Část 1: Cílově řízená modulace vzorců neurální paměti: Důsledky pro detekci paměti založenou na FMRI
Mar 19, 2022
Kontakt: Audrey Huaudrey.hu@wecistanche.com
Melina R. Uncapher,1* J. Tyler Boyd-Meredith,1* Tiffany E. Chow,3 Jesse Rissman,3 a X Anthony D. Wagner1,2
1Department of Psychology and 2Neurosciences Program, Stanford University, Stanford, California 94305, a 3Department of Psychology, University of California, Los Angeles, Los Angeles, California 90095
Pamatování minulé události vyvolává distribuované nervové vzorce, které lze odlišit od vzorců vyvolaných při setkání s novými informacemi. Tyto odlišné vzory mohou být dekódovány s relativně vysokou diagnostickou přesností pro jednotlivé paměti pomocí analýzy multivoxelových vzorů (MVPA) fMRI dat. Detekce paměti založená na mozku – pokud je platná a spolehlivá – by měla jasnou užitečnost mimo oblast kognitivní neurovědy, v oblasti práva, marketingu i mimo ni. Významnou okrajovou podmínkou platnosti dekódování paměti však může být nasazení „protiopatření“: strategií používaných k maskování paměťových signálů. Zde jsme testovali zranitelnost detekce paměti na bázi fMRI vůči protiopatřením pomocí paradigmatu, které se podobá identifikaci očitých svědků. Účastníci byli skenováni při provádění dvou úkolů na dříve studovaných a nových tvářích: (1) standardní rozpoznávací paměťová úloha; a (2) úkol, ve kterém se pokusili skrýt svůj skutečný stav paměti. Jednorozměrné analýzy odhalily, že účastníci byli schopni strategicky modulovat nervové odezvy, průměr napříč studiemi, v oblastech zapojených do získávání paměti, včetně hipokampu a úhlového gyru. Navíc oblasti spojené s cílenými přesuny pozornosti a myšlenkovou substitucí podporovaly skrývání paměti a oblasti spojené s generováním paměti podporovaly skrývání novosti. Je kritické, že zatímco MVPA umožnil spolehlivou klasifikaci stavů paměti, když účastníci hlásili paměť pravdivě, schopnost dekódovat paměť v jednotlivých testech byla ohrožena, dokonce i obráceně, během pokusů skrýt paměť. Tato zjištění společně ukazují, že strategické cíle Tate mohou být nasazeny k maskování neurálních vzorů souvisejících s pamětí a k překrytí technologie dekódování paměti, což představuje významnou mezní podmínku pro jejich užitečnost v reálném světě.
Klíčová slova: protiopatření; epizodické vyhledávání; funkční MRI; neurolaw; klasifikace vzorů
Úvod
Rostoucí důkazy naznačují, že je možné dekódovat přítomnost nebo nepřítomnost paměti pro stimul nebo událost z distribuovaných vzorců lidské mozkové aktivity, jak je měřeno funkční MRI (fMRI) a multivoxelovou analýzou vzorů (MVPA; Johnson et al., 2009; McDuff a kol., 2009; Chadwick a kol., 2010; Quamme a kol., 2010; Rissman a kol., 2010; Polyn a kol., 2012; Poppenk a Norman, 2012; Rissman a Wagner, 2012). Rychle se objevující literatura o dekódování paměti založené na fMRI nejen informuje o neurokognitivních teoriích paměti, ale má také důsledky pro právo, marketing a další (Meegan, 2008). Například spolehlivá a ověřená metoda detekce paměti by mohla posunout forenzní schopnost systému trestního soudnictví určit, zda má podezřelý vinu o informacích relevantních pro trestný čin (Greely, 2011) nebo zda očitý svědek rozpozná kritickou událost. živel. Vzhledem k vysoké diagnostické přesnosti pozorované v některých studiích dekódování paměti založených na fMRI (až 70–90 procent; Rissman et al., 2010) může být lákavé dojít k závěru, že tyto přístupy mají forenzní užitečnost pro odhalení stavů paměti jednotlivce a možná také jejich zkušenostní historii s informacemi o událostech.
