Наилучшим способом устранения артефактов вызываемых экспериментатором: Наилучшим способом устранения артефактов вызываемых экспериментатором. Артефакты и их контроль

Содержание

Наилучшим способом устранения артефактов вызываемых экспериментатором

Артефакты в эксперименте и источники их возникновения

Артефакт (лат. arte factum — сделанный искусственно) — результат исследования, являющийся следствием изменения зависимой переменной под влиянием побочных переменных. Артефакт есть следствие ошибок или недостаточного контроля условий проведения исследования.

Если рандомизация проведена качественно, то этот план является наилучшим, позволяет контролировать большинство источников артефактов; кроме того, для него применимы различные варианты дисперсионного анализа.

Можно перечислить и другие источники артефактов — внешние переменные, которые не контролируются этим планом.

Перечислим основные артефакты, которые возникают в ходе применения корреляционного плана:

1. Эффект последовательности — предшествующее выполнение одного теста может повлиять на результат выполнения другого (симметричный или асимметричный перенос).

2. Эффект научения — при выполнении серии различных тестовых испытаний у участника эксперимента может повышаться компетентность в тестировании.

3. Эффекты фоновых воздействий и «естественного» развития приводят к неконтролируемой динамике состояния испытуемого в ходе исследования.

Само участие в эксперименте порождает у испытуемых ряд поведенческих проявлений, которые являются причинами артефактов. Среди наиболее известных — «эффект плацебо», «эффект Хотторна», «эффект аудитории».

Исследователь, заинтересованный в подтверждении теории, действует непроизвольно так, чтобы она была подтверждена. Можно контролировать данный эффект. Для этого следует привлекать к проведению исследования экспериментаторов-ассистентов, не знающих его целей и гипотез. Полноценный контроль — перепроверка результатов другими исследователями, критически относящимися к гипотезе автора эксперимента. Однако и в этом случае мы не гарантированы от артефактов — контролеры такие же грешные люди, как и автор эксперимента.

Задача исследователя состоит в том, чтобы выяснить, какая из составляющих послужила причиной наблюдаемого поведения.

Если фиксация и анализ поведения являются прерогативой каузального подхода, то исследование продуктов деятельности есть прерогатива подхода телеологического. Действительно, используя телеологический подход в психологическом исследовании в качестве конечной точки процесса, берем результат активности человека — испытуемого, а затем пытаемся интерпретировать результат с точки зрения тех внутренних психических причин (намерений, планов, мотивов, целей, способностей испытуемого), которые потенциально могут влиять на поведение и, следовательно, на особенности результата.

Очевидно, что даже в случае сотрудничества испытуемого и экспериментатора теоретически возможно появление неосознанных результатов деятельности испытуемого. То же относится к деятельности исследователя по контролю за экспериментальными переменными.

Таким образом, источником артефактов в психологическом эксперименте могут быть как среда, так и испытуемый (и экспериментатор как фоновая часть среды).

Кроме того, источником артефактов может быть и неадекватность используемой психологической теории экспериментальной процедуре: исследователь может просмотреть, не учесть психические переменные, влияющие на поведение системы (человека).

Ряд побочных эффектов психолог может не заметить (просмотреть факты) из-за неполного учета изменений в среде, которые произвел испытуемый.

http://scicenter.online/eksperimentalnaya-psihologiya-scicenter/artefaktyi-eksperimente-istochniki-132061.html

Артефакты в эксперименте и источники их возникновения

Перечислим основные артефакты, которые возникают в ходе применения корреляционного плана:

http://scicenter.online/eksperimentalnaya-psihologiya-scicenter/artefaktyi-eksperimente-istochniki-132061.html

Артефакты в экспериментальном исследовании;

Идеальный и реальный эксперимент

Артефакт – это феномен или эффект привнесенный в эксперимент извне. К числу переменных, изменение которых может привести к появлению артефактов в эксперименте, относятся особенности личности, как испытуемого, так и экспериментатора. Среди наиболее известных эффектов, проявляемых в поведении испытуемых при получении информации об участии в эксперименте, обычно выделяют следующие.

Эффект «плацебо» (самовнушение) проявляется в стремлении испытуемого выдать желаемое за действительного.

Эффект Хоторна проявляется в стремлении испытуемого вести себя в соответствии с ожиданиями экспериментатора или в соответствии с исходной гипотезой, принятой экспериментатором и известный испытуемому.

Эффект Зайонца проявляется в том, что поведение испытуемого и его эффективность (повышение или снижение эффективности) зависят от наличия самого факта, присутствия других людей, в том числе и экспериментатора.

Эффект первого впечатления – это действие личностного восприятия, не относящегося к эксперименту. Среди особенностей личности экспериментатора можно выделить: пол, возраст, уровень культуры, социальный статус, уровень интеллекта, уровень тревожности и т.д. Все это может оказывать влияние на результаты эксперимента.

Для устранения или, по крайней мере, уменьшения влияния данных эффектов на результаты исследования могут применяться при организации и проведении эксперимента следующие приемы.

Метод обманазаключается вцеленаправленном введении испытуемых в заблуждение относительно цели, задач, гипотезы исследования, либо они просто скрываются. Данный метод критикуется со стороны психологов гуманистического направления, поскольку в данном методе наблюдается манипулирование сознанием испытуемого.

Метод скрытого эксперимента. Часто применяется в полевых исследованиях при реализации естественного эксперимента. Испытуемый вообще может не подозревать о своем участии в эксперименте.

Необходимо помнить, что абсолютного метода нет. Все они хороши или плохи в зависимости от конкретной ситуации.

Л. Бергер приводит типичные ошибки экспериментатора при оценке результатов деятельности испытуемых.

1. Занижение очень высоких результатов (стремление подсознательно «привязать» данные испытуемого к собственным достижениям).

2. Избегание крайних оценок.

3. Завышение значимости одного свойства испытуемого или одного задания из всей серии по отношению к остальным свойствам или заданиям серий.

4. Особое значение придается заданию, следующему после выделения существенной для экспериментатора личностной черты испытуемого.

5. Ошибки, обусловленные влиянием событий эмоционально связанных с конкретным испытанием.

http://studopedia.su/10_117803_artefakti-v-eksperimentalnom-issledovanii.html

Комментариев пока нет!

Взаимоотношения между переменными в эксперименте

Переменную, которую изменяет экспериментатор называют

+: зависимой

Гипотетическая переменная, которая не поддается измерению в исследовании, но в модели связи между переменными характеризует неучтенные влияния, воздействующие на измеряемую переменную — это

+: латентная переменная

Любая реальность, которая может изменяться и это изменение фиксируется и измеряется в ходе эксперимента называется

+: зависимая переменная

Независимая переменная всегда вводится

+: в экспериментальную группу

В гипотезе, согласно которой «все крысы, выращенные в полной изоляции, будут не так быстро научаться проходить лабиринт, как крысы, выращенные в нормальной среде», независимую переменную составляет

+: лабиринт

Контроль переменных

Распределение эквивалентных пар случайным образом — это

+: рандомизация

Исключение внешних переменных в условиях лабораторного эксперимента — это

+: элиминация

Создание постоянных условий и стандартность проведения эксперимента по месту и времени — это

+: создание константных условий

Создание контрольной выборки, находящейся в таких же условиях, что и экспериментальная — это

+: балансировка

Последовательное применение нескольких серий эксперимента — это

+: двойной слепой метод

Исключения индивидуального влияния испытуемых на ход эксперимента в следствии их случайного распределения по режимам исследования — это

+: рандомизация

Наилучшим способом подбора контрольной группы, эквивалентной экспериментальной является

+: использование близнецов, один из которых попадает в экспериментальную группу, а другой в контрольную

Наилучшим способом устранения артефактов, вызываемых экспериментатором является:

+: незнание экспериментатором, кто из испытуемых принадлежит к контрольной, а кто к экспериментальной группе, а также незнание гипотезы исследования

К функциям контроля экспериментатора в ходе проведения эксперимента не отностися

+: сравнение результатов

Психолог, который ввёл понятие «эффект Пигмамона» — это

+: Р. Розеталь

Психолог, который разделил всех испытуемых на позитивно настроенных, негативно настроенных и доверчивых

+: Н. Метлин

Техника рандомизации заключается в том,что

+: всем представителям совокупности присваивается индекс, а затем производится случайный отбор в группу

Для результатов эксперимента порядок предъявления стимулов имеет

+: существенное значение

Неравномерное выбывание испытуемых из сравниваемых групп, приводящее к неэквалентности групп по составу — это

+: экспериментальный отсев

Эффект тестирования — это

+: влияние предварительного исследования

Время от момента предъявления до выбора ответа называется

+: латентность

В случае,если эксперимент включает в себя несколько серий, применяют

+: контрбалансировку

При применении этого метода возникаютэтические проблемы и многие социальные психологи гуманистической ориентации считают его неприемлемым

+: метод обмана

#### — это совместная деятельность испытуемого и экспериментатора, которая организуется экспериментатором и направлена на исследование особенностей психики испытуемых:

+: психологический эксперимент

Эффектом Розенталя называют искажение результатов, вызываемое тем, что отношение экспериментатора может передаваться ####

+: испытуем#####

При графическом представлении результатов изменения #### переменной всегда откладывают по оси абсцисс

+: зависим###

К факторам, не влияющим на внутреннюю валидность эксперимента относится

+: взаимная интерференция экспериментальных воздействий

К факторам , влияющим на внешнюю валидность эксперимента относится

+: условия организации эксперимента, вызывающие реакцию испытуемых на эксперимент

Основы планирования эксперимента

Мысленный и реальный эксперимент

Эксперимент наиболее приближенный к теории (гипотезе), мерой этого приблежения является операционная валидность — это

+: эксперимент полного соответствия

Эксперимент, мерой приближения к реальности которого является внутренняя валидность, исследование в реальных условиях — это

+: реальный эксперимент

Экспериментальное воспроизведение реальной ситуации, где мерой приближения к реальности является внешняя валидность — это

+: реальный эксперимент

Мера соответствия сконструированного или применяемого метода его предназначенности — это

+: валидность

Процесс и свойства объекта, не присущие ему в норме, но возникающие в ходе исследования или под воздействием экспериментальной ситуации или исследователя — это

+: артефакт

К основным требованиям к эксперименту относится

+: репрезентативность

Людей, участвующих в эксперименте Г. Е. Журавлев относит к следующему плану описания эксперимента

+: физический

Критический эксперимент проводится для

+: одновременной проверки всех возможных гипотез

По В.Н. Дружинину валидность бывает

+: содержательная

По В.Н. Дружинину к видам валидности не относится

+: абсолютная

Виды валидности по В.Н. Дружинину

+: прогностическая, очевидная, конструктивная

Понятие «идеальный эксперимент» в употребление ввел

+: Д. Кемпбелл

Идеальный эксперимент предполагает

+: изменение экспериментатором только независимой переменной

Критерий оценки исследования с точки зрения решения проблем соответствия сформулированных в гипотезе переменных и реализованных методически условий тем, на которые осуществляется обобщение полученных результатов – это

+: валидность внешняя

A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants

Рисунок 8 показывает образец ЭЭГ и ускорения от Imus временном окне 16 сек записанного во время взаимодействия между субъектом и экспериментатора. Данные ЭЭГ вновь попробовать в 100 Гц, а затем полосовой фильтрации [1-40 Гц] с помощью 3-го порядка, нулевой фазы фильтра Баттерворта. Каналы со значениями импеданса (высокий Z> 60 кОм), и периферийных каналов, были отброшены ^12,15. Imus записал девять сигналов на 128 Гц: магнитный поток, угловую скорость и линейное ускорение в трех декартовых осей. Здесь мы показываем величину гравитационного компенсацией (GC) ускорения. Эффект ускорения силы тяжести был компенсирован путем применения фильтра Калмана для прогнозирования ориентацию ИДУ в глобальной системе координат ^16. Данные сегментирован путем визуального осмотра видеозаписей (Шаг 7.1). Вертикальные сплошные линии начало поведения интерес, так как вертикальная пунктирная линии представляют окончание мероприятия.

на рисунке 8 вокруг 709s. Безусловная подход к сбору данных в этом протоколе делает данные ЭЭГ, восприимчивых к глаз мигает, движений глаз, движения и электромиографических артефактов. Данные были предварительно обработаны с помощью ^3-й порядок нуль-фазовым Баттерворта полосовой фильтр, чтобы ограничить его в дельта-диапазоне (1-4Hz), и стандартизировали путем вычитания среднего и деления на стандартное отклонение. Артефакты большой амплитуды были удалены автоматически с помощью метода ¹⁷ Артефакт Сабспейс удаления (ASR). Кроме того, периферийные каналы исключены из анализа данных в целях минимизации загрязнения миоэлектрический артефакт. Лобной и височной мышечные сокращения сливаются с сигналом ЭЭГ наиболее заметно в периферийных местах: сокращение лобной появляется в местах передних и височная сокращение проявляется в боковой лобной и TEMPORаль места ^15.

Для осмотра характер данных, собранных с этим протоколом, гистограммы данных ЭЭГ были нанесены на рисунке 9. На рисунке 9А, она описывает распределение данных в унифицированный сигнал от трех пространственно представительных электродов. Данные ЭЭГ мультимодального распределения для анализируемых поведения. В фиг.9В значения эксцесс представлены как гистограммы для облегчения визуального осмотра данных.

Классификация была выполнена путем извлечения на основе времени отставания каждого канала ЭЭГ, снижение размерности, сохраняя местный разброс каждого класса (Местное дискриминантный анализ Фишера (LFDA)) ^18, и обучение / тестирование модель сокращенного набора функций (гауссовой смеси Модели (ГММ)) ^19. Образцы Обучение / тестирования были случайным образом отобранная в течение 20 итераций (т.е. кросс-валидации), чтобы предотвратить любую овer-fitting.Training/testing~~V размер выборки варьируется учитывая количество отклоненных каналов (т.е. сопротивление больше, чем 60 кГц), длина эксперимента сессии, и количество испытаний и поведения выражены. Тем не менее, ряд учебных и испытательных образцов, используемых для каждого класса (поведения) соответствуют 50% наименее населенной класса. В качестве примера, тестирование комплект размер каждого класса N = 1069 Образцы для данных младенческой показанных на рисунке 10. Все предварительной обработки и классификации шаги были рассчитаны в соответствии с программной среде MATLAB.

Рисунок 11 изображает всю процедуру для источника оценке ЭЭГ в ходе данного исследования в шаг за шагом образом. Подробнее о каждом шаге также приведены в разделе 8.

На рисунке 12 показаны результаты события, связанного (де) синхронизация (ERD / ERS) в му ритма (5-9 Гц) и дипольных источников во время «Reach предложение1; задача. ERS и ДВС рассчитывали как процент от уменьшения или увеличения в мощности частотно-группа, которая происходит во время события (достижения и задачи предложения) интервал по сравнению с контрольной интервале (сегмент приняты до начала мероприятия). На этом же рисунке тяжести компенсацией величину ускорения, полученную во время задания с обеих запястьях ребенка и актера. Для дипольного анализа сигналов ЭЭГ в разложены с помощью независимого анализа (ICA) компонента для устранения фонового шума. Оценка источником была выполнена в мю ритма после предварительной обработки с помощью МКА алгоритм фиксированной MUSIC ^5. Как и ожидалось, источники были локализованы на правой части первичной моторной то время как тема, используя левую руку, чтобы схватить предмет.

actiCAP ЭЭГ захвата-64 электродов *

наименование товара	Компания	Количество
BrainAmp усилитель	Мозговые Продукты, GmbH	2
Мозговые Продукты, GmbH	10
actiCAP Блок управления	Мозговые Продукты, GmbH	1
Программное обеспечение мозга Видение записи	Мозговые Продукты, GmbH	1
Программное обеспечение actiCAP Блок управления	Мозговые Продукты, GmbH	1
CapTrak	Мозговые Продукты, GmbH	1
Программное обеспечение CapTrak	Мозговые Продукты, GmbH	1
Опал монитор движение	APDM, Inc	6
Опал док-станция	APDM, Inc	6
Опал беспроводная точка доступа	APDM, Inc	1
Программное обеспечение движения Студия	APDM, Inc	1
Триггера окно	Обычай	1
Видеокамера	HC-W850M, Panasonic Co.	1
* Крышки ЭЭГ приходят в следующих размерах головы окружности для детей: 42, 44, 46, 48, 50 см. Для этого протокола, запас 2 шапки каждого размера рекомендуется.

Таблица 1 Оборудование.

Рисунок 1. диаграммы расхода. Схема (А) Расход настройки эксперимента. (Б) блок-схема сбора данных сессии. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Рисунок 2. Тема сПуск в эксплуатацию и готов для сбора данных. (А) Фронтальный вид предмета носить шапку ЭЭГ, и четыре Imus. (Б) Топографическая представление 64 канала ЭЭГ крышкой, используя стандартную систему электродов позиционирования 10-20. Пожалуйста, нажмите здесь, чтобы посмотреть крупная версия этой фигуры.

Рисунок 3. Сбор данных оборудования и тестирование номере. (А) установки Оборудование для сбора данных: блок управления ЭЭГ (1), ЭЭГ колпачок (2), триггер (3), беспроводной ИДУ приемник данных (4), усилители ЭЭГ (5), коробка игрушки (6), триггер кнопка (7), ноутбуки сбора данных (8), док-станция Imus (9). (Б) Крупным планом ЭЭГ шапки, активных электродов и блока управления. (С) Крупным планом Imus и беспроводной приемник, trigge г кнопочные, усилители ЭЭГ и сбора данных ноутбуков. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Рисунок 4. Схематическое представление экспериментальных условиях. Держатель блока управления ЭЭГ (10). Хранитель субъекта сидит на стуле (11), экспериментатор сидит на стуле (14) и человек мониторинга данные сидит на стуле (17). Остальная часть экспериментальной установки показана:. Взаимодействие настольные (12), курок (13), Toy Box (15), стол для сбора данных (16), размещение видео камеры (18) Пожалуйста, нажмите здесь, чтобы посмотреть увеличенную версию этого фигура.

