Summary

Brug af race model ulighed for at kvantificere adfærdsmæssige multisensoriske integrations effekter

Published: May 10, 2019
doi:

Summary

Den nuværende undersøgelse har til formål at give en trin-for-trin tutorial til beregning af omfanget af multisensoriske integration effekter i et forsøg på at lette produktionen af translationelle forskningsundersøgelser på tværs af forskellige kliniske populationer.

Abstract

Forskning i multisensorisk integration undersøger, hvordan hjernen behandler samtidige sensoriske oplysninger. Forskning på dyr (især katte og primater) og mennesker afslører, at intakt multisensorisk integration er afgørende for at fungere i den virkelige verden, herunder både kognitive og fysiske aktiviteter. Meget af den forskning, gennemført i løbet af de sidste mange årtier dokumenter multisensoriske integration effekter ved hjælp af forskellige psykofysiske, elektrofysiologiske, og Neuro Imaging teknikker. Mens dens tilstedeværelse er blevet rapporteret, de metoder, der anvendes til at bestemme omfanget af multisensoriske integration effekter varierer og typisk står over for megen kritik. I det følgende beskrives begrænsningerne i tidligere adfærdsmæssige undersøgelser, og der gives et trin-for-trin-selvstudium til beregning af omfanget af multisensoriske integrations effekter ved hjælp af robuste sandsynlighedsmodeller.

Introduction

Interaktioner på tværs af sensoriske systemer er afgørende for hverdagens funktioner. Mens multisensoriske integrations effekter måles på tværs af en bred vifte af populationer ved hjælp af assorterede sensoriske kombinationer og forskellige neurovidenskabelige tilgange [herunder men ikke begrænset til den psykofysiske, elektrofysiologiske, og neuroimaging metoder]1,2,3,4,5,6,7,8,9, i øjeblikket en guld standard for der mangler kvantificering af multisensorisk integration. I betragtning af, at multisensoriske eksperimenter typisk indeholder en adfærdsmæssig komponent, er reaktionstid (RT) data ofte undersøgt for at fastslå eksistensen af et velkendt fænomen kaldet den redundante signaler effekt10. Som navnet antyder, giver samtidige sensoriske signaler overflødige oplysninger, hvilket typisk medfører hurtigere RTs. Løbs-og co-aktiverings modeller bruges til at forklare ovennævnte redundante signaleffekt11. Under Løbs modeller er unisensory-signalet, der behandles hurtigst, vinderen af løbet og er ansvarlig for at producere den adfærdsmæssige respons. Men, beviser for Co-aktivering opstår, når responser på multisensoriske stimuli er hurtigere end hvad race modeller forudsige.

Tidligere versioner af race modellen er i sagens natur kontroversielle12,13 , da de omtales af nogle som alt for konservative14,15 og angiveligt indeholder begrænsninger med hensyn til uafhængighed mellem den konstituerende unisensory detektionstid iboende i den multisensoriske tilstand16. I et forsøg på at løse nogle af disse begrænsninger, Kolonius & Diederich16 udviklet en mere konventionel race model test:

Equation 1,

hvor de kumulative fordelings frekvenser (Cdf’er) for de unisensory betingelser (f. eks. en & B med en øvre grænse på én) sammenlignes med CDF af den samtidige multisensoriske tilstand (f. eks. AB) for en given ventetid (t)11, 16 , 17. Generelt bestemmer en CDF, hvor ofte en rt opstår, inden for et givet interval af RTs, divideret med det samlede antal stimulus-præsentationer (dvs. forsøg). Hvis CDF af den faktiske multisensoriske tilstand Equation 2 er mindre end eller lig med den forventede CDF afledt af unisensory betingelser

Equation 3,

så er race model accepteret, og der er ingen beviser for sensorisk integration. Men når den multisensoriske CDF er større end den forudsagte CDF, der er afledt af unisensory-betingelserne, afvises Løbs modellen. Afvisning af race modellen indikerer, at multisensoriske interaktioner fra overflødige sensoriske kilder kombineres på en ikke-lineær måde, hvilket resulterer i en fremskyndelse af RTs (f. eks. RT-facilitering) til multisensoriske stimuli.