Techniky detekce paměti založené na fMRI jsou však stále ve vývoji a před určením jejich vhodnosti pro použití v terénu zbývá mnoho významných problémů (Brown a Murphy, 2010; Verschuere et al., 2011). Jednou z nejvýznamnějších otevřených otázek je, zda je dekódování paměti citlivé na „protiopatření“: strategie nasazené k maskování paměti nebo signálů a „překonání“ detekčních testů (Farah et al., 2014). Rissman a kol. (2010) uvedl nepřímé důkazy naznačující zranitelnost vůči stavům strategických cílů, protože schopnost detekovat dříve nalezené tváře z nových tváří byla snížena na téměř náhodnou, když byla paměť účastníků implicitně, spíše než explicitně, zkoumána. Jiné údaje však naznačují, že nedostatek pozornosti věnovaný vlastnímu mnemotechnickému stavu nemusí vždy zmařit klasifikaci paměti. Například Kuhletal. (2013) byl schopen dekódovat detaily paměti, i když účastníci nedostali pokyn, aby tyto detaily získali. Společně tato zjištění odhalují potřebu identifikovat podmínky, za kterých stavy strategických cílů mění vzorce neurální paměti: zejména mohou účastníci svévolně skrývat své stavy paměti pomocí protiopatření, která se zdají spolupracovat? Řešení této otázky má důsledky nejen pro vymezení okrajových podmínek metod fMRI pro detekci paměti, ale také pro pochopení dynamiky cílených vyhledávacích procesů.
Zde jsme zkoumali situaci, která se podobá identifikaci očitých svědků, a požadovali jsme protiopatření, která by při testu identifikace očitých svědků vypadala jako kooperativní. Účastníci si prohlédli řadu tváří a jejich paměť na tyto tváře byla poté zkoumána jedním ze dvou způsobů při podstupování fMRI. V prvním testu účastníci učinili explicitní rozhodnutí o rozpoznání dříve známých a nových tváří. Ve druhém testu se účastníci pokoušeli skrýt svou paměť na tváře, se kterými se dříve setkali, a předstírat paměť na nové tváře. Pomocí explicitních paměťových dat jsme trénovali klasifikátory, aby rozlišovaly vzorce činnosti spojené se subjektivními zkušenostmi rozpoznávání a novosti. Poté jsme testovali, zda klasifikátory dokážou dekódovat stavy paměti účastníků, když se zabývají protiopatřeními.
Materiály a metody
Účastníci. Dvacet čtyři zdravých, praváků mužských účastníků bylo rekrutováno ze Stanfordské univerzity a jejích okolních komunit. Účastníci byli ve věku 18–31 let, s průměrným věkem SD23 4,29 let, byli rodilými mluvčími angličtiny bez anamnézy neurologických komplikací a byli buď Afroameričané (AA; n 8) nebo evropští Američané (EA; n 16). hlásit se sami. Účastníci udělili písemný informovaný souhlas v souladu s postupy institucionálního kontrolního výboru Stanfordské univerzity a byli prověřeni na kompatibilitu s fMRI.
Experiment. Experiment zahrnoval dvě skenovací relace prováděná 24 hodin od sebe a trvala přibližně 5 hodin v obou skenovacích relacích. Každý účastník dostal za každou hodinu účasti odměnu 2 $0. Data od dvou dalších účastníků byla shromážděna, ale vynechána z následných analýz kvůli nedostatečnému nebo neúplnému výkonu: jedna byla vynechána, protože d byla náhoda ( 0,08) a druhá, protože účastník ustoupil od skenování před dokončením experimentu.
