Visuospatial ورکنگ میموری کے دوران Posteromedial Cortex سے معلومات کے بہاؤ کی تلاش: A Magnetoencephalography Study Part 2

ڈسپلے اپریٹس اور سیٹ اپ۔ بصری محرکات کو MATLAB (ورژن R2014b) کا استعمال کرتے ہوئے پیش کیا گیا تھا اور Psychtoolbox (Brainard, 1997; Pelli, 1997; Kleiner et al., 2007) کے معمولات۔

بصری محرک وہ بیرونی معلومات ہے جو ہم اپنی آنکھوں کے ذریعے حاصل کرتے ہیں، جس کا ہماری یادداشت پر اہم اثر پڑتا ہے۔ تحقیق سے پتہ چلتا ہے کہ بصری محرک کا یادداشت پر بڑا اثر پڑتا ہے۔

سب سے پہلے، بصری محرک میموری کو برقرار رکھنے اور بازیافت کو بڑھا سکتا ہے۔ جب ہم بصری طور پر حیران کن تصویر یا تصویر دیکھتے ہیں، تو ہمارا دماغ اسے زیادہ مخصوص میموری کے طور پر محفوظ کرتا ہے، اور جب ہمیں یادداشت کو بازیافت کرنے کی ضرورت ہوتی ہے تو اسے تلاش کرنا آسان ہوتا ہے۔ اس میں وہ تصاویر شامل ہیں جو چمکدار رنگ اور منفرد شکل کی ہیں۔

دوم، بصری محرک یادداشت کی استقامت کو بھی بہتر بنا سکتا ہے۔ کچھ مطالعات سے پتہ چلتا ہے کہ ہم سادہ الفاظ یا اعداد سے زیادہ آسانی سے تصاویر یا تصاویر کو یاد رکھتے ہیں۔ لہذا، سیکھنے یا تحقیقی مواد کو ڈیزائن کرتے وقت، تصاویر کو متن کے ساتھ جوڑنے سے یادداشت کو دیرپا رہنے میں مدد ملے گی۔

آخر میں، بصری محرک ہماری تخلیقی صلاحیتوں اور تخیل کو بھی متحرک کر سکتا ہے، جو یادداشت کے لیے بہت ضروری ہے۔ جب ہم اپنے دماغوں کو بصری ان پٹ کے ساتھ جوڑتے ہیں، تو ہم نئی اور منفرد یادیں بنا سکتے ہیں جو ہمارے دماغوں میں زیادہ آسانی سے چپکی رہتی ہیں اور ہمارے تخیلات کو جنم دیتی ہیں۔

عام طور پر، بصری محرک کا یادداشت پر بڑا اثر پڑتا ہے۔ بصری طور پر حیران کن سیکھنے کا مواد بنا کر یا بصری محرک کی دوسری شکلوں کا استعمال کرکے، ہم اپنے دماغوں کو علم کو بہتر طریقے سے سیکھنے اور برقرار رکھنے میں مدد کر سکتے ہیں، اور اپنی تخلیقی صلاحیتوں اور تخیل کو متحرک کر سکتے ہیں۔ یہ دیکھا جا سکتا ہے کہ ہمیں یادداشت کو بہتر بنانے کی ضرورت ہے، اور Cistanche deserticola یادداشت کو نمایاں طور پر بہتر بنا سکتا ہے کیونکہ Cistanche deserticola ایک روایتی چینی ادویاتی مواد ہے جس کے بہت سے منفرد اثرات ہیں، جن میں سے ایک یادداشت کو بہتر بنانا ہے۔ کیما بنایا ہوا گوشت کی افادیت اس میں موجود مختلف فعال اجزاء سے آتی ہے، بشمول ایسڈ، پولی سیکرائڈز، فلیوونائڈز وغیرہ۔ یہ اجزاء مختلف طریقوں سے دماغی صحت کو فروغ دے سکتے ہیں۔

یادداشت کو بڑھانے کے لیے سپلیمنٹس جانیں پر کلک کریں۔

MEG سیشنز کے دوران، محرکات کو فیراڈے شیلڈ کے باہر واقع ایک InFocus IN5108 LCD بیک پروجیکشن سسٹم (InFocus) کے ذریعے اپنی مرضی کے مطابق ونڈو کے ذریعے پیش کیا گیا، جس میں 12 ڈگری بصری زاویہ کے ڈسپلے کی چوڑائی کے ساتھ، شرکاء کے اوپر واقع اسکرین پر۔ شرکاء نے لیٹ کر 113 سینٹی میٹر سے سکرین کو دیکھا۔

