Část 1: Kódování kontextové paměti a časová dynamika získávání jsou modulovány pozorností po celou dobu života dospělého

ali.ma@wecistanche.com

Soroush Mirjalili, Patrick Powell, Jonathan Strunk, Taylor James a Audrey Duarte

https://doi.org/10.1523/ENEURO.0387-20.2020 Department of Psychology, Georgia Institute of Technology, Atlanta, GA 30318

Cistanche tubulosa dávkování pro zlepšení paměti

Abstraktní

Epizodické vzpomínky jsou vícerozměrné, včetně jednoduchých a složitých funkcí. Jak úspěšně kódujeme a obnovujeme tyto vlastnosti v čase, zda je tato časová dynamika zachována napříč věkem, a to i za podmínek sníženéPaměťvýkon a role pozornosti na tuto časovou dynamiku není známa. V této studii jsme aplikovali časově rozlišené vícerozměrné dekódování na oscilační elektroencefalografii (EEG) ve vzorku dospělého života, abychom prozkoumali časové pořadí úspěšného kódování a rozpoznávání jednoduchých a komplexních rysů vjemového kontextu. Při kódování účastníci studovali obrázky černobílých objektů prezentovaných s barevnými (nízkoúrovňovými/jednoduchými) a scénickými (vysokoúrovňovými/složitými) kontextovými prvky a následně vytvořili kontext.Paměťrozhodnutí pro obě funkce. Požadavky na pozornost byly zmanipulovány tím, že účastníci museli věnovat pozornost vztahu mezi objektem a barvou nebo scénou, zatímco ignorovali další kontextový prvek. V souladu s hierarchickými modely vizuálního vnímání byly jednoduché vizuální rysy (barva) úspěšně zakódovány dříve než složité rysy (scény). Tyto rysy byly úspěšně rozpoznány v obráceném časovém pořadí. Důležité je, že tato časová dynamika byla jak závislá na tom, zda byly tyto kontextové rysy v centru pozornosti člověka, tak i zachovány napříč věkem, navzdory kontextu souvisejícímu s věkem.Paměťpostižení. Tyto nové výsledky podporují myšlenku, že epizodickévzpomínkyjsou kódovány a získávány postupně, pravděpodobně v závislosti na vstupních a výstupních drahách mediálního temporálního laloku (MTL) a vlivech pozornosti, které zkreslují aktivitu v těchto drahách napříč věkem.

Klíčová slova: stárnutí; Pozornost; kontextová paměť; epizodická paměť; vícerozměrné analýzy vzorů

Prohlášení o významu

Události, které se v našich životech učíme a pamatujeme, se skládají z jednoduchých kontextových detailů, jako je barva, a složitějších, jako jsou scény. Zda se je učíme a rozpoznávámePaměťpodrobnosti postupně nebo současně a není známo, zda péče o některé funkce, ale nikoli o jiné, ovlivní, když je kódujeme a načítáme. Pomocí vzorů neuronové aktivity s vysokým časovým rozlišením jsme zjistili, že barevné detaily byly úspěšně zakódovány dříve než ty scénické, ale byly rozpoznány v opačném pořadí. Důležité je, že tato časová dynamika závisela na tom, který rys byl v centru pozornosti člověka, a byla zachována napříč věkem. Tato zjištění objasňují postupný způsob, jakým jsou znaky, které tvoří naše vzpomínky, kódovány a získávány, a podmínky, které ovlivňují tuto dynamiku.

Úvod

Četné epizodickéPaměťstudie zkoumaly nervové základy úspěšného kódování a načítání různých druhů kontextových prvků včetně barevných, prostorových a různých sémantických atributů (Uncapher et al., 2006; Awipi a Davachi, 2008; Duarte et al., 2011; Staresina et al. ., 2011; Park a kol., 2014; Liang a Preston, 2017). Ačkoli několik regionů podporuje úspěšné epizodické kódování a/nebo vyhledávání bez ohledu na povahu kontextových prvků, jiné jsou obsahově selektivní. Málo je známo o časovém průběhu, se kterým jsou různé kontextové prvky úspěšně kódovány a získávány.

Proč by měla být časová dynamika úspěšného kontextového kódování a/nebo načítání ovlivněna typem kontextového prvku? Četné studie vnímání prokázaly, že jednoduché rysy, jako je barva, jsou diskriminovány dříve v čase a dřívějšími vizuálními kortikálními oblastmi než složitější rysy, jako jsou scény (Carlson et al., 2013; Kravitz et al., 2014; Clarke et al., 2015) . Některé regiony podporující vnímání rysů také podporují úspěšné kódování prvků, na které jsou citlivé (Hayes a kol., 2007; Awipi a Davachi, 2008; Preston a kol., 2010; Dulas a Duarte, 2011). Je tedy možné, že do nich lze úspěšně zakódovat jednoduché kontextové prvkyPaměťpřed komplexními.