Podněty. Obličejové podněty se skládaly ze 400 barevných fotografií mužských tváří, z nichž polovina byla AA a polovina EA (údaje zkoumající účinky rasy budou uvedeny samostatně). Obličejové stimuly byly standardizovány pro neutrální výraz obličeje a osvětlení pozadí a zahrnovaly pouze hlavu a krk. Stimuly byly prezentovány na šedém pozadí s černým středovým fixačním křížem. Pro každého účastníka byly stimuly obličeje rozděleny do dvou vzorků pomocí stratifikovaného náhodného vzorkování podle rasy, aby se přiřadily stimuly, které mají být prezentovány během fáze kódování (STARÉ položky; 100AA, 100EA) nebo aby sloužily jako položky fólie při vyhledávání (NEWitems;100AA, 100 EA ).
Den 1: kódování. Účastníci byli naskenováni, přičemž bylo záměrně zakódováno 200 mužských tváří (100 AA tváří a 100 EA tváří). Každá tvář byla prezentována po dobu 2 s, s 8s interstimulačním intervalem (ISI) celkem 10 s na pokus. Každá tvář byla v průběhu fáze kódování zobrazena dvakrát: poté, co byla prezentována úplná sada 200 podnětů, byly stejné tváře prezentovány znovu v jiném pořadí. Účastníci dostali podrobnou strategii kódování, aby si zapamatovali podněty, přičemž byli instruováni, aby vytvořili imaginativní příběhy zahrnující jednotlivce vyobrazené v podnětech. Aby se potvrdilo, že se účastníci věnují podnětům a zapojují se do úkolu, byli instruováni, aby po zobrazení každého obličeje stiskli pravé tlačítko ukazováčku na poli odpovědí. Stimuly byly prezentovány v osmi bězích, s 50 tvářemi na běh. První čtyři běhy se skládaly z první prezentace studijních podnětů a druhé čtyři běhy se skládaly z druhé prezentace studijních podnětů. Na konci každého běhu (jak pro den 1, tak pro den 2) byli účastníci vyzváni, aby si udělali tak dlouhou pauzu, jak si přáli, a přestávku sami ukončili stisknutím tlačítka. Přestávky se mezi účastníky pohybovaly mezi 10 a 55 s.
Konkrétně u tváří, o nichž se dříve myslelo, že byly studovány, byli účastníci instruováni, aby označili „novou“ reakci a rychle přešli na kognitivní strategii, aby skryli nervové koreláty jejich rozpoznávání: byli požádáni, aby se zaměřili na technické a/nebo fotografické aspekty. podnětu, kterého se předtím nezúčastnili, jako je expozice, osvětlení, okraje čar atd. Zde bylo zdůrazněno, že počítačový algoritmus byl dostatečně citlivý na to, aby zachytil paměťové signály a že poté, co bylo zjištěno, že se jedná o studovaný obličeje, měli by se – podle svých nejlepších schopností – snažit, aby se jim vzpomínka na obličej nevybavila tím, že se budou věnovat vjemovým aspektům fotografií. Naopak u podnětů, které byly vnímány jako neprozkoumané, byli účastníci instruováni, aby označili „starou“ reakci a použili kognitivní strategie k vyvolání nervových korelátů vyhledávání, tj. připomněli si známého jedince, který se podobal obličeji, a znovu prožili všechny související vzpomínky. s jednotlivcem. Znovu bylo zdůrazněno, že počítačový algoritmus je dostatečně citlivý na to, aby detekoval nové signály, takže by měl rychle přejít na generování vzpomínek na tvář, kterou určili za novou. U starých i nových tváří byli účastníci instruováni, aby používali vhodnou kognitivní strategii po celou dobu trvání studie (10 s). Experimentátoři potvrdili, že před pokračováním v experimentu všichni účastníci pochopili úlohu skryté paměti.
Jednorozměrné fMRI analýzy. Statistické parametrické mapování (SPM8; Wellcome Department of Cognitive Neurology, Londýn, Velká Británie; http://www.fil.ion.ucl.ac.uk/spm/software/spm8), spuštěné v MATLABu 7.7 (R2008b; MathWorks), bylo používá se jak pro předzpracování dat, tak pro jednorozměrnou analýzu.