سائیکو فزیکل تجربے کے لیے، محرکات کو ڈیل اوپٹی پلیکس 9010 ڈیسک ٹاپ کمپیوٹر پر دکھایا گیا تھا جس میں AMD Radeon HD 7570 گرافکس کارڈ چلاتے ہوئے محرکات کو 60 33 سینٹی میٹر Samsung SyncMasterSA950 Full HD 3D LED مانیٹر پر کھینچا گیا تھا، جو 120Hz پر تازہ ہوا۔ تجربات ایک تاریک کمرے میں ہوئے، اور شرکاء کو 64 سینٹی میٹر کے فاصلے سے بٹھا کر اسکرین کو دیکھا گیا۔

بصری محرکات اور کام۔ سائیکو فزیکل اور ایم ای جی سیشنز کے دوران، شرکاء نے بصری ورکنگ میموری ٹاسک مکمل کیا۔ کام اور محرکات کو ایک ورکنگ میموری چیلنج ٹاسک پر مبنی بنایا جو پہلے استعمال کیا گیا تھا (کوچن ایٹ ال۔، 2010، 2011)۔

اپنے کام کے لیے، ہم نے پچھلے کام میں استعمال ہونے والی 8 تجریدی پیٹرن کی تصاویر کا استعمال کیا (تصویر 1A)۔ ہر انکوڈنگ اور بازیافت محرک ان 8 تصاویر میں سے ایک پر مشتمل ہے، 9 مقامات میں سے ایک پر (تصویر 1B)۔

ہر تصویر ایک مربع تھی، قطر میں 2.5 ڈگری بصری زاویہ، اور 9 مقامات میں سے ہر ایک کا مرکز اسکرین کے مرکز سے 4 ڈگری بصری زاویہ پر تھا۔ ایک گہرا سرمئی کراس (تصویر 1، چوڑائی 1 ڈگری دیکھیں) ہمیشہ اسکرین کے بیچ میں موجود رہتا تھا۔ تمام تصاویر اوسط بھوری رنگ کے پس منظر پر پیش کی گئیں۔

ہر آزمائش نے شکل 1C میں بیان کردہ ترتیب کی پیروی کی۔ انکوڈنگ کے دوران، چار محرکات پیش کیے گئے، ترتیب وار، اسی دورانیے کے ساتھ۔ انکوڈنگ محرکات ہمیشہ چار مختلف امیجز ہوتے تھے، چار مختلف مقامات پر، اور شریک کو تصویر کی شناخت اور مقام کے ان چار کنکشنز کو یاد رکھنے کی ضرورت تھی۔

انکوڈنگ محرکات کے بعد، متحرک سفید شور 800 ms (بحالی کی مدت) کے لیے پیش کیا گیا: شور کا نمونہ 20% کنٹراسٹ تھا، جس کا مرکز مینگرے پر تھا، 120 Hz پر اپ ڈیٹ ہوا۔

ہم نے دیکھ بھال کے دوران متحرک شور کو شامل کیا تاکہ انکوڈنگ محرکات کی وجہ سے کسی بھی بصری بعد کی تصاویر کو کم کیا جاسکے۔ بحالی کی مدت کے بعد، بازیافت کا محرک پیش کیا گیا تھا، اور شرکاء نے اشارہ کیا کہ آیا بازیافت محرک کو اس آزمائش کے لیے سیٹ انکوڈنگ محرک میں شامل کیا گیا تھا۔

ان کے جواب کے بعد (بٹن پریس کے ذریعے)، شرکاء کو فیڈ بیک موصول ہوا: فکسیشن کراس اگر درست تھا تو سبز اور غلط ہونے پر سرخ ہو گیا۔

200 ms فیڈ بیک کے بعد، فکسیشن کراس گہرے سرمئی رنگ میں واپس آ گیا، اور، 300-800 ms کے متغیر انٹر ٹرائلینٹرول کے بعد (ٹرائلز میں تصادفی طور پر مختلف)، اگلا ٹرائل شروع ہوا۔ ٹارگٹ موجود/غیر حاضر کا جواب دینے کے لیے استعمال ہونے والے بٹنوں کو ہر بلاک پر تبدیل کر دیا گیا تھا۔

شرکاء نے 72 ٹرائلز کے بلاکس میں کام مکمل کیا۔ MEG سگنلز (نیچے) کی بنیاد پر درجہ بندی کے تجزیے میں مدد کرنے کے لیے، ہر بلاک کے اندر استعمال ہونے والی محرکات کو مکمل طور پر متوازن کیا گیا تھا۔

9 مقامات پر 8 امیجز نے 72 منفرد محرکات فراہم کیے، اور ٹرائلز کے ہر بلاک کے لیے، ان 72 محرکات کو ایک بار پہلی، دوسری، تیسری اور چوتھی انکوڈنگ محرک کے طور پر استعمال کیا گیا۔