Kontextové prvky nemusí být načteny ve stejném pořadí, v jakém jsou vnímány. V jedné nedávné studii výzkumníci použili multivariační vzorové analýzy (MVPA) elektroencefalografické aktivity (EEG) k dekódování časů, kdy byly rozlišovány percepční a pojmové informace na vysoké úrovni a později rekonstruovány zPaměť(Linde-Domingo et al., 2019). V souladu s dopřednou hierarchií vizuálního zpracování (Carlson et al., 2013; Kravitz et al., 2014) byly vjemové detaily diskriminovány dříve než ty složitější, konceptuální. Zajímavé je, že tato časová dynamika se během vyvolávání obrátila. Tyto výsledky, spolu s intrakraniálním EEG důkazem ukazujícím obrácený tok informací v mediálním temporálním laloku (MTL) mezi kódováním a vyhledáváním (Fell et al., 2016), podporují myšlenku, že zapamatování může probíhat v opačném pořadí od vnímání.

Převrácení toku informací mezi vnímáním a zapamatováním je zajímavé, ale zůstává několik otázek. Za prvé, je logické, že jednoduché rysy, které byly vnímány dříve, by také mohly být úspěšně zakódoványPaměťdříve než ty, které byly vnímány později. Je-li složitá Tato práce byla podpořena grantem National Science Foundation Grant 1125683 (do AD), grantem na školení institucionálního výzkumu Ruth L. Kirschstein National Research Service od Národního institutu zdraví Národního institutu pro stárnutí Grant 5T32AG000175 a National Institute on Aging 1R21AG 064309-01.

Poděkování: Děkujeme všem účastníkům našeho výzkumu.

Toto je článek s otevřeným přístupem distribuovaný za podmínek Creative Commons Attribution 4.{2}} Mezinárodní licence, která umožňuje neomezené použití, distribuci a reprodukci na jakémkoli médiu za předpokladu, že je správně uvedeno původní dílo.

funkce jsou reaktivovány dříve než ty jednoduché (Linde- Domingo et al., 2019), schopnost člověka úspěšně rozpoznat komplexní prvek by také měla nastat dříve. Za druhé, normální stárnutí je spojeno s neurokognitivním zpomalením (Salthouse, 1996), přičemž studie EEG a MEG ukazují zpoždění zpracování pro více nervových komponent (Onofrj et al., 2001; Zanto et al., 2010; Clarke et al., 2015). Není známo, zda by toto zpomalení mohlo být pozorováno také u časových průběhů kódování a/nebo načítání jednoduchých a komplexních kontextových prvků. Za třetí, v situacích reálného světa může být pozornost člověka zaměřena na zpracování některých rysů před jinými. Pokud je pozornost zaměřena na epizodické rysy na vysoké úrovni před nízkoúrovňovými, například, není jasné, že by nízkoúrovňové rysy byly upřednostňovány ve stejné míře během kódování. Dostatek důkazů ze studií potenciálu souvisejícího s událostmi (ERP) týkající se pozornosti skutečně ukazuje dřívější latence ERP u navštěvovaných než bezobslužných vizuálních podnětů (Hillyard a Anllo-Vento, 1998; Woodman, 2010).

Zde jsme zkoumali časové průběhy úspěšného kódování a rozpoznávání jednoduchých a komplexních percepčních rysů a jak by pozornost mohla ovlivnit tuto časovou dynamiku v průběhu dospělého života. Požadavky na pozornost byly zmanipulovány tím, že účastníci museli věnovat pozornost vztahu mezi objektem a barvou nebo scénou, zatímco ignorovali další kontextový prvek. Pro kódování i vyhledávání jsme trénovali vícerozměrné klasifikátory vzorů, abychom odlišili úspěšný a neúspěšný kontextPaměťsamostatně pro barevné a scénické funkce z oscilačního EEG. Hodnotili jsme kontextPaměťpřesnost klasifikace v průběhu času pro každý prvek jako funkce toho, zda byly či nebyly sledovány během kódování. Zkoumali jsme přizpůsobení našich dat jednomu ze tří modelů (obr. 1).