Na data byly aplikovány standardní postupy předběžného zpracování. Všechny funkční objemy byly korigovány v čase řezu, aby se zohlednily rozdíly v čase akvizice mezi řezy, přičemž prostřední řez v čase byl použit jako reference. Všechny funkční objemy byly pohybově korigovány a prostorově přerovnány s prvním objemem, následovalo přerovnání na střední objem relace. T2-vážený anatomický objem ze dne 2 (vyhledávací) relace byl společně registrován k průměrnému funkčnímu objemu, T1- vážený anatomický objem byl poté koregistrován k tomuto společně registrovanému T2-váženému objemu a poté byl T1-vážený objem rozdělen na šedou hmotu, bílou hmotu a CSF, přičemž výsledné snímky byly normalizovány na šablony v prostoru Montrealského neurologického institutu (MNI). Funkční objemy byly normalizovány do standardního prostoru na základě transformačních parametrů získaných během segmentace a převzorkovány na 4 mm3 voxely. Všechny snímky byly poté prostorově vyhlazeny 8 mm Gaussovým jádrem s plnou šířkou při polovičním maximu (FWHM).
U všech klasifikačních schémat byly počty pokusů vyváženy napříč třídami (pomocí náhodného dílčího vzorkování) v rámci tréninkových a testovacích zásobníků před klasifikací, aby byla zajištěna míra přesnosti teoretické nulové hypotézy 50 procent a plocha pod křivkou (AUC; viz níže) 0,50; analýzy se zamíchanými štítky tříd potvrdily, že výkonnost náhodné klasifikace se sblížila kolem těchto úrovní ("nulová distribuce"). Po vyrovnání byla data z každého voxelu znovu vyhodnocena tak, že průměrná úroveň aktivity každého voxelu pro studie třídy A byla převrácená k průměrné úrovni aktivity pro studie třídy B. U každé analýzy byl celý proces klasifikace spuštěn 10krát, aby se získaly stabilní odhady výkonu (nezávislé analýzy potvrdily, že k získání stabilních odhadů výkonu stačí 10 iterací).
Pro všechny klasifikační postupy byla použita regulovaná logistická regrese (RLR). To bylo dříve určeno jako výhodná volba v tomto klasifikačním paradigmatu Rissmanem et al. (2010). Tento algoritmus implementoval vícetřídní logistickou regresní funkci pomocí softmaxové transformace lineárních kombinací vlastností (Bishop, 2006) s dodatečným členem ridge penalty jako Gaussian před vahami prvků. Tento trest zajišťoval regularizaci L2, vynucování malých závaží. Během trénování klasifikátorů se algoritmus RLR naučil sadu vah prvků, které maximalizovaly logaritmickou pravděpodobnost dat; váhy prvků byly inicializovány na nulu a optimalizace byla implementována pomocí funkce minimalizace sdruženého gradientu Carla Rasmussena (http://www.gatsby.ucl.ac.uk/ Edward/code/minimize/) pomocí gradientu logaritmické pravděpodobnosti kombinované s trest L2.
Postih L2 byl nastaven na polovinu aditivní inverze uživatelem zadaného parametru, vynásobený druhou mocninou normy L2 vektoru hmotnosti pro každou třídu, přičtenou přes třídy. Rozhodli jsme se nastavit tento volný parametr na pevnou hodnotu 10 pro všechny analýzy uvedené v této studii.
