Часть 1: Целенаправленная модуляция паттернов нейронной памяти: последствия для обнаружения памяти на основе FMRI

Контактное лицо: Одри Хуaudrey.hu@wecistanche.com

Пожалуйста, нажмите здесь, чтобы перейти к части 2

Мелина Р. Анкафер1* Дж. Тайлер Бойд-Мередит1* Тиффани Э. Чоу3 Джесси Риссман3 и X Энтони Д. Вагнер1,2

1 Факультет психологии и 2 Программа нейробиологии, Стэнфордский университет, Стэнфорд, Калифорния 94305, и 3 Факультет психологии, Калифорнийский университет, Лос-Анджелес, Лос-Анджелес, Калифорния 90095

Воспоминание о прошлом событии вызывает распределенные нейронные паттерны, которые можно отличить от паттернов, возникающих при встрече с новой информацией. Эти различные паттерны могут быть декодированы с относительно высокой диагностической точностью для отдельных воспоминаний с использованием многовоксельного анализа паттернов (MVPA) данных фМРТ. Обнаружение памяти на основе мозга — если оно достоверно и надежно — имело бы очевидную пользу за пределами области когнитивной нейробиологии, в сфере права, маркетинга и за их пределами. Однако важным граничным условием достоверности декодирования памяти может быть развертывание «контрмер»: стратегий, используемых для маскировки сигналов памяти. Здесь мы проверили уязвимость обнаружения воспоминаний на основе фМРТ для контрмер, используя парадигму, которая имеет сходство с идентификацией очевидцев. Участники были отсканированы при выполнении двух задач на ранее изученных и новых лицах: (1) стандартная задача распознавания памяти; и (2) задание, в котором они пытались скрыть свое истинное состояние памяти. Однофакторный анализ показал, что участники были в состоянии стратегически модулировать нейронные реакции, в среднем по испытаниям, в областях, участвующих в извлечении памяти, включая гиппокамп и угловую извилину. Более того, области, связанные с целенаправленным переключением внимания и заменой мыслей, поддерживали сокрытие памяти, а области, связанные с генерацией памяти, поддерживали сокрытие новизны. Критически важно то, что в то время как MVPA обеспечивал надежную классификацию состояний памяти, когда участники правдиво сообщали о памяти, способность декодировать память в отдельных испытаниях была скомпрометирована, даже наоборот, во время попыток скрыть память. В совокупности эти результаты показывают, что стратегические цели Тейт могут быть развернуты для маскировки нейронных паттернов, связанных с памятью, и технологии декодирования памяти, что накладывает существенное ограничение на их практическую полезность.

Ключевые слова: контрмеры; эпизодический поиск; функциональная МРТ; нейроправо; классификация шаблонов

Цистанхе может улучшить память

Введение

Все больше данных указывает на то, что можно расшифровать наличие или отсутствие воспоминаний о стимуле или событии из распределенных паттернов активности человеческого мозга, измеренных с помощью функциональной МРТ (фМРТ) и анализа многовоксельных паттернов (MVPA; Johnson et al., 2009; McDuff et al., 2009; Chadwick et al., 2010; Quamme et al., 2010; Rissman et al., 2010; Polyn et al., 2012; Poppenk and Norman, 2012; Rissman and Wagner, 2012). Быстро растущая литература по расшифровке памяти на основе фМРТ не только информирует нейрокогнитивные теории памяти, но также имеет значение для права, маркетинга и не только (Meegan, 2008). Например, надежный и валидированный метод обнаружения воспоминаний мог бы повысить криминалистическую способность системы уголовного правосудия определить, знает ли подозреваемый вину информацию, имеющую отношение к преступлению (Greely, 2011), или распознает ли очевидец критическое событие. элемент. Учитывая высокую диагностическую точность, наблюдаемую в некоторых исследованиях декодирования памяти на основе фМРТ (до 70–90 процентов; Rissman et al., 2010), может возникнуть соблазн сделать вывод, что эти подходы имеют судебно-медицинскую ценность для раскрытия состояний памяти человека и, возможно, также их эмпирическая история с информацией о событиях.

