Using the Race Model Inequality to Quantify Behavioral Multisensory Integration Effects

Jeannette  R. Mahoney; Joe Verghese

doi:10.3791/59575

JoVE Journal > Behavior

Please note that all translations are automatically generated. Click here for the English version.

행동분석학

Verwenden der Rassenmodellungleichheit zur Quantifizierung von verhaltens- multisensorischen Integrationseffekten

Published: May 10, 2019

doi:

10.3791/59575

Jeannette R. Mahoney, Joe Verghese²

¹Department of Neurology, Division of Cognitive & Motor Aging,Albert Einstein College of Medicine, ²Department of Medicine, Division of Geriatrics,Albert Einstein College of Medicine

Summary

Die aktuelle Studie zielt darauf ab, ein Schritt-für-Schritt-Tutorial zur Berechnung des Ausmaßes multisensorischer Integrationseffekte bereitzustellen, um die Erstellung von translationalen Forschungsstudien über verschiedene klinische Populationen hinweg zu erleichtern.

Abstract

Die multisensorische Integrationsforschung untersucht, wie das Gehirn gleichzeitig sensorische Informationen verarbeitet. Die Forschung an Tieren (hauptsächlich Katzen und Primaten) und Menschen zeigt, dass eine intakte multisensorische Integration für das Funktionieren in der realen Welt, einschließlich kognitiver und körperlicher Aktivitäten, von entscheidender Bedeutung ist. Ein Großteil der Forschung, die in den letzten Jahrzehnten durchgeführt wurde, dokumentiert multisensorische Integrationseffekte mit verschiedenen psychophysischen, elektrophysiologischen und neuroimaging Techniken. Während seine Anwesenheit berichtet wurde, die Methoden verwendet, um das Ausmaß der multisensorischen Integrationseffekte zu bestimmen variiert und in der Regel viel Kritik ausgesetzt. Im Folgenden werden Einschränkungen früherer Verhaltensstudien beschrieben und ein Schritt-für-Schritt-Tutorial zur Berechnung der Größe multisensorischer Integrationseffekte mithilfe robuster Wahrscheinlichkeitsmodelle bereitgestellt.

Introduction

Interaktionen zwischen Sinnessystemen sind für alltägliche Funktionen unerlässlich. Während multisensorische Integrationseffekte in einer Vielzahl von Populationen mit verschiedenen sensorischen Kombinationen und verschiedenen neurowissenschaftlichen Ansätzen gemessen werden [einschließlich, aber nicht beschränkt auf die psychophysische, elektrophysiologische und neuroimaging Methoden]¹^,²^,³^,⁴^,⁵^,⁶^,⁷^,⁸^,⁹, derzeit ein Goldstandard für multisensorische Integration fehlt. Da multisensorische Experimente in der Regel eine Verhaltenskomponente enthalten, werden oft Reaktionszeitdaten (RT) untersucht, um die Existenz eines bekannten Phänomens zu bestimmen, das als redundanter Signaleffekt¹⁰bezeichnet wird. Wie der Name schon sagt, liefern simultane sensorische Signale redundante Informationen, die in der Regel schnellere RTs liefern. Race- und Co-Aktivierungsmodelle werden verwendet, um die oben genannten redundanten Signale effekt¹¹zu erklären. Unter Rennmodellen ist das unisensorische Signal, das am schnellsten verarbeitet wird, der Gewinner des Rennens und verantwortlich für die Erzeugung der Verhaltensreaktion. Jedoch, Beweise für die Co-Aktivierung tritt auf, wenn Reaktionen auf multisensorische Reize sind schneller als das, was Rennmodelle vorhersagen.

Frühere Versionen des Rennmodells sind von Natur aus umstritten¹²^,^13, da sie von einigen als zu konservativ¹⁴^,¹⁵ bezeichnet werden und angeblich Einschränkungen in Bezug auf die Unabhängigkeit enthalten zwischen den konstituierenden unisensorischen Detektionszeiten, die der multisensorischen Bedingung inhärent sind¹⁶. Um einige dieser Einschränkungen zu beseitigen, entwickelte Colonius & Diederich¹⁶ einen konventionelleren Rennmodelltest:

,

wenn die kumulativen Verteilungsfrequenzen (CDFs) der unisensorischen Bedingungen (z. B. A & B; mit einer Obergrenze von eins) mit dem CDF des gleichzeitigen multisensorischen Zustands (z. B. AB) für eine gegebene Latenz verglichen werden (t)¹¹^, ¹⁶ ^, ¹⁷. Im Allgemeinen bestimmt ein CDF, wie oft ein RT innerhalb eines bestimmten RT-Bereichs auftritt, dividiert durch die Gesamtzahl der Stimuluspräsentationen (d. h. Versuche). Wenn die CDF des tatsächlichen multisensorischen Zustands kleiner oder gleich der vorhergesagten CDF ist, die von den unisensorischen Bedingungen abgeleitet wurde

,

dann wird das Rennmodell akzeptiert und es gibt keine Hinweise auf eine sensorische Integration. Wenn die multisensorische CDF jedoch größer ist als die vorhergesagte CDF, die von den unisensorischen Bedingungen abgeleitet wurde, wird das Rennmodell abgelehnt. Die Ablehnung des Rennmodells zeigt an, dass sich multisensorische Wechselwirkungen von redundanten sensorischen Quellen nichtlinear kombinieren, was zu einer Beschleunigung von RTs (z. B. RT-Erleichterung) zu multisensorischen Reizen führt.