انکوڈنگ محرکات کے سیٹ اس لیے منتخب کیے گئے تھے کہ وہ ہمیشہ چار مختلف مقامات پر چار مختلف امیجز پر مشتمل ہوتے ہیں، جس میں کوئی دہرائی گئی تصاویر یا مقامات نہیں ہوتے۔ ہم نے ان ٹرائلز میں سے نصف کو پہلے سے مختص کیا، تصادفی طور پر منتخب کیا گیا، "ہدف موجود" ٹرائلز کے لیے، اور بقیہ "ٹارگٹ غیر حاضر" ٹرائلز کے لیے۔

ہر آزمائش کے لیے، ہم نے ایک بازیافت محرک کا انتخاب اس کے مطابق کیا تھا کہ آیا اسے "ٹارگٹ موجود" ٹرائل نامزد کیا گیا تھا ( بازیافت محرک انکوڈنگ محرکات میں سے ایک تھا) یا "ٹارگٹ غیر حاضر" ٹرائل (انکوڈنگ کے دوران بازیافت محرک شامل نہیں تھا)۔

انکوڈنگ محرکات کے برعکس، بازیافت کے محرک میں ضروری نہیں کہ ہر بلاک پر موجود 72 منفرد محرکات میں سے ہر ایک پر مشتمل ہو، لیکن تمام تصاویر اور مقامات کو پورے بلاک میں مساوی تعداد میں استعمال کیا گیا تھا۔

ہم نے ابتدائی سائیکو فزیکل سیشن کا استعمال دونوں شرکاء کو ٹاسک کی تربیت دینے اور کام کی مشکل کو ان کی کارکردگی کے مطابق کیلیبریٹ کرنے کے لیے کیا۔ سائیکو فزیکل سیشن کے دوران، انکوڈنگ اور بازیافت محرکات کا دورانیہ تمام آزمائشوں میں مختلف تھا۔

ہر آزمائش پر، انکوڈنگ محرک ہر ایک کا دورانیہ یکساں تھا، اور بازیافت محرک اس سے دوگنا لمبا تھا۔ ہر بلاک میں، 9 دورانیے کی ایک رینج استعمال کی گئی۔ ہر شریک نے چار ابتدائی تربیتی بلاکس مکمل کیے، جہاں انکوڈنگ کا دورانیہ 150–400 ms تھا۔

ہم نے پہلے چار ٹریننگ بلاکس پر ہر شریک کے رویے کا استعمال کرتے ہوئے دوسرے سیٹ آف ٹاسک بلاکس کے لیے دورانیے کی اس سے چھوٹی رینج کا انتخاب کیا۔ اس دورانیے کا اندازہ لگانے کے لیے چار بلاکس کے اس دوسرے سیٹ سے ڈیٹا استعمال کیا گیا جس میں ہر شریک 75% درست ٹاسک پرفارمنس تک پہنچ گیا۔ 1 شرکاء کا نمونہ ڈیٹا شکل 2A میں دکھایا گیا ہے۔

ہر شریک کے لیے، اپنے ڈیٹا کو سگمائیڈل فنکشن (Eq. 1) کے ساتھ فٹ کریں، جہاں تناسب درست (P) انکوڈنگ دورانیہ (10) کے ساتھ ایک انٹرسیپٹ پیرامیٹر کے مطابق مختلف ہوتا ہے (a، دورانیہ کی وضاحت، x، جہاں {{2} }.75)، ایک ڈھلوان پیرامیٹر (b)، اور ایک لیپس ریٹ(r)، درج ذیل کے مطابق:

ہم نے MATLAB فنکشن ٹلنگٹ کا استعمال کرتے ہوئے بہترین فٹنگ فنکشن (تصویر 2A میں سرخ دکھایا گیا ہے) پایا۔ اس سائیکو فزیکل ڈیٹا کی بنیاد پر، ہم نے اپنے ایم ای جی سیشن کے لیے ہر شریک کے لیے ایک واحد انکوڈنگ محرک دورانیہ کا انتخاب کیا، جس کا مقصد مجموعی کارکردگی؛ 75% درست ہے۔

اس ہدف کا انتخاب اس بات کو یقینی بنانے کے لیے کیا گیا تھا کہ کوئی بھی حصہ دار چھت یا فرش کے کام کی کارکردگی پر نہ ہو اور کوچن ایٹ ال (2011) کے نتائج کے بعد سے ہر ایک شریک کے لیے کام کو کافی مشکل بنا دے کہ PMC خاص طور پر بصری ورکنگ میموری چیلنجز کا مطالبہ کرنے میں ملوث ہے۔