«SRC =» / файлы / ftp_upload / 53406 / 53406fig5.jpg «/>
Рисунок 5. Скриншот программного обеспечения управления ЭЭГ. Стрелки указывают на ключевых иконок в программное обеспечение, описанные в шаге 6.1 и 6.8. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Рисунок 6. Скриншот программное обеспечение для записи ЭЭГ. Стрелки указывают на ключевых иконок в программное обеспечение, описанные в шаге 6.2 и 6.3. Раздел живого потокового исходных данных показано. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

ПГ «/>
Рисунок 7. Скриншот программного обеспечения Imus. Красные коробки выделить ключевые иконки в программное обеспечение, описанные в шаге 6.4. (А) Основная окно командной строки. (Б) окно Конфигурация. Окно (С) Запись. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Рисунок 8. Пример данных от представителя экспериментальной сессии. (A) ЭЭГ и ускорения данные приведены, как полосовой фильтрации [1-40Hz]. Электроды ЭЭГ с низким сопротивлением (Z <60 кОм) на протяжении всей сессии отображаются. Твердые вертикальные линии показывают поведение начало (B) Стоп-кадр представления ребенка занимается поведения проанализированы:. Соблюдайте, Reach-хватка, Reach-предложение, Imitaте, исследовать, Отдых. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Рисунок 9. Примеры гистограммы амплитуды ЭЭГ в течение шести поведения определенных. А) Данные, представленные соответствует исходным данным из трех электродов (CP2, FC5, поз), записанных в сессии с 20-месячного ребенка. Гистограммы масштабируются до самого высокого числа появлений и эксцесс каждой гистограммы показан справа от каждого участка. Обратите внимание на мультимодальных распределение для большинства из поведения. В) эксцесс выборочных данных для каждого поведения. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Рисунок 10. ЭЭГ прогнозирует поведенческие действия в свободно ведут себя детей ^12. Образец путаница матрица для точности классификации для 20-месячного ребенка показана. Общая точность декодирования отображается на нижнем правом углу. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Рисунок 11. Источник Локализация. Шаги, необходимые для локализации источника младенец диполя с использованием анатомического МРТ и функциональную данные ЭЭГ. Пожалуйста, нажмите здесь, чтобы посмотреть увеличенное рисЮр.

within-page=»always»>
Рисунок 12. Предел предложение Анализ профиля задачей. А) Снимки младенца, выполняющего «Reach-предложение» задача. В) Среднее глобальное поле Мощность ЭЭГ в диапазоне Му (5-9 Гц), движение конечностей траекторий ребенка и актер; великий среднем мероприятий, связанных с спектральный возмущение со всех каналов. С) Локализованные дипольных источников для двух событий «Движение начала» и «движение» Завершение. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Recording and Modulation of Epileptiform Activity in Rodent Brain Slices Coupled to Microelectrode Arrays

МЭС являются бесценным инструментом для исследования нейрофизиологии и достигли зрелости в последние годы благодаря десятилетий разведки и разработки. По сравнению с обычными поле потенциальных запись, МЭС предлагают большое преимущество большее число наблюдательных пунктов и известных межэлектродный расстояния, которые имеют решающее значение для точно определить нейронной сети взаимодействия.

Техника записи МПС также может использоваться в сочетании с другими подходами электрофизиологии, такие как патч зажим запись¹⁵, расследовать связи между одного нейрона и нейрональных сетевой активности. Кроме того возможность визуализации поля потенциалов и многоквартирных деятельности одновременно может предоставить ценные проницательности в корреляции между деятельностью малых нейрональных ансамблях и коллективных нейрональных сетей. В сочетании с напряжения чувствительных красители, кальция изображений и Оптогенетика²⁹ позволяет выведение нейрофизиологии явлений с использованием многогранных подходов. В дополнение к фармакологические исследования, возможность выполнения записи и стимуляции с той же системой делает техника записи МПС очень мощный и универсальный: например, это возможно для изучения явления синаптической пластичности в ядро памяти формирования³⁰, используя протоколы neuromodulation, представленные здесь, которые имеют отношение к DBS для лечения эпилепсии и широкий спектр расстройств мозга. Последние доказательство, что техника записи МПС успешно применяться к мозг человека эпилептических ткани¹⁶ демонстрирует свою неоценимую полезность исследований эпилепсии, как понять основные механизмы, лежащие в основе этой разрушительной болезни и корректировать DBS алгоритмы для улучшения его.

Однако, МЭС силу преследования электрофизиологии экспериментов в условиях «ограничить» для мозга фрагментов, из-за требования о подводной записи камеры и необходимость дать мозга slice отдых на твердом субстрате где микро электроды были интегрированы. Таким образом мозговой ткани не могут получить адекватные кислородом, который в свою очередь может повлиять на качество записи.

Протокол, описанные здесь позволяет надежно регистрировать и изучать ictogenesis грызунов лимбической сетей, в сочетании с МПС, с использованием модели острого в пробирке 4AP и добиваться длительной эпохи электрической стимуляции, которые предоставляют соответствующую информацию для оценки DBS политики.

Предыдущие исследования электрических neuromodulation эпилептические лимбической сетей, основанных на использовании обычных области потенциальных записи использовали срезы мозга мыши или крысы с аналогичные результаты²⁴^,²⁵; Однако использование ткани мозга крысы оказалось более сложным, разумно из-за слабых подключения по сравнению с ткани мозга, полученных от мышей⁷. Что касается МЭС технику срезы мозга мыши лучше подходят в силу их меньшего размера. Кроме того учитывая уровень возникновения приступ подобных сбросов в мыши против ткани мозга крыс, это возможно для тестирования значительно больше срезы мозга один экспериментальный день, который в свою очередь делает сбор данных быстрее и эффективнее, и может уменьшить количество животных, используемых.

Значение в отношении существующих методов:

Приступ сбросов, записанные с помощью пользовательских палата описанные здесь, по-видимому, аналогичные продолжительность и скорость вхождения для тех, кто замечен с использованием обычных МПС кольцо камеры и тот же тип МПС (Вселенский микро электроды, см. ¹⁷). Однако необходимо подчеркнуть, что мозг толшины должны быть значительно сокращены при использовании обычных круглых запись камеры вместе с низкой перфузии курс (1 мл/мин), которые могут препятствовать успешной реализации neuromodulation экспериментов из-за плохой связи.

В настоящем Протоколе низким объемом настраиваемую запись камеры Вдохновленный патч зажим запись камеры дизайн обеспечивает стабильные и надежные ламинарного потока, который имеет решающее значение для успешного осуществления МПС записей; Она также позволяет, увеличения толшины мозга до 400 мкм для достижения справедливой компромисс между жизнеспособность тканей и внутренние соединения. Это действительно признается что ламинарный поток записи решения внутри камеры крайне желательно для электрофизиологии срез мозга, так как он не зависит от температуры, кислорода, и рН градиенты, которые наблюдаются в циркуляре потока раунд записи палат¹⁹^,²⁰^,³¹ (например, поставляемые с коммерчески доступных МПС). Такие градиенты внедрение экспериментальной предвзятости и также наносят ущерб срез мозга. Запись камеры относительно небольшого объема (~1.5 мл) наряду с¹⁶^,высокой перфузии в курс (5-6 мл/мин)³¹ позволяют для надлежащего обмена перфузии среды (≥3 раз / мин). Пользовательские камеры могут быть легко получены из коммерческих источников по доступной цене или произведены собственными силами с использованием технологии 3D печати. Другие исследования сообщили МПС записи из 400 µm толщиной человеческий мозг фрагменты¹⁶ с помощью обычных МПС кольцо камеры, при этом объем фаго по 1 мл и соблюдения высоких перфузии ставка (5-6 мл/мин) с помощью Перистальтический насос малошумящих. Однако авторы использовали различные модели ictogenesis, то есть, низкий мг^{2 +}, который, вероятно, менее влиянием чем модель 4AP ephaptic механизмов с участием значительное увеличение внеклеточной концентрации K⁺¹¹^,²². Мы обнаружили, что высокая перфузии ставка не является желательным в 4AP модели, возможно из-за быстрого промывают накопленной внеклеточного K⁺, которое может необходимо значительно увеличить в записи фаго¹⁶. В самом деле противоречивых событий появились более «фрагментированное» когда ASCF перфузии скорость была увеличена до 2-3 мл/мин и срез мозга был погружен толстым слоем фаго, тогда как полномасштабный сбросов, экспонируется надежные тонизирующий клонические компоненты могут быть восстановлены по возвращении в более низкий уровень перфузии (1 мл/мин) и тоньше фаго слой право на уровне поверхности ткани (данные не показаны). Пользовательские записи камеры, указанных в настоящем Протоколе позволяет обмениваться перфузии среды 3 — 5 раз / мин со скоростью потока 1 мл/мин. Таким образом общая кислорода в мозг ломтики сильно улучшается даже при относительно низких перфузии цены, гарантируя стабильный записи температуры и высокое соотношение сигнал шум по-прежнему. Самое главное это позволяет сохранить внеклеточной концентрации K⁺ физиологическое значение.

Не требует каких-либо значительных изменений фаго ионного состава, например снижение мг^{2 +} или увеличения K⁺и предлагает уникальное преимущество сохранении возбуждающих и тормозящий передач модель 4AP ictogenesis ¹², аспект, который является весьма актуальным в исследованиях эпилепсии свете решающую роль глутаматергические и сетей ГАМК в эпилептиформный синхронизации (см. ⁷). 4AP-фаго, используемые в настоящем Протоколе содержится физиологическая концентрация K⁺ (3,25 мм) и немного ниже мг^{2 +} концентрацию, чем проведение Фаго (1 мм по сравнению с 1,3 мм). Эта концентрация по-прежнему подпадает сообщил физиологические показатели мг^{2 +} концентрация в спинномозговой жидкости грызун и используется во многих лабораториях (см. например^,¹⁷—¹⁸). Цель описанных протокола мы нашли, что это небольшое снижение предпочтителен для помощи в силу 4AP.

В предыдущей работе 4AP был применен к срез мозга когда он уже был установлен внутри записи камеры¹⁷^,¹⁸. Если экспериментатор должен соблюдать время задержки между 4AP и наступлением эпилептиформный модели, мы находим, что этот подход довольно много времени и не подходит для длительной записи и стимуляции сессий описано в настоящем Протоколе. Предварительной инкубации срезов мозга в 4AP на 32 ° C позволяет щадящие много экспериментальных время, так как срезы мозга могут быть предварительно обработанные в серии проводя эксперимент с использованием других разделах ткани.

Длительной жизнеспособности срезы мозга может быть полезным для анализа сетевых возможностей в долгосрочной перспективе. Кроме того их повышение сопротивляемости повторяющихся электрической стимуляции имеет большое преимущество, если экспериментатор хочет сравнить несколько протоколы стимуляции, которые должны выполняться в том же срез мозга для статистической надежности. В наших руках при тестировании 3 Протоколы стимуляции, каждый предшествует этап контроля и следуют этап восстановления, эксперимент может длиться 3-5 ч. В этом контексте живой МПС сопоставление имеет решающее значение для того, чтобы активировать правильный путь и подавить, вместо того, чтобы пользу ictogenesis посредством электрической стимуляции. Наш дружественный графический интерфейс представляет собой быстрый, простой и гибкий инструмент для сопоставления электроды различных мозговых структур. Противоречит коммерческого программного обеспечения это возможность добавлять пользовательские макеты МПС даже с основными навыками программирования. Изображения могут быть приобретены в светлые области; Таким образом подходит любой камеры общего назначения, которая имеет хорошее разрешение и помещается на микроскопе. Инвертированным микроскопом необходимо визуализировать микроэлектродов позицию по отношению к ломтик мозга, так как они будут скрыты под ткани при использовании прямо микроскопом. Однако стерео Микроскоп рекомендуется помимо Перевернутый типа если экспериментатор должен выполнять нож порезы сорвать конкретных нейронов пути.

Наконец еще одно преимущество предлагаемого подхода является дешево и сравнительно легко Ассамблеи большинство из необходимых инструментов, как настраиваемую запись камеры и камеры Холдинг, теплую ванну и срез якорь, а также ненужного использования дорогостоящих Перистальтический насос малошумящих.

Ограничения метода:

МПС записи не позволяет визуализировать очень медленных волн, т.е., DC смещается в сигнале. Такие базовые отклонения могут помочь асимптотическая измерение длительности приступ разряда и, самое главное, они являются основополагающими для изучения корковых распространения депрессии (явление, которое относится к внезапной неожиданной смерти в эпилепсии³² и совместно между эпилепсии и мигрени³³).

Что касается электрических neuromodulation протокол, описанные здесь позволяет выполнять несколько сессий стимуляции не затрагивая жизнеспособность срез мозга. Мы могли успешно выполнять до 3 стимуляции сессий 20-45 мин, похож на то, что сообщалось в предыдущих работ²⁵. Хотя вероятно срезы мозга может выдерживать большее число сессий стимуляции или дольше, протоколы стимуляции, мы не тестировали срезы мозга в этом отношении. Мы рекомендуем, ограничивая количество протоколы стимуляции 3 и избегать длительного (≥60 мин) стимуляции сессий, которые могут значительно усиливают ткани мозга, в таких условиях предел, до отсутствия восстановления после вывода стимул.

Важнейшие шаги в рамках протокола:

Некоторые критические факторы могут препятствовать успешного преследования записи и модуляция активности эпилептиформный в срезах мозга в сочетании с МПС. Кроме видов грызунов, используемых и качество срезы мозга, уровень перфузии во время записи и динамика потока Фаго (т.е., ламинарные против циркуляр) в пределах записи камеры, мы обнаружили, что в условиях восстановления и наиболее важные шаги являются долгосрочное поддержание срезы мозга, а также режим 4AP приложения.

При использовании погружных холдинг камеры важно сохранить срезы мозга при комнатной температуре для сохранения активности сети ткани мозга и пользу индукции приступ подобных сбросов приложением 4AP. В наших руках восстановления и обслуживания в 32 ° C ухудшилось ткани мозга в течение 3-4 h нарезки.

Инкубации мозга ломтики в 4AP-фаго при комнатной температуре и запись на 32 ° C, однако, не желательно. Мы нашли много трудностей в соблюдении надежные периодические приступ сбросов в этом состоянии. Действительно чтобы ослабить или даже предотвратить 4AP-индуцированной ictogenesis оба в пробирке³⁴ и в естественных условиях³⁵поступили низких температурах в диапазоне 20 – 24 ° C. Таким образом 4AP температуры инкубации и записи должны находиться в пределах 30-34 ° C и должна соответствовать. Чтобы избежать ткани мозга под слишком много стресса из-за одновременного индукции возбудимостью, 4AP и внезапного воздействия срезы мозга от комнатной температуры для теплой (32 ° C) 4AP-фаго, она имеет основополагающее значение для выполнения промежуточных предварительно потепление шаг и пусть срезы мозга приучать в проведении фаго на 32 ° C в течение 20-30 мин, пропустить этот шаг может повлиять на ictogenesis индукции, 4AP.

Другой аспект, который необходимо отметить это важное значение D-глюкозы в фаго после нарезки. 25 mM концентрации сохраняет фрагменты мозг лучше, чем концентрация 10 мм, используется во многих лабораториях и он также улучшает скорость возникновения приступ деятельности, которая в 2 раза быстрее (таким образом, что делает его легче проводить целый ряд экспериментальных протоколы в нескольких срезах мозга каждый день).

Наконец некоторые важные мелкие детали во время нарезки процедуры необходимо упомянуть. Во-первых, не позволяют нетронутыми мозга и срезы мозга заморозить в холодной резки фаго. Охлаждения мозга для

Модификации и устранения неполадок:

ФАГО композиции могут быть изменены согласно потребностям экспериментатора. Например наркотики могут быть добавлены для того чтобы рассечь вклад конкретных нейротрансмиттеров или ионных каналов для обеспечения эффективности электрических neuromodulation. Кроме того пировиноградной и аскорбиновой кислоты (см. таблицу 2) могут быть опущены, хотя мы находим, что они оказывают мощное нейропротекторной роль. Мы в таблице 3 доклада наиболее распространенные проблемы, которые могут быть обнаружены в этот протокол и как бороться с ними.

Выводы:

МПС запись несомненно бесценный техника для решения взаимодействия нейрональных сетей в здоровье и болезни. В дополнение к фармакологические исследования это также можно оценить электрические neuromodulation протоколы, которые имеют отношение к DBS, эпилепсии и других неврологических расстройств. В этом протоколе мы показали, что это можно воспроизвести типичный периодические стимуляции эксперименты с аналогичные результаты с полученными с обычными внеклеточного поле потенциальных запись и внешних стимулирующие электроды. Увеличение доступности коммерческих удобного оборудования и передовых программных инструментов сделать техника записи МПС также подходит для экспериментов замкнутого цикла стимуляции, предоставить ad hoc стимуляции тканей мозга, а также Изучите вклад механизмов обратной связи для ответов нейронной сети.

Философия экспериментатора: проблема предвзятости экспериментатора в экспериментальной философии

Адэр, Дж. Дж., И Дж. Эпштейн. 1968. Словесные реплики в опосредовании предвзятости экспериментатора. Психологические отчеты 22: 1045–1053.

Артикул Google Scholar

Арико, А. 2007. Дерегулирование корпоративного сознания: критика интуиции Кноба и Принца о сознании . Торонто: плакат, представленный в Обществе философии и психологии.

