파트 2 : 작업 및 휴식 전반에 걸친 메모리와 보상 센터 간의 기능적 연결성 보상에 대한 메모리 민감도 추적
Mar 17, 2022
더 많은 information:ali.ma@wecistanche.com 을 위해
분석 의 분산 접근
연결 패턴이 관련 있는지 테스트하려면기억보상에 대한 민감성과 이 관계가 작업 단계 전반에 걸쳐 안정적인지 여부와 관계없이 연결 값은 두 개의 반복 측정 ANOVA에 제출되었습니다. 첫 번째 ANOVA에는 휴지 상태 연결에 대한 이전 작업과 유사한 나머지 데이터 (사전 인코딩, 사후 인코딩) 만 포함되었습니다 (Gruber et al., 2016). 두 번째 ANOVA에는 세 가지 작업 단계(사전 인코딩 휴식, 인코딩 작업, 사후 인코딩 휴식)가 모두 포함되어 있으며, 작업 시계열과 비교하기 위해 저역 통과 필터링된 휴식 시계열이 포함되어 있습니다. 주제 내 요인으로서의 작업 단계 외에도 두 ANOVA도 포함되었습니다.기억구조 (해마, PHC) 및 보상 구조 (ACC, 중뇌, MPFC, OFC, VS)는 피험자 내 요인 및 조정기 상태 (변조기, 비 변조기)로서 피험자 간 요인.
클릭하여메모리를위한 시스탄체 NZ
다음 효과는 우리의 관심 질문과 관련이 있습니다 : (1) 변조기 상태의 주요 효과 및 상호 작용, 연결 패턴이 개인차와 관련이 있는지 테스트기억보상에 대한 민감성; (2) 작업 단계 요소의 주요 효과 및 상호 작용, 연결 패턴이 작업 및 휴식 전반에 걸쳐 상대적으로 안정적 일 수 있다는 아이디어를 테스트하고 개인의 차이를 추적 할 수 있습니다.기억보상에 대한 민감성; (3) 보상 영역 인자와 변조기 상태의 상호작용, 모든 보상 영역이 유사하거나 차별적으로 기여하는지 여부를 테스트한다. 참고로, 보상 영역의 주요 효과와 주요 효과기억영역은 전체 기능적 연결성 값이 영역들 사이의 물리적 거리와 영역의 크기에 의존할 수 있고, 쉽게 해석가능하지 않을 수 있기 때문에 관심의 대상이 되지 않았다 (Honey et al., 2009; Salvador et al., 2005). 상호 작용이 발견되었을 때, 우리는 상호 작용의 궤적에 대한 조사를 추적했습니다. 보고서는 관심의 효과에 초점을 맞추지만 전체 ANOVA 결과는 표에보고됩니다. 온실 가이저 보정은 적절할 때 사용되었고, 표에서 "GG"로 보고되었다. 우리의 발견이 치료에 의해 주도되지 않았 음을 검증하기 위해기억이진 변수로서의 보상에 대한 민감성, 우리는 ANCOVA를 사용하여 두 ANOVA의 관심의 중요한 효과를 재테스트했으며, 행동 보상 변조를 공변량으로 지속적으로 측정했습니다.
기능 관계 가운데 연결
ANOVA의 여러 보상 ROI에 걸쳐 비교 가능한 또는 차등 변조기 효과를 관찰하는 것은 보상 영역의 고유하거나 균일한 기여에 대한 하나의 표시를 제공합니다.기억. 보상 영역이 동일한 기능 네트워크의 일부인지 여부를 더 직접적으로 테스트하기 위해 상호 상관 구조를 추가로 조사했습니다. 두 가지 주요 구성 요소 분석을 수행했는데, 하나는 레스트 전용 연결 값(고주파 변동에 대한 정보를 유지하기 위한 저역 통과 필터 없음)과 작업 및 나머지 부분 간의 모든 연결 값을 포함하는 값(비교 가능한 작업 및 나머지 전처리에 대해 저역 통과 필터링된 시계열 사용)에 대한 분석입니다. 성분은 분산의 적어도 10 %를 설명 할 때 추가 분석을 위해 고려되었습니다. 고려 된 각 구성 요소에 대해 구성 요소의 null 분포와 비교를 사용하여 우연히 이러한 구성 요소를 얻을 가능성을 테스트했습니다. null 분포를 얻기 위해 각 연결에 대해 개별적으로 참가자 간 연결 값을 무작위로 섞어 얻은 데이터에 대해 10,000개의 시뮬레이션된 주성분 분석을 수행했습니다. 각 구성 요소에 의해 설명 된 분산의 비율 (첫 번째로 가장 유익하고 두 번째로 유익한 정보 등)은 null 분포의 설명 된 백분율과 비교되었습니다. 고유값을 테스트하여 동일한 결과를 얻을 수 있습니다.
