บริบทการเข้ารหัสได้รับการคืนสถานะโดยบังเอิญระหว่างการดึงข้อมูลแบบแข่งขันและติดตามการเปลี่ยนแปลงชั่วคราวของการรบกวนหน่วยความจำส่วนที่ 1

ความสามารถในการจดจำเหตุการณ์ในอดีตของเรามักถูกขัดขวางโดยการแข่งขันจากเหตุการณ์ที่คล้ายคลึงกัน ตัวอย่างเช่น หากเราต้องการจำบทความที่เพื่อนร่วมงานแนะนำในระหว่างการประชุมห้องปฏิบัติการครั้งล่าสุด เราอาจจำเป็นต้องแก้ไขการแทรกแซงจากคำแนะนำบทความอื่นๆ จากเพื่อนร่วมงานคนเดียวกัน การศึกษานี้ตรวจสอบว่าคุณลักษณะตามบริบทที่ระบุตอนการเข้ารหัสได้รับการคืนสถานะโดยไม่ได้ตั้งใจในระหว่างการเรียกข้อมูลหน่วยความจำของการแข่งขันหรือไม่ การแข่งขันระหว่างความทรงจำถูกสร้างขึ้นผ่านกระบวนทัศน์การแทรกแซง AB/AC

ประการแรก ในการแข่งขันด้านความจำ ความจำที่ดีเป็นสิ่งสำคัญสำหรับผู้เข้าร่วม การแข่งขันกำหนดให้ผู้เข้าร่วมจำข้อมูลได้มากขึ้นในช่วงเวลาหนึ่ง และกุญแจสำคัญในการชนะคือใครจะจำข้อมูลได้มากขึ้นและแม่นยำยิ่งขึ้น ดังนั้นหากอยากชนะในการแข่งขันความจำก็ต้องมีความจำที่เข้มแข็ง ผู้เข้าร่วมที่มีความจำสูงสามารถจดจำข้อมูลจำนวนมากได้อย่างรวดเร็วและมีประสิทธิภาพซึ่งเอื้อต่อความได้เปรียบในการแข่งขัน

ประการที่สอง การแข่งขันด้านความจำที่แข่งขันกันสามารถส่งเสริมการพัฒนาความจำส่วนบุคคลได้ การเข้าร่วมการแข่งขันต้องอาศัยการฝึกฝนอย่างมาก เช่น การฝึกความจำอย่างต่อเนื่อง การปรับปรุงประสิทธิภาพความจำ เสริมสร้างสมาธิ และอื่นๆ แบบฝึกหัดเหล่านี้มีประโยชน์ในการฝึกความจำส่วนบุคคลและปรับปรุงระดับการรับรู้ส่วนบุคคล ในการแข่งขันด้านความจำแบบแข่งขัน การเรียนรู้จากประสบการณ์ที่ดีของผู้อื่น และการเรียนรู้และความก้าวหน้าอย่างต่อเนื่อง จะทำให้ความสามารถในการจดจำของพวกเขาพัฒนาต่อไป

นอกจากนี้การแข่งขันการแข่งขันด้านความจำยังสามารถกระตุ้นศักยภาพของบุคคลได้อีกด้วย ในฐานะกีฬาที่มีการแข่งขัน การแข่งขันด้านความจำสามารถช่วยให้ผู้เข้าร่วมมีความมั่นใจในตนเองและจิตวิทยาการแข่งขันที่แข็งแกร่งขึ้น กระตุ้นแรงจูงใจและศักยภาพส่วนบุคคล และปรับปรุงความจำและคุณภาพที่ครอบคลุมให้ดียิ่งขึ้น

กล่าวโดยสรุป มีความเชื่อมโยงที่แยกไม่ออกระหว่างหน่วยความจำและความทรงจำของการแข่งขัน การเข้าร่วมการแข่งขันด้านความจำสามารถส่งเสริมการพัฒนาความจำส่วนบุคคล และยังสามารถกระตุ้นศักยภาพของผู้คนเพื่อให้พวกเขามีความมั่นใจ กล้าหาญ และจริงจังมากขึ้น ดังนั้นเราจึงควรเข้าร่วมการแข่งขันด้านความจำอย่างแข็งขันและก้าวหน้าอย่างต่อเนื่องเพื่อปรับปรุงความจำของเราให้ดียิ่งขึ้น เห็นได้ชัดว่าเราจำเป็นต้องปรับปรุงความจำของเรา และซิสตานช์สามารถปรับปรุงความจำได้อย่างมาก เนื่องจากการเชื่อมโยงกันของเนื้อสัตว์ยังควบคุมความสมดุลของสารสื่อประสาทด้วย เช่น ระดับที่เพิ่มขึ้นของเมทาโคลีนและปัจจัยการเจริญเติบโต ซึ่งมีความสำคัญต่อความจำและการเรียนรู้ และการเชื่อมโยงกันของเนื้อสัตว์ยังปรับปรุงอีกด้วย การไหลเวียนของเลือดและการส่งออกซิเจน สิ่งนี้สามารถรับประกันได้ว่าสมองจะได้รับสารอาหารและพลังงานที่เพียงพอ ซึ่งจะช่วยปรับปรุงความมีชีวิตชีวาและความอดทนของสมอง