Google Scholar

Барбер Т.К. и М.Дж. Сильвер. 1968. Ловушки в анализе и интерпретации данных: ответ Розенталю. Психологический бюллетень 70: 48–62.

Артикул Google Scholar

Каллен С. 2010. Романтизм, основанный на исследованиях. Обзор философии и психологии 1: 275–96.

Артикул Google Scholar

Кушман, Ф.A., L. Young и M.D. Hauser. 2006. Роль рассуждения и интуиции в моральных суждениях: проверка трех принципов вреда. Психологические науки 17 (12): 1082–1089.

Артикул Google Scholar

Дикерсин, К. 1990. Существование систематической ошибки публикации и факторы риска ее возникновения. Журнал Американской медицинской ассоциации 263: 1385–9.

Артикул Google Scholar

Дойен, С., О. Кляйн, К. Пишон и А. Клиреманс. 2012. Поведенческий прайминг: все дело в мозге, но чей мозг? PLoS One 7 (1): e29081.

Артикул Google Scholar

Feltz, A., E.T. Кокли и Т. Томас Надельхоффер. 2009. Естественный компатибилизм против естественного инкомпатибилизма: снова за чертежную доску. Разум и язык 24 (1): 1–23.

Артикул Google Scholar

Фельц, А., Харрис, М., и Перес, А. (2012). Перспективы атрибуции умышленных действий. Философская психология .

Хэмлин, Дж., К. Винн и П. Блум. 2007. Социальная оценка довербальных младенцев. Природа 450: 557–559.

Артикул Google Scholar

Иоаннидис, J.P.A. 2005. Почему большинство опубликованных результатов исследований ложны. Публичная научная библиотека, медицина 2: e124.

Google Scholar

Хемлани, С.С., А.Б. Сассман, Д. Оппенгеймер. 2011. Гарри Поттер и область действия чародея: скрытые предубеждения в области объяснения. Память и познание 39 (1).

Нобе, Дж. 2003. Преднамеренное действие и побочные эффекты обычным языком. Анализ 63: 190–193.

Артикул Google Scholar

Нобе, Дж.и J. Prinz. 2008. Интуиции о сознании: экспериментальные исследования. Феноменология и когнитивная наука 7 (1): 67–83.

Артикул Google Scholar

Нобе, Дж., Баквалтер, В., Николс, С., Роббинс, П., Саркисян, Х., Соммерс, Т. (2011). Экспериментальная философия. Annual Review of Psychology, 63.

Monroe, A.E., and B.F. Malle. 2010. От беспричинной воли к сознательному выбору: необходимость изучать, а не рассуждать о народной концепции свободы воли. Обзор философии и психологии 1 (2): 211–224.

Артикул Google Scholar

Фелан М., Арико А. и Николс С. (2012). Мыслить и чувствовать вещи: о предполагаемом разрыве в народной метафизике разума.

Розенталь, Р. 1979. «Проблема с файловым ящиком» и допуск на нулевые результаты. Психологический бюллетень 86: 638–641.

Артикул Google Scholar

Розенталь, Р., и К. Фоде. 1963. Влияние предвзятости экспериментатора на производительность крысы-альбиноса. Поведенческая наука 8: 183–189.

Артикул Google Scholar

Розенталь Р. и И. Якобсон. 1968. Пигмалион в классе . Нью-Йорк: Холт, Райнхарт и Уинстон.

Google Scholar

Розенталь Р. и Д. Б. Вбивать в голову. 1978. Эффекты межличностного ожидания: первые 345 исследований. Поведенческие науки и науки о мозге 3: 377–386.

Артикул Google Scholar

Scholl, B.J. 2008. Два вида экспериментальной философии и их методологические опасности. Выступление на семинаре SPP по экспериментальной философии . Филадельфия: Пенсильванский университет.

Google Scholar

Стрикленд, Б., М. Фишер и Дж.Ручка. 2012. Моральная структура выпадает из общей структуры события. Психологический опрос 23 (2): 198–205.

Артикул Google Scholar

Сыцма Дж., Э. Мачери. 2009. Как изучать народные интуиции о феноменальном сознании. Философская психология 22: 21–35.

Артикул Google Scholar

Янг Л. и Дж. Филлипс.2011. Парадокс нравственной направленности. Познание 119: 166–178.

Артикул Google Scholar

5 типов предвзятости и способы их устранения в вашем проекте машинного обучения | Сальма Гонейм

Ниже приводится сокрушительная правда о предвзятой программе машинного обучения, которая произошла в реальной жизни.
Можно с уверенностью сказать, что следующее является примером причин, по которым расизм все еще существует.
Это то, с чего я хотел бы начать, чтобы показать вам, насколько важно исправить любую предвзятость в вашей программе искусственного интеллекта.

Разработан частной компанией Equivant (ранее Northpointe).
Compas — это алгоритм машинного обучения, который прогнозирует вероятность совершения обвиняемым преступлений. Было показано, что он делает предвзятые прогнозы о том, кто с большей вероятностью совершит новое преступление. Исследование ProPublica показало, что этот инструмент в 2 раза чаще неправильно указывал на чернокожих обвиняемых как на лиц с высоким риском повторного совершения преступлений, а также в 2 раза чаще на неверное предсказание того, что белые обвиняемые имеют низкий риск повторного совершения преступлений.
Полный анализ ProPublica можно найти здесь .

Compas используется судьями более чем в 12 штатах США, и он используется в качестве инструмента для многих вещей, таких как выяснение того, следует ли выпускать людей из тюрьмы под залог до суда, тип надзора за заключенными, а также влияние на продолжительность приговоров людей.
Последствия этого алгоритма вполне реальны.

Фото rawpixel.com с сайта Pexels

Конечно, мы не можем сказать, что это сделано намеренно.Маловероятно, что инженеры, создававшие Compas, внесли предвзятость в систему, скорее, Compas был обучен на наборе данных, который не подвергался воздействию различных лиц, включая оттенки кожи.

Программирование, которое предполагает и применяет предубеждения его создателя или его данных, является предвзятым программированием.
Что делает это более опасным, так это то, что было обнаружено, что большая часть этой «предвзятости» является бессознательной, потому что вы не обязательно знаете, когда создаете алгоритм, что он будет давать неверные результаты.
Многие алгоритмы также являются черным ящиком, вы просто используете его в готовом виде, а это означает, что, если вы не разрабатываете алгоритм напрямую, вы понятия не имеете, что там внутри, вы, конечно, не сможете оценить, действительно ли они » перестраховщик или нет.

Внешний фактор — обзор

Моделирование индивидуального поведения

Основная идея сначала вводится, указывая на то, что она уже заложена в итоговой рейтинговой шкале. Предположим, ребенка просят выполнить несколько заданий, скажем, 10 в качестве теста на арифметические способности.Каково обоснование идеи о том, что сумма баллов за выполнение задания дает хорошее представление о способностях ребенка? Поскольку сумма баллов, очевидно, будет намного лучше, чем любая оценка по отдельности, вероятный ответ будет следующим: на оценку по любой конкретной задаче могут повлиять многие посторонние факторы, присущие обстоятельствам в данный момент. Это задание могло случайно оказаться тем, с которым ребенок сталкивался раньше. Или внимание ребенка могло быть отвлечено чем-то, происходящим в комнате, или воспоминанием о каком-то инциденте, вызвавшем мечтания.Некоторые из этих посторонних факторов могут работать в одном направлении, а некоторые — в другом. Однако нельзя было ожидать, что все факторы присутствовали все время и для всех людей. Различные факторы в разных случаях могут вызвать случайное искажение оценок. При наличии достаточного количества предметов можно с уверенностью ожидать, что плюсы и минусы примерно сбалансируются, что даст лучшее представление об истинных способностях ребенка.

Этот аргумент может быть выражен алгебраически следующим образом.Пусть будет p пунктов, дающих оценки x ₁, x ₂,…, x _p . Предположим, что основной детерминант x _i — это способности ребенка, обозначенные a . Это дает

(1) xi = a + ei (i = 1,2,…, p),

, где e _i — это влияние всех внешних факторов, действующих в этом случае. Поскольку предполагается, что каждый e _i является совокупным эффектом многих отдельных факторов, ожидается, что некоторые из них будут отрицательными, а некоторые — положительными.В целом они должны примерно «уравновеситься». Эту идею можно развить дальше, сделав предположения о частотном распределении значений e _i , и это, в свою очередь, покажет, действительно ли прямое сложение является лучшим способом «извлечения» a . При расширении, чтобы включить предположения о распределении, уравнение. (1) иногда называют классической моделью измерения. Хотя он ограничен по своему объему, он включает в себя ключевые элементы любой модели измерения, а именно (1) количественную связь между показателями (значения x и объект измерения, a ) и (2) вероятностное изложение отклонений показателей от объекта измерения.В задаче измерения на индивидуальном уровне предполагается, что каждый человек (представленный строкой матрицы) находится в разных точках на одномерной шкале. Это означает, что все строки будут иметь разное распределение. Следовательно, нет возможности напрямую оценить эти распределения. Вместо этого нужно будет сделать некоторые предположения об их форме. Это упрощается тем, что дистрибутивы можно разбить на составные части.

Отправной точкой для модели по-прежнему является совместное распределение вероятностей элементов в строке i .(Проблема только в одной строке, потому что фокус находится только на значении y , связанном с этой строкой.) Однако это распределение теперь зависит от скрытой переменной, обозначенной y . Если можно найти какой-то способ оценки этого распределения, то роли y и x могут быть инвертированы по теореме Байеса, давая

(2) f (y | x) = f (y) f (x | y) f (x),

, где для удобства нижний индекс i был опущен в x .Для простоты все переменные рассматривались как непрерывные, но идея совершенно общая. Все, что известно о y , после того, как x соблюдается, содержится в f ( y | x ). Очевидно, что значение y не определено, но его значение можно предсказать, используя уравнение. (2). Есть несколько способов сделать это, но естественный предиктор — E ( y | x ). В принципе, это решает проблему отдельных измерений, но только после выбора f ( x | y ) и f ( y ).Связь между тремя распределениями, появляющимися в правой части уравнения. (2) равно

(3) f (x) = ∫ − ∞ + ∞f (y) f (x | y) dy.

После выбора f ( y ) и f ( x | y ) (любыми способами), их соответствие данным можно проверить с помощью уравнения. (3). Здесь f ( x ) — это предельное распределение x , которое можно оценить по данным. Однако существует бесконечно много пар { f ( y ), f ( x | y )}, которые приводят к одному и тому же f ( x ).Как только одна пара доступна, другие могут быть сгенерированы просто путем однозначного преобразования y . Это не влияет на интеграл и, следовательно, на f ( x ). Другими словами, f ( y ), предварительное распределение, является произвольным, и, следовательно, любой сделанный выбор является вопросом соглашения.

При этом остается выбрать f ( x | y ), и здесь выбор можно сузить, обратившись к ряду соображений.Если x говорит нам что-либо о y , это должно быть потому, что каждый индивидуальный x _i зависит от y . Эта общая зависимость от y означает, что значения x будут коррелированы между собой. И наоборот, можно сделать вывод, что, если значения x независимы, то, когда мы устанавливаем условие на y , больше нет скрытых переменных, влияющих на значения x . Это означает, что необходимо выбрать только форму одномерного распределения, а не многомерного распределения.

Второй критерий выбора f ( x _i | y ) ( i = 1, 2,…, n ) основан на понятии достаточности. Если бы оказалось, что f ( y | x ), заданное уравнением. (2), зависит от x только через одну статистику t , скажем, тогда это будет служить заменой для y в том смысле, что, как только t известен, данные не будут предоставлять больше информации примерно y .Другими словами, любая величина от до должна быть функцией от до .

Примером может служить случай, когда все значения x являются двоичными переменными. Это часто имеет место при образовательном тестировании и тестировании отношения, когда ответы ДА / НЕТ или ПРАВИЛЬНО / НЕПРАВИЛЬНО. Тогда каждое значение x _i является переменной Бернулли, определяемой вероятностью получения положительного ответа, например, π _i ( y ). Тогда проблема состоит в том, чтобы выбрать подходящую функциональную форму для π _i ( y ).Вероятность, очевидно, должна находиться в диапазоне от 0 до 1. Кроме того, он должен быть монотонным в диапазоне y , потому что чем больше « y », тем больше (или меньше) должна быть вероятность положительного ответа. Также могут быть задействованы аргументы симметрии. Какой из двух ответов помечен как 1 и как 0, является довольно произвольным, и выбор направления для измерения y также является произвольным. Следовательно, любая выбранная функция должна сохранять тот же вид при преобразованиях такого рода.Этих ограничений недостаточно для однозначного определения π _i ( y ), но они сильно ограничивают диапазон выбора. Если теперь спросят, что условие достаточности также должно быть выполнено, выберите

(4) logitπi (y) = αi0 + αi1y (i = 1,2…, n).

Это известно как логит-модель, а функция π _i ( y ) имеет S-образную форму, увеличиваясь от 0 до 1, когда y изменяется от — ∞ до + ∞. Достаточной статистикой оказывается

(5) t = ∑i = 1pαi1xi.

Очень интересно отметить, что этот подход привел к взвешенной сумме значений x , что очень близко к идее суммарной рейтинговой шкалы, которая ничем не обязана общим идеям, представленным здесь. Единственная разница заключается в весе {α _{i 1}}. Большое значение α _{i 1} означает, что соответствующая вероятность изменяется относительно быстро с y . Другими словами, x _i является хорошим индикатором y и, следовательно, уместно, чтобы он получил больший вес.Форма аргумента здесь во многом продиктована тем фактом, что x _i считалось двоичной переменной. Аналогичное рассуждение можно использовать, если x _i политомически или непрерывно.

6 Экспериментальных методов оценки дискриминации | Измерение расовой дискриминации

условий лечения; и (3) контроль над посторонними переменными, которые в противном случае можно было бы спутать с интересующей независимой переменной, потенциально подрывая интерпретацию причинности.Лабораторные эксперименты проводятся в контролируемых условиях, выбранных из-за их способности минимизировать мешающие переменные и другие посторонние стимулы.

Лабораторные эксперименты по дискриминации в идеале измеряли бы реакцию на одного и того же человека, манипулируя только его расой. Как отмечалось выше, хотя, строго говоря, нельзя манипулировать реальной расой отдельного человека, экспериментаторы обычно либо манипулируют очевидной расой целевого человека, либо случайным образом назначают испытуемых или участников исследования экспериментальным условиям, пытаясь сохранить постоянными все остальные атрибуты возможная актуальность.Один из распространенных методов изменения расы — для экспериментаторов обучать нескольких экспериментальных соратников — как черных, так и белых — взаимодействовать с участниками исследования в соответствии с подготовленным сценарием, одеваться в сопоставимом стиле и представлять сопоставимые уровни базовой физической привлекательности (см., Например, , Cook and Pelfrey, 1985; Dovidio et al., 2002; Henderson-King and Nisbett, 1996; Stephan and Stephan, 1989). Другой распространенный метод определения расы включает подготовку письменных материалов и либо случайное указание расы, либо прикрепление фотографии черного или белого человека к материалам (например,г., Линвилл и Джонс, 1980).

Влияние расы происходит во взаимодействии с другими ситуативными или личными факторами, называемыми модераторными переменными , которые могут усиливать или уменьшать влияние расы на ответы участников. В дополнение к манипулированию очевидной расой человека, например, исследователи могут манипулировать очевидным успехом или неудачей человека, сотрудничеством или соперничеством, готовностью помочь, дружелюбием, диалектом или полномочиями (см., Например, Cook and Pelfrey, 1985; Dovidio et al., 2002; Хендерсон-Кинг и Нисбетт, 1996; Линвилл и Джонс, 1980; Стефан и Стефан, 1989). Еще чаще экспериментаторы будут манипулировать особенностями ситуации, чтобы снизить уровень предвзятости в отношении черных и белых целей; примеры включают анонимность, возможное возмездие, нормы, мотивацию, цейтнот и отвлечение (Crosby et al., 1980). Наконец, участниками исследования часто являются черные и белые студенты колледжей (например, Crosby et al., 1980; Correll et al., 2002; Judd et al., 1995).

Преимущества лабораторных экспериментов

Лабораторные эксперименты, если они хорошо спланированы и выполнены, могут иметь высокий уровень внутренней достоверности для причинного вывода — то есть они предназначены для точного измерения того, что вызывает что. Направление причинности следует из манипулирования случайно назначенными независимыми переменными, которые контролируют два вида нежелательных посторонних эффектов: систематические (смешивающие) переменные и случайные (шумовые) переменные.

Наблюдательные исследования — методы исследования в психологии

Цели обучения

Перечислите различные типы методов наблюдательного исследования и проведите различие между ними.
Опишите сильные и слабые стороны каждого метода наблюдательного исследования.

Что такое наблюдательные исследования?

Термин обсервационное исследование используется для обозначения нескольких различных типов неэкспериментальных исследований, в которых поведение систематически наблюдается и регистрируется.Цель наблюдательного исследования — описать переменную или набор переменных. В более общем плане цель состоит в том, чтобы получить снимок конкретных характеристик человека, группы или окружения. Как описано ранее, наблюдательные исследования не являются экспериментальными, потому что ничем не манипулируют и не контролируют, и поэтому мы не можем прийти к причинным выводам, используя этот подход. Данные, которые собираются в ходе наблюдательных исследований, часто носят качественный характер, но они также могут быть количественными или и тем, и другим (смешанные методы).Существует несколько различных типов методов наблюдений, которые будут описаны ниже.