Тем не менее, методы обнаружения воспоминаний на основе фМРТ все еще находятся в стадии разработки, и перед определением их пригодности для использования в полевых условиях остается много серьезных проблем (Brown and Murphy, 2010; Verschuere et al., 2011). Один из наиболее важных открытых вопросов заключается в том, уязвимо ли декодирование памяти для «контрмер»: стратегий, используемых для маскировки памяти или сигналов и «превзойденных» тестов обнаружения (Farah et al., 2014). Рисман и др. (2010) сообщили о косвенных доказательствах, указывающих на уязвимость к стратегическим целевым состояниям, потому что способность обнаруживать ранее встреченные лица по новым лицам была почти случайной, когда память участников исследовалась неявно, а не явно. Однако другие данные свидетельствуют о том, что невнимание к своему мнемоническому состоянию не всегда может помешать классификации памяти. Например, Кухлеталь. (2013) смогли расшифровать детали памяти, даже если участникам не было поручено извлечь эти детали. В совокупности эти данные свидетельствуют о необходимости определить условия, при которых состояния стратегических целей изменяют паттерны нейронной памяти: в частности, могут ли участники намеренно скрывать свои состояния памяти с помощью контрмер, которые кажутся совместными? Решение этого вопроса имеет значение не только для определения граничных условий методов фМРТ для обнаружения памяти, но и для понимания динамики процессов целенаправленного поиска.

Здесь мы исследовали ситуацию, которая напоминает опознание свидетеля, и потребовали контрмер, которые могли бы оказаться совместимыми с тестом на опознание свидетеля. Участники просматривали серию лиц, и их память на эти лица затем исследовалась одним из двух способов во время фМРТ. В первом тесте участники принимали явные решения по распознаванию ранее встречавшихся и новых лиц. Во втором тесте участники пытались скрыть свои воспоминания о встречавшихся ранее лицах и симулировать воспоминания о новых лицах. Используя явные данные памяти, мы обучили классификаторы различать паттерны активности, связанные с субъективным опытом узнавания и новизны. Затем мы проверили, могут ли классификаторы декодировать состояния памяти участников, когда они применяли контрмеры.

Материалы и методы

Участники. Двадцать четыре здоровых мужчины-правши были набраны из Стэнфордского университета и окружающих его сообществ. Участники были в возрасте от 18 до 31 года, со средним SDвозрастом 23 4,29 лет, были носителями английского языка без неврологических осложнений в анамнезе и были либо афроамериканцами (AA; n=8), либо американцами европейского происхождения (EA; n=16) согласно для самоотчета. Участники дали письменное информированное согласие в соответствии с процедурами Институционального наблюдательного совета Стэнфордского университета и были проверены на совместимость с фМРТ.

Эксперимент. Эксперимент включал два сеанса сканирования, проведенных с интервалом в 24 часа, и занял около 5 часов на оба сеанса сканирования. Каждый участник получил компенсацию в размере 20 долларов США за каждый час участия. Были собраны данные от двух дополнительных участников, но они были исключены из последующего анализа из-за неадекватной или неполной работы: один был исключен, потому что d был случайным (0,08), а другой потому, что участник отказался от сканирования до завершения эксперимента.

Стимулы. Лицевые стимулы состояли из 400 цветных фотографий мужских лиц, половина из которых были AA, а половина - EA (данные по изучению влияния расы будут представлены отдельно). Лицевые стимулы были стандартизированы для нейтрального выражения лица и фонового освещения и включали только голову и шею. Стимулы предъявлялись на сером фоне с черным перекрестием центральной фиксации. Для каждого участника лицевые стимулы были разделены на две выборки с использованием стратифицированной случайной выборки по расе, чтобы назначить стимулы для представления на этапе кодирования (СТАРЫЕ элементы; 100AA, 100EA) или для использования в качестве фольги при поиске (NEWitems; 100AA, 100 EA). ).