각 구성 요소의 하중을 단방향 ANOVA를 사용하여 다섯 가지 보상 ROI에 대해 비교하고, 구성 요소 점수는 다중 회귀를 사용하는 행동 보상 변조와 관련되었습니다. 다중 회귀 전에 차원성 감소를 사용하면 기본 구성 요소 또는 잠재적 지역 네트워크가 연결 값 간의 공선성을 고려하고 데이터 기반 방식으로 고려한 예측 변수의 수를 제한하는 동시에 연결-동작 관계에 어떻게 기여했는지 테스트할 수 있었습니다.
인터넷 무늬 분류
분산 분석과 같은 전통적인 추론 테스트에서는 그룹 간의 차이를 관찰한 확률을 우연만으로 테스트하지만, 기계 학습 분류 접근 방식을 사용하면 연결 패턴을 기반으로 참가자를 얼마나 잘 구별할 수 있는지 더 직접적으로 정량화할 수 있습니다. SVC(지원 벡터 분류)를 사용하여 참가자가 10개의 ROI 연결에 걸친 연결 패턴을 기반으로 변조기 또는 비변조기로 분류될 수 있는 정도를 테스트했습니다(2기억ROI × 5 보상 ROI).
SVC는 "e1071"(Meyer, Dimitriadou, Hornik, Weingessel, & Leisch, 2017) 통계 분석 패키지를 사용하여 구현되었으며 각 작업 단계 내에서 별도로 수행되었습니다. nu-분류를 위한 디폴트 파라미터는 방사형 기초 함수 커널과 함께 사용되었다(C = 1, ε= 0.1, γ= 0.1, 튜닝 없음). 우리는 leave-one-subject-out cross-validation 접근법을 사용하여 N-1 피험자에 대한 모델을 교육한 다음 훈련된 분류자를 적용하여 보류된 피험자의 변조기 상태를 예측했습니다. 이 과정은 각 피험자가 차례로 훈련 세트로부터 보류되고 모델을 테스트하는데 사용됨에 따라 반복되었다. 모델의 정확도는 올바른 분류의 백분율로 기록되었습니다. 유의성을 테스트하기 위해 순열 검정을 사용하였다. 우리는 5,000 시뮬레이션을 실시하여 매번 참가자 간에 변조기 상태 레이블을 무작위로 섞은 다음 실제 데이터와 동일한 leave-one-subject-out 교차 검증 분류 정확도를 계산했습니다. 진정한 분류자 정확도는 시뮬레이션된 분류 정확도의 분포와 비교하여 우연만으로 이러한 정확도를 얻을 확률을 도출했습니다. 보다 작은 확률로 발생한 정확도p= 0.017은 전체 알파 = 0.05에 대한 세 가지 작업 단계에 걸친 Bonferroni 보정을 반영하여 유의한 것으로 간주되었습니다.
결과가 중앙값 분할 접근법에 의해 구동되지 않았음을 확인하기 위해, SVR(Support Vector Regression)을 사용하여 각 작업 단계에서 측정된 연결성으로부터 각 참가자에 대한 행동 보상 변조(BRM 점수)의 지속적인 측정을 예측했습니다. 동일한 통계 패키지, 기본 매개 변수 및 leave-one-subject out cross-validation
이 접근법은 SVC에 사용되었던 것과 같이 SVR에 대해 사용되었다. 이어서, 각 피험자에 대해 예측된 BRM 값을 관찰된 BRM 값과 상관시켜 개인적인지 여부를 평가하였다.