Pokud jsou hierarchie dopředného zpracování při kódování a obrácená časová dynamika při vyhledávání neměnné a nezávislé na aktuálních cílech, předpokládáme, že výsledky budou odpovídat hierarchickému modelu napříč věkem. Pokud však pozornost moduluje tuto dynamiku, předpokládáme, že přizpůsobení se pozornosti nebo hybridním modelům se s věkem sníží; protože schopnost selektivně se věnovat funkcím souvisejícím s úkoly se s věkem snižuje (Hasher a Zacks, 1988; Campbell et al., 2010). Jakákoli modulace pozornosti na časovou dynamiku by měla být omezena, což potenciálně přispívá ke kontextu souvisejícímu s věkemPaměťpostižení (James et al., 2016a; Powell et al., 2018).

Materiály a metody

Účastníci

Účastníků bylo 52 dospělých praváků (21 žen) ve věku 18 až 74 let. Údaje od dalších pěti starších dospělých (61–76 let) byly vyloučeny: dva kvůli nepochopení postupů při úkolu, dva kvůli hlučnému EEG (tj. , DC drift, pohyb) a jeden pro poruchu počítače. Údaje od jednoho mladého dospělého (21 let) byly vyloučeny kvůli hlučnému EEG. Do dříve publikovaných studií zkoumajících různé výzkumné otázky byla zahrnuta podskupina dat mladých a starších, nikoli však středního věku, dospělých (James et al., 2016b; Strunk et al., 2017; Powell et al., 2018). Všechny předměty byly rodilými mluvčími angličtiny a měli

Obrázek 1. Tři předpokládané modely vhodné pro kontextové kódování funkce nízkého řádu (barva) a funkce vyššího řádu (scéna) a časovou dynamiku získávání. Predikovaná data pro každý model představují nejranější místní klasifikační vrcholy kontextuPaměťdekódování úspěchu (správné vs nesprávné) napříč účastníky. V hierarchickém modelu zpracování (a) jsou kontextové rysy nízké úrovně, v tomto případě barva, zpracované dřívějšími vizuálními kortikálními oblastmi, zakódovány před prvky na vysoké úrovni, v tomto případě scéna, a načteny po nich, bez ohledu na to, zda jsou byly zohledněny během kódování. Pro tento model, pokud by scéna byla cílovým kontextem, histogramy kódování a vyhledávání by byly identické se zobrazenými. Alternativně v modelu zpracování založeném na pozornosti (b) bude obsluhovaný kontextový rys zakódován a načten dříve než prvek, který je ignorován. Jak je ukázáno v části b, kódování barev předchází kódování scény, když je obsluhovaným „cílovým“ prvkem barva, a stejná časová dynamika by platila i při načítání. Pokud by cílem byla scéna, pořadí histogramů by bylo obrácené oproti zobrazeným. A konečně, v hybridním modelu zpracování (c) je časová dynamika kódování a vyhledávání založena jak na složitosti kontextových prvků, tak na tom, zda byly cílem nebo rozptylovačem. V příkladu v části c následuje kódování scény po barevném kódování s delším zpožděním, když je cílem barva, než když je to rozptylovač, zatímco načítání scény předchází načítání barev s kratší prodlevou. Pokud by cílem byla scéna, vzdálenost mezi vrcholy by se zmenšila pro kódování a zvětšila by se pro vyhledávání v porovnání s tím, co je zobrazeno.

normální nebo korigované vidění. Účastníci byli kompenzováni kreditem z kurzu nebo 10 $/h a byli rekrutováni z Georgia Institute of Technology a okolní komunity. Žádný z účastníků neuvedl žádné neurologické nebo psychiatrické poruchy, vaskulární onemocnění nebo užívání jakýchkoli léků, které ovlivňují centrální nervový systém. Účastníci dokončili baterii standardizovaných neuropsychologických testů, které se skládají ze subtestů zPaměťhodnotící stupnice (Williams, 1991), včetně učení se seznamem, rozpoznávání, verbálního rozsahu dopředu a dozadu, okamžitého a opožděného vybavování, vizuálního rozpoznávání, vybavování, reprodukce a opožděného rozpoznávání. Účastníci, kteří dosáhli 0,2 SD mimo průměr vzorku, byli vyloučeni. Starším dospělým bylo navíc poskytnuto Montrealské kognitivní hodnocení (MoCA; Nasreddine et al., 2005), aby bylo dále testováno na mírné kognitivní poruchy. Byli zahrnuti pouze účastníci s hodnocením 26 nebo vyšším pro MoCA. Všichni účastníci podepsali formuláře souhlasu schválené institucionální revizní radou Georgia Institute of Technology.