День 1: кодирование. Участники были отсканированы при намеренном кодировании 200 мужских лиц (100 лиц AA и 100 лиц EA). Каждое лицо предъявлялось в течение 2 с с 8-секундным межстимульным интервалом (ISI), всего 10 с за попытку. Каждое лицо демонстрировалось дважды в ходе фазы кодирования: после предъявления полного набора из 200 стимулов те же лица предъявлялись снова в другом порядке. Участникам была дана сложная стратегия кодирования для запоминания стимулов, в соответствии с которой им было предложено создавать воображаемые истории с участием людей, изображенных на стимулах. Чтобы подтвердить, что участники обращали внимание на стимулы и выполняли задание, им было предложено нажимать кнопку правого указательного пальца в поле ответа после появления каждого лица. Стимулы предъявлялись в восьми прогонах, по 50 лиц за прогон. Первые четыре запуска состояли из первого предъявления учебных стимулов, а вторые четыре запуска состояли из второго предъявления учебных стимулов. В конце каждого прогона (как в день 1, так и в день 2) участникам предлагалось сделать перерыв настолько долго, насколько они хотели, прерывая перерыв нажатием кнопки. Перерывы варьировались от 10 до 55 секунд у участников.

В частности, для лиц, которые, как считалось, изучались ранее, участников просили указать «новую» реакцию и быстро переключиться на когнитивную стратегию, чтобы скрыть нейронные корреляты их узнавания: их попросили сосредоточиться на технических и / или фотографических аспектах. стимулов, на которые они ранее не обращали внимания, таких как экспозиция, освещение, края линий и т. д. Здесь было подчеркнуто, что компьютерный алгоритм был достаточно чувствителен, чтобы улавливать сигналы памяти, и что после определения того, что это изученный лицо, они должны — в меру своих возможностей — стараться не допустить воспоминаний о лице, обращая внимание на аспекты восприятия фотографий. И наоборот, для стимулов, которые воспринимались как неизученные, участников просили указывать на «старую» реакцию и использовать когнитивные стратегии для выявления нейронных коррелятов воспроизведения, т. е. вызвать в памяти известного человека, который напоминал лицо, и вновь пережить любые воспоминания, связанные с этим. с индивидуумом. Опять же было подчеркнуто, что компьютерный алгоритм достаточно чувствителен, чтобы обнаруживать сигналы новизны, поэтому они должны быстро переключаться на создание воспоминаний для лица, которое они определили как новое. Как для старых, так и для новых лиц участников просили использовать соответствующую когнитивную стратегию на протяжении всего испытания (10 с). Экспериментаторы подтвердили, что все участники поняли задание на скрытую память, прежде чем приступить к эксперименту.

Однофакторный анализ фМРТ. Статистическое параметрическое картирование (SPM8; Wellcome Department of Cognitive Neurology, Лондон, Великобритания; http://www.fil.ion.ucl.ac.uk/spm/software/spm8), выполненное в MATLAB 7.7 (R2008b; MathWorks), было используется как для предварительной обработки данных, так и для однофакторного анализа.

К данным были применены стандартные процедуры предварительной обработки. Все функциональные объемы были скорректированы по времени среза, чтобы учесть разницу во времени сбора данных между срезами, при этом средний срез по времени использовался в качестве эталона. Все функциональные объемы были скорректированы по движению и пространственно выровнены до первого объема с последующей перестройкой до среднего объема сеанса. Т2-взвешенный анатомический объем со второго дня (извлечение) был совместно зарегистрирован со средним функциональным объемом, затем Т1-взвешенный анатомический объем был совместно зарегистрирован с этим совместно зарегистрированным Т2-взвешенным объемом , а затем Т1-взвешенный объем был сегментирован на серое вещество, белое вещество и спинномозговую жидкость, с результирующими изображениями, нормализованными к шаблонам в пространстве Монреальского неврологического института (MNI). Функциональные объемы были нормализованы в стандартное пространство на основе параметров преобразования, полученных при сегментации, и пересчитаны в воксели размером 4 мм 3 . Затем все изображения были пространственно сглажены с помощью ядра Гаусса по всей ширине на полувысоте (FWHM) 8 мм.

Для всех схем классификации подсчеты испытаний были сбалансированы по классам (через случайную подвыборку) в пределах обучающих и тестовых ячеек перед классификацией, чтобы обеспечить теоретическую точность классификации нулевой гипотезы 50 процентов и площадь под кривой (AUC; см. ниже) 0,50; анализы с перемешанными метками классов подтвердили, что эффективность классификации случайностей сходилась вокруг этих уровней («нулевое распределение»). После уравновешивания данные от каждого воксела снова оценивались по z, так что средний уровень активности каждого воксела для испытаний класса A был обратным его среднему уровню активности для испытаний класса B. Для каждого анализа весь процесс классификации запускался 10 раз, чтобы получить стабильные оценки производительности (независимые анализы подтвердили, что 10 итераций было достаточно для получения стабильных оценок производительности).