En hoved forhindring, som multisensoriske forskere står over for, er, hvordan man bedst kvantificerer integrations effekter. For eksempel, i tilfælde af den mest grundlæggende adfærdsmæssige multisensoriske paradigme, hvor deltagerne bliver bedt om at udføre en simpel reaktionstid opgave, oplysninger om nøjagtighed og hastighed er indsamlet. Sådanne multisensoriske data kan bruges til pålydende værdi eller manipuleret ved hjælp af forskellige matematiske anvendelser, herunder, men ikke begrænset til, maksimal sandsynlighed for estimering18,19, CDFS11og forskellige andre statistiske Tilgange. Størstedelen af vores tidligere multisensoriske undersøgelser anvendte både kvantitative og probabilistiske tilgange, hvor multisensoriske Integrative effekter blev beregnet ved 1), idet den gennemsnitlige reaktionstid (RT) blev subtrakeret til en multisensorisk hændelse fra den gennemsnitlige reaktionstid ( RT) til den korteste unisensory Event og 2) ved at ansætte cdf’er til at afgøre, om rt-facilitering skyldtes synergistiske interaktioner, som blev fremmet af overflødige sensoriske oplysninger8,20,21, 22 , 23. den tidligere metode var imidlertid sandsynligvis ikke følsom over for de individuelle forskelle i integrative processer, og forskerne har siden fastgjort, at den senere metode (dvs. CDFS) kan give en bedre fuldmagt til kvantificering af multisensoriske Integrative effekter24.

Gondan og Minakata nylig offentliggjort en tutorial om hvordan man præcist teste race model ulighed (RMI), da forskerne alt for ofte gør utallige fejl under erhvervelse og forbehandling stadier af RT dataindsamling og forberedelse25. For det første er forfatterne posit, der er ugunstige at anvende data trimning procedurer, hvor visse a priori minimum og maksimum rt grænser er indstillet. De anbefaler, at langsomme og udeladte svar sættes til uendelig, snarere end udelukket. For det andet, da RMI kan blive krænket ved enhver ventetid, flere t-tests bruges ofte til at teste RMI på forskellige tidspunkter (dvs., quantiles); Desværre, denne praksis fører til den øgede type I fejl og væsentligt reduceret statistisk magt. For at undgå disse problemer anbefales det, at RMI testes over et bestemt tidsinterval. Nogle forskere har antydet, at det giver mening at teste den hurtigste kvartil af svar (0-25%)26 eller nogle forudidentificerede vinduer (dvs., 10-25%)24,27 som multisensoriske integration effekter er typisk observeret tidsinterval; Vi mener dog, at det fraktil område, der skal testes, skal dikteres af det faktiske datasæt (Se protokol afsnit 5). Problemet med at stole på offentliggjorte data fra unge voksne eller computersimuleringer er, at ældre voksne manifesterer sig meget forskellige RT-distributioner, sandsynligvis på grund af aldersbetingede fald i sensoriske systemer. Test af race model signifikans bør kun testes over krænkede portioner (positive værdier) af gruppe-gennemsnitlig forskel bølge mellem faktiske og forventede Cdf’er fra studiet kohorte.

Til dette formål er der påvist en beskyttende effekt af multisensorisk integration hos raske ældre voksne ved hjælp af den konventionelle test af race model16 og de principper, der er opstillet af gondan og kolleger25 . Faktisk, større størrelse af visuel-somatosensorisk RMI (en proxy for multisensorisk integration) blev fundet at være forbundet med bedre balance ydeevne, lavere sandsynlighed for hændelsen falder og øget rumlige gangevne28,29.

Formålet med det nuværende eksperiment er at give forskerne en trinvis vejledning til at beregne størrelsen af de multisensoriske integrations effekter ved hjælp af RMI, for at lette den øgede produktion af forskellige translationelle forskningsstudier på tværs af mange forskellige kliniske populationer. Bemærk, at data præsenteret i den aktuelle undersøgelse er fra nyligt offentliggjorte visuelle-somatosensoriske eksperimenter udført på raske ældre voksne28,29, men denne metode kan anvendes på forskellige kohorter på tværs af mange forskellige eksperimentelle designs, udnytte en bred vifte af multisensoriske kombinationer.