Posouzení výkonnosti klasifikátoru. Po přizpůsobení parametrů modelu RLR pomocí dat tréninkové sady byl každý vzorec mozkové aktivity (tj. pokus) z testovací sady vložen do modelu a poskytl odhad pravděpodobnosti, že tento příklad bude z třídy A nebo třídy B (podle konstrukce dvě hodnoty se vždy sčítají do jedné). Tyto hodnoty pravděpodobnosti byly zřetězeny napříč všemi záhyby testování křížové validace a poté seřazeny. Skutečná pozitivní (úspěšná) četnost a falešně pozitivní (FA) četnost klasifikátoru byla vypočtena při 80 pevných prahových hodnotách podél pravděpodobnostního kontinua pro vytvoření křivek provozních charakteristik přijímače (ROC). Hodnoty AUC spojené s těmito křivkami byly vypočteny podle popisu Fawcetta (2004) a lze je formálně interpretovat jako pravděpodobnost, že náhodně vybraný člen jedné třídy má menší odhadovanou pravděpodobnost příslušnosti k druhé třídě než má náhodně vybraného člena jiné třídy. Jinak řečeno, AUC indexuje průměrnou přesnost, se kterou by mohl být náhodně vybraný pár studií třídy A a třídy B přiřazen do jejich správné třídy (0,5 je náhodný výkon; 1,0 je perfektní výkon). Pokud je někým cílem vysoká specifičnost při označování příkladů třídy A a není ochoten tolerovat mnoho falešně pozitivních výsledků, může se dotazovat nejspolehlivějších odhadů klasifikátoru. Zde jsme libovolně nastavili tento práh na 10 procent nejlepších odhadů klasifikace. Všimněte si, že při uvádění nejspolehlivějších testů klasifikátorů uvádíme spíše přesnost než hodnoty AUC.
Mapy důležitosti. Pro každé klasifikační schéma byly vytvořeny mapy důležitosti podle postupu popsaného v předchozích studiích MVPA (Johnson et al., 20{{10}}9; McDuff et al., 2{{16 }}09). Hodnota důležitosti voxelu poskytuje index toho, jak moc jeho signál zvýšení nebo snížení ovlivňuje predikce klasifikátoru. Po tréninku poskytuje postup klasifikace logistické regrese sadu hodnot hmotnosti odrážející prediktivní hodnotu každého voxelu (s kladnými hodnotami, které indikují, že zvýšení aktivity je obecně spojeno s výsledkem třídy A, a negativními hodnotami indikujícími, že zvýšení aktivity je obecně spojeno sClassBoutcome). Tyto váhy byly vynásobeny průměrnou úrovní aktivity každého voxelu pro studie třídy A (což je vzhledem k našemu postupu vyvažování pokusů a z-skórování aditivní inverzí průměrné úrovně aktivity pro studie třídy B). Voxelům s kladnými hodnotami aktivity i hmotnosti byly přiřazeny kladné hodnoty důležitosti, voxelům se zápornou aktivitou a váhou byly přiřazeny záporné hodnoty důležitosti a voxelům, jejichž aktivita a váha měly opačná znaménka, byly přiřazeny hodnoty důležitosti nula (Johnson et al., 2009; McDuff a kol., 2009). Souhrnné mapy na úrovni skupiny byly vytvořeny zprůměrováním map důležitosti jednotlivých účastníků a jsou zobrazeny na obrázcích na libovolných prahových hodnotách: 3D-renderované mapy prahované mezi 0,02 a 0,5 a 2D-renderované mapy mezi 0,05 a 0,5 (viz obr. 4) popř. mezi 0,15 a 0,5 (viz obr. 7). Závěrečná poznámka, ačkoli jsou mapy důležitosti užitečným nástrojem k vyhodnocení toho, které voxely byly klasifikátorem použity, tyto mapy by neměly být interpretovány tak, že poskytují vyčerpávající hodnocení toho, které voxely jsou jednotlivě informativní o rozlišení zájmu.
