探讨特征维度图在视觉认知中的作用：工作记忆维护的影响（实验 2.3）

在这个实验中，参与者将在重复测量设计中参与所有任务条件。 参与者不会被随机分配到不同的组中，因为所有参与者都会经历相同的实验操作。 在这个实验中，参与者将参与一系列具有挑战性的视觉工作记忆任务，同时在功能磁共振成像扫描期间跟踪他们的眼睛位置。

在所有任务中，参与者都会准确地记住并报告周围出现的刺激的一个特征（颜色或运动）。 按下按钮即可记录行为反应，参与者将使用右手握住的功能磁共振成像兼容按钮盒进行记录。

在这个实验中，研究人员将操纵行为任务的各个方面——记住的特征值和维度——同时保持刺激显示相似（移动彩色点；运动方向、位置和颜色在每次试验中随机变化）。 这些操作将使研究人员能够测试特征选择性视网膜主题感兴趣区域 (ROI) 在支持短暂延迟期间记住的视觉刺激的空间和特征表示方面的作用。

在此实验（实验 2.3）中，研究人员将在包含等亮度彩色移动点（随机色调和随机平面运动方向）的空白背景上的外围位置呈现单个刺激。 在每次试验开始时，参与者将被提示记住并报告点的精确颜色或精确的运动方向。 如果关注和编码特征维度可以调节相应维度图中的激活曲线，那么研究人员期望看到偏好关注特征的区域的维度图中刺激表示的选择性增强。

参与者还将接受解剖学和视网膜专题测绘会议的扫描，这将使研究人员能够识别大脑区域，以便使用完善的标准化程序进行进一步分析。

统计设计与功效

本研究记录中描述的功能磁共振成像研究采用空间位置的反向编码模型 (IEM)，根据视网膜专题特征选择性 ROI 中测量的激活模式来量化视野重建空间图中的刺激表示。 研究人员使用独立的视网膜专题映射和定位技术严格识别 ROI，并使用“映射”任务来估计“固定”编码模型，以便在每个实验报告的所有条件下使用。 这些设计决策确保研究人员能够最大限度地检测其感兴趣的操作对个体参与者和大脑区域的影响，并最大限度地提高统计能力。 研究人员在个体参与者的几个实验和刺激条件的深度成像与这些深度成像参与者的中等样本（n = 10；见下文）的数据汇总之间进行了折衷。 这使得研究人员能够在个体参与者的任务和刺激操作中获得基于模型的刺激表征的高质量、可重复的估计，并对整个研究样本的这些测量结果进行统计推断。

功能磁共振成像分析将在每个参与者的个人大脑内进行，体素根据独立标准（功能性视网膜专题图）分配“区域”标签。 因此，不存在需要对参与者之间的脑组织进行精确对准的比较，并且不生成大脑激活的组平均“图”。 因此，对脑图可重复性和相关统计功效的担忧与本研究设计无关。

该研究的统计设计是重复测量设计，每个参与者都会接触研究中的所有操作。 每个参与者经历的操作顺序在参与者之间是随机的。 研究人员将对所有统计比较采用非参数随机化检验，从而使用“洗牌”数据（相对于每次试验的测量图激活的未对齐条件标签）进行假设检验（例如，重复测量方差分析）以生成零分布在自变量没有影响的原假设下的检验统计量。 每次测试广泛重复此过程（1,000 次）后，可以通过将使用完整标签计算的测试统计量与此零分布进行比较来估计 p 值，并根据需要对多重比较进行校正（例如，通过错误发现率）。 使用排列过程生成零分布可以最大限度地减少对参数假设的依赖。

此外，研究中的实验经过精心设计，可获取足够的数据，以便使用每个参与者的数据来测试感兴趣的效果。 因此，每个参与者可以被认为是每个其他参与者的独立“复制”。 先前的研究采用了类似的方法，即在条件之间比较基于 IEM 的视觉刺激重建，并采用相对较小的样本量 (n = 7-8)。 其他使用群体感受野模型或特定位置功能定位器的研究原则上与此处采用的方法非常相似，但使用了较小的样本量（例如，n = 6）。

样本量和统计功效：

在这项研究中，研究人员将获取每个任务条件下包含大量数据的中间样本量（n = 10；每个参与者进行 2 次实验性 fMRI 会话，每次 1.5-2 小时；以及 2 小时的解剖成像和视网膜专题映射 fMRI会议）。 特别有趣的是，一项研究使用 n = 6 名参与者，以大效应大小 dz = 3.52 确定，V1 体素调谐到刺激位置，其中由特征对比度定义的显着刺激比不存在特征对比度时响应更强烈。 在另一项研究中，该小组在称为 hV4 的颜色选择性 ROI 中报告了类似的效应大小（n = 6；对于基于方向和基于运动的对比度，dz 分别 = 1.06 和 1.80）。

因此，假设保守效应大小为 0.90（基于之前报告的结果），研究人员预计 n = 10 的样本大小将使研究能够有效（80%，α = 0.05）检测到类似的变化实验 1.1，与本研究最相似（单尾配对 T 检验）。

此外，研究人员使用他们的试点数据 (n = 3) 来测量特征选择区域之间的显着性相关调制之间关键比较的效应大小，对于显着性定义特征，dz = 3.10。 这些值与上面引用的值相当，并进一步支持样本量的选择。 如果对进一步试点测试和实验细化过程中获得的数据进行分析表明效应规模较小，研究人员将完善功效分析并相应调整预计的入组人数，以确保稳健且可重复的结果。 请注意，此功效分析依赖于参数假设，而所提出的分析不需要这些参数假设，该分析调用随机化方法来计算经验零分布。