ایم ای جی سیشن کے دوران، ہر شریک نے اس واحد انکوڈنگ محرک دورانیے کے ساتھ ٹرائلز کے 8 بلاکس مکمل کیے اور اس قدر کے دو گنا کی بازیافت محرک مدت کے ساتھ۔ ہر شریک کے لیے استعمال ہونے والے دورانیے، اور پورے MEG سیشن میں ان کی مجموعی کارکردگی، شکل 2B میں دکھائی گئی ہے۔

ایم ای جی اور ایم آر آئی اسکیننگ پروٹوکول۔ MEG ڈیٹا MacquarieUniversity میں ایک پورے ہیڈ MEG سسٹم (ماڈل PQ1160R-N2، KIT) کے ساتھ اکٹھا کیا گیا تھا جس میں 50 ملی میٹر بیس لائن کے ساتھ 160 کواکسیئل فرسٹ آرڈرگریڈیومیٹر ہوتے ہیں (Kadoet al., 1999; Uehara et al., 2003)۔

ایم ای جی پیمائش سے پہلے، پانچ مارکر کنڈلیوں کو شریک کے سر پر رکھا گیا تھا۔ کم از کم 2000 پوائنٹس کا استعمال کرتے ہوئے مارکر پوزیشنز، نیشن، بائیں اور دائیں پریوریکولر پوائنٹس، اور حصہ لینے والے کے سر کی شکل قلم ڈیجیٹائزر (Polhemus Fastrack) کے ساتھ ریکارڈ کی گئی۔

ہر شریک کا MEG ڈیٹا؛ 90 منٹ کے ایک سیشن میں 1000 ہرٹز کے نمونے لینے کی فریکوئنسی میں جمع کیا گیا۔ ہر آزمائش پر، شرکاء نے فائبر آپٹک رسپانس پیڈ (موجودہ ڈیزائن) کا استعمال کرتے ہوئے جواب دیا۔

MRI Macquarie یونیورسٹی ہسپتال میں 3TSiemens Verio سسٹم پر ہوا۔ ہم نے MP-RAGE ترتیب کا استعمال کرتے ہوئے 3D T1-وزن والی تصاویر حاصل کیں (سلائس موٹائی 1۔

ایم ای جی ڈیٹا تجزیہ: ماخذ کی تعمیر نو۔ فریسرفر 6 سے خودکار سیگمنٹیشن کے عمل۔

دماغی طوفان (neuroimage.usc.edu/brainstorm، جنوری 2019 ورژن) (Tadel et al., 2011) MEG سگنلز کو پری پروسیس کرنے اور ماخذ کی تعمیر نو کے لیے استعمال کیا گیا تھا۔ ہم نے ہر شریک کی اسپیل/گرے باؤنڈری (کورٹیکل سطح) کی بنیاد پر اناٹومک امیجز اور فری سرفر سیگمنٹیشن اور ڈیفائنڈ ہیڈ ماڈلز درآمد کیے۔

ہم نے ایم ای جی ڈیٹاسیٹس کو ایم ای جی سیشن سے ایم آر آئی کی بنیاد پر اناٹومی کو سیدھ میں لا کر ہیڈ ماڈل کے ساتھ منسلک کیا، پیشگی پوائنٹس، اور ہیڈ شیپ ڈیٹا۔ ہم نے ٹرائلز کے 8 بلاکس میں سے ہر ایک کے لیے ایک سے زیادہ اسفیئرز ماڈل (Huang et al., 1999) کو بلاک کے دوران ماپا سر کے مقام پر ان کی کارٹیکل سطح پر لاگو کرکے ایک فارورڈ ماڈل تیار کیا۔

ایم ای جی ڈیٹا کو نوچ فلٹرنگ (50,100، اور 150 ہرٹز) کے ساتھ برین اسٹورم میں پہلے سے پروسیس کیا گیا تھا، اس کے بعد بینڈ پاس فلٹرنگ (0.2–200 ہرٹز)۔ کارڈیک اور آنکھ جھپکنے والے نمونے سگنل اسپیس پروجیکشن کا استعمال کرتے ہوئے ہٹائے گئے تھے: کارڈیک اور آنکھ جھپکنے والے واقعات کی شناخت برین اسٹورم میں پہلے سے طے شدہ فلٹرز کا استعمال کرتے ہوئے کی گئی تھی، دستی طور پر تصدیق کی گئی تھی، اور پھر ان شور کے اجزاء سے مطابقت رکھنے والے بہت سے بنیادی افعال کا تخمینہ لگانے کے لیے استعمال کیا گیا تھا، جنہیں ریکارڈنگ سے ہٹا دیا گیا تھا (Uusitalo اور Ilmoniemi، 1997)۔