Materiály

Celkem 432 obrázků objektů ve stupních šedi bylo vybráno z disků Hemera Technologies Photo-Object DVD a obrázků Google. Při kódování bylo prezentováno 288 těchto objektů; v polovině pokusů byla pozornost účastníků zaměřena na barvu a ve druhé polovině na scénu. Každý objekt ve stupních šedi byl prezentován ve středu obrazovky a barevný čtverec a scéna byly prezentovány na levé nebo pravé straně objektu. U všech pokusů v bloku byl na stejné straně objektu prezentován stejný typ kontextového prvku. Pilotování ukázalo, že to minimalizovalo zmatení účastníků a pohyby očí.

mentální artefakty. Umístění těchto kontextových prvků

byly vyváženy napříč bloky tak, aby byly zobrazeny stejně často na pravé a levé straně objektu ve středu. Pro každý test kódování byli účastníci instruováni, aby se zaměřili na asociace mezi objektem a buď barevným čtvercem, nebo scénou, která sloužila jako cílový kontext pro tento test. Potenciální scény zahrnovaly studiový byt,

Obrázek 2. Návrh experimentu. Během studie byli účastníci požádáni, aby provedli subjektivní hodnocení ano/ne ohledně vztahu mezi objektem a buď barevným čtvercem (tj. „je tato barva pravděpodobná pro tento objekt?“), kde byla prezentována jedna ze tří možných barev (červená , zelená, hnědá) nebo scéna (tj. "je pravděpodobné, že se tento objekt objeví v této scéně?"), kde byla prezentována jedna ze tří možných scén (panoráma města, studio, ostrov). Účastníci byli vedeni k tomu, aby věnovali pozornost jednomu kontextu a ignorovali druhý kontext. Během testu účastníci vytvořili až tři odpovědi pro každý testovací pokus (rozpoznání položek a kontext barev a scényPaměťrozhodnutí).

panoráma města nebo ostrova. Scény byly převzaty z Creative Commons. Potenciální barevné čtverce se skládaly ze zelené, hnědé nebo červené. Každý z obrázků kontextu a objektu pokrýval maximální vertikální a horizontální vizuální úhel 3 stupňů. Během vyhledávání bylo zahrnuto všech 288 objektůPaměťtest kromě 144 nových obrázků objektů, které nebyly prezentovány během kódování. Položky studie a testu byly mezi subjekty vyváženy.

Experimentální design a statistické analýzy

Obrázek 2 ilustruje postup použitý během fáze studie a testu. Před začátkem každé fáze dostali účastníci instrukce a dostali je

10 pokusů pro praxi. Ve fázi studie byli účastníci požádáni, aby provedli subjektivní hodnocení ano/ne ohledně vztahu mezi objektem a buď barevným čtvercem (tj. „je tato barva pravděpodobná pro tento objekt?“) nebo scénou (tj. „je toto předmět, který se pravděpodobně objeví v této scéně?"). Pokyny k úkolu uváděly, že v každém konkrétním pokusu by měl účastník věnovat pozornost jednomu kontextu a ignorovat druhý kontext. Ve fázi studie byly čtyři bloky, kde každý blok sestával ze čtyř minibloků a každý z nich zahrnoval 18 pokusů. Před začátkem každého minibloku byli účastníci vyzváni (např. „Nyní zhodnotíte, jak pravděpodobná je barva objektu“ nebo „Nyní zhodnotíte, jak pravděpodobná je scéna objektu“). Protože předchozí důkazy tomu nasvědčovalyPaměťvýkon u starších dospělých je více narušen, když musí přepínat mezi dvěma odlišnými druhy úkolů (Kray a Lindenberger, 2000), byly použity minibloky, aby se účastník orientoval, na jaký kontext by měl v nadcházejících studiích věnovat pozornost. Navíc to snižuje nároky na úkoly spojené s přepínáním od posuzování jednoho kontextu (např. barvy) k posuzování druhého (např. scény). U každé studie v minibloku byla pod obrázky během studií zobrazena výzva k připomenutí (obr. 2).