Analýza světlometů. Mapy důležitosti odhalují, které voxely poskytují diagnostické informace klasifikátorům celého mozku. Neodhalují však, zda lze data z jednotlivých anatomických oblastí sama o sobě použít k rozlišení zásahů z CR. Provedli jsme analýzy pomocí světlometů, abychom zajistili místní přesnost dekódování (Kriegeskorte et al., 2006) v mozku. Obzvláště zajímavé bylo, zda oblasti, ve kterých byl signál závislý na průměrné hladině kyslíku v krvi (BOLD; jednorozměrný) významně modulován protiopatřeními (viz obr. 2A), také umožnily přesnost dekódování pokus po pokusu, která se významně odchylovala od náhody. Provedli jsme kritickou klasifikaci (explicitní ¡ skryté zásahy vs. CRs) na lokálních sférických maskách soustředěných individuálně na každý voxel v celomozkové masce (kromě voxelů v motorické kůře a mozečku). Každá sférická maska zahrnovala jakýkoli voxel, který se dotýkal okraje středového voxelu; výsledné koule tedy obsahovaly 19 voxelů, kromě případů, kdy koule přesahovala celomozkovou masku. Abychom zjistili, zda se přesnost místního dekódování vyvinula v průběhu studie (jak by se dalo očekávat, pokud by se účastníci zpočátku věnovali paměťovým signálům a poté se pokusili takové signály skrýt), provedli jsme tyto světlomety samostatně pro každý ze šesti TR.
Hodnotili jsme významnost v každé z našich sfér hledacího světla jako v předchozích dekódovacích analýzách: AUC byly nejprve vypočteny pro 1 0 iteraci klasifikace a poté byla simulována nulová distribuce výpočtem 10 dalších iterací klasifikace pomocí kódovaných regresorů. Vytvořili jsme t mapy na úrovni skupiny ukazující koule, které spolehlivě rozlišily zásahy od CR, provedením párového t-testu průměrné hodnoty AUC každého účastníka zakódované versus nezakódované v každém voxelu ve všech 10 iteracích. Tyto mapy byly stanoveny prahovou hodnotou p 0,05 (opraveno) aplikací prahové hodnoty velikosti shluku odvozené ze simulací Monte Carlo (Xiong et al., 1995) implementované v programu AFNI (Automated Functional Neuro-Imaging) 3dClustSim. Hladkost Monte
Simulace Carlo byla odhadnuta samostatně pro každého účastníka a každý časový bod pomocí programu AFNI 3dFWHMx z průměrných AUC dosažených napříč iteracemi kódované klasifikace. Hladkost byla zprůměrována mezi účastníky a časovými body, aby se vypočítala jediná hodnota hladkosti pro každý rozměr. Voxelový práh výšky p 0.{5}}1 vedl k velikosti shluku 22 voxelů k dosažení významnosti na úrovni shluku p 0}}.{{15} }5 (FWE) v daném časovém bodě. Abychom opravili vícenásobná srovnání napříč našimi šestinásobnými body, použili jsme Bonferroniniho korekci, vypočítávali jsme práh rozsahu nezbytný k dosažení významnosti na úrovni clusteru p 0,0083 (nebo 0,05/6; FWE) při každý časový bod nebo p 0,05 (FWE) napříč prostorem a časem. Pomocí této metody jsme určili, že k dosažení významnosti na úrovni shluku p 0,05 (FWE) napříč prostorem a šesti časovými body je zapotřebí rozsah shluku 29 voxelů.
Výsledek
Behaviorální výkon
Explicitní paměťová úloha
Když účastníci pravdivě uvedli svou mnemotechnickou zkušenost vyvolanou každým testovacím obličejem, dosáhli průměrné míry zásahu SD (míra, při které byly STARÉ obrázky přesně posouzeny jako „staré“) {{0}}.73 0. 12 a míra FA (rychlost, při které byly NOVÉ obrázky nepřesně posouzeny jako „staré“) 0.27 0.10, což vede k průměrnému d 1.27 0.56. Průměrné doby odezvy (RT) byly rychlejší u správných odpovědí (požadavků, 1.74 0,60 s; CRs, 2.10 0,75 s) než u nesprávných odpovědí (FAs, 2).{16 }},01 s; chybí: 2.33 0,81 s; t(23) 5,15, p 3.22 10 5). Odpovědi na server byly rychlejší než odpovědi CR (t(23) 5,44, p 1.56 10 5).