ان فنکشنل ڈیٹا سے، ہم نے ہر آزمائش کے لیے دو دور نکالے: (1) بیس لائن سرگرمی کا ایک پیمانہ (100 سے 1 ایم ایس فرسٹ انکوڈنگ محرک کے آغاز کے نسبت)، اور (2) پیدا شدہ ردعمل (0) -4000 ایم ایس)۔ ہم نے ہر بلاک کے لیے شور کی ہم آہنگی کا تخمینہ لگانے کے لیے بنیادی اقدامات کا استعمال کیا اور پھر سامنے آنے والے ڈیٹا پر کم از کم معیاری ماخذ کی تعمیر نو کا اطلاق کیا۔
ہر ماخذ کی تعمیر نو کے لیے، ہم نے 15،000 ورٹیکس کارٹیکل سطح کا استعمال کیا (معیاری میش، فری سرفر سیگمنٹیشن سے درآمد کردہ اٹلس معلومات کے ساتھ)۔ سورس ماڈل میں ڈوپول واقفیت کو کارٹیکل سطح پر نارمل ہونے پر مجبور کیا گیا تھا، درمیانی ایگین ویلیو کا استعمال کرتے ہوئے شور کو ریگولرائز کیا گیا تھا، اور دیگر تمام آپشنز کو ان کی ڈیفالٹ اقدار پر سیٹ کیا گیا تھا۔

ROIs ہم نے چار ROIs کی وضاحت کی: occipital cortex (OC)، centrotemporalcortex (VTC)، PMC، اور PFC، فریسرفر سیگمنٹیشن کے عمل کے دوران ہر شریک کی اناٹومی کے ساتھ منسلک اٹلس ڈیٹا پر مبنی۔ ہم نے اپنے ROIs کی وضاحت کے لیے Freesurfer سے Destrieux atlas کا استعمال کیا (دیکھیں Destrieuxet al., 2010)۔

ہمارے ROIs میں Destrieux et al سے درج ذیل پارسلیشن شامل ہیں۔ (2010، ان کا جدول 1): OC میں پورا OC شامل ہے (انڈیکس 2، 11، 19، 20، 22، 42، 44، 51، 57، 58، 59)؛ VTC میں کمتر وقتی گیری اور سلسی شامل ہیں (انڈیکس 37، 72)؛ PMC میں cingulate gyrus اور sulcus کا درمیانی پچھلا حصہ، precuneus، cingulate sulcus کی حاشیہ شاخ، اور subparietal sulcus (انڈیکس 8, 30, 46, 71) شامل تھا؛ اور PFC میں پورا PFC شامل تھا (انڈیکس 1, 5, 6، 24، 31، 62، 63، 64، 70)۔

یہ چار ROIs اعداد و شمار 3 اور 4 کے اوپری دائیں جانب لیجنڈ میں ایک غیر فلائی ہوئی کارٹیکل سطح پر دکھائے گئے ہیں۔ تمام ROIs کارٹیکل سطح کے مسلسل حصوں پر مشتمل ہیں: ان اعداد و شمار میں PMC کے دو الگ الگ حصے سلکس کے اندر شامل تھے۔ ہر ROI کے لیے، ہم نے 15،000 ذرائع کے ذیلی سیٹ سے متعلق MEG ڈیٹا نکالا جو ROI کے اندر موجود تھے اور ذیل کے تجزیوں میں ان ڈیٹاسیٹس کو استعمال کیا۔

درجہ بندی کا تجزیہ۔ ہر ROI کے لیے، ہم نے ٹرائل کی مدت میں ہر 5 ms بن کے اندر ملٹی ویریٹ پیٹرن کی درجہ بندی کے تجزیوں کا ایک سلسلہ انجام دیا۔ ہر درجہ بندی نے پوچھا کہ سنگل ٹائم بن میں سنگل ROI سے ماخذ ڈیٹا کو دو کلاسوں کے ٹرائلز کے درمیان فرق کرنے کے لیے کتنی اچھی طرح سے استعمال کیا جا سکتا ہے: مثال کے طور پر، لوکیشن 1 بمقابلہ مقام 2 پر پہلے انکوڈنگ محرک کے ساتھ ٹرائلز۔