Během testu byly účastníkům předloženy staré i nové předměty. Podobně jako ve fázi studie byl každý objekt lemován scénou a barevným čtvercem. U každého předmětu se účastník zpočátku rozhodl, zda se jedná o starý nebo nový obrázek. Pokud účastník zjistil, že předmět je nový, další pokus začal po 2000 ms. Pokud účastníci uvedli, že je starý, pak byli požádáni, aby provedli dvě další hodnocení týkající se každého kontextového rysu a své jistoty ohledně svého úsudku (tj. jedno ohledně barevného čtverce a druhé ohledně scény). Pořadí druhé a třetí otázky bylo napříč účastníky vyvážené. U starých položek bylo párování nastaveno tak, aby byl prezentován stejný počet starých objektů s: (1) oba kontextové obrázky odpovídající těm, které byly prezentovány ve fázi kódování, (2) pouze barevná shoda, (3) pouze přizpůsobení scény a (4) ani přizpůsobení obrazu kontextu. Odpovědi na kontextové otázky byly provedeny na škále od dospělých, kteří dokončili všechny čtyři studijní bloky před čtyřmi testovacími bloky. Pro starší dospělé (nad 60 let), pro lepší přirovnání položkyPaměťvýkon s mladými dospělými a umožnit nám prozkoumat věkové efekty v časové dynamice EEG nepodložené velkými věkovými efekty obecně.Paměťschopnost (Rugg a Morcom, 2005),Paměťzátěž byla snížena na polovinu, takže dokončili dvoublokový cyklus studie-test dvakrát (dvě studie, dva testy, dvě studie, dva testy). Všichni účastníci absolvovali před zahájením prvního studijního bloku krátké procvičení jak studijního, tak testovacího bloku. Účastníci tedy věděli o nadcházejícímPaměťtest, ačkoli jim nebylo řečeno, aby se soustředili na svá rozhodnutí o kódování a neučili se nazpaměť pro nadcházející test.

Sběr dat

Kontinuální data EEG zaznamenaná na pokožce hlavy byla zaznamenávána z 32 Ag-AgCl elektrod pomocí systému zesilovače ActiveTwo (BioSemi). Poloha elektrody je založena na rozšířeném systému 10–20 (Nuwer et al., 1998). Pozice elektrod se skládaly z: AF3, AF4, FC1, FC2, FC5, FC6, FP1, FP2, F7, F3, Fz, F4, F8, C3, Cz, C4, CP1, CP2, CP5, CP6, P7, PO3 P04, P3, Pz, P4, P8, T7, T8, 01, Oz a O2. Pro offline referování byly použity vnější levá a pravá mastoidní elektroda. Dvě další elektrody zaznamenávaly horizontální elektrookulogram (HEOG) v laterální canthi levého a pravého oka a dvě elektrody umístěné nad a pod pravé oko zaznamenávaly vertikální EOG (VEOG). Vzorkovací frekvence EEG byla 1024 Hz s 24- bitovým rozlišením bez filtrování horní nebo dolní propusti EEG předběžného zpracování

Offline analýza dat EEG byla provedena v MATLABu 2015b pomocí sad nástrojů EEGLAB, ERPLAB a FIELDTRIP. Nepřetržitá data byla navzorkována na 256 Hz, vztažena k průměru levé a pravé mastoidní elektrody a filtrována pásmovou propustí mezi 0,5 a 125 Hz. Data pak byla epochována z – 1000 ms před začátkem stimulu na 3000 ms. Časový rozsah zájmu byl od začátku stimulu do 2000 ms, ale je zapotřebí delší časový interval, aby se zohlednila ztráta signálu na obou koncích epochy během vlnkové transformace. Každá epocha byla korigována základní linií na průměr celé epochy a proces automatického odmítnutí vymazal epochy, ve kterých došlo k mrknutí během nástupu stimulu nebo epochy s extrémními posuny napětí, které se rozprostíraly přes dvě nebo více elektrod. Automatizované procesy odmítnutí identifikovaly v hrubých datech epochy s následujícími parametry. (1) Napěťový rozsah byl větší než 99. percentil všech napěťových rozsahů epoch v časovém intervalu 400- ms (posouvá se v intervalech 100- ms napříč každou epochou). (2) Sklon lineárního trendu byl vyšší než 95. percentil všech rozsahů epoch s minimální hodnotou R2 0,303) Rozsah napětí byl větší než 95. percentil všech rozsahů napětí epoch v časovém intervalu 100- ms (posun v 25-ms intervalech napříč každou epochou), mezi 150 a 150 ms od začátku stimulu pouze pro frontální a oční elektrody. Poté byla provedena nezávislá analýza komponent (ICA) na všech hlavových elektrodách pro identifikaci očních artefaktů (tj. mrkání a horizontální pohyby očí). Komponenty související s očními artefakty byly z dat vynechány vizuální kontrolou topografických map komponent a časového průběhu komponent pomocí očních elektrod. Každá epocha byla znovu nastavena na – 300 až – 100- ms před začátkem stimulu, protože epochy již nebyly založeny na konkrétním časovém období po vymazání složek souvisejících s oční aktivitou. Pokud datová sada měla zašuměnou elektrodu (např. 0,30 procent dat, které bylo třeba odmítnout), byla odstraněna z toku zpracování a interpolována pomocí blízkých kanálů k odhadu aktivity ve špatném kanálu před spuštěním procedury časové frekvence. Po všech fázích zpracování bylo odstraněno 13 procent (SD=8 procent) epoch.