연결 패턴의 차이에는 행동 보상 변조의 개인 차이에 대한 정보가 포함됩니다.기억. 우리는 세 가지 상관 관계 (알파 = 0.05/3 = 0.017)에 대해 Bonferroni 보정을 사용했습니다.
보완적인 인터넷 분석
관심의 주요 질문 외에도, 현재 연구는 보상 변조에 대한 이전 연구의 질문을 해결하는 데 적합한 데이터를 제공합니다.기억. 우리는 연결성에 초점을 맞추고 연구의 주요 목표를 직접 다루지는 않지만 독자들에게 유익 할 수있는 두 가지 탐구 분석을 수행했습니다.
상관 관계 사이 인터넷 변경 그리고 행동—아노바, PCA,
기계 학습 접근 방식은 광범위한 보상 영역 집합과 연결 지문 가설의 역할을 테스트하는 데 매우 적합하며, 특히 여기에서 고려되는 더 큰 관련 연결 집합에 적합합니다. 대조적으로, 보상 변조에 대한 선행 연구기억일반적으로 단일 연결 및 학습 관련 효과에 중점을 두어 사후 인코딩 연결 증가와 관련된 일차 상관 관계를보고합니다. 인코딩 후 휴식의 불균형 한 역할은 ANOVA의 작업 단계 상호 작용에 의해 중요한 변조기로 표시 될 수 있지만 이전 연구와 직접 비교할 수있는 데이터를 생성하기를 원했습니다. 따라서 각 연결에 대한 사전 사후 연결 변경 사항을 추가로 계산하고 BRM과 상호 연관시켰습니다. 내측두엽에서 증가된 도파민 이용가능성은 일반적으로 인코딩을 향상시킬 수 있기 때문이다 (Duncan et al., 2014; Lisman et al., 2011), 우리는 또한 연결 값을 각 참가자의 전체 리콜률과 상호 연관시켰다.
앞쪽 그리고 후부 차이 이내이해마—이전 작품은 제안
해마의 전방 부분과 후부 사이에는 기능적 차이가 있습니다 (Brunec et al., 2018; McKenzie et al., 2014; Poppenk, Evensmoen, Moscovitch, & Nadel, 2013). 그러나 보상 동기 학습의 맥락에서 전방 및 후부 해마의 차별적 기여에 대한 증거가 부족하거나 상충됩니다 (Murty et al., 2017; Wolosin et al., 2013). 우리는 전방 / 후방 해마 연결 패턴에 대한 탐색 분석을 수행하여 연결 패턴 또는 연결 변화가 패러다임의 행동과 차별적으로 관련되어 있는지 테스트했습니다.
각 참가자의 해마 ROI의 중간 부분은 전방 및 후부 부문의 경계로 사용되었습니다. 해마 ROI에 홀수 수의 조각이있는 참가자의 경우 중간 슬라이스가 후부 부분에 할당되었습니다. 그런 다음 ROI를 사용하여 각 휴식 및 작업 스캔 중에 시계열을 추출했습니다. 각 보상 영역과 전방 및 후부 해마 사이의 연결성은 상기 요약된 절차를 사용하여 측정되었다. 전방 및 후부 해마 사이의 기능적 차이는 해마 ROI (전방, 후방) × 작업 단계 (사전 인코딩, 인코딩, 사후 인코딩) × 보상 ROI (ACC, 중뇌, MPFC, OFC, VS)를 피험자 내 요인으로 사용하고 피험자 간 요인으로서의 변조기 상태를 갖는 반복 측정 ANOVA를 사용하여 테스트했습니다. 주요 관심사는 해마 ROI와 조절기 상태 사이의 상호 작용이었으며, 전방 및 후부 해마가 차별적으로 관련되어 있는지 여부를 테스트했습니다.
보상 변조기억.