คลิกรู้เพื่อปรับปรุงฟังก์ชันการรับรู้

คู่คำแต่ละคู่ถูกนำเสนอในบริบทที่เหมือนคำจริงที่ล่องลอยไปอย่างช้าๆ การวิเคราะห์รูปแบบหลายตัวแปร (MVPA) ของข้อมูลอิเล็กโทรเซนเซฟาโลกราฟิกความละเอียดสูง (EEG) ถูกนำมาใช้เพื่อตรวจสอบการเปิดใช้งานบริบทใหม่ในระหว่างการดึงหน่วยความจำ ในทางพฤติกรรม เราสังเกตการแทรกแซงเชิงรุก (แต่ไม่ย้อนหลัง) นั่นคือ ประสิทธิภาพสำหรับการดึงข้อมูลแบบแข่งขันของ AC นั้นแย่กว่าเมื่อเปรียบเทียบกับการดึงข้อมูลแบบไม่มีการแข่งขันของ DE ควบคุม ในขณะที่การดึงข้อมูล AB ไม่ได้รับผลจากการแข่งขัน

ในทางประสาท การแทรกแซงเชิงรุกจะมาพร้อมกับการคืนสถานะบริบทของคู่แข่งก่อนกำหนด และการแก้ไขการแทรกแซงมีความเกี่ยวข้องกับการคืนสถานะบริบทเป้าหมายที่ตามมา การค้นพบเหล่านี้ร่วมกันเป็นหลักฐานใหม่ที่แสดงให้เห็นว่าบริบทการเข้ารหัสของเหตุการณ์ที่ไม่ต่อเนื่องที่แข่งขันกันนั้นได้รับการคืนสถานะโดยบังเอิญในระหว่างการดึงข้อมูลแบบแข่งขันและการคืนสถานะดังกล่าวติดตามการแข่งขันในการดึงข้อมูลและการแก้ไขการรบกวนที่ตามมา

คำสำคัญ:

คลื่นไฟฟ้าสมอง (EEG); หน่วยความจำฉาก; การเปิดใช้งานหน่วยความจำอีกครั้ง การวิเคราะห์รูปแบบหลายตัวแปร (MVPA)

การแนะนำ

ความทรงจำแบบเป็นตอนช่วยให้เราเดินทางย้อนเวลากลับไปเพื่อทบทวนอดีตของเรา (Tulving 1983) อย่างไรก็ตาม การเข้าถึงเหตุการณ์ในอดีตมักถูกขัดขวางโดยการแข่งขันในการดึงข้อมูล ซึ่งเกิดขึ้นเมื่อตัวชี้นำการดึงข้อมูลซ้อนทับกับเหตุการณ์ที่ต้องการและเหตุการณ์อื่นที่คล้ายคลึงกัน (Anderson 1974; Mensink และ Raaijmakers 1988)

ทฤษฎีการคืนสถานะตามบริบท (เช่น Estes 1955; Polyn et al. 2009; Howard and Kahana 2012; Howard 2017; Yonelinas et al. 2019; Kahana 2020) อธิบายว่าประสบการณ์ที่กำลังดำเนินอยู่ของเราถูกนำเสนอในสมองโดยการผูกมัดข้อมูลเชิงบริบทที่ค่อยๆ ลอยไปอย่างช้าๆ อย่างไร เพื่อแยกเหตุการณ์ ดังนั้น การดึงบริบทระหว่างการจำเป็นฉากจึงทำหน้าที่จัดระเบียบอดีตของเรา อย่างไรก็ตาม ยังไม่ค่อยมีใครทราบเกี่ยวกับบทบาทของการดึงบริบทในระหว่างการจดจำแบบแข่งขัน เมื่อเร็ว ๆ นี้มีการตั้งสมมติฐานว่าข้อมูลเชิงบริบทสามารถทำหน้าที่เป็นรูปแบบหนึ่งของการควบคุมการรับรู้ซึ่งช่วยลดผลกระทบของการรบกวนหน่วยความจำในหน่วยความจำในการทำงาน (Beukers et al. 2021)