Frekvenční rozklad

Každá epocha byla transformována do časofrekvenční reprezentace pomocí Morletových vlnek se 78 lineárně rozmístěnými frekvencemi od 3 do 80 Hz v pěti cyklech. Během vlnkové transformace byla každá epocha snížena na požadovaný časový interval a vzorkována na 50,25 Hz. U následujících MVPA jsme zkoumali pouze pokusy, ve kterých účastníci správně rozpoznali objekty jako staré (položky hity). Rozhodnutí vybrat pouze pokusy o nalezení položky bylo založeno na předpokladu, že správné rozpoznání souvisejících kontextů je podmíněno správným rozpoznáním centrálně prezentovaného objektu. Průměrný počet pokusů pro mladší, střední a starší dospělé je následující: mladší (M=190,50, SD=410,01), střední věk (M{ {16}}.31, SD=40.24), starší (M=177.06, SD=38.56).

Časově rozlišená klasifikace

Zajímalo nás klasifikovat nejranější dobu, kdy byly barevné a kontextové prvky scény úspěšně zakódovány a načteny. Abychom maximalizovali počet pokusů dostupných pro trénování klasifikátoru, zhroutili jsme se napříč úrovněmi spolehlivosti pro správné i nesprávné typy pokusů jak při kódování, tak při vyhledávání. To znamená, že někteří účastníci měli velmi málo pokusů pro specifické podmínky spolehlivosti (např. správný kontext s vysokou spolehlivostí), což ztěžovalo zahrnutí spolehlivosti do klasifikačních analýz zahrnujících všechny účastníky. Podobně jsme pro vyhledávání sbalili všechny typy pokusů (tj. oba kontextové obrázky se shodují s těmi, které byly prezentovány ve fázi kódování, pouze shodu barev, pouze shodu scén a ani jeden kontextový obrázek se shoduje), abychom zvýšili schopnost detekovat účinky zájem. Je důležité poznamenat, že proporce těchto typů pokusů byly zhruba ekvivalentní pro kontextově správné a nesprávné pokusy (kontextově správné: 29,5 procenta shodují se oba kontexty, 23,2 procenta pouze barevná shoda, 22,1 procenta pouze shoda scény, 25,2 procenta ani jedna kontextová shoda; nesprávný kontext: 20,7 procenta shodují se oba kontexty, 27,5 procenta pouze barevná shoda, 28,0 procenta pouze shoda scény, 23,8 procenta ani jeden kontext). Tyto proporce byly zhruba podobné pro různé podmínky pozornosti (tj. návštěva barvy vs. návštěva scény). Pro každou klasifikační analýzu jsme vybrali konkrétní 300-ms klouzavý časový interval a posunuli jsme časové okno o jeden časový bod (20ms) přes počáteční 2-s období kódování a položkyPaměťepochy získávání části (tj. počínaje začátkem stimulu jak při kódování, tak při získávání). Tento časový interval 300-ms byl zvolen proto, aby se maximalizovaly informace, které má klasifikátor k dispozici, aby oddělil správné od nesprávných pokusů, a zároveň umožnil dostatečné časové rozlišení pro detekci rozdílů v maximální latenci mezi podmínkami. První 2 s byly vybrány pro klasifikační analýzu, aby byly konzistentní s předchozími EEG studiemi, včetně těch, které používaly stejný úkol, ukazující epizodickéPaměťúčinky v tomto časovém rozmezí (Rugg a Curran, 2007; James et al., 2016a; Powell et al., 2018). To znamená, že i během období rozpoznávání položky je aktivita EEG citlivá na kontextPaměťpřesnost. Za druhé, odběr vzorků z pozdějších časových období studie přinesl podobné a/nebo méně významné účinky, než jaké byly prezentovány. Zatřetí, protože otázky týkající se rozpoznávání barev a kontextu scény byly předloženy a zodpovězeny později ve studii, zaměřili jsme se na snížení potenciálního vlivu barev a vnímání scény naPaměťefekty úspěchu. Následně jsme pro každý 300ms interval extrahovali prvky založené na společných prostorových vzorcích (CSP) z dat v každém frekvenčním pásmu zvlášť, včetně d (3–4 Hz), u (4–7 Hz ), a (8–14 Hz), b (14–30 Hz) a g (30–80 Hz). Algoritmus CSP má za cíl zvýšit rozlišitelnost učením se prostorových filtrů, které maximalizují výkon filtrovaného signálu a minimalizují výkon pro druhou třídu (Herbert et al., 2000). Stručně řečeno, jsou vypočteny průměrné kovarianční matice pokusů každé třídy, čímž se získají C1 a C2 pro obě třídy. Následně je pomocí konceptu dekompozice vlastních hodnot řešen optimalizační problém w ¼ argmax pro nalezení optimálních prostorových filtrů. Jinými slovy, prostorové filtry optimálně promítají signály aktuálního prostoru (tj. přes původní elektrody) do nového prostoru, ve kterém je signál na každé promítané elektrodě lineární kombinací signálů přes všechny původní elektrody a rozptyly těchto signálů jsou vysoce rozlišitelné pro pokusy dvou tříd (tj. kontextově správný vs kontext nesprávný). Poté, co byly odděleně extrahovány prostorové filtry v různých frekvenčních pásmech, aplikovali jsme Fisherova kritéria k výběru nejlepších vlastností pro každého jednotlivce, abychom snížili prostor pro funkce pro trénování klasifikátoru (Phan a Cichocki, 2010). Abychom byli konzistentní napříč všemi analýzami a účastníky a abychom se vyhnuli riziku nadměrného nebo nedostatečného vybavení na základě počtu pokusů, vybrali jsme pro každou analýzu pět nejlepších funkcí s nejvyšším Fisherovým skóre. Nakonec jsme vytrénovali naivní bayesovský klasifikátor, abychom odlišili správný kontext od nesprávného (Fukunaga, 1993). Jako kritérium pro hodnocení výkonu klasifikátoru jsme použili 5-násobnou průměrnou přesnost křížové validace. V důsledku toho jsme pro každého účastníka získali jednu hodnotu přesnosti klasifikátoru pro každý z 86, 300-ms intervalů (s rozlišením 20-ms klouzavých časových bodů, tj. [0, 300 ms], [20, 320 ms], [40, 340 ms],..., [1700, 2000 ms]) pro každou fázi experimentu (kódování, načítání), stav pozornosti (cíl, distraktor), a kontextový prvek (barva, scéna). Zatímco teoretická úroveň náhody pro problémy s binární klasifikací je 50 procent, existují některé studie, které ukázaly, že skutečná úroveň výkonnosti náhody se může výrazně lišit od teoretické hodnoty (Combrisson a Jerbi, 2015; Jamalabadi et al., 2016). V důsledku toho jsme použili permutační testy (Nichols a Holmes, 2002) opakováním klasifikační analýzy, abychom získali empirickou nulovou hodnotu.