결과
행동 결과
평균 전체 큐드 리콜 성능은 0.48(증권 시세 표시기= 0.19). 2 (보상 큐 시각적 형식) × 3 (보상 큐 값) 반복 측정 ANOVA는 보상 가치 (F(1.18,27.03) = 3.86,p= 0.054, η2p= 0.14, GG), 상당한 직교 (F(1,23) = 9.93,p= 0.004, η2p= 0.30) 오히려 선형 효과 (F(1,23) = 1.97,p= 0.174). 후속 쌍 비교는 사분면 효과가 달러 시험에 대한 더 큰 리콜에 의해 주도된다는 것을 밝혀 냈습니다 (M= 0.53,증권 시세 표시기= 0.20;t(23) = 2.41,p= 0.024), 예기치 않게 페니 재판 (M= 0.47,증권 시세 표시기= 0.22;t(23) = 2.45,p= 0.022) 한푼 시험과 비교 (M= 0.44,증권 시세 표시기= 0.22). 달러와 페니 시험의 차이는 의미에 도달하지 못했습니다 (t(23) = 1.40,p= 0.174). 시각적 형태의 주요 효과는 없었습니다 (F(1,23) = 0.04,p= 0.840, η2p= 0.002) 또는 형태와 값 사이의 상호 작용 (F(2,46) = 1.66,p= 0.202, η2p= 0.07). 따라서 정확도는 시각적 형태로 축소되어 모든 후속 분석에 사용되었습니다. 각 보상 값 및 양식 조건에 대한 큐드 리콜 비율은 도 3a에 제시되어 있다.
별도의 행동 표본 (n = 20)은 가치의 중요한 주요 효과 (F(1.23, 27.6) = 14.1,p= 0.001, GG), 비교적 선형(F(1,19) = 15.5,p= 0.001) 또는 직교 (F(1,19) = 10.8,p= 0.004). fMRI 샘플과 마찬가지로, 큐드 리콜 정확도는 달러 시험에서 더 컸습니다 (M= 0.61,증권 시세 표시기= 0.19) 한푼 재판 (M= 0.44,증권 시세 표시기= 0.21;t(19) = 3.83,p= 0.001). fMRI 샘플과 달리, 행동 샘플은기억페니 재판에 비해 달러 재판에 대한 이점 (M= 0.44,증권 시세 표시기= 0.19; t(19) = 3.94, p = 0.001) 페니와 다임 시험 사이의 차이 없음(t(19) = 0.17, p = 0.87).
fMRI 샘플에서 U 자형 리콜 정확도 패턴은 예기치 않았고 별도의 행동 샘플에서 복제되지 않았지만 비선형 보상 효과는 그럴듯합니다 (Elliott, Newman, Longe, & Deakin, 2003). 예를 들어, 페니 임상시험은 (중립적인) 한푼 임상시험에 비해 손실로 인식되어 인코딩에 대해 더 두드러질 수 있습니다 (Bartra, McGuire, & Kable, 2013; Seymour & McClure, 2008; 시게무네, 츠키우라, 캄바라, & 가와시마, 2014; Tversky & Kahneman, 1981). 달러와 페니 재판의 차이는 중요하지 않았고 페니와 달러 모두 보상에 민감한 개인의 타당성을 증가시킬 수 있기 때문에 대신기억한 푼 임상시험(행동 및 fMRI 샘플 모두에 걸쳐 복제됨)에 비해 달러의 장점은 개인차의 척도로서기억보상에 대한 민감성. 원시 달러에서 한 푼의 차이 점수는 -0.25에서 0.75 (중앙값 0.07)까지의 범위였으며 전체 정확도와 유의한 상관 관계가 없었으며 (그림 3b), 메모리의 보상 변조가 전반적인 메모리 이점을 제공하기보다는 어떤 이벤트가 우선적으로 기억되는지에 영향을 미쳤다는 것을 암시합니다. 원시 차이 점수가 이상값 (평균에서 >3 SD)에 의해 치우쳐 졌기 때문에 상관 관계를 지정할 때 모든 후속 분석에서 이러한 점수의 순위 순서를 사용했습니다.기억연결 조치로 보상에 대한 민감성. 우리는 달러-한푼 차이 점수를 원시 행동 보상 변조 (원시 BRM) 점수로, 모든 후속 분석에 사용되는 순위 순서 측정을 행동 보상 변조 (BRM) 점수로 언급합니다.