Регулярная логистическая регрессия (RLR) использовалась для всех процедур классификации. Ранее Rissman et al. определили, что это предпочтительный выбор в этой парадигме классификации. (2010). В этом алгоритме реализована функция мультиклассовой логистической регрессии с использованием преобразования softmax линейных комбинаций признаков (Bishop, 2006) с дополнительным штрафом за гребень в виде гауссова перед весами признаков. Этот штрафной член обеспечивал регуляризацию L2, обеспечивая малые веса. Во время обучения классификатора алгоритм RLR изучил набор весов признаков, которые максимизировали логарифмическую вероятность данных; веса признаков были инициализированы равными нулю, а оптимизация была реализована с помощью функции минимизации сопряженного градиента Карла Расмуссена (http://www.gatsby.ucl.ac.uk/Edward/code/minimize/) с использованием градиента логарифмического правдоподобия в сочетании с штраф L2.

Штраф L2 был установлен равным половине аддитивной обратной величины указанного пользователем параметра, умноженной на квадрат нормы L2 весового вектора для каждого класса, добавленного к классам. Мы решили установить для этого бесплатного параметра фиксированное значение 10 для всех анализов, представленных в этом исследовании.

Оценка производительности классификатора. После подгонки параметров модели RLR с использованием данных обучающего набора каждый паттерн мозговой активности (т. е. испытание) из тестового набора затем вводился в модель и давал оценку вероятности того, что этот пример относится к классу A или классу B (по построению, эти сумма двух значений всегда равна единице). Эти значения вероятности были объединены во всех сгибах перекрестной проверки, а затем ранжированы. Доля истинных положительных результатов (попаданий) и доля ложных положительных результатов (FA) классификатора рассчитывались для 8 0 фиксированных порогов отсечки вдоль континуума вероятностей для создания кривых рабочих характеристик приемника (ROC). Значения AUC, связанные с этими кривыми, были рассчитаны, как описано Фосеттом (2004), и могут быть формально интерпретированы как вероятность того, что случайно выбранный член одного класса имеет меньшую оценочную вероятность принадлежности к другому классу, чем имеет случайно выбранного члена другого класса. Другими словами, AUC индексирует среднюю точность, с которой случайно выбранная пара испытаний класса A и класса B может быть отнесена к их правильному классу (0,5 — случайная производительность; 1,0 — идеальная производительность). Если целью является высокая специфичность при маркировке примеров класса А и нежелание допускать множество ложных срабатываний, можно запросить наиболее достоверные предположения классификатора. Здесь мы произвольно установили этот порог равным 10 процентам лучших предположений о классификации. Обратите внимание, что мы сообщаем о точности, а не о значениях AUC, когда сообщаем о наиболее надежных испытаниях классификаторов.

Карты важности. Для каждой схемы классификации были построены карты важности в соответствии с процедурой, описанной в предыдущих исследованиях MVPA (Johnson et al., 20{{10}}9; McDuff et al., 2{{16). }}09). Значение важности воксела обеспечивает показатель того, насколько увеличение или уменьшение его сигнала влияет на прогнозы классификатора. После обучения процедура классификации логистической регрессии дает набор значений веса, отражающих прогностическую ценность каждого воксела (с положительными значениями, указывающими, что увеличение активности обычно связано с результатом класса A, и отрицательными значениями, указывающими, что увеличение активности обычно связано с результатом класса B). Затем эти веса были умножены на средний уровень активности каждого воксела для испытаний класса A (который, из-за нашей процедуры балансировки испытаний и z-оценки, является аддитивной обратной величиной среднего уровня активности для испытаний класса B). Вокселам с положительными значениями активности и веса были присвоены положительные значения важности, вокселам с отрицательными значениями активности и веса были присвоены отрицательные значения важности, а вокселам, для которых активность и вес имели противоположные знаки, были присвоены нулевые значения важности (Johnson et al., 2009; McDuff et al., 2009). Сводные карты на уровне группы были созданы путем усреднения карт важности отдельных участников и отображены на рисунках с произвольными пороговыми значениями: трехмерные карты с пороговым значением от 0,02 до 0,5 и двухмерные карты с пороговым значением от 0,05 до 0,5 (см. рис. 4) или от 0,15 до 0,5 (см. рис. 7). И последнее замечание: хотя карты важности являются полезным инструментом для оценки того, какие воксели использовались классификатором, эти карты не следует интерпретировать как исчерпывающую оценку того, какие воксели индивидуально информативны для интересующего различия.