Protocol

Alle deltagere gav skriftlig informeret samtykke til de eksperimentelle procedurer, som blev godkendt af den institutionelle revision bestyrelsen for Albert Einstein College of Medicine. 1. deltageres rekruttering, inklusionskriterier og samtykke Rekruttere en forholdsvis stor kohorte af engelsktalende personer, der kan ambulere selvstændigt og er fri for betydelige sensoriske tab; aktive neurologiske eller psykiatriske lidelser, der forstyrrer eksperimentelle evalueringer; og nuvæ…

Representative Results

Formålet med denne undersøgelse var at give en trinvis vejledning i en metodisk tilgang til at kvantificere omfanget af VS-integrations effekterne, at fremme udgivelsen af nye multisensoriske studier ved hjælp af lignende eksperimentelle design og opsætninger (Se figur 1 ). Screenshots af hvert trin og beregning er nødvendig for at udlede størrelsen af multisensoriske integration effekter, som målt ved RMI AUC, er afgrænset ovenfor og illustreret i figur 2-8. <p …

Discussion

Målet med den nuværende undersøgelse var at detalje processen bag etableringen af en robust multisensorisk integration fænotype. Her giver vi de nødvendige og kritiske skridt, der kræves for at erhverve multisensoriske integration effekter, der kan udnyttes til at forudsige vigtige kognitive og motoriske resultater afhængige af lignende neurale kredsløb. Vores overordnede mål var at give en trinvis vejledning til beregning af omfanget af multisensorisk integration i et forsøg på at fremme innovative og nye tra…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Det nuværende arbejdsorgan støttes af National Institute on Aging på National Institute of Health (K01AG049813 to JRM). Supplerende finansiering blev ydet af Resnick Gerontology Center for Albert Einstein College of Medicine. Særlig tak til alle de frivillige og forskningspersonale for ekstraordinær støtte med dette 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

  1. Foxe, J., et al. Auditory-somatosensory multisensory processing in auditory association cortex: an fMRI study. Journal of Neurophysiology. 88 (1), 540-543 (2002).
  2. 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).
  3. 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).
  4. 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).
  5. 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).
  6. 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).
  7. 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).
  8. 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).
  9. Foxe, J. J., Ross, L. A., Molholm, S., Stein, B. E. Ch. 38. The New Handbook of Multisensory Processing. , 691-706 (2012).
  10. Kinchla, R. Detecting target elements in multielement arrays: A confusability model. Perception and Psychophysics. 15, 149-158 (1974).
  11. Miller, J. Divided attention: Evidence for coactivation with redundant signals. Cognitive Psychology. 14 (2), 247-279 (1982).
  12. 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).
  13. 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).
  14. Miller, J. Timecourse of coactivation in bimodal divided attention. Perception and Psychophysics. 40 (5), 331-343 (1986).
  15. 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).
  16. Colonius, H., Diederich, A. The race model inequality: interpreting a geometric measure of the amount of violation. Psychological Review. 113 (1), 148-154 (2006).
  17. Maris, G., Maris, E. Testing the race model inequality: A nonparametric approach. Journal of Mathematical Psychology. 47 (5-6), 507-514 (2003).
  18. Clark, J. J., Yuille, A. L. . Data Fusion for Sensory Information Processing Systems. , (1990).
  19. Ernst, M. O., Banks, M. S. Humans integrate visual and haptic information in a statistically optimal fashion. Nature. 415 (6870), 429-433 (2002).
  20. 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).
  21. 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).
  22. 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).
  23. 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).
  24. 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).
  25. Gondan, M., Minakata, K. A tutorial on testing the race model inequality. Attention, Perception & Psychophysics. 78 (3), 723-735 (2016).
  26. Gondan, M. A permutation test for the race model inequality. Behavior Research Methods. 42 (1), 23-28 (2010).
  27. 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).
  28. Mahoney, J., Cotton, K., Verghese, J. Multisensory Integration Predicts Balance and Falls in Older Adults. Journal of Gerontology: Medical Sciences. , (2018).
  29. Mahoney, J. R., Verghese, J. Visual-Somatosensory Integration and Quantitative Gait Performance in Aging. Frontiers in Aging Neuroscience. 10, 377 (2018).
  30. 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).
  31. Galvin, J. E., et al. The AD8: a brief informant interview to detect dementia. Neurology. 65 (4), 559-564 (2005).
  32. 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).
  33. Buschke, H., et al. Screening for dementia with the memory impairment screen. Neurology. 52 (2), 231-238 (1999).
check_url/kr/59575?article_type=t

Play Video

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).

View Video