시각화 및 분석 목적을 위해, 우리는 또한 보상 변조의 이분법화 된 측정을 구축했습니다.기억BRM 점수의 중앙값 분할을 사용합니다. 이 접근법은 우리가 변조기 (보상에 민감한)와 비 변조자 (보상에 둔감한)라고 부르는 두 그룹의 참가자를 만들었습니다. 우리는 참가자의 중간 분할이 합리적인 그룹화를 산출했는지 확인하기 위해 확인 분석을 수행했습니다. 그림 3c는 각 그룹에 대해 개별적으로 값당 큐드 리콜 정확도를 보여줍니다. 비 변조기에서 보상 가치의 효과는 없었습니다 (단방향 ANOVAF(1.15,12.7) = 1.36,p= 0.273, GG), 원시 BRM 점수 (달러 - 한푼 차이)가 0과 다르지 않음 (M= −0.02,t(11) = −0.98,p= 0.348), 확인기억이 그룹의 성과는 보상 가치에 크게 영향을받지 않았습니다. 대조적으로, 변조제는 보상 값의 효과를 나타냈다 (단방향 ANOVAF(1.18,13.01) = 8.69,p= 0.009, η2p= 0.44, GG), 한푼 시험보다 달러 시험에 대한 정확도가 더 높습니다 (즉, 중요한 원시 BRM 점수;M= 0.21;t(11) = 3.59,p= 0.004), 페니 시험보다 달러 재판에 대한 정확도가 더 높습니다 (t(11) = 2.43,p= 0.033). 따라서 중앙값 분할은 서로 다른 두 개의 합리적인 참가자 그룹을 생성했습니다.기억보상에 대한 민감성.
아노바 결과
휴식 전용 아노바—먼저 휴식 연결과 휴식 연결의 관계를 다루었습니다.기억휴식 기간이있는 반복 측정 ANOVA에서 보상에 대한 민감도 (사전 인코딩, 사후 인코딩),기억ROI (해마, PHC) 및 보상 ROI (ACC, 중뇌, MPFC, OFC, VS)는 피험자 내 요인 및 피험자 간 요인으로서의 변조기 상태. 나머지 시계열은 이 분석을 위해 저역통과 필터링되지 않았는데, 이러한 전처리 단계는 의미 있는 고주파 변동을 제거할 수 있기 때문에 휴지 시계열 분석 중에 일반적으로 적용되지 않기 때문입니다. 모든 연결은 도 4a에 도시되어 있고, 완전한 ANOVA 결과는 표 1에 보고된다.
변조기 상태는 약간 유의하였다 (p= 0.051), 변조기 포함(M= 0.36,증권 시세 표시기= 0.10), 비변조기(M= 0.29,증권 시세 표시기= 0.06). 변조기 상태는 보상 구조와 크게 상호 작용했습니다. 이 상호 작용은 비 변조기 (모두 포함)보다 변조기에서 ACC, OFC 및 VS와의 해마 / PHC 연결성이 더 커짐에 의해 주도되었습니다.t> 2.15, 모두p< 0.045),="" with="" no="" effect="" ofmodulator="" status="" in="" hippocampus/phc-midbrain="" and="" hippocampus/phc-mpfc="" connectivity="" (both="">t< 1.4,="">p> 0.18). 보상 변조 시기억ANCOVA를 사용하여 연속 측정으로 처리하였고, 결과는 유사하지만 약하였다. BRM의 주요 효과 (r(22) = 0.35;F(1,22) = 3.12,p= 0.091, η2P= 0.12)는 약간 유의하게 유지되었지만 보상 구조와 BRM 간의 상호 작용은 그렇지 않았습니다 (F(2.83,62.22) = 1.99,p= 0.128, GG).
ANOVA는 또한 사전 인코딩 (M= 0.30,증권 시세 표시기= 0.10)에서 인코딩 후 미삭 스캔(M= 0.36,증권 시세 표시기= 0.11). 나머지 기간이 변조기 상태와 상호 작용하지 않았습니다(p> 0.6) 또는 BRM의 ANCOVA (p> 0.3)은 전체 연결이 사전 인코딩에서 사후 인코딩으로 증가했지만 동작과의 관계가 크게 변경되지 않았음을 나타냅니다.