Натуралистическое наблюдение

Натуралистическое наблюдение — это метод наблюдения, который включает наблюдение за поведением людей в среде, в которой оно обычно происходит. Таким образом, натуралистическое наблюдение — это вид полевых исследований (в отличие от лабораторных исследований). Известное исследование шимпанзе Джейн Гудолл — классический пример натуралистического наблюдения. ДокторГудолл провел три десятилетия, наблюдая за шимпанзе в их естественной среде обитания в Восточной Африке. Она изучила такие вещи, как социальная структура шимпанзе, модели спаривания, гендерные роли, структура семьи и забота о потомстве, наблюдая за ними в дикой природе. Однако натуралистическое наблюдение могло бы проще включать наблюдение за покупателями в продуктовом магазине, за детьми на школьной площадке или за психиатрическими стационарными пациентами в их палатах. Исследователи, занимающиеся натуралистическим наблюдением, обычно проводят свои наблюдения максимально ненавязчиво, чтобы участники не знали, что их изучают.Такой подход называется замаскированным натуралистическим наблюдением. С этической точки зрения этот метод считается приемлемым, если участники остаются анонимными, а поведение происходит в общественных местах, где люди обычно не ожидают конфиденциальности. Например, покупатели продуктовых магазинов, складывающие товары в тележки для покупок, ведут себя публично, что легко заметить работникам магазина и другим покупателям. По этой причине большинство исследователей сочли бы этически приемлемым наблюдение за ними для исследования.С другой стороны, один из аргументов против этичности натуралистического наблюдения за «поведением в ванной», обсуждавшийся ранее в книге, заключается в том, что у людей есть разумные ожидания уединения даже в общественном туалете, и что это ожидание было нарушено.

В случаях, когда проведение замаскированного натуралистического наблюдения неэтично или нецелесообразно, исследователи могут провести неприкрытое натуралистическое наблюдение , когда участники узнают о присутствии исследователя и отслеживают их поведение.Тем не менее, одна проблема с нескрываемым натуралистическим наблюдением — это реактивность. Реактивность относится к тому, когда мера изменяет поведение участников. В случае неприкрытого натуралистического наблюдения проблема реактивности состоит в том, что, когда люди знают, что за ними наблюдают и изучают, они могут действовать иначе, чем обычно. Этот тип реактивности известен как эффект Хоторна . Например, вы можете действовать по-другому в баре, если знаете, что кто-то наблюдает за вами и записывает ваше поведение, и это сделает исследование недействительным.Таким образом, замаскированное наблюдение менее реактивно и, следовательно, может иметь более высокую достоверность, потому что люди не знают, что их поведение наблюдается и записывается. Однако теперь мы знаем, что люди часто привыкают к наблюдению и со временем начинают вести себя естественно в присутствии исследователя. Другими словами, со временем люди привыкают к наблюдению. Подумайте о реалити-шоу, таких как «Большой брат» или «Выживший», где за людьми постоянно наблюдают и записывают. Хотя поначалу они могут вести себя наилучшим образом, через довольно короткий промежуток времени они флиртуют, занимаются сексом, почти ничего не носят, кричат друг на друга и иногда ведут себя смущающимся образом.

Наблюдение за участниками

Другой подход к сбору данных в наблюдательных исследованиях — это включенное наблюдение. При включенном наблюдении исследователи становятся активными участниками группы или ситуации, которую они изучают. Наблюдение с участием участников очень похоже на натуралистическое наблюдение, поскольку оно включает наблюдение за поведением людей в среде, в которой оно обычно происходит. Как и в случае с натуралистическим наблюдением, собираемые данные могут включать интервью (обычно неструктурированные), заметки, основанные на их наблюдениях и взаимодействиях, документы, фотографии и другие артефакты.Единственное различие между натуралистическим наблюдением и включенным наблюдением состоит в том, что исследователи, участвующие в включенном наблюдении, становятся активными членами группы или ситуаций, которые они изучают. Основное обоснование включенного наблюдения состоит в том, что может существовать важная информация, которая доступна только или может быть интерпретирована только кем-то, кто является активным участником группы или ситуации. Подобно натуралистическому наблюдению, включенное наблюдение может быть скрытым или скрытым.В замаскированных включенных наблюдениях исследователей притворяются членами социальной группы, которую они наблюдают, и скрывают свою истинную идентичность как исследователей.

В известном примере замаскированного наблюдения со стороны Леон Фестингер и его коллеги проникли в культ Судного дня, известный как Искатели, члены которого считали, что апокалипсис произойдет 21 декабря 1954 года. Заинтересованы в изучении того, как члены группы будут психологически справляться с ситуацией, когда пророчество неизбежно провалилось, они тщательно записали события и реакции членов культа в дни до и после предполагаемого конца света.Неудивительно, что члены культа не отказались от своей веры, а вместо этого убедили себя, что именно их вера и усилия спасли мир от разрушения. Позже Фестингер и его коллеги опубликовали книгу об этом опыте, которую они использовали для иллюстрации теории когнитивного диссонанса (Festinger, Riecken, & Schachter, 1956).

В отличие от неприкрытых включенных наблюдений, исследователей становятся частью группы, которую они изучают, и раскрывают свою истинную личность в качестве исследователей исследуемой группе.И снова есть важные этические вопросы, которые следует учитывать при замаскированном включенном наблюдении. Во-первых, невозможно получить информированное согласие, а во-вторых, используется обман. Исследователь обманывает участников, намеренно утаивая информацию об их мотивах быть частью социальной группы, которую они изучают. Но иногда замаскированное участие — единственный способ получить доступ к защитной группе (например, к культу). Кроме того, замаскированное включенное наблюдение менее склонно к реактивности, чем открытое включенное наблюдение.

Исследование Розенхана (1973), посвященное опыту людей в психиатрическом отделении, будет считаться замаскированным включенным наблюдением, потому что Розенхан и его псевдопациенты были госпитализированы в психиатрические больницы под предлогом того, что они пациенты, чтобы они могли наблюдать за тем, как лечили психиатрических пациентов. сотрудники. Персонал и другие пациенты не знали, что они на самом деле являются исследователями.

Еще один пример включенного наблюдения — это исследование социолога Эми Уилкинс, посвященное университетской религиозной организации, в котором подчеркивалось, насколько счастливы ее члены (Wilkins, 2008).Уилкинс провела 12 месяцев, посещая собрания группы и светские мероприятия и участвуя в них, и она взяла интервью у нескольких членов группы. В своем исследовании Уилкинс определила несколько способов, которыми группа «навязывала» счастье — например, постоянно говоря о счастье, препятствуя выражению отрицательных эмоций и используя счастье как способ отличить себя от других групп.

Одно из основных преимуществ включенного наблюдения состоит в том, что исследователи гораздо лучше понимают точку зрения и опыт людей, которых они изучают, когда они являются частью социальной группы.Основным ограничением этого подхода является то, что простое присутствие наблюдателя может повлиять на поведение наблюдаемых людей. Хотя это также относится к естественным наблюдениям, дополнительные проблемы возникают, когда исследователи становятся активными членами социальной группы, которую они изучают, потому что они могут изменить социальную динамику и / или повлиять на поведение людей, которых они изучают. Точно так же, если исследователь действует как участник-наблюдатель, могут возникнуть опасения по поводу предвзятости, возникающей в результате развития отношений с участниками.Конкретно исследователь может стать менее объективным, что приведет к большей предвзятости экспериментатора.

Структурированное наблюдение

Другой метод наблюдений — это структурированное наблюдение . Здесь исследователь проводит тщательные наблюдения за одним или несколькими конкретными формами поведения в конкретной обстановке, которая более структурирована, чем настройки, используемые при натуралистическом или включенном наблюдении. Часто обстановка, в которой проводятся наблюдения, не соответствует естественной обстановке.Вместо этого исследователь может наблюдать за людьми в лабораторных условиях. В качестве альтернативы исследователь может наблюдать за людьми в естественной обстановке (например, в классе), которую они каким-то образом структурировали, например, представив некоторые конкретные задачи, в которых участники должны участвовать, или представив определенную социальную ситуацию или манипуляции.

Структурированное наблюдение очень похоже на натуралистическое и включенное наблюдение в том, что во всех трех случаях исследователи наблюдают естественное поведение; однако упор в структурированном наблюдении делается на сборе количественных, а не качественных данных.Исследователей, использующих этот подход, интересует ограниченный набор моделей поведения. Это позволяет им количественно оценить поведение, которое они наблюдают. Другими словами, структурированное наблюдение менее глобально, чем натуралистическое или включенное наблюдение, потому что исследователь, занимающийся структурированными наблюдениями, заинтересован в небольшом количестве конкретных форм поведения. Таким образом, вместо того, чтобы записывать все, что происходит, исследователь сосредотачивается только на очень конкретных интересующих его действиях.

Исследователи Роберт Левин и Ара Норензаян использовали структурированное наблюдение для изучения различий в «темпе жизни» в разных странах (Levine & Norenzayan, 1999).Одна из их мер заключалась в наблюдении за пешеходами в большом городе, чтобы узнать, сколько времени им нужно, чтобы пройти 60 футов. Они обнаружили, что люди в некоторых странах передвигались надежно быстрее, чем люди в других странах. Например, жители Канады и Швеции преодолевали 60 футов в среднем за 13 секунд, а жители Бразилии и Румынии — за 17 секунд. Когда структурированное наблюдение происходит в сложном и даже хаотическом «реальном мире», важно учитывать вопросы о том, когда, где и при каких условиях будут проводиться наблюдения и за кем именно будут наблюдать.Левин и Норензаян описали процесс отбора проб следующим образом:

«Скорость ходьбы мужчин и женщин на расстоянии 60 футов была измерена как минимум в двух местах в основных центральных районах каждого города. Измерения проводились в основное рабочее время в ясные летние дни. Все места были плоскими, беспрепятственными, с широкими тротуарами и были достаточно малолюдными, чтобы пешеходы могли двигаться с потенциально максимальной скоростью. Для контроля эффектов общения использовались только пешеходы, идущие в одиночку.Время для детей, лиц с явными физическими недостатками и посетителей витрин не учитывалось. В большинстве городов были засчитаны тридцать пять мужчин и 35 женщин ». (стр.186).

Точная спецификация процесса выборки таким образом делает сбор данных управляемым для наблюдателей, а также обеспечивает некоторый контроль над важными посторонними переменными. Например, проводя свои наблюдения в ясные летние дни во всех странах, Левин и Норензаян контролировали влияние погоды на скорость ходьбы людей.В исследовании Левина и Норензаяна измерение было относительно простым. Они просто отмерили 60-футовое расстояние вдоль городского тротуара, а затем использовали секундомер, чтобы отследить время участников, когда они прошли это расстояние.

В качестве другого примера исследователи Роберт Краут и Роберт Джонстон хотели изучить реакцию боулеров на свои удары, как когда они смотрят на кегли, так и когда они поворачиваются к своим товарищам (Kraut & Johnston, 1979). Но какие «реакции» им следует наблюдать? Основываясь на предыдущих исследованиях и собственном пилотном тестировании, Краут и Джонстон составили список реакций, в который вошли «закрытая улыбка», «открытая улыбка», «смех», «нейтральное лицо», «взгляд вниз», «взгляд в сторону» и «Прикрытие лица» (закрытие лица руками).Наблюдатели запомнили этот список, а затем практиковались, кодируя реакции боулеров, которые были записаны на видео. Во время фактического исследования наблюдатели говорили в диктофон, описывая реакции, которые они наблюдали. Среди наиболее интересных результатов этого исследования было то, что боулеры редко улыбались, когда они все еще смотрели на кегли. Они с гораздо большей вероятностью улыбались после того, как повернулись к своим товарищам, предполагая, что улыбка — это не только выражение счастья, но и форма социального общения.

В еще одном примере (на этот раз в лабораторных условиях) Дов Коэн и его коллеги попросили наблюдателей оценить эмоциональные реакции участников, которых только что намеренно ударил и оскорбил сообщник после того, как они бросили заполненный вопросник в конце опроса. прихожая. Сообщник представился кем-то, кто работал в том же здании и был разочарован тем, что ему пришлось дважды закрывать ящик для документов, чтобы позволить участникам пройти мимо них (сначала бросить анкету в конце коридора, а затем еще раз. на обратном пути в комнату, где, по их мнению, проводилось исследование, на которое они подписались).Двое наблюдателей располагались в разных концах коридора, чтобы они могли читать язык тела участников и слышать все, что они могут сказать. Интересно, что исследователи выдвинули гипотезу о том, что участники из южных штатов США, которые являются одним из нескольких мест в мире, где существует «культура чести», отреагируют более агрессивно, чем участники из северных Соединенных Штатов. подтверждается данными наблюдений (Cohen, Nisbett, Bowdle, & Schwarz, 1996).

Когда наблюдения требуют суждения со стороны наблюдателей — как в исследованиях Краута, Джонстона, Коэна и его коллег — обычно требуется процесс, называемый кодированием . Кодирование обычно требует четкого определения набора целевого поведения. Затем наблюдатели классифицируют участников по отдельности с точки зрения того, к какому поведению они прибегали и сколько раз они проявляли каждое поведение. Наблюдатели могут даже записывать продолжительность каждого поведения.Целевое поведение должно быть определено таким образом, чтобы разные наблюдатели могли кодировать их одинаково. Эта трудность с кодированием иллюстрирует проблему межэкспертной надежности, как упоминалось в главе 4. Ожидается, что исследователи продемонстрируют межэкспериментальную надежность своей процедуры кодирования, предложив нескольким оценщикам независимо кодировать одно и то же поведение, а затем продемонстрировав, что разные наблюдатели находятся в тесном согласии. Краут и Джонстон, например, записывали на видео часть реакций участников, и два наблюдателя независимо друг от друга кодировали их.Два наблюдателя показали, что они согласны с реакциями, которые проявлялись в 97% случаев, что свидетельствует о хорошей межэкспертной надежности.

Одним из основных преимуществ структурированного наблюдения является то, что оно намного более эффективно, чем натуралистическое и включенное наблюдение. Поскольку исследователи сосредоточены на конкретном поведении, это сокращает время и расходы. Кроме того, часто среда структурирована таким образом, чтобы поощрять интересующее поведение, что опять же означает, что исследователям не нужно тратить столько времени на ожидание естественного проявления интересующего поведения.Наконец, исследователи, использующие этот подход, явно могут усилить контроль над окружающей средой. Однако, когда исследователи усиливают контроль над окружающей средой, это может сделать ее менее естественной, что снижает внешнюю достоверность. Например, менее ясно, будут ли структурированные наблюдения, сделанные в лабораторных условиях, распространяться на условия реального мира. Кроме того, поскольку исследователи, занимающиеся структурированным наблюдением, часто не замаскированы, может возникнуть больше опасений по поводу реактивности.

Примеры из практики

Пример из практики — это углубленное изучение личности. Иногда также проводятся тематические исследования социальных единиц (например, культа) и событий (например, стихийного бедствия). Однако чаще всего в психологии тематические исследования предоставляют подробное описание и анализ человека. Часто человек страдает редким или необычным состоянием или расстройством или имеет повреждение определенной области мозга.

Как и многие другие методы исследования с использованием наблюдений, тематические исследования обычно носят более качественный характер.Методы тематического исследования включают углубленное и часто продольное обследование человека. В зависимости от направленности тематического исследования, люди могут наблюдаться или не наблюдаться в их естественной среде. Если естественная обстановка не представляет интереса, человека могут пригласить в кабинет терапевта или в лабораторию исследователя для изучения. Кроме того, основная часть отчета о тематическом исследовании будет сосредоточена на подробных описаниях человека, а не на статистическом анализе. С учетом сказанного, некоторые количественные данные также могут быть включены в описание тематического исследования.Например, индивидуальная оценка депрессии может сравниваться с нормативными оценками или их оценка до и после лечения. Как и в случае с другими качественными методами, для сбора информации по делу можно использовать множество различных методов и инструментов. Например, интервью, натуралистическое наблюдение, структурированное наблюдение, психологическое тестирование (например, тест IQ) и / или физиологические измерения (например, сканирование мозга) могут использоваться для сбора информации о человеке.

HM — один из самых известных кейсов в области психологии.Х.М. страдала трудноизлечимой и очень тяжелой эпилепсией. Хирург локализовал эпилепсию HM в его медиальной височной доле и в 1953 году удалил большие участки гиппокампа, пытаясь остановить припадки. Лечение оказалось успешным, так как оно разрешило его эпилепсию, а его IQ и личность остались неизменными. Однако врачи вскоре поняли, что у HM наблюдается странная форма амнезии, называемая антероградной амнезией. HM мог вести разговор и запоминать короткие цепочки букв, цифр и слов.В основном его кратковременная память сохранилась. Однако HM не смог зафиксировать новые события в памяти. Он потерял способность передавать информацию из кратковременной памяти в долговременную, что исследователи памяти называют консолидацией. Таким образом, хотя он мог продолжить разговор с кем-то, он полностью забыл разговор после того, как он закончился. Это был чрезвычайно важный случай для исследователей памяти, потому что он предполагал, что существует диссоциация между кратковременной памятью и долговременной памятью, и предполагал, что это две разные способности, обслуживаемые разными областями мозга.Также было высказано предположение, что височные доли особенно важны для консолидации новой информации (т.е.для передачи информации из кратковременной памяти в долговременную).

Читаете в печати? Отсканируйте этот QR-код, чтобы просмотреть видео на своем мобильном устройстве. Или перейдите на youtu.be/KkaXNvzE4pk

История психологии наполнена влиятельными тематическими исследованиями, такими как описание Зигмундом Фрейдом «Анны О.». (см. примечание 6.1 «Дело« Анны О. »») и описание Джоном Ватсоном и Розали Рейнер Маленького Альберта (Watson & Rayner, 1920), который якобы научился бояться белой крысы — наряду с другими пушистыми объектами — когда исследователи неоднократно издавали громкий звук каждый раз, когда крыса приближалась к нему.