ہم نے ہر محرک (چار انکوڈنگ محرک 1 1 بازیافت محرک) کے محل وقوع اور امیج میں امتیاز کرنے کے لیے درجہ بندی کرنے والوں (لکیری سپورٹ ویکٹر مشین) کو تربیت دی: 9 مقامات کے لیے، 36 جوڑے کے مقابلے تھے؛ اور 8 امیجز کے لیے 28 جوڑے کے مقابلے تھے۔ ان درجہ بندیوں کے لیے، ہم نے دلچسپی کے طول و عرض پر ایک ہی قدر کے ساتھ، لیکن دوسری جہت کے ساتھ مختلف قدروں کے ساتھ تمام آزمائشوں کا اوسط لے کر "سیڈو ٹرائلز" بنائے۔

سیوڈو ٹرائلز ہمیشہ ایک ہی محرک کے لیے دلچسپی کی غیر متعلقہ جہت میں متوازن رہتے تھے۔ پہلے انکوڈنگ محرک کے لیے محرک کے مقام کی درجہ بندی کرتے وقت، ہر چھدم ٹرائل اوسطاً 8 ٹرائلز تھا جہاں پہلا انکوڈنگ محرک اسی مقام پر تھا: ہر محرک امیج کا ایک ٹرائل۔ اسی طرح، محرک امیجز کی درجہ بندی کے لیے چھدم ٹرائلز اس محرک کے مقام پر متوازن تھے۔

اس بات کو یقینی بنانے کے لیے کہ ہمارے نتائج چھدم ٹرائلز کی آزمائشوں کی کسی مخصوص تفویض پر منحصر نہیں ہیں، ہم نے ہر جوڑے کی درجہ بندی کے لیے چھدم ٹرائلز کے 20 سیٹ بنائے، ہر سیٹ کے لیے ٹرائلز کی بے ترتیب تفویض کو اپ ڈیٹ کیا، اور ان میں اوسط درجہ بندی کی کارکردگی۔ ہر معاملے میں، ہم نے ڈیٹا کے 90% پر درجہ بندی کرنے والے کو تربیت دی اور گردش سے بچنے کے لیے ہولڈ آؤٹ ڈیٹا (10%) پر اس کی کارکردگی کا تجربہ کیا۔

ہم نے اس عمل کو 10 بار دہرایا (10-فولڈ کراس توثیق) تاکہ سیوڈو ٹرائلز کی ہر تقسیم کو ٹیسٹ سیٹونس میں شامل کیا جائے۔ پھر ہم نے ان میں درجہ بندی کی کارکردگی کا اوسط لگایا۔

چونکہ محرک کا دورانیہ شرکاء میں مختلف ہوتا ہے (انکوڈنگ محرک کے لیے 180–320 ms)، جب تمام شرکاء کے درمیان درجہ بندی کی درستگی کا اوسط لیا جاتا ہے، تو ہم نے سب سے پہلے ہر محرک کے آغاز پر ان کے ڈیٹا کو سیدھ میں کیا، مطلب یہ ہے کہ، اعداد و شمار 3–6 میں، وقت کے ڈبے ہیں (سایہ دار بھوری رنگ میں) جہاں اوسط میں 11 شرکاء شامل ہیں۔ ان اعداد و شمار میں، ایکس محور پر 320 ایم ایس محرک کا لیبل لگایا گیا ہے۔

شماریاتی جانچ۔ اس بات کا جائزہ لینے کے لیے کہ آیا درجہ بندی کی کارکردگی موقع سے زیادہ متعین ہے، ہم نے نان پیرامیٹرک نال ڈسٹری بیوشنز بنانے کے لیے پرمیوٹیشن ٹیسٹنگ اور بوٹسٹریپنگ کا ایک مجموعہ استعمال کیا۔

شرکت کرنے والے کے سامنے، ہم نے اصل MEG ٹرائل ڈیٹا لیا لیکن تصادفی طور پر شرکاء کے ڈیٹا کے اندر ٹرائلز میں ٹرائل لیبلز کو بدل دیا۔ اس شفل شدہ لیبل ڈیٹا کا استعمال کرتے ہوئے، ہم نے اصل ڈیٹا کے لیے وہی درجہ بندی کے تجزیے کیے، جن میں سیوڈو ٹرائلز اور 10-فولڈ کراس توثیق شامل ہیں۔

ہم نے اس عمل کو 10 بار دہرایا، تصادفی طور پر ہر وقت ٹرائل لیبل کو تبدیل کیا، جس کے نتیجے میں ہر وقت ہر درجہ بندی کے لیے موقع کی شرح کی درجہ بندی کرنے والے کی کارکردگی کے 10 تخمینے نکلے۔ چونکہ یہ عمل کمپیوٹیشنل طور پر بہت گہرا تھا، اس لیے ہم نے اس پورے عمل کو 10،000 بار نہیں دہرایا، بلکہ اس کے بجائے، ہم نے تقسیم کا مونٹی کارلو تخمینہ استعمال کیا (Efron and Tibshirani، 1994)، تصادفی طور پر ان 10 تخمینوں کے نمونے (متبادل کے ساتھ) 10 کا نمونہ تیار کرنے کے لیے،000 ہر ایک شریک کے اوسط foreach ROI کا تخمینہ۔