Porovnání explicitních a skrytých paměťových úloh
Průměr d byl významně vyšší v explicitní paměti než v úloze skryté paměti (t(23) 2,99, p 6.6 10 3). Nebyly zjištěny žádné rozdíly v průměrné RT pro žádný výsledek paměti (všechny hodnoty p 0,05). Mezi úlohou a pamětí však došlo k významné interakci, protože průměrný rozdíl v RT pro zásahy a CR byl větší v explicitní paměti než v úloze skryté paměti (t(23) 6.25, p 2.22 10 6). Tento rozdílný účinek paměti na RT jako funkce úkolu může vyplývat z rozdílu v d mezi explicitními a skrytými paměťovými podmínkami a je pravděpodobně důsledkem dvouúlohové povahy skryté paměti: účastníci museli nejprve určit zda byly tváře staré nebo nové, a pak rychle přejdou na strategii skrývání paměti/novinek a zároveň změní jejich motorické reakce.
Jednorozměrné fMRI analýzy
Nejprve jsme zkoumali otázku, zda by se účastníci mohli zapojit do strategických protiopatření k modulaci signálů BOLD souvisejících s pamětí napříč studiemi (tj. jednorozměrné odpovědi fMRI). Abychom tak učinili, identifikovali jsme „efekty úspěchu v paměti“ (zásahy CR) pro každý úkol zvlášť a pak jsme určili, kde byly efekty úspěchu v paměti u úkolů společné, a také kde byly modulovány podle úkolu. Poté jsme zkoumali, zda schopnost modulovat efekty úspěchu v paměti byla ovlivněna silou paměti.
Společné efekty úspěchu v paměti
Vzhledem k tomu, že účastníci museli v obou úkolech určit, zda je obličej starý nebo nový, snažili jsme se dále zjistit, zda existují nějaké oblasti, které odlišují zásahy od CR v obou úkolech. Abychom tak učinili, inkluzivně jsme zamaskovali výše uvedené kontrasty úspěšnosti paměti (při p {{0}}.01 každý, výsledkem je práh spojení p 0,001). Výsledek tohoto maskovacího postupu odhalil účinky v levém IPS a levém VTC (obr. 1C).
méně pravděpodobné, že se nalevo AnG zobrazí obrácené efekty úspěchu paměti (r {{0}}.36, p 0.04). Jinými slovy, jejich účinky na úspěch paměti přetrvávaly navzdory pokusům utajit jejich paměť. Toto zjištění naznačuje, že účastníci se silnější pamětí měli větší potíže s modulací své AnG aktivity během skrytého úkolu. Je zajímavé, že ani jeden hipokampální shluk nevykazoval významný vztah mezi silou paměti a aktivitou (pravý hipokampus,r0.{{10}}5,p 0.82; levý hipokampus, r0,22, p 0,29) a sklony korelací se lišily mezi AnG a pravým hipokampem (Williams t(21) 2,49, p 0,021) a okrajově se lišily pro levý hipokampus (Williams t(21) 1,62, p 0,1 . Společně tato zjištění naznačují, že účastníci se silnější pamětí byli méně schopni uplatňovat cílenou kontrolu nad aktivitou související s pamětí v levém AnG, ale zdálo se, že tomu tak není v bilaterálním hipokampu.
Vícerozměrné fMRI analýzy
Naší ústřední otázkou je, zda by použití kognitivních (cílově zaměřených) strategií protiopatření umožnilo účastníkům maskovat neurální vzorce související s pamětí, a tím ovlivnit schopnost vícerozměrných technik číst jejich stavy paměti pro jednotlivé události. V souladu s tím jsme dále hodnotili schopnost klasifikátorů MVPA dekódovat stav paměti jednotlivých pokusů vyhledávání tím, že (1) nejprve natrénovali a otestovali klasifikátor na datech ze standardní úlohy rozpoznávání paměti (explicitní paměťová úloha) a (2) poté posoudili, zda to klasifikátor mohl také dekódovat paměť, když se účastníci pokoušeli skrýt své stavy paměti (úloha skryté paměti). Náš procesní model navrhl tři alternativní scénáře k testování; začneme vysvětlením našeho procesního modelu a poté postupně popíšeme každou hypotézu.