Дело «Анны О.»

Зигмунд Фрейд использовал случай с молодой женщиной, которую он назвал «Анна О.». чтобы проиллюстрировать многие принципы его теории психоанализа (Freud, 1961). (Ее настоящее имя было Берта Паппенгейм, и она была одной из первых феминисток, которая в дальнейшем внесла важный вклад в сферу социальной работы.) Анна пришла к коллеге Фрейда Йозефу Брейеру около 1880 года с различными странными физическими и психологическими симптомами. Одна из них заключалась в том, что в течение нескольких недель она не могла пить.По Фрейду,

Она брала стакан воды, который ей так хотелось, но как только он касался ее губ, она отталкивала его, как человек, страдающий водобоязнью … Она жила только фруктами, такими как дыни и т. Д., Чтобы уменьшить ее мучительную жажду. (стр.9)

Но, согласно Фрейду, прорыв произошел однажды, когда Анна находилась под гипнозом.

[S] он ворчал на ее английскую «спутницу», о которой она не заботилась, и продолжал описывать со всеми признаками отвращения, как она однажды вошла в комнату этой леди и как ее маленькая собачка — ужасно тварь! — пила там из стакана.Пациентка ничего не сказала, так как хотела быть вежливой. После того, как она снова энергично выразила сдерживаемый гнев, она попросила чего-нибудь выпить, без труда выпила большое количество воды и проснулась от гипноза со стаканом у губ; и после этого беспокойство исчезло, чтобы никогда не вернуться. (стр.9)

Интерпретация Фрейда заключалась в том, что Анна подавляла память об этом инциденте вместе с эмоцией, которую он вызвал, и что это было причиной ее неспособности пить.Более того, он считал, что ее воспоминания об инциденте, а также выражение подавленных ею эмоций заставили симптом исчезнуть.

В качестве иллюстрации теории Фрейда пример Анны О. весьма эффективен. Однако в качестве доказательства теории это по сути бесполезно. Описание не дает возможности узнать, действительно ли Анна подавила воспоминание о собаке, пьющей из стакана, вызвало ли это подавление ее неспособность пить, или же воспоминание об этой «травме» облегчило симптом.Из этого тематического исследования также неясно, насколько типичным или нетипичным был опыт Анны.

Рисунок 10.1 Анна О. «Анна О.» был предметом известного тематического исследования, использованного Фрейдом для иллюстрации принципов психоанализа. Источник: http://en.wikipedia.org/wiki/File:Pappenheim_1882.jpg Практические примеры

полезны, потому что они обеспечивают уровень детального анализа, которого нет во многих других исследовательских методах, и из этого более подробного анализа можно получить более глубокое понимание. В результате изучения конкретного случая исследователь может получить более четкое представление о том, что может стать важным для более широкого рассмотрения в будущих более контролируемых исследованиях.Тематические исследования также часто являются единственным способом изучения редких состояний, потому что может быть невозможно найти достаточно большую выборку людей с этим заболеванием, чтобы использовать количественные методы. Хотя на первый взгляд может показаться, что тематическое исследование редкого человека мало что говорит нам о нас самих, они часто дают представление о нормальном поведении. Случай с HM дал важное понимание роли гиппокампа в консолидации памяти.

Однако важно отметить, что, хотя тематические исследования могут предоставить понимание определенных областей и переменных для изучения и могут быть полезны при разработке теорий, их никогда не следует использовать в качестве доказательств для теорий.Другими словами, тематические исследования можно использовать как источник вдохновения для формулирования теорий и гипотез, но затем эти гипотезы и теории необходимо официально проверить с использованием более строгих количественных методов. Причина, по которой тематические исследования не следует использовать для поддержки теорий, заключается в том, что они страдают от проблем как с внутренней, так и с внешней достоверностью. В тематических исследованиях отсутствует надлежащий контроль, который содержится в настоящих экспериментах. Таким образом, они страдают от проблем с внутренней достоверностью, поэтому их нельзя использовать для определения причинно-следственной связи.Например, во время операции HM хирург мог случайно повредить другую область мозга HM (возможность предполагалась рассечением мозга HM после его смерти), и это поражение, возможно, способствовало его неспособности консолидировать новую информацию. Дело в том, что с помощью тематических исследований мы не можем исключить такого рода альтернативные объяснения. Итак, как и в случае со всеми методами наблюдения, тематические исследования не позволяют определить причинно-следственную связь. Кроме того, поскольку тематические исследования часто проводятся на одном человеке и, как правило, на ненормальном человеке, исследователи не могут обобщать свои выводы на других людей.Напомним, что для большинства исследовательских проектов существует компромисс между внутренней и внешней достоверностью. Однако с тематическими исследованиями возникают проблемы как с внутренней, так и с внешней достоверностью. Таким образом, есть пределы как способности определять причинно-следственную связь, так и обобщать результаты. Последним ограничением тематических исследований является то, что теоретические предубеждения исследователя имеют широкие возможности окрашивать или искажать описание случая. Действительно, были обвинения в том, что женщина, изучающая HM, уничтожила множество ее данных, которые не были опубликованы, и ее ставили под сомнение за уничтожение противоречивых данных, которые не подтверждали ее теорию о том, как консолидируются воспоминания.Есть увлекательная статья в New York Times, в которой описаны некоторые противоречия, которые возникли после смерти Х.М., и анализ его мозга, который можно найти по адресу: https://www.nytimes.com/2016/08/07/magazine/the- мозг-то-не-помню.html? _r = 0

Архивные исследования

Другой подход, который часто называют наблюдательным исследованием, включает анализ архивных данных, которые уже были собраны для какой-либо другой цели. Примером может служить исследование Бретта Пелхэма и его коллег о «неявном эгоизме» — тенденции людей отдавать предпочтение людям, местам и вещам, которые похожи на них самих (Pelham, Carvallo, & Jones, 2005).В одном исследовании они изучили записи социального обеспечения, чтобы показать, что женщины с именами Вирджиния, Джорджия, Луиза и Флоренс с наибольшей вероятностью переехали в штаты Вирджиния, Джорджия, Луизиана и Флорида соответственно.

Как и в случае с натуралистическим наблюдением, измерение может быть более или менее простым при работе с архивными данными. Например, подсчитать количество людей по имени Вирджиния, которые живут в разных штатах, на основе данных социального обеспечения относительно просто.Но рассмотрим исследование Кристофера Петерсона и его коллег о взаимосвязи между оптимизмом и здоровьем с использованием данных, которые были собраны много лет назад для исследования развития взрослых (Peterson, Seligman, & Vaillant, 1988). В 1940-х годах здоровые студенты мужского пола заполнили открытый вопросник о тяжелых переживаниях во время войны. В конце 1980-х Петерсон и его коллеги проанализировали ответы мужчин на анкету, чтобы определить стиль объяснения — их привычные способы объяснения плохих событий, которые с ними происходят.Более пессимистичные люди склонны винить себя и ожидать долгосрочных негативных последствий, влияющих на многие аспекты их жизни, в то время как более оптимистичные люди склонны обвинять внешние силы и ожидать ограниченных негативных последствий. Чтобы получить оценку стиля объяснения для каждого участника, исследователи использовали процедуру, в которой все негативные события, упомянутые в ответах на анкету, и любые причинные объяснения для них были идентифицированы и записаны на учетных карточках. Они были предоставлены отдельной группе экспертов, которые оценили каждое объяснение по трем отдельным параметрам оптимизма-пессимизма.Затем эти оценки были усреднены для получения оценки стиля объяснения для каждого участника. Затем исследователи оценили статистическую взаимосвязь между манерой объяснения мужчин как студентов бакалавриата и архивными показателями их здоровья примерно в 60-летнем возрасте. Первичный результат заключался в том, что чем более оптимистично мужчины были в студенчестве, тем здоровее они были в старшем возрасте. Pearson r был +,25.

Этот метод является примером контент-анализа — семейства систематических подходов к измерению с использованием сложных архивных данных.Подобно тому, как структурированное наблюдение требует определения интересующего поведения и последующего его отслеживания по мере его появления, контент-анализ требует определения ключевых слов, фраз или идей, а затем поиска всех их вхождений в данных. Затем эти события можно подсчитать, рассчитать время (например, количество времени, посвященное развлекательным темам в вечерних новостях) или проанализировать множеством других способов.

Восстановление сигнала от артефактов стимуляции во внутричерепных записях с изучением словаря

Прямая электрическая стимуляция мозга — мощный инструмент как в клинической, так и в базовой нейробиологии; он полезен для исследования нейронных цепей (Matsumoto et al 2004, Keller et al 2014), модификации корковых связей (Zanos et al 2018, Keller et al 2018), а также обеспечения прямой обратной связи с мозгом. регионов (Caldwell et al 2019, Cronin et al 2016, Collins et al 2017, Lee et al 2018, Hiremath et al 2017, Flesher et al 2017).Важно отметить, что электрическая стимуляция может способствовать развитию новой области нейропротезирования (Caldwell et al 2019). Однако интерпретация нервной активности во время одновременной электростимуляции представляет собой серьезную проблему. Записанный артефакт стимула, вызванный электрической стимуляцией, часто на порядки превышает интересующие нейронные сигналы, что затрудняет традиционные аналитические методы, такие как частотно-временной анализ и анализ временных рядов (Zhou et al 2018).Для минимизации влияния электрических артефактов на нейронные записи были разработаны как аппаратные, так и аналитические подходы. Новые интерфейсные аппаратные решения являются многообещающими (Zhou et al 2018, Weiss et al 2019), но они, вероятно, продолжат работать совместно с дальнейшей обработкой после получения сигнала.

В литературе имеется множество работ по разработке вычислительной методологии для обработки записей с одновременной электростимуляцией. Эти методы можно резюмировать как использование одного из пяти различных подходов к управлению артефактом стимуляции: простая интерполяция , вычитание шаблона , биофизическое моделирование артефакта , частотная фильтрация сигнала и модальное разложение артефакта из сигнала .К счастью, все большее количество этих методов стало доступным через наборы инструментов с кодом и данными для быстрого распространения и оценки результатов (Erez et al 2010, Herring et al 2015). Интерполяция и подгонка кривой через окно артефактов — простой, но часто эффективный подход для кратковременных артефактов, особенно когда нейронные реакции во время этих коротких артефактов не находятся в центре внимания исследования (Wagenaar et al 2002, Heffer et al 2008, Voigt et al 2018).Помимо интерполяции, различные методы вместо этого вычитали усредненный шаблон окна артефакта для оценки основного сигнала (Hashimoto et al 2002, Sun et al 2016). Интересно, что эти подходы были расширены для предложенной стимуляции с обратной связью в реальном времени с проверкой на смоделированных данных ЭКоГ с реальными артефактами стимуляции (Yang et al 2018). Метод извлечения шаблона был расширен вариацией с использованием неконтролируемого обучения многообразию (Alagapan et al 2018).Альтернативный подход состоит в том, чтобы сделать упрощающие предположения и построить биофизические модели взаимодействия между электростимуляцией и тканью для выделения нервных сигналов (Walker et al 2012, Trebaul et al 2016). Однако сложно сбалансировать адекватное восстановление нейронного сигнала с полным устранением артефактов в этих методах вычитания во временной области.

Артефакт стимуляции также может обрабатываться в частотной области. Для соответствия характеристикам артефакта было разработано множество фильтров, в том числе полосовые фильтры (Jech и др. 2006, Sun и др. 2014), фильтр Hampel (Allen и др. 2010) и рекурсивный фильтр Винера (Mouthaan et al 2016), и это лишь некоторые из них.Даже при использовании этих передовых методов фильтрации по-прежнему сложно изолировать нейронный сигнал, когда частотные спектры сигнала и артефакта перекрываются (Нагель и др. 2000, Lio и др. 2018).

За счет использования корреляций по нескольким одновременно записываемым каналам был достигнут большой прогресс в использовании методов модальной декомпозиции для отделения нейронных сигналов от артефактов. Обычно используемые методы включают анализ независимых компонентов (ICA, (Gilley et al 2006, Lu et al 2012)) и разложение по эмпирическим модам (EMD, (Al-ani et al 2011)).Другая недавняя работа моделирует пространственные и временные корреляции между большим массивом электрических записей как структурированные гауссовские процессы (Mena et al 2017). Модальная декомпозиция также использовалась для создания шаблонов артефактов с помощью последовательной регрессии главных компонентов (ПЦР), которые впоследствии вычитались из записей (O’Shea et al 2017).

В этой статье мы разрабатываем управляемый данными метод, основанный на обучении по словарю, для восстановления нейронных сигналов из записей с одновременной электрической стимуляцией.Предлагаемый здесь метод представляет собой тип вычитания из шаблона; наше нововведение заключается в использовании машинного обучения без учителя для изучения словаря шаблонов артефактов. В частности, наш метод разработан для хорошей работы с непрерывными сериями стимуляции по многим каналам во внутричерепных записях человека. Тренировки стимуляции часто используются для обеспечения терапевтического эффекта с помощью таких методов, как глубокая стимуляция мозга (DBS) (Ashkan et al 2017, Montgomery et al 2008, Montgomery et al 2011), ответная корковая стимуляция для лечения эпилепсии (Sohal et al 2011), а также для предоставления сенсорной информации в нейропротезах с прямой электрической стимуляцией (DES) первичной соматосенсорной коры (S1) (Cronin et al 2016, Lee et al 2018, Flesher et al. al 2017, Hiremath et al 2017).Когда используется много последовательностей стимуляции, импульсы могут иметь различные параметры стимуляции, записанные формы волны могут отличаться в зависимости от выборки, а их близость друг к другу может привести к неоднозначности в отделении от нейронных сигналов. Наш метод позволяет обнаруживать независимые кластеры артефактов по многим каналам без определенных пользователем начальных и смещений. Кроме того, резко выделяющиеся импульсы стимуляции и испытания могут быть исключены с помощью используемого алгоритма автоматической кластеризации (HDBSCAN), предотвращая загрязнение наиболее заметных, основных кластеров артефактов, присутствующих на протяжении всей записи.

Мы демонстрируем эффективность нашего метода в нескольких различных внутричерепных экспериментах на людях, включая стимуляцию S1 и DBS. Для стимуляции S1 мы также сравниваем вызванные корковые ответы на множестве записывающих электродов для DES и естественного тактильного прикосновения. Кроме того, мы показываем, что наш метод извлекает активность смежной моторной коры с одновременной стимуляцией S1. Такое извлечение сигнала важно для одновременного моторного декодирования и сенсорной стимуляции при нейропротезировании с замкнутым контуром.Кроме того, извлечение нервных сигналов в ответ на DBS показывает полезность нашего метода для понимания нервной реакции на это клиническое применение электрической стимуляции. Мы сделали весь код и данные общедоступными, чтобы ускорить будущие исследования в области нейронной инженерии с одновременной стимуляцией и записью. Наши наборы данных включают пять разных субъектов, выполняющих пять разных задач; мы надеемся, что эти наборы данных послужат общими испытательными площадками для других, занимающихся будущими разработками алгоритмов.Мы считаем, что наш метод и работа здесь продвигают область обработки артефактов в нейронных данных за счет комбинации передовых методов неконтролируемой кластеризации, автоматического обнаружения артефактов, применения по многим каналам и с последовательностями близкорасположенных импульсов стимуляции, демонстрацией режимов отказа и открытым — исходный код с пятью уникальными наборами человеческих данных.

2.1. Субъекты-люди

Субдуральные электрокортикографические (ЭКоГ) сетки (8 на 8 контактов, 2.Открытый диаметр 3 мм, Ad-tech Medical, Расин, Висконсин, США). Размещение сетки ЭКоГ было определено исключительно на основании клинических потребностей без учета результатов исследований. Хотя клиническое ведение каждого пациента было адаптировано к их конкретным медицинским потребностям, противоэпилептические препараты субъектов обычно отменяли или полностью прекращали в течение периода наблюдения до тех пор, пока не было зафиксировано достаточное количество припадков для адекватной локализации их очага припадка, после чего они возобновили прием полных доз своих противоэпилептических препаратов.Мы проводили все исследования стимуляции после того, как испытуемые снова начали принимать противоэпилептические препараты, примерно через неделю клинического наблюдения.

Субъектам DBS имплантировали в Медицинском центре Университета Вашингтона (Сиэтл, Вашингтон) отведения DBS (Medtronic) и субдуральные полоски ЭКоГ (контакты 1 на 8, Ad-tech Medical, Расин, Висконсин, США).

Все пациенты дали информированное согласие в соответствии с протоколами, утвержденными Наблюдательным советом Вашингтонского университета.

2.2. Кортикальные реконструкции

Мы выполнили кортикальные реконструкции, используя ранее описанные методы (Blakely et al 2009, Hermes et al 2010, Wander et al 2016).

2.3. Сбор данных и стимуляция

Нейронные данные были получены при 1221, 12 207 или 48 828 Гц с использованием системы 3 Tucker Davis Technologies (TDT) с нейродигитайзером RZ5D и PZ5 (Tucker Davis Technologies, Алачуа, Флорида, США). Нейронные данные были получены от нестимулирующих электродов.Все наборы данных, за исключением набора данных DBS, были получены с помощью 64 массивов сетки контактных макросов ЭКоГ, в то время как набор данных DBS был получен с помощью 4 контактных цилиндрических отведений DBS и 8 полос контактных макросов ЭКоГ. Мы проводили стимуляцию с помощью стимулятора TDT IZ2H-16 и аккумуляторной батареи LZ48-400 (Tucker Davis Technologies) с точными параметрами стимуляции, определенными в конкретном эксперименте (подробно описанном ниже). Для всех экспериментов стимуляционные пары электродов были смежными электродами на электродной решетке.

