Исследование роли карт измерений функций в зрительном познании: влияние обслуживания рабочей памяти (Expt 2.3)

В этом эксперименте участники будут выполнять все задачи в рамках повторяющихся измерений. Участники не распределяются по группам случайным образом, поскольку все участники будут подвергаться одному и тому же набору экспериментальных манипуляций. В этом эксперименте участникам предстоит выполнить ряд сложных задач на зрительную рабочую память, в то время как положение их глаз отслеживается во время сканирования фМРТ.

Во всех заданиях участники точно запомнят и сообщат об одной особенности (цвете или движении) стимула, представленного на периферии. Поведенческие реакции будут записываться при нажатии кнопки, которое участники будут совершать с помощью кнопочного блока, совместимого с фМРТ, который они будут держать в правой руке.

В этом эксперименте исследователи будут манипулировать аспектами поведенческой задачи (запомнить значение и размер признака), сохраняя при этом одинаковое отображение стимулов (движущиеся цветные точки; направление движения, местоположение и цвет случайным образом варьируются в каждом испытании). Эти манипуляции позволят исследователям проверить роль селективных ретинотопических областей интереса (ROI) в поддержке пространственных и функциональных представлений запомнившихся зрительных стимулов в течение коротких задержек.

В этом эксперименте (эксперимент 2.3) исследователи будут предъявлять один стимул в периферийном месте на пустом фоне, содержащем движущиеся точки равносветящегося цвета (произвольный цветовой оттенок и случайное плоское направление движения). В начале каждого испытания участникам будет предложено запомнить и сообщить либо точный цвет точек, либо точное направление движения. Если внимание к измерению признака и его кодирование модулируют профили активации в соответствующей карте измерений, исследователи ожидают увидеть выборочное улучшение представления стимула на карте измерений региона, предпочитающего посещаемый признак.

Участники также будут просканированы для сеанса анатомического и ретинотопического картирования, что позволит исследователям идентифицировать области мозга для дальнейшего анализа с использованием хорошо зарекомендовавших себя и стандартизированных процедур.

СТАТИСТИЧЕСКИЙ ДИЗАЙН И МОЩНОСТЬ

Исследования фМРТ, описанные в этом отчете об исследовании, используют модель инвертированного кодирования (IEM) для пространственного положения для количественной оценки представлений стимулов в реконструированных пространственных картах поля зрения на основе паттернов активации, измеренных в ретинотопических селективных ROI. Исследователи тщательно идентифицируют области интереса, используя независимое ретинотопическое картирование и методы локализации, а также используют задачу «картирования» для оценки «фиксированной» модели кодирования для использования во всех условиях в каждом представленном эксперименте. Эти проектные решения гарантируют, что исследователи смогут максимизировать свою способность обнаруживать эффекты интересующих их манипуляций в отдельных участниках и областях мозга, а также максимизировать статистическую мощность. Исследователи используют компромисс между глубокой визуализацией нескольких экспериментальных и стимулирующих условий у отдельных участников и агрегированием данных по умеренной выборке этих участников с глубокой визуализацией (n = 10; см. ниже). Это позволяет исследователям получать высококачественные, воспроизводимые оценки представлений стимулов на основе моделей в рамках задач и манипуляций со стимулами у отдельных участников и делать статистические выводы на основе этих измерений по всей исследуемой выборке.

Анализ фМРТ будет проводиться в индивидуальном мозге каждого участника, а вокселям будут присвоены метки «области» в соответствии с независимыми критериями (функциональное ретинотопическое картирование). Соответственно, не проводится никаких сравнений, требующих точного выравнивания мозговой ткани между участниками, а также нет создания усредненных по группам «карт» активации мозга. Таким образом, опасения по поводу воспроизводимости карт мозга и связанные с этим проблемы статистической мощности не имеют отношения к данному дизайну исследования.

Статистический дизайн исследования представляет собой дизайн с повторными измерениями, при котором каждый участник подвергается всем манипуляциям в исследовании. Порядок манипуляций, которые испытывает каждый участник, рандомизирован для всех участников. Исследователи будут использовать непараметрические тесты рандомизации для всех статистических сравнений, в ходе которых они будут проводить проверку гипотез (например, дисперсионный анализ с повторными измерениями) с использованием «перетасованных» данных (смещенные метки условий относительно активации измеренной карты в каждом испытании) для получения нулевого распределения. тестовых статистических данных при нулевой гипотезе об отсутствии влияния их независимой переменной(й). После того, как эта процедура многократно повторяется (1000 раз) для каждого теста, значение p можно оценить путем сравнения статистики теста, рассчитанной с использованием неповрежденных меток, с этим нулевым распределением и соответствующим образом скорректировать с учетом множественных сравнений (например, через уровень ложного обнаружения). Использование процедур перестановки для создания нулевого распределения сводит к минимуму зависимость от параметрических предположений.

Кроме того, эксперименты в рамках исследования разработаны таким образом, чтобы было получено достаточно данных, чтобы данные каждого отдельного участника можно было использовать для проверки интересующих эффектов. Соответственно, каждого участника можно считать независимой «копией» другого участника. Предыдущие исследования, в которых применялась аналогичная методология, согласно которой реконструкции зрительных стимулов на основе IEM сравниваются в разных условиях, использовали относительно небольшие размеры выборки (n = 7-8). В других исследованиях с использованием моделей рецептивного поля популяции или функционального локализатора, специфичного для конкретного местоположения, которые в принципе очень похожи на использованный здесь подход, использовались меньшие размеры выборки (например, n = 6).

Размер выборки и статистическая мощность:

В этом исследовании исследователи получат промежуточный размер выборки с обширными данными для каждого условия задачи (n = 10; 2 экспериментальных сеанса фМРТ, каждые 1,5–2 часа, для каждого участника; наряду с 2-часовой анатомической визуализацией и фМРТ-картированием ретинотопов). сессия). Особый интерес представляет то, что в одном исследовании с участием n = 6 участников было установлено с большим размером эффекта dz = 3,52, что воксели V1, настроенные на местоположение стимула, где заметный стимул определялся контрастом признаков, реагируют сильнее, чем когда контраст признаков отсутствует. В другом исследовании эта группа сообщила об аналогичных размерах эффекта в селективной по цвету рентабельности инвестиций, известной как hV4 (n = 6; dz = 1,06 и 1,80 для контраста на основе ориентации и движения соответственно).

Соответственно, предполагая консервативный размер эффекта 0,90 (на основе ранее сообщавшихся), исследователи ожидают, что размер выборки n = 10 позволит исследованию иметь достаточную мощность (80%, α = 0,05) для выявления аналогичных изменений в Эксперимент 1.1, наиболее аналогичный данному исследованию (односторонний парный Т-критерий).

Кроме того, исследователи использовали свои пилотные данные (n = 3) для измерения размера эффекта для критического сравнения между модуляциями, связанными с заметностью, между селективными областями, чтобы dz = 3,10 для признака, определяющего значимость. Эти значения соизмеримы с указанными выше и дополнительно подтверждают выбор размера выборки. Если анализ данных, полученных в ходе дальнейшего пилотного тестирования и уточнения эксперимента, покажет меньшую величину эффекта, исследователи уточнят анализ мощности и соответствующим образом скорректируют прогнозируемое число участников, чтобы обеспечить надежные и воспроизводимые результаты. Обратите внимание, что этот анализ мощности основан на параметрических предположениях, которые не потребуются для предлагаемых анализов, которые используют методы рандомизации для вычисления эмпирических нулевых распределений.