rozdělení výkonu klasifikátoru. Abychom byli konkrétnější, pro každou samostatnou analýzu a účastníka jsme provedli stejný časově rozlišený 5-násobný křížový validační klasifikační postup jako pro skutečná data se skutečnými štítky, ale použili jsme štítky, které byly při každém opakování náhodně zamíchány. Tento proces byl proveden 500krát na účastníka pro každou klasifikační analýzu s náhodným přidělením štítků při každém opakování. Tím byla stanovena empirická nulová distribuce klasifikačních výkonů. Následně jsme nastavili přesnost, která byla vyšší než 95 procent hodnot výkonu v nulovém rozdělení, jako práh pro určení významnosti výkonu klasifikátoru pro každý subjekt. Je však důležité poznamenat, že každý časový interval bude mít své vlastní empirické nulové rozdělení a 95. percentil pro nulové rozdělení se v různých časových intervalech liší, a abychom byli konzervativnější, vybrali jsme nejvyšší 95. percentil napříč časovými intervaly. jako práh pro daný předmět a analýzu.

Abychom ukázali, že výkon klasifikace je u různých předmětů výrazně vyšší než náhoda, a abychom ukázali obecná časová obdobíPaměťdekódovatelnosti úspěchu v čase jsme odečetli časový průběh empirické úrovně pravděpodobnosti každého účastníka od skutečného časového průběhu klasifikačního výkonu jednotlivce. Poté jsme zprůměrovali tyto rozdílové časové průběhy napříč barvou návštěvy a podmínkami scény. Nakonec jsme zprůměrovali tyto jednotlivé rozdílové časové průběhy mezi účastníky. Tyto hodnoty mezi účastníky, průměrné klasifikační časové průběhy s reálnou šancí pro kódování a vyhledávání a 95procentní intervaly spolehlivosti jsou znázorněny na obrázku 3. Jak je vidět na obrázku 3, klasifikační výkon byl u všech subjektů významně vyšší než náhodný. časové intervaly kódování a načítání. Úspěšnost kontextové paměti byla maximálně dekódovatelná mezi 680–980 ms při kódování (střed 830 ms; obr. 3a) a mezi 340 a 640 ms při načítání (střed 490 ms; obr. 3b).