Eine Haupthürde, mit der multisensorische Forscher konfrontiert sind, ist die bestmögliche Quantifizierung von Integrationseffekten. Zum Beispiel, im Falle des grundlegendsten verhaltens-multisensorischen Paradigmas, bei dem die Teilnehmer aufgefordert werden, eine einfache Reaktionszeitaufgabe durchzuführen, werden Informationen über Genauigkeit und Geschwindigkeit gesammelt. Solche multisensorischen Daten können zum Nennwert verwendet oder mit verschiedenen mathematischen Anwendungen manipuliert werden, einschließlich, aber nicht beschränkt auf Maximum Likelihood Estimation¹⁸^,¹⁹, CDFs¹¹, und verschiedene andere statistische Ansätze. Die meisten unserer früheren multisensorischen Studien verwendeten sowohl quantitative als auch probabilistische Ansätze, bei denen multisensorische integrative Effekte berechnet wurden, indem 1) die mittlere Reaktionszeit (RT) auf ein multisensorisches Ereignis von der mittleren Reaktionszeit subtrahiert wurden ( RT) auf das kürzeste unisensorische Ereignis und 2) durch den Einsatz von CDFs, um festzustellen,ob die RT-Erleichterung auf synergistische Wechselwirkungen zurückzuführen ist, die durch redundante sensorische Informationen 8^,²⁰^,²¹^, ²² ^, ²³. Die frühere Methodik war jedoch wahrscheinlich nicht empfindlich gegenüber den individuellen Unterschieden in integrativen Prozessen, und die Forscher haben seither festgestellt, dass die spätere Methodik (d. h. CDF) einen besseren Proxy für die Quantifizierung multisensorischer integrative Effekte²⁴.

Gondan und Minakata haben vor kurzem ein Tutorial veröffentlicht, wie man die Race Model Inequality (RMI) genau testen kann, da Forscher allzu oft unzählige Fehler während der Erfassungs- und Vorverarbeitungsphasen der RT-Datenerfassung und -vorbereitung machen²⁵. Erstens halten die Autoren dies für ungünstig, Datenkürzungsverfahren anzuwenden, bei denen bestimmte a priori-Mindest- und RT-Grenzwerte festgelegt sind. Sie empfehlen, langsame und ausgelassene Antworten auf unendlich zu setzen und nicht auszuschließen. Zweitens werden mehrere T-Tests häufig verwendet, um den RMI zu verschiedenen Zeitpunkten (d. h. Quantisaten) zu testen, da der RMI in jeder Latenz verletzt werden kann; Leider führt diese Praxis zu einem erhöhten Typ-I-Fehler und einer erheblich reduzierten statistischen Leistung. Um diese Probleme zu vermeiden, wird empfohlen, das RMI über einen bestimmten Zeitbereich zu testen. Einige Forscher haben vorgeschlagen, dass es sinnvoll ist, das schnellste Quartil von Antworten zu testen (0-25%)²⁶ oder einige vorab identifizierte Fenster (d. h. 10-25%)²⁴^,²⁷ als multisensorische Integrationseffekte werden typischerweise beobachtet während dieses Zeitintervalls; Wir argumentieren jedoch, dass der zu prüfende Perzentilbereich vom eigentlichen Dataset diktiert werden muss (siehe Protokollabschnitt 5). Das Problem bei der Berufung auf veröffentlichte Daten junger Erwachsener oder Computersimulationen besteht darin, dass ältere Erwachsene sehr unterschiedliche RT-Verteilungen manifestieren, wahrscheinlich aufgrund des altersbedingten Rückgangs der Sinnessysteme. Die Signifikanztests des Rennmodells sollten nur über verletzte Portionen (positive Werte) der gruppengemittelten Differenzwelle zwischen tatsächlichen und vorhergesagten CDFs aus der Studienkohorte getestet werden.