ہم نے یہ دوبارہ نمونہ سازی کے طریقہ کار کو ہر جوڑے کے مقابلے کے لیے الگ الگ طریقے سے انجام دیا، ہر بار نمونے پر، تاکہ ہر کیس میں اصل 10 تخمینوں کے مختلف امتزاج ہوں۔ اس کے نتیجے میں 10،000 ڈیٹاسیٹس کی تقسیم نہیں ہوئی جس کے خلاف مشاہدہ شدہ درجہ بندی کی کارکردگی کا موازنہ کرنا ہے۔ نتائج کے اعداد و شمار میں، مرکزی 95٪ کالعدم اقدار کی رینج کو سرمئی سایہ والے خطے کے ساتھ ان نتائج کے ساتھ جو وہ مطابقت رکھتے ہیں۔

ہر معاملے میں، ہم نے تمام تجزیے null ڈیٹاسیٹس پر کیے جیسا کہ اصل ڈیٹا کے لیے (مثال کے طور پر، بشمول تمام شرکاء میں اوسط) اور پھر ہر بار نمونے کے لیے الگ الگ اقدار کو ترتیب دیا؛ ان میں سے، ہم نے مرکزی 95% کی حدود کو 251ویں سے 9750ویں قدر کے طور پر بیان کیا۔

p اقدار پیدا کرنے کے لیے، ہم نے مشاہدہ شدہ قدر کا موازنہ متعلقہ null ڈسٹری بیوشن سے کیا۔ مثال کے طور پر، اس بات کا جائزہ لینے کے لیے کہ آیا درجہ بندی کی کارکردگی ایک اوپر والا موقع ہے (یک طرفہ ٹیسٹ)، ہم نے p-value کو مساوی null کے تناسب کے طور پر بیان کیا ہے جو مشاہدہ شدہ اوسط سے اوپر تھے (Maris and Oostenveld, 2007)۔

ٹائم بِنز میں متعدد موازنہوں کو درست کرنے کے لیے، ہم نے ان p اقدار پر q، 0.05 (Benjamini and Hochberg, 1995) کی غلط دریافت کی شرح (FDR) کی اصلاح کا اطلاق کیا۔ null ڈسٹری بیوشن پر مبنی نان پیرامیٹرک ٹیسٹوں کے علاوہ، ہم نے aBayes فیکٹر (BF) تجزیہ کا استعمال کیا: روایتی فریکوئنٹیسٹ اپروچ (Kass and Raftery, 1995; Morey and Wagenmakers, 2014) کا ایک متبادل جو MEG ڈی کوڈنگ اسٹڈیز (Teichmannet) پر تیزی سے لاگو ہو رہا ہے۔ al.، 2021)۔

ایک BF مسابقتی مفروضوں کے ثبوت کا موازنہ کرتا ہے؛ یہاں ہم رپورٹ کرتے ہیں کہ متبادل مفروضے کے حق میں اعتدال پسند (BF. 3) یا مضبوط (BF. 10) ثبوت، یا کم از کم اعتدال پسند (BF، 1/3) ثبوت کے حق میں کالعدم مفروضے کا۔ ہم نے MATLAB پیکیج (Krekelberg, 2021) کا استعمال کرتے ہوئے تمام BF تجزیوں کو لاگو کیا۔

معلومات کے بہاؤ کا تجزیہ (IFA)۔ 9 مقامات (36 جوڑوں) اور 8 امیجز (28 جوڑوں) میں سے ہر ایک کی جوڑی کے لحاظ سے درجہ بندی سے، ہر 5 محرکات (4 انکوڈنگ محرکات اور بازیافت محرک) کے لیے، ہمارے پاس وقت کے ساتھ ساتھ درجہ بندی کی درستگی تھی (36 1 28) 5=320 درجہ بندی۔ 5 الگ الگ عہدوں کے اندر، ہر محرک کی پیشکش سے لے کر اگلے محرک کی ابتدائی پیشکش تک (یا، بازیافت محرک کی صورت میں، آزمائشی اعداد و شمار کے اختتام تک) کے وقت کے مطابق، ہم نے حالیہ محرک سے 64 درجہ بندی کی درستگی کی اقدار کا استعمال کیا۔ ہر وقت بِن میں ایک تفاوت میٹرکس (DSM) کے طور پر۔