Nakonec jsme vynesli hodnoty přesnosti klasifikátoru do diagramu, kde každý bod diagramu (obr. 4) představoval střed každého 300-ms časového intervalu. V každém z těchto diagramů by bylo více časových intervalů, jejichž přesnost klasifikace je vyšší než přilehlé časové intervaly (tj. časové intervaly těsně před a těsně po aktuálním časovém intervalu, s rozdílem středního bodu 20- ms) . Protože však existuje mnoho okamžiků, které splňují toto kritérium, rozšířili jsme interval sousedství na 60 ms. Abychom byli konkrétnější, jako potenciální vrcholové momenty byly vybrány pouze časové intervaly, které měly vyšší přesnost klasifikace než všechny časové intervaly v jejich 60-ms časovém sousedství. Například na obrázku 4, zatímco A má vyšší výkon než časové intervaly těsně před a po, nelze jej vybrat jako potenciální vrchol, protože B je ve svém definovaném sousedství a má vyšší výkon. Kromě toho by vybrané špičkové momenty měly fungovat výrazně nad úrovní náhody. V důsledku toho nebudou brány v úvahu žádné potenciální špičkové momenty, které měly nižší výkon než prahová hodnota významnosti. Opět, na obrázku 4, B nebude uvažován, protože má nižší výkon, než je empirická úroveň pravděpodobnosti. Konečně, kdyby existovaly

Obrázek 3. Časový průběh kontextu skutečné šancePaměťvýkonnost klasifikace úspěšnosti, zprůměrovaná napříč stavy pozornosti a účastníky při (a) kódování a (b) vyhledávání s 95procentními intervaly spolehlivosti. Každý časový bod v těchto diagramech představuje střed přidruženého časového intervalu 300-ms. Protože první časový interval zahrnuje 0–300 ms, diagramy začínají od 150 ms a končí 1850 ms, což je střed posledního časového intervalu (1700, 2000 ms). Šedá oblast na každém obrázku označuje 95procentní interval spolehlivosti kontextu skutečné šancePaměťvýkon klasifikace úspěchu napříč účastníky. Pokud šedá oblast konkrétního časového bodu dosáhne 0 procent, skutečný výkon se významně neliší od náhody mezi účastníky za související časový interval 300- ms. Například při kódování interval spolehlivosti spojený s časovým bodem 1030 ms, středním bodem intervalu 880–1180 ms, dosáhne nuly.

Obrázek 4. Příklad výsledků časově rozlišeného kontextuPaměťklasifikace přesnosti z reprezentativního předmětu a klasifikační analýza. Každý časový bod v diagramu představuje střed přidruženého časového intervalu 300-ms. Protože první časový interval zahrnuje 0–300 ms, začíná diagram od středu tohoto časového intervalu, jak ukazuje levá svislá přerušovaná čára. Navíc diagram končí středem posledního časového intervalu (1700, 2000 ms), jak je znázorněno pravou svislou přerušovanou čarou. Všimněte si, že práh je nastaven jako nejvyšší hodnota 95. percentilu v průběhu času v časově rozlišeném nulovém rozdělení pro každý subjekt, aby byl konzervativnější (viz Materiály a metody).

Obrázek 5. Kontext položky, barvy a scényPaměťdiskriminace.

více vrcholů, které byly provedeny nad úrovní empirické šance, by byl jako "moment vrcholu" vybrán ten nejčasnější, který poprvé určil, zda bude kontextový znak úspěšně zakódován/načten. Jak je vidět na obrázku 4, existují některé vrcholy, včetně C, D a E, které jsou kvalifikovány podle obou zmíněných kritérií, a my bychom vybrali C jako vrcholový moment v této konkrétní analýze.

Přístupnost kódu

Vlastní kód, který jsme použili v této studii, je k dispozici na https://doi.org/10.17605/OSF.IO/FVUZX.

Přístupnost dat

Údaje a výsledky, které podporují zjištění této studie, jsou k dispozici na https://doi.org/10.17605/OSF.IO/FVUZX.