2.4. Набор данных тактильного прикосновения

Нейронные данные, полученные для сравнения стимуляции S1 и естественного тактильного прикосновения, взяты из ранее описанных экспериментов (Caldwell et al 2019), в которых испытуемые получали стимуляцию соматосенсорной коры S1 руки и периферическое тактильное прикосновение соответствующего область руки во время задания времени ответа. Вкратце, пара электродов для применения биполярной стимуляции руки S1 была выбрана с учетом анатомического расположения электродов и предшествующего клинического картирования.Затем применялась стимуляция, и с использованием вербальной обратной связи испытуемых для дальнейших сенсорных экспериментов была выбрана пара электродов, которые вызывали воспроизводимые ощущения на руках испытуемого. Затем тактильное прикосновение применялось к кожной области, где испытуемые сообщали об ощущении от стимуляции руки S1. Мы использовали 200 Гц, двухфазные (ширина импульса 200 µ с), биполярные, 2 мА последовательности стимуляции постоянным током длительностью 400 мс.

2,5. Набор данных неоднородного поезда

Нейронные данные, полученные для набора неоднородных поездов, были выбраны с частотой 12 207 Гц.Формы сигналов стимуляции состояли из двух импульсов по 3 мА, за которыми следовали 38 импульсов по 1,5 мА с частотой 200 Гц, всего 200 мс биполярной, двухфазной (ширина импульса 200 µ с) стимуляции.

2.6. Набор данных нажатия кнопок

Нейронные данные, полученные во время моторного поведения со стимуляцией сенсорной коры головного мозга, были получены с субъектом, выполняющим задачу нажатия моторных кнопок в самостоятельном темпе с одновременной случайной стимуляцией S1 и без нее. Испытуемый был проинструктирован нажимать кнопку твердо и последовательно, в то время как экспериментатор произвольно стимулировал S1 во время активности.Испытуемому сказали не реагировать по-разному в зависимости от стимуляции, и он смог выполнить задачу нажатия кнопки как со стимуляцией, так и без нее. Мы использовали 200 Гц, 200 µ с шириной импульса, двухфазные, биполярные, 1,5 мА последовательности стимуляции постоянным током длительностью 200 мс.

2.7. Набор данных DBS

Данные DBS были получены во время операции во время установки электродов DBS со стимуляцией и записью через систему TDT на четырехконтактном имплантированном электроде Medtronic.Испытуемые получили 15 периодов стимуляции с 4 различными амплитудами (1,5, 2, 2,5, 3 В, продолжительность 500 мс) с 185 Гц, биполярной, монофазной (ширина импульса 60 µ с) стимуляцией с постоянным напряжением, всего 60 эпох.

2,8. Набор данных иллюзии резиновой руки

Нейронные данные для иллюстрации неадекватной выборки для обработки эпохи стимуляции с использованием метода обучения по словарю были взяты с частотой 1221 Гц, как ранее описано в (Collins et al 2017). 100 Гц, 2.Используется постоянный ток 2 мА, двухфазный (ширина импульса 200 µ с), биполярная стимуляция.

Нашей целью было разработать алгоритмический подход для восстановления нейронных сигналов, записанных одновременно с электрической стимуляцией. Мы разработали наш алгоритм, основанный на трех ключевых предположениях о нейронных данных. Во-первых, предполагается, что артефакты стимуляции являются аддитивными и не взаимодействуют нелинейно с сигналом, поэтому после оценки их можно вычесть из записи. Во-вторых, мы предполагаем, что данные собираются записывающими усилителями, которые не насыщаются во время стимуляции, способны к передискретизации и синхронизируются между записывающими и стимулирующими устройствами.В-третьих, мы предполагаем, что синхронизация окон артефактов может быть извлечена во всех каналах по началу стимуляции из одного канала; это предположение основано на знании того, что объемная проводимость намного быстрее, чем распространение нейронного сигнала. Наше программное обеспечение включает опции для восстановления импульсов, вызванных стимуляцией, и для динамического обнаружения смещения импульсов стимулов на канальной и импульсной основе. В нашем онлайн-репозитории кода и соответствующем файле readme мы обсуждаем значения различных параметров, а также рекомендации по выбору их значений.

Рисунок 1 иллюстрирует общий алгоритм; каждый шаг в конвейере подробно рассматривается в последующих разделах. Вкратце, в качестве входных данных берутся необработанные записанные данные в эпоху стимуляции из многих каналов; они обычно включают серии стимуляции (рис. 1 (а)). Отдельные импульсы, вызванные стимуляцией, в каждой из этих эпох обнаруживаются (рисунки 1 (b) и 3) и группируются с использованием алгоритма на основе плотности (HDBSCAN или (иерархическая пространственная кластеризация приложений с шумом на основе плотности) (Campello et al. 2013)), чтобы изучить словарь шаблонов артефактов.Поскольку этот шаг имеет решающее значение для успешного восстановления нашего сигнала, он более подробно показан на рисунке 2. Затем каждый отдельный импульс сравнивается с этим словарем, и ближайший шаблон (рисунок 1 (c)) вычитается из необработанного пульс. После вычитания последующий анализ во временной и частотной областях может быть выполнен непосредственно на восстановленных сигналах (рисунок 1 (d)).

Увеличить Уменьшить Сбросить размер изображения

Рисунок 1. Схематический обзор нашего метода восстановления сигнала с артефактами стимуляции. (а) Эпохи необработанного сигнала стимуляции (время × , канал, × эпоха) записываются через массив электродов, как показано на кортикальной реконструкции одного пациента. Два местоположения электродов, обозначенные синим цветом и знаками, были местами электростимуляции. Это входные данные для нашего алгоритма. (b) Индивидуальные импульсы идентифицируются и извлекаются в пределах каждого из этих периодов времени эпохи стимуляции по всем каналам в массиве.Здесь визуализируется небольшое случайное подмножество. (c) Метод неконтролируемой иерархической кластеризации на основе плотности (HDBSCAN) используется для кластеризации отдельных импульсов. Каждый импульс окрашен шаблоном артефакта, к которому он сгруппирован. (d) Сигналы восстанавливаются путем вычитания ближайшего шаблона артефакта для каждого импульса. Последующий анализ может быть выполнен непосредственно для выходных сигналов, которые имеют тот же размер, что и входные данные.

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

Увеличить Уменьшить Сбросить размер изображения

Рисунок 2. Кластеризация, изучение словарей и сопоставление шаблонов. (a) Входными данными для кластеризации является матрица исходных напряжений, вычтенных из среднего значения после появления артефакта и обнаружения смещения, показанная здесь как тепловая карта для небольшого подмножества испытаний, с подмножеством точек данных в окне артефактов, используемом для кластеризации. Частота дискретизации для этих данных составляет 12 207 Гц. (b) Примерные напряжения на двух временных характеристиках, используемых для кластеризации, которые вводятся в алгоритм кластеризации HDBSCAN. (c) Данные о напряжении, отсортированные по согласованным шаблонам, с цветовой кодировкой, соответствующей кластерам на панели (b).(d) Четыре извлеченных кластера шаблона артефактов для необработанных трасс на панели (a).

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

Увеличить Уменьшить Сбросить размер изображения

Рис. 3. Сравнение отклонения артефактов с помощью нашего метода обучения по словарю и альтернативных методов, показанных на примере одного канала. (а) Средний необработанный сигнал стимуляции по испытаниям от одновременной стимуляции и записи.Широкая спектральная природа этих артефактов показывает значительное перекрытие между интересующими спектральными характеристиками и частотой стимуляции. График частота-время иллюстрирует широкий спектральный характер артефактов стимуляции во время последовательности импульсов стимуляции, а также артефакты начала и смещения. (b) Восстановление сигнала с помощью нашего метода использует данные для учета переменных артефактов в необработанном напряжении и времени по разным каналам. Наш подход хорошо фиксирует как временные ряды, так и информацию о частоте (здесь показана усредненная по всем испытаниям).(c) Кусочная кубическая сплайн-интерполяция локально уменьшает артефакты во временной области, но частотно-временной график показывает, насколько большие, нежелательные сигналы были введены, подчеркивая, как сходные трассы временных рядов могут иметь существенно различающееся спектральное содержание. (d) Фильтрация нижних частот на 25 Гц с акаузальным фильтром Баттерворта 4-го порядка устраняет высокочастотный артефакт на 200 Гц, но выравнивает сигнал временного ряда и устраняет активность 100 Гц, восстановленную на панели (b). (e) Фильтрация нижних частот на 100 Гц не устраняет высокочастотный артефакт на 200 Гц и сглаживает сигнал временного ряда.(f) Метод, полученный с помощью ICA, который выборочно удаляет компоненты с доминирующей спектральной составляющей 200 Гц, удаляет артефакт 200 Гц, но также ослабляет изменяющуюся во времени спектральную информацию на панели (b). (g) Тот же метод, полученный с помощью ICA, приводит к неполному разделению сигналов на других каналах в массиве, оставляя большие остаточные артефакты.

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

3.1. Обнаружение окон артефактов

Мы начинаем с и эпох данных, каждая из которых представляет собой t моментальных снимков по c каналам, поэтому размер входных данных равен ( t × c × e ).Вместо того, чтобы полагаться на согласование с импульсами стимуляции, мы обнаруживаем окна артефактов, используя временную информацию в канале с наибольшей величиной электрических артефактов. Чтобы оценить начало и смещение артефакта, мы используем фильтр Савицки-Голея (Savitzky и др. 1964), чтобы уменьшить высокочастотный шум (3-й порядок, 7 отсчетов или 0,57 мс при 12 207 Гц). Мы эмпирически нашли абсолютный порог Z-балла 1,5 для временного сигнала, чтобы успешно обнаружить начало артефактов, но этот параметр может быть изменен пользователем.

Затем мы определяем размер окна (пример ниже) вокруг каждого импульса стимуляции и выравниваем начало этих окон для извлечения импульсов из всех эпох (рисунки 1 (b) и 2 (a)). Мы использовали временное окно 0,8 мс перед обнаруженным началом стимуляции для всех наборов данных. Впоследствии мы использовали процентный порог Z-оценки как для необработанного сглаженного напряжения, так и для дифференцированного сглаженного сигнала (мы использовали 75% отсечку для обоих этих значений на рисунках 1–5) и использовали порог, который выбирал самую дальнюю точку времени от артефакта начало в конце каждого импульса стимуляции.Эта оценка была рассчитана индивидуально для каждого импульса, в каждую эпоху и в каждом канале. После окончания каждого артефакта добавлялась дополнительная 1 мс, чтобы гарантировать, что весь артефакт был адекватно выбран для всех наборов данных. Таким образом, мы преобразуем входные данные t × c × e в ячейку размера ( t _p × c × ( e × p )), где t _p — это индекс временного окна для каждого импульса на каждом канале, а p — количество импульсов.Сглаженный сигнал больше не используется в конвейере восстановления сигнала.

Увеличить Уменьшить Сбросить размер изображения

Рис. 5. Восстановление сигнала показывает значимую нервную активность после вычитания артефакта при сравнении электрической стимуляции с периферическим тактильным прикосновением. Мы сравнили ответы на электроде (желтый кружок), который показал устойчивые ответы как на тактильную, так и на прямую стимуляцию S1.Место прикосновения соответствовало тому месту, где ощущения стимуляции локализовались на руке, как показано на (d). (a) Необработанная кривая временного ряда, усредненная по всем эпохам стимуляции, выровненная по началу последовательности стимуляции в момент времени t = 0 мс, показывая заметные артефакты стимуляции (последовательность импульсов с частотой 200 Гц, приложенная в течение 400 мс). (б) Среднее значение восстановленного сигнала. (c) График частоты сигнала на панели (b). (г) экспериментальная парадигма. (e) и (f) Средние временные ряды и графики частоты времени в эксперименте с тактильным прикосновением, выровненные при наступлении прикосновения, которое происходит в момент времени t = 0 мс.Небольшая задержка, наблюдаемая между нейронными сигналами и t = 0, где отмечается начало прикосновения, связана с ранее опубликованными задержками, возникающими в результате использования специальных электронных датчиков касания, состоящих из чувствительных к силе резисторов (Caldwell et al 2019, Collins et al. al 2017).

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

Чтобы сделать эти извлеченные отдельные импульсы пригодными для неконтролируемой кластеризации, мы выровняли длины импульсов, добавив ноль в конце каждого импульса в канале, чтобы все они имели одинаковую длину (рисунок 2 (а)).Чтобы устранить смещение базовой линии окна артефактов, определенное пользователем количество выборок используется для определения периода, за который вычисляется среднее значение, и это среднее значение вычитается из всего импульса. В этой работе мы использовали первые 3 образца окна артефакта, поскольку это эмпирически то, что хорошо работает с нашими наборами данных, но могут использоваться более длительные периоды времени, а также среднее значение каждого окна. Время начала, время смещения, процентные пороговые значения и количество выборок, включенных для коррекции смещения, являются параметрами алгоритма и настраиваются пользователем в соответствии с конкретными нюансами своих данных.Например, временное окно до появления артефакта и после смещения артефакта может быть изменено вручную, чтобы гарантировать захват всего артефакта, при минимизации количества незагрязненного нейронного сигнала, который включается в обработку артефакта. Чтобы определить количество выборок, которые должны быть включены для коррекции смещения базовой линии, выбранные точки не должны выходить слишком далеко до начала стимуляции, чтобы свести к минимуму включение удаленных во времени записанных сигналов.Процентный порог Z-оценки для оценки смещения артефакта можно изменить, чтобы гарантировать, что конец артефакта обнаружен надлежащим образом. Мы обнаружили, что более высокое процентное смещение порога привело к повышению производительности наших наборов данных DBS (см. Раздел «Результаты»). Более высокий процент (например, 99%) обеспечит захват артефакта с большей продолжительностью, потенциально более подходящий для более длительных экспоненциальных артефактов, в то время как меньший процентный порог (75%) потенциально более подходит для артефакта с более коротким сроком действия.

3.2. Сравнение с восстановлением альтернативными методами

После выделения каждого импульса стимула следующий шаг направлен на уменьшение артефакта, присутствующего в этом окне. Электрический артефакт обычно на много порядков больше по амплитуде, чем лежащие в основе нейронные сигналы (рисунок 3 (а)), что делает эту задачу особенно сложной. Кроме того, эффект артефакта распространяется не только на частоту стимуляции и ее гармоники, но и на другие частоты. Мы сравниваем предложенный нами метод (рисунок 3 (b)) с другими обычно используемыми стратегиями восстановления сигнала.

Одна из стратегий — это схема интерполяции, которая игнорирует сам артефакт, заполняя данные между конечными точками артефакта стимула. Как уже отмечалось, их варианты использовались для электрофизиологических записей с одновременной стимуляцией. На рисунке 3 (c) показаны результаты схемы кусочно-кубической интерполяции с сохранением формы с использованием точек данных, смежных с артефактом стимула. Код для выполнения этой интерполяции находится в нашем репозитории. В то время как восстановленный сигнал во временной области является непрерывным и имеет правильный порядок величины по напряжению, рисунок 3 (c) показывает, что схема интерполяции привела к большим нежелательным сигналам в частотной области.

Другим распространенным подходом является фильтрация нижних частот, которая, как показано на рисунках 3 (d) и (e), чрезмерно сглаживает сигнал во временной области и либо устраняет нейронный сигнал в частотно-временной области (рисунок 3 (d), либо не работает). для удаления артефакта стимуляции (рис. 3 (e)). Здесь мы используем фильтрацию по всей последовательности импульсов, а не фильтрацию индивидуально обнаруженных импульсов. Хотя сигнал временного ряда может выглядеть гладким, нормализация к базовой линии может выявить спектральные артефакты, удаленные не полностью с помощью процесса фильтрации из-за характеристик фильтра, которые включают спад, порядок и центральную частоту.Для фильтрации нижних частот мы использовали акаузальные фильтры Баттерворта 4-го порядка. Мы полагаем, что спектральные компоненты, представленные в случае фильтра нижних частот 100 Гц, связаны с неполным подавлением компонентов артефактов в режиме 100–300 Гц, которые обнаруживаются при нормализации к базовой линии.

Другой подход — ICA. Здесь для устранения артефактов стимула использовалась реализация ICA, которая выборочно удаляла компоненты ICA со спектральными пиками очень высокой частоты (200 Гц). Эта реализация привела к разумной производительности в частотно-временной области (рисунок 3 (f)) для того же канала, что и панели (a – f), но в сигнале временного ряда присутствовали остаточные артефакты.Что наиболее важно, другие каналы (например, рисунок 3 (g)) имели большие остаточные артефакты. Это указывает на сложность слепого разделения источников с использованием ICA, даже с учетом специфической оптимизации для сигналов, которые имеют компоненты артефактов на порядки больше, чем интересующие нейронные сигналы, которые не соответствуют по форме по каналам.

3.3. Обучение по словарю с неконтролируемой кластеризацией для извлечения шаблонов артефактов

Артефакты стимуляции, записанные при каждом импульсе на каждом канале, имеют разные формы волны.Следовательно, форма сигнала среднего артефакта является плохим представлением отдельных артефактов. Различия в морфологии артефактов возникают из-за нескольких разных источников, включая небольшие временные сдвиги из-за окон, тонкие различия во времени выборки, разные параметры стимуляции во время и между эпохами, а также различные факторы на каждой границе раздела электрод-ткань. Тем не менее, существуют стереотипы форм сигналов с артефактами, и здесь мы реализовали стратегию на основе данных для изучения этих шаблонов.В частности, мы создали словарь форм сигналов с артефактами из всех импульсов и всех эпох каждого канала, используя неконтролируемую кластеризацию.