ہم نے ان DSMs کو ROIs کے ہر جوڑے کے درمیان گرینجر کازل تعلقات کی جانچ کرنے کے لیے استعمال کیا (IFA؛ اس اور اسی طرح کے تجزیوں کے لیے، دیکھیں Ince et al. 2019)۔

ROI A کو سیکنڈ ROI (B) میں درجہ بندی کی کارکردگی کے پیٹرن کو "Granger cause" کہا جاتا ہے اگر پہلے ROI کے ماضی کو دوسرے ROI کی مستقبل کی کارکردگی کا اندازہ صرف دوسرے ROI کے ماضی سے بہتر کرنے کے لیے کیا جا سکتا ہے۔ ROI A سے ROI B(IFA.B) تک معلومات کے بہاؤ (IF) کی وضاحت کرنے کے لیے جزوی ارتباط (Spearman's r) inequation 2 کا استعمال کرتے ہوئے، Granger causality کے ایک آسان (خصوصی کیس) کا سلائیڈنگ ونڈو تجزیہ کیا۔ (t)

جہاں DSM(loc,t) DSM ہے جو محرک شروع ہونے کے بعد ROI loc میں موجود ذرائع پر مبنی ہے، اور DSM(loc,t,d,w) ROI loc کے ذرائع پر مبنی DSM ہے، جس کا اوسط ہر وقت کے ڈبوں میں ہوتا ہے۔ محرک کے آغاز کے بعد td ms سے t-(d 1 w) ms تک۔ ہم نے 30 اوور لیپنگ ونڈوز کے لیے FF اور FB کا حساب لگایا: 5 ونڈو چوڑائیوں کے لیے (w= 10, 20, 30, 40, یا 50 ms) ہر 6 تاخیر کے لیے (d=50, 60, 70, 80) ، 90، یا 100)۔ جیسا کہ پچھلے کام (Goddard et al., 2022) میں، چونکہ نتائج w اور d کی قدروں میں وسیع پیمانے پر ایک جیسے تھے، W اور d کی تمام اقدار میں اوسط IFA.B کی قدریں تھیں۔

IFA.B اور IFB کی اطلاع دینے کے علاوہ۔ ROIs کے ہر ایک جوڑے کے لیے، ان کے درمیان فرق کو درج کرنا تھا، جیسا کہ مساوات 3 میں دکھایا گیا ہے، اس وقت کا اندازہ لگانے کے لیے کہ ROI A اور ROI B کے درمیان معلومات کا بہاؤ ایک سمت سے دوسری طرف غالب ہے۔

اس بات کا اندازہ لگانے کے لیے کہ آیا ہر معلومات کا بہاؤ نمایاں طور پر تھا۔{0}}، اور آیا ہر فرق صفر سے نمایاں طور پر مختلف تھا، ہر 10 پر معلومات کے بہاؤ کے تجزیوں کو دہرایا گیا،000 ٹرائل لیبلز کو شفل کرنے سے تیار کردہ ڈیٹاسیٹس (اوپر بیان کیا گیا) .

ROIs کے ہر ایک جوڑے کے لیے، اس نے معلومات کے بہاؤ (IF) اور اختلافات (Diff) کی ناکارہ تقسیم پیدا کی جس کے خلاف مشاہدہ شدہ اقدار کا موازنہ کرنا ہے۔ ہم نے ان کا استعمال کالعدم تقسیم کے مرکزی 95٪ کی وضاحت کرنے کے لیے کیا ہے، جیسا کہ درجہ بندی کی کارکردگی کے لیے اوپر بیان کیا گیا ہے۔ اسی طرح، ہم نے بھی ان null ڈسٹری بیوشنز سے p اقدار حاصل کیں: IF کے لیے، ہم نے پوچھا کہ آیا مشاہدہ شدہ قدر null سے زیادہ تھی (یک طرفہ ٹیسٹ، جیسا کہ اوپر)؛ اور Diff کے لیے، ہم نے پوچھا کہ کیا مشاہداتی فرق کی مطلق قدر طول و عرض میں null distribution کی مطلق قدر سے زیادہ تھی، p-value کو مشاہدہ (دو رخا ٹیسٹ) سے زیادہ مطلق قدر کے ساتھ null اقدار کے تناسب کے طور پر بیان کیا گیا ہے۔

پہلے کی طرح، ہم نے ان p اقدار پر q، 0.05 کی FDR تصحیح کا اطلاق کیا تاکہ ٹائم پوائنٹس میں متعدد موازنہوں کو درست کیا جا سکے۔ ان تجزیوں کی تکمیل کے لیے، ہم نے مشاہدہ شدہ اثرات کی نسبتہ طاقت کے اشاریہ کے طور پر BF تجزیہ کیا۔

For more information:1950477648nn@gmail.com