Прожектор анализирует. Карты важности показывают, какие воксели предоставляют диагностическую информацию классификаторам всего мозга. Однако они не показывают, могут ли данные из отдельных анатомических областей использоваться сами по себе для различения попаданий от CR. Мы провели анализ с помощью прожектора, чтобы обеспечить локальную точность декодирования (Kriegeskorte et al., 2006) по всему мозгу. Особый интерес представляло то, что области, в которых средний сигнал, зависящий от уровня кислорода в крови (ЖИРНЫЙ; одномерный) был значительно модулирован контрмерами (см. Рис. 2А), также обеспечивали точность декодирования, которая значительно отличалась от случайной. Мы выполнили критическую классификацию (явные ¡ скрытые попадания против CR) на локальных сферических масках, центрированных индивидуально на каждом вокселе в маске всего мозга (исключая воксели в моторной коре и мозжечке). Каждая сферическая маска включала любой воксель, который касался края центрального вокселя; таким образом, получившиеся сферы содержали 19 вокселей, за исключением случаев, когда сфера выходила за пределы маски всего мозга. Чтобы определить, изменялась ли точность локального декодирования в ходе испытания (как можно было бы ожидать, если бы участники сначала обращали внимание на сигналы памяти, а затем пытались скрыть такие сигналы), мы провели эти прожекторы отдельно для каждого из шести ТУ.

Мы оценили значимость в каждой из наших сфер прожектора, как и в предыдущем анализе декодирования: AUC были сначала вычислены для 1 0 итераций классификации, а затем было смоделировано нулевое распределение путем вычисления 10 дополнительных итераций классификации с использованием зашифрованных регрессоров. Мы создали t-карты на уровне группы, показывающие сферы, которые надежно отличали попадания от CR, выполнив парный t-тест среднего значения AUC каждого участника в сравнении с нескремблированным в каждом вокселе во всех 10 итерациях. Для этих карт был установлен порог p=0,05 (с поправкой) путем применения порогового значения размера кластера, полученного в результате моделирования методом Монте-Карло (Xiong et al., 1995), реализованного в программе AFNI (Automated Functional Neuro-Imaging) 3dClustSim. Плавность Монте

Моделирование Карло оценивалось отдельно для каждого участника и каждой временной точки с использованием программы AFNI 3dFWHMx на основе средних AUC, достигнутых в ходе итераций скремблированной классификации. Гладкость усреднялась по участникам и временным точкам, чтобы вычислить одно значение гладкости для каждого измерения. Пороговое значение высоты воксела p 0.01 привело к тому, что размер кластера из 22 вокселей достиг значимости на уровне кластера p {{10}}.{{15} }5 (FWE) в заданный момент времени. Чтобы скорректировать множественные сравнения в наших шести временных точках, мы применили поправку Бонферрони, вычислив порог экстента, необходимый для достижения значимости на уровне кластера p 0,0083 (или 0,05/6; FWE) в каждый момент времени или p 0,05 (FWE) в пространстве и времени. Используя этот метод, мы определили, что для достижения значимости на уровне кластера p 0,05 (FWE) в пространстве и шести временных точках требуется протяженность кластера в 29 вокселей.