Наш алгоритм использует модифицированный алгоритм HDBSCAN для кластеризации (Campello et al 2013), который, в свою очередь, является вариантом классического алгоритма DBSCAN (Ester et al 1996). Мы используем MATLAB-реализацию HDBSCAN, открыто распространяемую на GitHub (Сорокин и др. 2018). Этот алгоритм обнаруживает плотные области (кластеры) в зашумленном наборе данных; алгоритм определяет количество кластеров, которые объясняют данные, учитывая три ключевых параметра, которые должен выбрать пользователь.Первый параметр — это количество соседей k , используемых при вычислении плотности; увеличение этого параметра ограничивает кластеры более плотными областями. Второй параметр — это минимальный размер кластера n , то есть минимальное количество точек данных, считающихся кластером. Третий параметр — это порог оценки выбросов θ = [0, 1], выше которого наблюдение считается шумом. Для нашего тактильного прикосновения, переменной амплитуды стимула и наборов данных DBS мы указали k = 2, n = 3 и θ = 0.9. Для нашего набора данных нажатия кнопок мы использовали k = 15, n = 10 и θ = 0,95. В качестве метрики расстояния мы использовали евклидово расстояние между импульсами артефактов, но при желании можно использовать и другие метрики расстояния для кластеризации.

Чтобы выбрать подходящие значения для параметров, описанных выше, пользователь должен сначала взглянуть на необработанные отдельные импульсы и решить, есть ли многочисленные видимые формы артефактов, а также приблизительно процент импульсов, представленных каждой формой артефакта.Слишком большой минимальный размер кластера n может не захватить кластеры, которые представляют более редкие артефакты. Точно так же, насколько тесно отдельные точки сгруппированы в их описанных кластерах, и шумность данных помогает информировать, сколько соседей k следует использовать, и пороговое значение оценки выбросов θ .

Все импульсы для каждого канала сгруппированы вместе. Фиг.2 (а) иллюстрирует матрицу входных данных для кластеризации; При кластеризации использовалось 12 признаков, взятых за 6 выборок (0.5 мс) по обе стороны от момента времени, когда произошло максимальное абсолютное значение напряжения. Количество функций может быть определено пользователем в зависимости от того, сколько информативных точек данных содержится в данном импульсе артефакта. Это количество функций не зависит от длины окна и позволяет пользователю выбрать максимально разделяемое количество точек для любой произвольной длины окна. Мы выбрали эту часть артефакта для управления размерностью задачи кластеризации, сосредоточив внимание на моментах времени, которые наиболее информативны в отношении отделимости артефактов стимулов.Две из этих временных точек используются в качестве осей на рисунке 2 (b), демонстрируя кластеризацию артефактов в 4 различных региона в этом примере.

3.4. Восстановление сигнала путем сопоставления с шаблоном и вычитания артефактов

Средние формы сигналов каждого кластера образуют словарь шаблонов артефактов (рис. 2 (c) и (d)). Вычисляется корреляция каждого отдельного импульса в сигнале с каждым из шаблонов в словаре и выбирается максимально коррелированный шаблон.Мы используем корреляцию, чтобы минимизировать влияние масштабирования и нормализации при выборе шаблона. После выбора лучшего шаблона он масштабируется в соответствии с отношением диапазона шаблона к диапазону отдельного импульса. Это необходимо для корректировки небольших изменений амплитуды стимулирующего импульса между импульсами. Наконец, масштабированный шаблон линейно вычитается из временного окна для этого импульса, чтобы восстановить нейронный сигнал (рисунки 2 (c) и (d)). Мы также реализуем для сравнения среднее значение в схеме вычитания шаблона эпохи, а также среднее значение по всем схемам вычитания импульсов стимуляции для каждого канала (данные не показаны).В простых случаях эти методы могут работать так же хорошо, как и более сложные методы, описанные выше, но для сигналов различной амплитуды и импульсов стимуляции с разным временем выборки наш более продвинутый метод превосходит другие подходы (см. Ниже).

3.5. Постобработка и визуализация

После восстановления сигнала мы выполнили усреднение эпох, чтобы получить средний временной ряд, визуализированный в этой статье. Для рисунка 6 мы выполнили привязку к общему среднему значению для каналов без стимуляции, чтобы удалить общий шум.В каждую эпоху мы используем неаналитические вейвлеты Морле (Wander и др. 2016, Bruns и др. 2004) для вычисления амплитуды по временным и частотным элементам. Мы использовали интервалы 10 мс в качестве временного разрешения для обработки вейвлетов. Мы визуализировали область 5–300 Гц, чтобы избежать включения более низких частот, где могут существовать краевые эффекты от обработки вейвлетов, и сосредоточиться на таких сигналах, как широкополосная гамма (Miller et al 2008). Мы считали, что широкополосная гамма — это совокупность локальной нейронной активности, которую легче отделить от низкочастотных колебаний выше 50 Гц.Частотно-временные графики для наборов данных тактильного прикосновения были нормализованы по Z-шкале относительно базового периода от 800 мс до 5 мс перед стимуляцией или перед началом прикосновения в каждой полосе частот. В наборах данных по нажатию кнопки графики были нормализованы относительно испытания в течение –900 мс до нажатия кнопки и до 900 мс после нажатия кнопки, поскольку не было согласованного базового периода перед каждым испытанием.

Увеличить Уменьшить Сбросить размер изображения

Рисунок 6. Сигналы, восстановленные во время выполнения задания по нажатию кнопок в автоматическом темпе с одновременной стимуляцией и без нее, сопоставимы. Мы проанализировали ответы на одном электроде (желтый кружок на панели (г)) в моторной коре. (a) Средняя необработанная кривая временного ряда во время стимуляции S1 (поезда 200 Гц на бирюзовых электродах на (d)), ноль совмещен со временем нажатия кнопок. (b) и (c) Среднее значение восстановленного сигнала, представленное в виде временных рядов и частотно-временных графиков. (d) Экспериментальная парадигма, в которой субъект выполняет самосинхронное нажатие кнопки и получал электрическую стимуляцию в S1 той же руки в некоторых испытаниях.(e) и (f) Средние временные ряды и графики частоты времени для условий без стимуляции.

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

Здесь мы показываем, что наш подход неконтролируемой кластеризации к изучению шаблонов артефактов является воспроизводимым и надежным, восстанавливая базовые нейронные сигналы, записанные одновременно с электрической стимуляцией. Мы демонстрируем, что сигналы, полученные в различных наборах данных внутричерепных записей человека, поддаются интерпретации и физиологически достоверны.Важно отметить, что наш метод защищает временные точки за пределами эпох стимуляции от обработки, смягчая любые неблагоприятные воздействия алгоритма восстановления сигнала на данные без артефактов. На рисунке 4 сравниваются необработанные и восстановленные сигналы для одной эпохи последовательности стимуляции одного канала из массива внутричерепных записей; Результаты остальных каналов по этой и второй теме показаны на рисунках A1 – A2.

Увеличить Уменьшить Сбросить размер изображения

Рисунок 4. Подробная информация о необработанных и восстановленных сигналах временных рядов. (a) Необработанные (черные) и восстановленные (оранжевые) данные временных рядов для одной эпохи, с серыми окнами, указывающими окна артефактов. Выделенный канал — это канал 28 на рисунках A1 – A2. Синяя полоса указывает период времени, показанный в увеличенном масштабе на панели (b). (b) Увеличенная область панели (a), выделяющая начало и смещение для каждого отдельного артефакта и восстановленного сигнала. (c) и (d) Соответствующие необработанные и восстановленные сигналы при меньшем масштабе напряжения для панели (b), подчеркивая сохранение сигнала за пределами окна артефакта.Восстановление сигнала в окне артефакта не имеет явных разрывов.

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

4.1. Сравнение прямой электрической стимуляции S1 и естественного тактильного прикосновения

Чтобы продемонстрировать, что восстановленная нервная активность является физиологически значимой и достоверной, мы выделяем результаты сравнения нейронных записей от прямой электрической стимуляции S1 с записями от периферического тактильного прикосновения. Как показано на рисунке 5 (d), тактильное прикосновение было локализовано в той же области, где было локализовано ощущение стимуляции.На рисунках 5 (a) и (e) показаны необработанные сигналы, записанные на том же канале, расположенном рядом с электродом стимуляции, где последовательность стимуляции 200 Гц преобладает в записи. Несмотря на эти артефакты последовательности стимуляции большой амплитуды, присутствующие в необработанном сигнале, мы наблюдаем, что общая структура нейронного ответа во временной области сигнала восстановления (рисунок 5 (b)) очень похожа на исходный сигнал от тактильного прикосновения (рисунок 5 (е)). Небольшая задержка, наблюдаемая между необработанным вызванным сигналом и началом тактильного прикосновения при t = 0, связана с ранее опубликованными задержками, вызванными специальными электронными сенсорными датчиками, состоящими из чувствительных к силе резисторов, используемых в экспериментах (Caldwell et al 2019, Collins et al 2017).Важно отметить, что стимуляция S1 и естественные тактильные сигналы касания демонстрируют сильное сходство в частотно-временной области (рисунки 5 (c) и (f)). Кроме того, нет никаких признаков наложения спектров на спектрограмме в полосе частот стимуляции (200 Гц).

4.2. Сравнение двигательной активности с DES и без него из S1

В аналогичном эксперименте мы проанализировали нервные реакции на электроде, который показал двигательную активность во время выполнения задания по нажатию кнопки в собственном темпе; мы сравнили эпохи с одновременной стимуляцией и без одновременной стимуляции коры S1 ипсилатеральной руки.На рисунке 6 данные были выровнены и усреднены с использованием времени нажатия кнопок в самостоятельном темпе. Мы наблюдали поразительное совпадение как временных рядов, так и частотно-временной области между эпохами со стимуляцией и без нее, а также отсутствие свидетельств остаточной мощности в полосе частот стимуляции 200 Гц. Размер артефактов в усредненном сигнале перед обработкой меньше, чем на рисунке 5, потому что эпохи здесь выравниваются не при начале стимуляции, а скорее при нажатии кнопки, в результате чего импульсы стимуляции усредняются по испытаниям.

4.3. Восстановление с неравномерными последовательностями стимуляции

Ключевой особенностью нашего алгоритма является его способность адаптироваться к изменяющимся во времени амплитудам импульсов стимуляции (рисунок 7). В этом сценарии подход, при котором шаблон вычисляется как среднее значение в эпоху стимуляции, потерпит неудачу. Неоднородные последовательности стимуляции полезны, потому что нервная активность часто неоднородна по амплитуде во времени. Например, начало и смещение контакта с объектом кодируется нейронами в S1 в первую очередь за счет наивысшей частоты срабатывания во время начала и смещения касания и уменьшения их срабатывания во время поддержания касания (Pei et al 2009).Следовательно, стимуляция поездами, имитирующими естественные паттерны возбуждения нейронов, может быть более эффективной для нейропротезных приложений для кодирования контакта с объектом (Tabot et al 2013). При использовании неоднородной последовательности стимуляции мы можем восстанавливать быстрые вызванные потенциалы после начала каждого импульса стимуляции, которые происходят в пределах 2 мс от стимула, которые были бы пропущены, если бы окна артефактов не были тщательно выбраны (рисунки 7 (c ) и (г)). Кроме того, частотно-временное представление обработанного сигнала, по-видимому, имеет отклик в частотном диапазоне стимуляции (200 Гц), который, как мы полагаем, является реальным компонентом отклика, вызванным быстрым возникновением вызванных потенциалов, вызванных стимуляцией 200 Гц ( рисунок 7 (б)).Мы подчеркиваем, что мы использовали один набор параметров для всех каналов в этом массиве ЭКоГ и смогли достичь хороших результатов во всем массиве без детальной тонкой настройки (на рисунках A3 – A4 показаны временные ряды и частотно-временные характеристики. для всего массива).

Увеличить Уменьшить Сбросить размер изображения

Рис. 7. Восстановление сигналов от неоднородных последовательностей стимуляции и восстановление быстрых вызванных потенциалов.(a) Наложенный необработанный и обработанный сигнал для канала 15 для периода одиночной последовательности стимуляции на рисунках A3 – A4, выделяющий два начальных импульса с высокой амплитудой, за которыми следует последовательность импульсов с меньшей амплитудой. Вычитание среднего временного шаблона здесь не поможет восстановить правильный сигнал. (b) График частотно-временной зависимости восстановленного сигнала, подчеркивающий представление воспроизводимых быстрых вызванных потенциалов в частотно-временной области. Единицы измерения являются нормализованной степенью Z-Score, как и на других рисунках.(c) Увеличенный средний необработанный сигнал, выделяющий быстро вызванные потенциалы после каждого импульса стимуляции. (d) Восстановленный средний сигнал, подчеркивающий сохранение этих ранее вызванных потенциалов.

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

4.4. Извлечение ранее вызванных потенциалов в записях DBS и одновременных записях ЭКоГ со стимуляцией DBS

Известно, что в некоторых парадигмах стимуляции сигналы демонстрируют долгое экспоненциальное восстановление до исходного уровня.Мы выделили ранние, быстрые вызванные потенциалы в электродах глубокой стимуляции мозга (DBS) с одновременной стимуляцией (рисунок 8 (a)), где рисунки 8 (b) и (d) показывают восстановленные вызванные потенциалы. Кроме того, использование тех же параметров для одновременной записи полосы ЭКоГ дало хорошие результаты в получении результирующей поверхностной корковой активности (рисунок 8 (f)).

Увеличить Уменьшить Сбросить размер изображения

Рисунок 8. Восстановление ранних вызванных потенциалов на электродах DBS. (а) Биполярная монофазная стимуляция через электроды DBS с одновременной записью на других каналах. Примеры записей DBS и ЭКоГ показаны фиолетовым прямоугольником и синим кружком. (b) Исходный и восстановленный пример эпохи с выделенными окнами артефактов. (c) Необработанный средний сигнал по каналу DBS в том же зонде, что и электроды стимуляции. (d) Восстановленный средний сигнал после сопоставления шаблона с соответствующим сигналом, показанным на (c), иллюстрирующий ранний вызванный потенциал.(e) Необработанный средний сигнал на электроде ЭКоГ во время стимуляции через электроды DBS. (f) Восстановленный сигнал, соответствующий (e).

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

4,5. Ограничение алгоритма

Несмотря на значимое восстановление сигнала в ряде обстоятельств, существуют условия, при которых представленные здесь алгоритмы не могут восстановить нейронный сигнал. Один из примеров этого сбоя показан на рисунке 9, где показан набор данных, полученный при более низкой частоте дискретизации (1221 Гц), как описано ранее в (Collins et al 2017).В частности, когда формы сигналов стимуляции плохо разрешаются, например, когда сигнал недостаточно дискретизирован, наш алгоритм плохо работает при обнаружении кластеров и шаблонов артефактов (рисунок 9 (a)). Поскольку процедура обучения шаблона не удалась, наш метод не смог восстановить нейронные сигналы (рисунок 9 (e)). Мы определяем здесь неудачное восстановление сигнала как остаточные артефакты в масштабе исходного сигнала, а также отсутствие дополнительных сведений о лежащей в основе нейронной активности (рисунок 9 (e)).

Увеличить Уменьшить Сбросить размер изображения

Рис. 9. Иллюстрация невозможности восстановления сигнала, когда данные стимуляции S1 были получены с более низкой частотой дискретизации (1221 Гц) (Collins et al 2017). Частично из-за более низкой частоты дискретизации, было несколько режимов отказа, как описано ниже. (а) Метод кластеризации на основе плотности не дал отдельных кластеров (сравните с рисунком 2).Серые точки представляют отдельные испытания, которые были классифицированы как выбросы и не входили в кластер. (b) Выбранный шаблон не идеально совпадал и был неправильно масштабирован. (c) Был выбран неправильный шаблон. (d) Конец шаблона не был точно рассчитан. (e) Результатом этих несоответствий было неудачное отделение нейронного сигнала от артефактов стимуляции, показанных здесь для примера эпохи. Мы определяем здесь неудачное восстановление сигнала как остаточные артефакты в масштабе исходного сигнала, а также отсутствие дополнительных сведений о лежащей в основе нейронной активности.

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

Анализ сигналов, полученных при одновременной экзогенной стимуляции и регистрации, сложен в значительной степени из-за того, что как физика прямой электростимуляции, так и последующие нейронные реакции недостаточно изучены (Borchers et al 2012). Следовательно, не существует истинной истины, на которой можно было бы обучать и оценивать алгоритмы восстановления сигнала. В предыдущих работах использовались синтетические наборы данных для проверки восстановления сигнала.В то время как моделирование дает преимущество в виде точного знания того, что следует восстанавливать, синтетические данные не точно воспроизводят ключевые особенности реальных данных (Ян и др. 2018). Артефакты могут отличаться по отдельным каналам и с течением времени во время записи и не могут быть полностью описаны простыми аналитическими моделями. Например, в прошлых работах предполагалась стимуляция постоянным напряжением, тогда как в наших экспериментах мы использовали стимуляцию постоянным током (Trebaul et al 2016).Помимо простой RC-цепи для интерфейса электрод-ткань, существуют дополнительные соображения из фарадеевских и нефарадеевских реакций (Merrill et al 2005).

Таким образом, мы выделяем здесь примеры со значимым восстановлением биологически интерпретируемых сигналов в качестве цели. Этот паттерн корковых реакций во время явного моторного контроля является хорошо установленным феноменом, наблюдаемым во всей системной электрофизиологической литературе (Miller et al 2007), а циклический характер наблюдаемого паттерна иллюстрирует быструю самовременную природу задача по этой теме.Точно так же совпадение графиков временных рядов и частотно-временных рядов на рисунке 5 подтверждает, что мы извлекли биологически обоснованные сигналы из нашего случая стимуляции.

