睡眠期间直接上下文重新激活对记忆的影响

每个参与者将在一个下午跑步，其中包括 90 分钟的午睡时间。 在小睡之前，参与者将进行训练和测试——之后他们将参加最后的记忆测试。 在整个任务过程中，将使用电生理设备连续监测和记录神经活动。

这是一项学科内研究。 主要的操作是在睡眠期间不引人注意地呈现声音，这是一种称为目标记忆重新激活 (TMR) 的技术。 所有参与者都会听到这些声音，但每个人听到的具体声音会有所不同。 结果将在参与者内部进行比较，而不是在不同的团体或个人之间进行比较。 用于此类分析的适当统计方法包括配对 t 检验和重复测量方差分析。 将根据他们在睡前测试中的表现来选择向每个参与者呈现哪些声音。 这样做是为了平衡出现和未出现的刺激之间的睡前分数，以消除统计噪声。 参与者和实验者都不知道将呈现哪些声音，选择将由计算机自动进行。 该技术已被广泛使用，并且没有已知的风险。

使用受试者内设计减少所需样本量的主要原因有两个。 首先，缺乏主体间独立变量直观地需要较少的参与者。 其次，由于个体差异导致的统计噪音水平降低（即，因为每个参与者都与他们自己的分数进行比较）。 以前的 TMR 研究发现了显着的提示效果，通常使用 20-25 名参与者。 我计划在这项研究中包括至少 30 名参与者，在排除无法完成任务的参与者和那些在睡眠期间没有得到充分提示的参与者之后。 拥有 30 名参与者将允许使用更强大的统计方法（根据从中心极限定理得出的通用经验法则，该定理表明基于超过 30 名参与者的样本量可以假设服从正态分布） . 我预计上下文相关的 TMR 效应（见摘要）相对于空间学习 TMR 研究中观察到的常见效应大小（根据最近的荟萃分析，Hedge 的 g = 0.39）的幅度较小。 这就是为什么我包含了更大的样本量。 重要的是要注意，即使这种好处的幅度较小，如我所料，它仍将指示潜在的神经认知过程，因此对于我们对睡眠中情境作用的机械理解非常有价值。 以至少 30 名参与者的样本量为目标，并假设遗漏率为 80%，因此我计划总共有 38 名参与者。

以下是该过程的简要总结：

刺激：空间场景（例如海滩）的 16 个图像将分别与声音和四个较小的物体或动物图像任意关联。 一半场景将随机指定为上下文重新激活 (CR) 条件，另一半场景将指定为项目重新激活 (IR) 条件（见下文）。 这 64 幅图像在屏幕上呈现的圆形网格上各有一个独特的 2D 位置。

培训：参与者将首先学习将每个场景与配对的声音关联起来，达到标准。 接下来，他们将学习根据标准将场景与其四幅图像相关联。 培训的最后一部分将包括两种穿插的学习模块。 在空间训练块中，在每个试验中，参与者必须将单个图像放在正确的位置。 然后他们将收到反馈以进行改进。 与图像相关的场景将在他们学习时呈现，但至关重要的是，对于 CR 条件场景，声音永远不会呈现。 对于 IR 场景，声音将在学习其中两个项目时呈现，但不会出现在另外两个项目中。

另一种设计可能会将 CR 条件下的提示项目与场景完全分离；这些项目可能与新颖的声音相关联（即，与场景无关）并且不会与场景一起呈现。 然而，使用这样的设计会引入混杂因素。 新颖的声音可能仍然以未知的程度不仅与项目相关联，而且与其所属的上下文相关联。 因此，这种新颖的声音与上下文相关的程度将保持不受控制，并且可能因参与者和场景而异。 用于 IR 条件下的项目的声音总是另外与场景相关联。 通过始终让声音与上下文相关联，并且 - 在 IR 条件下 - 除了项目之外，我大大减少了任何解释问题。

在根本不包含空间分量或较小图像的声音场景块中，场景将仅针对 CR 条件场景使用声音呈现（即，以平衡条件之间的声音呈现数量）。 这些块将以交错的方式重复，直到每个参与者都达到空间任务的预设学习标准。

睡前测试：训练结束后，将在不接触声音或场景的情况下测试参与者对所有项目的空间记忆。

睡眠：在 NREM（非快速眼动）睡眠期间，与一半 CR 条件场景和一半 IR 条件场景相关的声音将不显眼地呈现。 选择要呈现的声音将以平衡睡前结果的方式进行，从而增强提示和非提示图像的睡眠相关效果之间的对比度。

睡后测试：午睡结束后至少 10 分钟，参与者将接受与睡前测试相同的测试。 紧接着，他们将使用自由回忆和识别测试对场景-项目和场景-声音关联进行测试。 然后参与者将受到感谢、汇报、支付和解雇。