeitos de suas manipulações de interesse nos participantes individuais e nas regiões cerebrais e maximizar o poder estatístico. Os investigadores usam um compromisso entre imagens profundas de várias condições experimentais e de estímulo dentro de participantes individuais e agregação de dados em uma amostra moderada desses participantes com imagens profundas (n = 10; veja abaixo). Isso permite que os investigadores obtenham estimativas reproduzíveis e de alta qualidade de representações de estímulos baseadas em modelos em manipulações de tarefas e estímulos dentro de participantes individuais e conduzam inferência estatística sobre essas medições em toda a amostra do estudo.

As análises de fMRI serão conduzidas no cérebro individual de cada participante, e os voxels receberão rótulos de 'região' de acordo com critérios independentes (mapeamento retinotópico funcional). Conseqüentemente, não há comparações que exijam alinhamento preciso do tecido cerebral entre os participantes, e nenhuma geração de “mapas” de ativação cerebral com média de grupo. Como tal, as preocupações sobre a reprodutibilidade dos mapas cerebrais e as preocupações associadas ao poder estatístico são irrelevantes para o desenho deste estudo.

O desenho estatístico do estudo é um desenho de medidas repetidas, em que cada participante é exposto a todas as manipulações do estudo. A ordem das manipulações que cada participante experimenta é aleatória entre os participantes. Os investigadores empregarão testes de randomização não paramétricos para todas as comparações estatísticas, por meio dos quais conduzirão testes de hipóteses (por exemplo, análise de variância de medidas repetidas) usando dados 'embaralhados' (rótulos de condição desalinhados em relação à ativação medida do mapa em cada ensaio) para gerar uma distribuição nula de estatísticas de teste sob a hipótese nula de nenhum efeito de sua(s) variável(is) independente(s). Uma vez que este procedimento é repetido extensivamente (1.000 vezes) por teste, o valor p pode ser estimado comparando a estatística de teste calculada usando rótulos intactos com esta distribuição nula e corrigida para múltiplas comparações conforme apropriado (por exemplo, através de taxa de descoberta falsa). O uso de procedimentos de permutação para gerar uma distribuição nula minimiza a dependência de suposições paramétricas.

Além disso, os experimentos dentro do estudo são projetados de forma que sejam adquiridos dados suficientes para que os dados de cada participante individual possam ser usados ​​para testar os efeitos de interesse. Assim, cada participante pode ser considerado uma “replicação” independente de cada outro participante. Estudos anteriores que adotaram uma metodologia semelhante, pela qual reconstruções de estímulos visuais baseadas em IEM são comparadas entre condições, empregaram amostras relativamente pequenas (n = 7-8). Outros estudos que utilizam modelos de campo receptivos populacionais ou localizador funcional específico de localização, que são, em princípio, muito semelhantes à abordagem empregada aqui, utilizaram amostras menores (por exemplo, n = 6).

Tamanho da amostra e poder estatístico:

Neste estudo, os investigadores irão adquirir um tamanho de amostra intermediário com dados extensos por condição de tarefa (n = 10; 2 sessões experimentais de fMRI, a cada 1,5-2 horas, para cada participante; junto com imagem anatômica de 2 horas e mapeamento retinotópico fMRI sessão). De particular interesse, um estudo utilizou n = 6 participantes para estabelecer com um grande tamanho de efeito dz = 3,52 que os voxels V1 sintonizados em um local de estímulo onde um estímulo saliente foi definido pelo contraste de características respondem mais fortemente do que quando o contraste de características está ausente. Em outro estudo, tamanhos de efeito semelhantes foram relatados por este grupo em um ROI seletivo de cor conhecido como hV4 (n = 6; dz = 1,06 e 1,80 para contraste baseado em orientação e movimento, respectivamente).

Assim, assumindo um tamanho de efeito conservador de 0,90 (com base naqueles relatados anteriormente), os investigadores esperam que um tamanho de amostra de n = 10 permitirá que o estudo seja bem desenvolvido (80%, α = 0,05) para detectar uma mudança semelhante em Experimento 1.1, que é mais análogo a este estudo (teste T pareado unilateral).

Além disso, os investigadores usaram seus dados piloto (n = 3) para medir o tamanho do efeito para a comparação crítica entre modulações relacionadas à saliência entre regiões seletivas de recursos como dz = 3,10 para o recurso definidor de saliência. Estes valores são proporcionais aos citados acima e apoiam ainda mais a seleção do tamanho da amostra. Se as análises dos dados adquiridos durante testes piloto adicionais e refinamento do experimento sugerirem tamanhos de efeito menores, os investigadores irão refinar as análises de poder e ajustar a inscrição projetada de acordo para garantir resultados robustos e reprodutíveis. Observe que esta análise de poder depende de suposições paramétricas que não serão necessárias para as análises propostas, que invocam métodos de randomização para calcular distribuições nulas empíricas.