Полученные результаты

Поведенческие характеристики

Явная задача памяти

Когда участники правдиво сообщали о своем мнемоническом опыте, вызванном каждым тестируемым лицом, они достигали средней частоты попаданий SD (скорость, с которой СТАРЫЕ изображения точно оценивали «старость») {{0}}.73 0. 12, а скорость FA (скорость, при которой НОВЫЕ изображения неточно оцениваются как «старые») 0,27 0,10, в результате чего среднее значение d равно 1,27 0,56. Среднее время ответа (RT) было меньше для правильных ответов (попадания, 1,74 0,60 с; CR, 2,10 0,75 с), чем для неправильных ответов (FA, 2,{{16). }},01 с, промахи: 2,33 0,81 с, t(23) 5,15, p 3,22 10 5). Ответы на попадание были быстрее, чем ответы CR (t(23) 5,44, p 1,56 10 5).

Сравнение явных и скрытых задач памяти

Среднее значение d было значительно больше в явной памяти, чем в задаче на скрытую память (t(23) 2,99, p 6,6 10 3). Не было никаких различий между задачами в среднем RT для любого результата памяти (все значения p 0,05). Однако имело место значительное взаимодействие между задачей и памятью, поскольку средняя разница в RT для попаданий и CR была больше в явной памяти, чем в задаче на скрытую память (t(23) 6,25, p=2,22 10 6). Это дифференциальное влияние памяти на RT в зависимости от задачи может быть следствием разницы в d между явными и скрытыми условиями памяти и, вероятно, является следствием двойной задачи скрытой памяти: участники должны были сначала определить были ли лица старыми или новыми, а затем быстро переключаются на стратегию сокрытия воспоминаний/новизны, одновременно меняя свои двигательные реакции.

Одномерный анализ фМРТ

Сначала мы исследовали вопрос о том, могут ли участники участвовать в стратегических контрмерах для модуляции сигналов BOLD, связанных с памятью, в испытаниях (т. е. одномерных ответов фМРТ). Для этого мы определили «эффекты успешной памяти» (попадания CR) для каждой задачи отдельно, а затем определили, где эффекты успешной памяти были общими для разных задач, а также где они модулировались задачей. Затем мы исследовали, влияет ли сила памяти на способность модулировать эффекты успеха памяти.

Общие эффекты успеха памяти

Учитывая, что участники должны были определить, было ли лицо старым или новым в обеих задачах, мы затем попытались определить, существуют ли какие-либо области, которые отличают попадания от CR в обеих задачах. Для этого мы включили замаскированные вышеперечисленные контрасты успеха запоминания (при p {{0}}.01 каждый, чтобы получить объединенный порог p 0,001). Результат этой процедуры маскирования выявил эффекты в левой IPS и левой VTC (рис. 1C).

с меньшей вероятностью продемонстрирует обратный эффект успеха памяти в левой ангионевротической энцефалопатии (r {{0}},36, p 0,04). Другими словами, их эффекты успеха памяти сохранялись, несмотря на попытки скрыть их память. Это открытие предполагает, что участникам с более сильными воспоминаниями было труднее модулировать свою активность AnG во время скрытого задания. Интересно, что ни один из кластеров гиппокампа не показал значимой связи между силой памяти и активностью (правый гиппокамп, r0.{{10}}5,p 0.82; левый гиппокамп, r0,22, p=0,29), а наклоны корреляций различались между AnG и правым гиппокампом (Williams t(21) 2,49, p=0,021) и незначительно различались для левого гиппокампа (Williams t(21) 1,62, p=0,12). . В совокупности эти результаты показывают, что участники с более сильными воспоминаниями были менее способны осуществлять целенаправленный контроль над связанной с памятью активностью в левой ангионевротической энцефалопатии, но это, по-видимому, не имело место в двустороннем гиппокампе.

Многомерный анализ фМРТ

Наш главный вопрос заключается в том, позволит ли использование когнитивных (целенаправленных) контрмерных стратегий участникам маскировать нейронные паттерны, связанные с памятью, тем самым влияя на способность многомерных методов считывать состояния их памяти для отдельных событий. Соответственно, затем мы оценили способность классификаторов MVPA декодировать состояние памяти отдельных попыток поиска путем (1) первого обучения и тестирования классификатора на данных из стандартной задачи распознавания памяти (задача явной памяти) и (2) затем оценки того, является ли это классификатор также мог декодировать память, когда участники пытались скрыть свои состояния памяти (задача скрытой памяти). Наша модель процесса предлагала три альтернативных сценария для тестирования; мы начинаем с объяснения нашей модели процесса, а затем по очереди описываем каждую гипотезу.