Zu diesem Zweck wurde eine schützende Wirkung der multisensorischen Integration bei gesunden älteren Erwachsenen anhand des konventionellen Tests des Rennmodells¹⁶ und der von Gondan und Kollegen²⁵ dargelegten Prinzipien demonstriert. Tatsächlich wurde eine größere Größe des visuell-somatosensorischen RMI (ein Proxy für multisensorische Integration) mit einer besseren Balance-Performance, einer geringeren Wahrscheinlichkeit von Ereignisstürzen und einer erhöhten räumlichen Gangleistung²⁸^,²⁹in Verbindung gebracht.

Ziel des aktuellen Experiments ist es, Forschern ein Schritt-für-Schritt-Tutorial zur Berechnung des Umfangs multisensorischer Integrationseffekte mit dem RMI zur Verfügung zu stellen, um die verstärkte Produktion verschiedener translationaler Forschungsstudien über viele verschiedene klinische Populationen. Beachten Sie, dass die in der aktuellen Studie vorgestellten Daten aus kürzlich veröffentlichten visuell-somatosensorischen Experimenten an gesunden älteren Erwachsenen²⁸^,²⁹, aber diese Methode kann auf verschiedene Kohorten in vielen verschiedenen experimentelle Designs, die eine breite Palette von multisensorischen Kombinationen verwenden.

Protocol

Alle Teilnehmer erteilten schriftlich ihre Zustimmung zu den experimentellen Verfahren, die vom institutionellen Prüfungsausschuss der Albert Einstein College of Medicine genehmigt wurden. 1. Einstellung sanatder Teilnehmer, Einstellungskriterien und Zustimmung Rekrutieren Sie eine relativ große Kohorte englischsprachiger Personen, die unabhängig ambulaten können und frei von signifikanten sensorischen Verlusten sind; aktive neurologische oder psychiatrische Störungen, die exper…

Representative Results

Ziel dieser Studie war es, ein schrittweises Tutorial eines methodischen Ansatzes zur Quantifizierung des Ausmaßes von VS-Integrationseffekten bereitzustellen, um die Veröffentlichung neuer multisensorischer Studien mit ähnlichen experimentellen Entwürfen und -setups zu fördern (siehe Abbildung 1 ). Screenshots der einzelnen Schritte und Berechnungen, die erforderlich sind, um die Größe multisensorischer Integrationseffekte abzuleiten, gemessen mit RMI AUC, sind oben abgegrenzt und in…

Discussion

Ziel der aktuellen Studie war es, den Prozess hinter der Etablierung eines robusten multisensorischen Integrationsphänotyps zu beschreiben. Hier bieten wir die notwendigen und kritischen Schritte, die erforderlich sind, um multisensorische Integrationseffekte zu erzielen, die genutzt werden können, um wichtige kognitive und motorische Ergebnisse vorherzusagen, die auf ähnlichen neuronalen Schaltkreisen basieren. Unser übergeordnetes Ziel war es, ein Schritt-für-Schritt-Tutorial zur Berechnung des Umfangs der multise…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Die aktuelle Arbeit wird vom National Institute on Aging am National Institute of Health (K01AG049813 to JRM) unterstützt. Die zusätzliche Finanzierung erfolgte durch das Resnick Gerontology Center des Albert Einstein College of Medicine. Besonderer Dank geht an alle ehrenamtlichen Helfer und Forscher für die außergewöhnliche Unterstützung bei diesem Projekt.

Materials

stimulus generator	Zenometrics, LLC; Peekskill, NY, USA	n/a	custom-built
Excel	Microsoft Corporation		spreadsheet program
Eprime	Psychology Software Tools (PST)		stimulus presentation software