5.1. Сравнение с обычно используемыми методами обработки сигналов

Сигналы, которые похожи во временной области, могут сильно отличаться в частотной области (рисунок 3). Это несоответствие указывает на важность изучения данных как во временной, так и в частотной областях после обработки. Простые подходы к фильтрации могут либо чрезмерно ослабить интересующие частотные компоненты (рисунок 3 (d)), либо не устранить компоненты артефактов в частотной области (рисунок 3 (e)).Методы модальной декомпозиции, такие как наша реализация ICA на рисунке 3 (f, \, g), могут продемонстрировать лучшие характеристики по сравнению с подходами к интерполяции и фильтрации, но трудно обеспечить удовлетворительную производительность по всему массиву электродов (рисунок 3 (g). ). Такие методы, как ICA, полагаются на общие временные структуры на разных сайтах записи для оптимальной производительности, в то время как наш метод рассматривает каналы независимо в процессе обнаружения, кластеризации и вычитания, что позволяет ему хорошо работать с наборами данных, в которых имеется небольшое количество записывающих электродов. массив (ленточные электроды), а также более крупные числа (сеточные электроды).Другие продвинутые методы модальной декомпозиции, обсуждаемые во введении (Mena et al 2017, O’Shea et al 2017), делают различные предположения о природе нейронных компонентов и компонентов артефактов данных. Например, Mena и др. 2017 используют знания об электрических сигналах, заранее известных из спонтанной активности, для управления подавлением артефактов, в то время как O’Shea и др. 2017 используют информацию о пространственном распространении артефакта и нейронных сигналов для разделения два.В будущем можно будет изучить возможность распространения этих подходов на внутричерепные наборы данных о человеке.

На наших частотно-временных графиках (рисунки A2, A4) мы не видим мощности с наложением спектров на частотах ниже, чем частота стимуляции, что является потенциальной проблемой для шаблонных подходов к временным данным без достаточной передискретизации и удаления артефактов (Lio et al. al 2018). Степень нашей передискретизации видна на рисунке 1, где максимальные и минимальные значения для каждого из стимулов в эпоху стимуляции не сильно различаются.Мы признаем, что наш подход не подходит для всех случаев электрофизиологических данных человека.

5.2. Сравнение с другими подходами с использованием шаблонов

За последние десятилетия был достигнут значительный прогресс с другими подходами к вычитанию шаблонов (Hashimoto et al 2002), и описанные здесь методы являются расширением этих идей. Наш алгоритм использует информацию по многим каналам одновременно, по импульсам, по каналам, путем определения вероятного окна артефактов и путем кластеризации шаблонов даже при наличии зашумленных испытаний с выбросами.Результаты, показанные на рисунке 4, могут быть получены с помощью более простого подхода, когда шаблоны вычисляются как средние значения для каждой эпохи. Однако в случае более сложных сигналов с различными параметрами в рамках последовательности стимуляции (рисунок 7) средний шаблон во время последовательности не сможет восстановить базовый нейронный сигнал. Тем не менее, наше использование неконтролируемой кластеризации для обучения шаблонов наследует некоторые ограничения методов, основанных на плотности (Aghabozorgi et al 2015). В частности, артефакты с множеством точек требуют кластеризации в более высоких измерениях, что является менее эффективным с точки зрения вычислений и требует более плотно отобранных данных.

5.3. Физическая основа структуры данных

Внутри каждого одноимпульсного артефакта есть вклад физиологического, теплового и электронного шума. Вероятно, это отражено в неоднородности, наблюдаемой в усвоенных кластерах (рисунок 2b). Дисперсия вокруг кластеров предполагает, что эти переменные непрерывно распределяются по дискретным обученным кластерам. Поскольку наши идеальные формы волны стимуляции представляют собой прямоугольные импульсы, даже при высокой частоте дискретизации, очень трудно, если не невозможно, оптимально передискретизировать результирующие формы волны, в зависимости от фактической скорости нарастания стимулятора и формы подаваемой формы волны.Дискретные кластеры в наших наборах данных, вероятно, связаны с частичной синхронизацией оборудования для записи и стимуляции, когда записывающее оборудование работает на более низкой частоте, чем стимулятор и общие часы устройства. В случае идеально синхронизированного оборудования и оптимально избыточно дискретизированных данных мы ожидаем, что это будет один кластер с непрерывно распределенной дисперсией вокруг центра кластера. Одним из преимуществ нашего метода является то, что он автоматически обнаруживает уникальные независимые кластеры на каждом электроде, что делает его подходящим для событий, когда имеется несколько или один кластер, которые могут быть разными на разных электродах.

Артефакты стимуляции и, более того, последовательности стимулов являются многофакторными и состоят не только из одноимпульсных артефактов, но также из артефактов начала и смещения в начале и в конце последовательности стимуляции, накопления емкостного заряда во время последовательности стимуляции . Наша работа здесь в первую очередь направлена на проблему постоянных артефактов единичного импульса. Другие проблемы являются нерешенными в области обработки артефактов и потребуют дальнейшей работы для дальнейшего устранения влияния этих факторов на нейронные данные.Усовершенствованные методы модального разложения, а также определение характеристик точного набора электродов и параметров стимуляции in vitro могут позволить получить более глубокое представление о природе этих других артефактов и помочь в их удалении.

5.4. Практические рекомендации

Приведенный код включает параметры по умолчанию, которые достаточно хорошо работают для включенных наборов данных. Ключевым моментом является то, что все каналы в данном наборе данных обрабатывались с одинаковыми параметрами. Лучшая производительность может быть достигнута за счет настройки параметров для отдельных или разных групп каналов.Дальнейшая работа может включать в себя поиск оптимизированных параметров для различных параметров, используемых в нашем подходе, таких как минимальное количество соседних точек для кластера или порог отсечки для маркировки как шум, с использованием целевой функции для выбора набора параметров. что приводит к наиболее репрезентативному восстановлению нейронного сигнала. Это остается сложной проблемой из-за трудностей с определением наилучшей целевой функции и основного сигнала истинности для оптимального. Без адекватной передискретизации альтернативные подходы с использованием повышающей дискретизации (Sun et al 2016) могут быть подходящими, или, в худшем случае, может быть выполнена интерполяция для оценки динамики сигналов с более низкой частотой во времени.При возникновении остаточных низкочастотных искажений можно использовать фильтр Хэмпеля, который успешно использовался для одновременной стимуляции и записи DBS / EEG (Lio et al 2018). Использование смоделированных артефактов, добавленных к синтетическим или записанным нейронным данным, может быть дополнительным методом проверки алгоритма, как в Sellers et al 2019, и исследования параметров в будущем.

По нашему опыту, последовательности стимуляции 200 Гц с шириной импульса 200 µ с , дискретизированные с частотой 1221 Гц (рисунок 9), были слишком недодискретизированы для использования с нашим алгоритмом.В нашей работе мы сосредоточились на частотах стимуляции 185 и 200 Гц из-за характера экспериментов, в которых были получены эти данные. Дальнейшая работа могла бы расширить подходы здесь, чтобы проверить его эффективность в более широком диапазоне частот стимуляции. В нашей работе мы сосредоточились на соседних биполярных парах стимулирующих электродов. Пары несмежных электродов могут иметь разную производительность при обработке с помощью нашего алгоритма, и это может быть решено в будущей работе.Наша работа была сосредоточена в первую очередь на регистрации и стимуляции с помощью матричных макросов ЭКоГ с дополнительным набором данных DBS, содержащим данные ЭКоГ-полос и данные отведений DBS.

5.5. Будущие расширения

Анализ электрических записей с одновременной стимуляцией может выиграть от будущих разработок, основанных на современных методах моделирования и машинного обучения. Комбинация подходов на основе моделей и данных поможет создать более принципиальный набор шаблонов для отделения нейронной активности от электрических артефактов.Глубокое обучение, которое начало находить применения в обработке сигналов (Yu et al 2011) и обработке ЭКоГ (Wang et al 2018), также могло бы принести пользу сообществу обработки артефактов, если бы было доступно достаточное количество обучающих данных. В будущем эти подходы могут быть расширены до проникающих глубинных электродов и массивов микро-ЭКоГ, поскольку мы ожидаем, что сигналы артефактов и нейронные данные будут вести себя одинаково при обработке.

Электростимуляция, применяемая одновременно с записью, дает сигналы, содержащие как нервную активность, так и электрические артефакты.Здесь мы разработали новый алгоритм, который автоматически обнаруживает электрические артефакты по многим каналам записи, создает словарь изученных шаблонов с использованием неконтролируемой кластеризации и выполняет сопоставление с образцом для наилучшего извлечения основной нейронной активности. Вместо того, чтобы оценивать наш метод на синтетических данных, мы продемонстрировали эффективность нашего подхода на реальных данных стимуляции человека как в электрокортикографических (ЭКоГ) массивах, так и в записях глубокой стимуляции мозга (DBS). Кроме того, мы показали, что восстановленные сигналы имеют физиологически значимые нейронные сигнатуры в двух наборах данных, что обеспечивает хорошую экологическую обоснованность нашего метода.В первом наборе данных мы показали, что ответы на стимуляцию первичного соматосенсорного (S1) и естественного периферического прикосновения вызывали аналогичные ответы. Во втором мы показали, что активность моторной коры в задаче нажатия кнопки была одинаковой со стимуляцией S1 и без нее. Весь код, который мы разработали, и наборы данных, которые мы использовали, стали общедоступными.

Авторы выражают благодарность за участие тем, чьи данные представлены в этой статье. Без них все это было бы невозможно.Авторы также хотели бы поблагодарить Jing Wu и Nile Wilson за полезные обсуждения.

Этот материал основан на работе, поддержанной Центром нейротехнологии (CNT) Национального научного фонда (NSF) (номер премии EEC-1028725), номер премии NSF IIS-1514790, DGE-1256082, 2K12HD001097, Национальными институтами здравоохранения. (NIH) Номер награды NS065186, NIH NS079200, Шведский исследовательский совет, Фонд Джеймса Макдоннелла, Torsten Söderbergs Stiftelse, Riksbanken Jubileumsfond, Фонд Promobilia, Шведское общество медицинских исследований, Стокгольмский институт мозга и Шведское медицинское общество.DJC был поддержан грантом на обучение в области больших данных для геномики и нейробиологии под номером гранта 1T32CA206089, а также Институтом нейроинженерии UW и Фондами Вашингтонского исследовательского фонда для инноваций в нейроинженерии. RPNR поддерживается профессорско-преподавательским составом CJ и Элизабет Хван в области компьютерных наук и инженерии, а также электротехники и вычислительной техники. BWB был поддержан Вашингтонским исследовательским фондом и фондом Альфреда Слоана. Авторы несут исключительную ответственность за содержание и не обязательно отражают официальную точку зрения Национального научного фонда или Национальных институтов здравоохранения.

Чтобы лучше проиллюстрировать производительность нашего алгоритма по всем обрабатываемым каналам, мы выделяем производительность метода по двум предметам, где мы использовали один набор параметров для всех каналов. Настройка параметров для подмножеств каналов приведет к лучшей производительности алгоритма, но мы стремимся подчеркнуть, что с одним глобальным набором параметров достигается разумная производительность.

Увеличить Уменьшить Сбросить размер изображения

Рисунок A1. Средние ответы временного ряда после обработки по коре головного мозга. В сером окне выделен период времени стимуляции, пример файла данных 1. Бирюзовые биполярные формы волны обозначают каналы стимуляции. (Нижняя правая вставка) Кортикальная реконструкция для этого объекта, где места электростимуляции обозначены знаками и.

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

Увеличить Уменьшить Сбросить размер изображения

Рисунок A2. Средние частотно-временные отклики после обработки в коре головного мозга, например, в файле данных 1. Черная полоса указывает на начало окна стимуляции. Бирюзовые биполярные формы волны указывают на каналы стимуляции.

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

Увеличить Уменьшить Сбросить размер изображения

Рисунок A3. Средние ответы временного ряда после обработки по коре головного мозга.В сером окне выделен период времени стимуляции, пример файла данных 2. Бирюзовые биполярные формы волны обозначают каналы стимуляции. (Нижняя вставка) Кортикальная реконструкция для этого объекта, где места электростимуляции обозначены знаками и.

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

Увеличить Уменьшить Сбросить размер изображения

Рисунок A4. Средние частотно-временные характеристики после обработки в коре головного мозга, например, файл данных 2.Черная полоса указывает на начало окна стимуляции. Бирюзовые биполярные формы волны указывают на каналы стимуляции. Шкалы x, y и шкалы палитры такие же, как на рисунке A2.

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

% PDF-1.4 % 148 0 объект > эндобдж xref 148 109 0000000016 00000 н. 0000003195 00000 н. 0000003494 00000 н. 0000003521 00000 н. 0000003570 00000 н. 0000003696 00000 н. 0000003732 00000 н. 0000004398 00000 п. 0000004519 00000 н. 0000004641 00000 п. 0000004760 00000 н. 0000004881 00000 н. 0000005000 00000 н. 0000005118 00000 п. 0000005234 00000 п. 0000005386 00000 п. 0000005544 00000 н. 0000005677 00000 н. 0000005757 00000 н. 0000005837 00000 н. 0000005916 00000 н. 0000005995 00000 н. 0000006075 00000 н. 0000006154 00000 п. 0000006233 00000 н. 0000006312 00000 н. 0000006390 00000 н. 0000006469 00000 н. 0000006547 00000 н. 0000006626 00000 н. 0000006704 00000 н. 0000006783 00000 н. 0000006863 00000 н. 0000006942 00000 н. 0000007020 00000 н. 0000007099 00000 н. 0000007176 00000 н. 0000007254 00000 н. 0000007334 00000 н. 0000007414 00000 н. 0000007494 00000 н. 0000007575 00000 н. 0000007655 00000 н. 0000007735 00000 н. 0000007815 00000 н. 0000007895 00000 н. 0000007975 00000 п. 0000008055 00000 н. 0000008135 00000 н. 0000008687 00000 н. 0000008999 00000 н. 0000009482 00000 н. 0000009716 00000 н. 0000010099 00000 п. 0000016274 00000 п. 0000016311 00000 п. 0000016582 00000 п. 0000016986 00000 п. 0000017496 00000 п. 0000017863 00000 п. 0000018241 00000 п. 0000022763 00000 п. 0000022841 00000 п. 0000023703 00000 п. 0000024583 00000 п. 0000025525 00000 п. 0000025970 00000 п. 0000026356 00000 п. 0000026664 00000 п. 0000030201 00000 п. 0000030392 00000 п. 0000031371 00000 п. 0000032261 00000 п. 0000033147 00000 п. 0000033370 00000 п. 0000033704 00000 п. 0000033797 00000 п. 0000034018 00000 п. 0000034375 00000 п. 0000035123 00000 п. 0000036063 00000 п. 0000036847 00000 п. 0000039541 00000 п. 0000062533 00000 п. 0000111320 00000 н. 0000111866 00000 н. 0000112078 00000 н. 0000112373 00000 н. 0000112441 00000 н. 0000113672 00000 н. 0000113911 00000 н. 0000114246 00000 н. 0000114342 00000 п. 0000115998 00000 н. 0000116278 00000 н. 0000116692 00000 н. 0000116762 00000 н. 0000117176 00000 н. 0000117246 00000 н. 0000117303 00000 н. 0000117487 00000 н. 0000117575 00000 н. 0000117666 00000 н.

Наилучшим способом устранения артефактов вызываемых экспериментатором

Артефакты в эксперименте и источники их возникновения

Артефакты в эксперименте и источники их возникновения

Артефакты в экспериментальном исследовании;

Взаимоотношения между переменными в эксперименте

Контроль переменных

A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants

Recording and Modulation of Epileptiform Activity in Rodent Brain Slices Coupled to Microelectrode Arrays

Философия экспериментатора: проблема предвзятости экспериментатора в экспериментальной философии

5 типов предвзятости и способы их устранения в вашем проекте машинного обучения | Сальма Гонейм

Внешний фактор — обзор

Моделирование индивидуального поведения

6 Экспериментальных методов оценки дискриминации | Измерение расовой дискриминации

Наблюдательные исследования — методы исследования в психологии

Цели обучения

Что такое наблюдательные исследования?

Натуралистическое наблюдение

Восстановление сигнала от артефактов стимуляции во внутричерепных записях с изучением словаря

2.1. Субъекты-люди

2.2. Кортикальные реконструкции

2.3. Сбор данных и стимуляция

2.4. Набор данных тактильного прикосновения

2,5. Набор данных неоднородного поезда

2.6. Набор данных нажатия кнопок

2.7. Набор данных DBS

2,8. Набор данных иллюзии резиновой руки

3.1. Обнаружение окон артефактов

3.2. Сравнение с восстановлением альтернативными методами

3.3. Обучение по словарю с неконтролируемой кластеризацией для извлечения шаблонов артефактов

3.4. Восстановление сигнала путем сопоставления с шаблоном и вычитания артефактов

3.5. Постобработка и визуализация

4.1. Сравнение прямой электрической стимуляции S1 и естественного тактильного прикосновения

4.2. Сравнение двигательной активности с DES и без него из S1

4.3. Восстановление с неравномерными последовательностями стимуляции

4.4. Извлечение ранее вызванных потенциалов в записях DBS и одновременных записях ЭКоГ со стимуляцией DBS

4,5. Ограничение алгоритма

5.1. Сравнение с обычно используемыми методами обработки сигналов

5.2. Сравнение с другими подходами с использованием шаблонов

5.3. Физическая основа структуры данных

5.4. Практические рекомендации

5.5. Будущие расширения

Добавить комментарий Отменить ответ