References

Foxe, J., et al. Auditory-somatosensory multisensory processing in auditory association cortex: an fMRI study. Journal of Neurophysiology. 88 (1), 540-543 (2002).
Molholm, S., et al. Multisensory auditory-visual interactions during early sensory processing in humans: a high-density electrical mapping study. Brain Research: Cognitive Brain Research. 14 (1), 115-128 (2002).
Murray, M. M., et al. Grabbing your ear: rapid auditory-somatosensory multisensory interactions in low-level sensory cortices are not constrained by stimulus alignment. Cerebral Cortex. 15 (7), 963-974 (2005).
Molholm, S., et al. Audio-visual multisensory integration in superior parietal lobule revealed by human intracranial recordings. Journal of Neurophysiology. 96 (2), 721-729 (2006).
Peiffer, A. M., Mozolic, J. L., Hugenschmidt, C. E., Laurienti, P. J. Age-related multisensory enhancement in a simple audiovisual detection task. Neuroreport. 18 (10), 1077-1081 (2007).
Brandwein, A. B., et al. The development of audiovisual multisensory integration across childhood and early adolescence: a high-density electrical mapping study. Cerebral Cortex. 21 (5), 1042-1055 (2011).
Girard, S., Collignon, O., Lepore, F. Multisensory gain within and across hemispaces in simple and choice reaction time paradigms. Experimental Brain Research. 214 (1), 1-8 (2011).
Mahoney, J. R., Li, P. C., Oh-Park, M., Verghese, J., Holtzer, R. Multisensory integration across the senses in young and old adults. Brain Research. 1426, 43-53 (2011).
Foxe, J. J., Ross, L. A., Molholm, S., Stein, B. E. Ch. 38. The New Handbook of Multisensory Processing. , 691-706 (2012).
Kinchla, R. Detecting target elements in multielement arrays: A confusability model. Perception and Psychophysics. 15, 149-158 (1974).
Miller, J. Divided attention: Evidence for coactivation with redundant signals. Cognitive Psychology. 14 (2), 247-279 (1982).
Eriksen, C. W., Goettl, B., St James, J. D., Fournier, L. R. Processing redundant signals: coactivation, divided attention, or what?. Perception and Psychophysics. 45 (4), 356-370 (1989).
Mordkoff, J. T., Yantis, S. An interactive race model of divided attention. Journal of Experimental Psychology: Human Perception and Performance. 17 (2), 520-538 (1991).
Miller, J. Timecourse of coactivation in bimodal divided attention. Perception and Psychophysics. 40 (5), 331-343 (1986).
Gondan, M., Lange, K., Rosler, F., Roder, B. The redundant target effect is affected by modality switch costs. Psychonomic Bulletin Review. 11 (2), 307-313 (2004).
Colonius, H., Diederich, A. The race model inequality: interpreting a geometric measure of the amount of violation. Psychological Review. 113 (1), 148-154 (2006).
Maris, G., Maris, E. Testing the race model inequality: A nonparametric approach. Journal of Mathematical Psychology. 47 (5-6), 507-514 (2003).
Clark, J. J., Yuille, A. L. . Data Fusion for Sensory Information Processing Systems. , (1990).
Ernst, M. O., Banks, M. S. Humans integrate visual and haptic information in a statistically optimal fashion. Nature. 415 (6870), 429-433 (2002).
Mahoney, J. R., Verghese, J., Dumas, K., Wang, C., Holtzer, R. The effect of multisensory cues on attention in aging. Brain Research. 1472, 63-73 (2012).
Mahoney, J. R., Holtzer, R., Verghese, J. Visual-somatosensory integration and balance: evidence for psychophysical integrative differences in aging. Multisensory Research. 27 (1), 17-42 (2014).
Mahoney, J. R., Dumas, K., Holtzer, R. Visual-Somatosensory Integration is linked to Physical Activity Level in Older Adults. Multisensory Research. 28 (1-2), 11-29 (2015).
Dumas, K., Holtzer, R., Mahoney, J. R. Visual-Somatosensory Integration in Older Adults: Links to Sensory Functioning. Multisensory Research. 29 (4-5), 397-420 (2016).
Couth, S., Gowen, E., Poliakoff, E. Using race model violation to explore multisensory responses in older adults: Enhanced multisensory integration or slower unisensory processing. Multisensory Research. 31 (3-4), 151-174 (2017).
Gondan, M., Minakata, K. A tutorial on testing the race model inequality. Attention, Perception & Psychophysics. 78 (3), 723-735 (2016).
Gondan, M. A permutation test for the race model inequality. Behavior Research Methods. 42 (1), 23-28 (2010).
Kiesel, A., Miller, J., Ulrich, R. Systematic biases and Type I error accumulation in tests of the race model inequality. Behavior Research Methods. 39 (3), 539-551 (2007).
Mahoney, J., Cotton, K., Verghese, J. Multisensory Integration Predicts Balance and Falls in Older Adults. Journal of Gerontology: Medical Sciences. , (2018).
Mahoney, J. R., Verghese, J. Visual-Somatosensory Integration and Quantitative Gait Performance in Aging. Frontiers in Aging Neuroscience. 10, 377 (2018).
Yueh, B., et al. Long-term effectiveness of screening for hearing loss: the screening for auditory impairment–which hearing assessment test (SAI-WHAT) randomized trial. Journal of the American Geriatrics Society. 58 (3), 427-434 (2010).
Galvin, J. E., et al. The AD8: a brief informant interview to detect dementia. Neurology. 65 (4), 559-564 (2005).
Galvin, J. E., Roe, C. M., Xiong, C., Morris, J. C. Validity and reliability of the AD8 informant interview in dementia. Neurology. 67 (11), 1942-1948 (2006).
Buschke, H., et al. Screening for dementia with the memory impairment screen. Neurology. 52 (2), 231-238 (1999).

Play Video

PDF

DOI

DOWNLOAD MATERIALS LIST

Cite This Article

Mahoney, J. R., Verghese, J. Using the Race Model Inequality to Quantify Behavioral Multisensory Integration Effects. J. Vis. Exp. (147), e59575, doi:10.3791/59575 (2019).