ในการศึกษานี้ เราใช้ประโยชน์จากการวิเคราะห์รูปแบบหลายตัวแปร (MVPA) ของข้อมูลอิเล็กโทรเซนเซฟาโลกราฟีที่มีความละเอียดสูง (EEG) เพื่อวัดการเปิดใช้งานรายละเอียดบริบทอีกครั้งในระหว่างการจดจำฉากในระยะยาว ข้อมูลของเราให้หลักฐานใหม่ว่าข้อมูลเชิงบริบทได้รับการคืนสถานะโดยไม่ได้ตั้งใจในระหว่างการดึงข้อมูลการแข่งขันของเหตุการณ์ที่ไม่ต่อเนื่อง และการคืนสถานะดังกล่าวติดตามการแข่งขันและการแก้ไขการแทรกแซง

หน่วยความจำแบบเป็นเหตุการณ์ตามคำจำกัดความขึ้นอยู่กับบริบท (Estes 1955; Godden and Baddeley 1975; Polyn et al. 2009; Howard 2017) และการศึกษาก่อนหน้านี้ระบุว่าการจดจำเป็นตอนเกี่ยวข้องกับการคืนสถานะของรายการและลักษณะทางบริบทของเหตุการณ์ดั้งเดิม ดังนั้นจึงแสดงให้เห็นว่าการดึงข้อมูลความสำเร็จ covaries ด้วยการคืนสถานะของระบบประสาทของร่องรอยหน่วยความจำที่เกี่ยวข้องกับเป้าหมาย (Polyn et al. 2005; Staresina et al. 2012; Gordon et al. 2014; Jafarpour et al. 2014) ที่ตัวชี้นำการดึงข้อมูลทริกเกอร์ การคืนสถานะของคุณสมบัติตามบริบทที่แนะนำพฤติกรรม (Jiang, Bramão, et al. 2020a; Jiang, Wang, et al. 2020b) และการดึงข้อมูลนั้นอาจเปิดใช้งานคุณสมบัติตามบริบทที่ไม่เกี่ยวข้องกับเป้าหมายอีกครั้ง (Manning et al. 2011; Diana et al. 2013 ; Gershman และคณะ 2013; Miller และคณะ 2013; Staudigl และคณะ 2015; Folkerts และคณะ 2018; Herweg, Solomon และคณะ 2020b) เมื่อเร็วๆ นี้ Herweg, Sharan และคณะ (2020a) และเฮอร์เว็ก, โซโลมอน และคณะ (2020b) ได้แสดงให้เห็นว่าการคืนสถานะบริบทเชิงพื้นที่อาจเกิดขึ้นก่อนการดึงรายการ และกิจกรรมการแกว่งของทีต้าในกลีบขมับส่วนในตรงกลาง ประสานการดึงรายการและบริบทแบบตอน อย่างไรก็ตาม การศึกษาก่อนหน้านี้ได้ตรวจสอบการคืนสถานะตามบริบทในกระบวนทัศน์การดึงข้อมูลที่ไม่สามารถแข่งขันได้

จนถึงขณะนี้ ยังไม่ค่อยมีใครทราบเกี่ยวกับการคืนสถานะบริบทโดยไม่ได้ตั้งใจในระหว่างการดึงข้อมูลการแข่งขัน การคืนสถานะของข้อมูลเชิงบริบทในระหว่างการดึงข้อมูลแบบแข่งขันอาจมีบทบาทสำคัญในการแยกเหตุการณ์ที่ไม่ต่อเนื่องที่แข่งขันกันและลดการรบกวนหน่วยความจำ สิ่งที่น่าสนใจคือ Manning และคณะ (2016) พบว่าการคืนสถานะบริบทน้อยลงหลังจากได้รับคำสั่งให้ลืมโดยตรง โดยเสนอแนะว่าการลืมอย่างตั้งใจจะล้างลักษณะบริบทของเหตุการณ์ในอดีตออกไป (Sahakyan และ Kelley 2002)

ในการศึกษานี้ เราอธิบายว่าการคืนสถานะข้อมูลเชิงบริบทเกิดขึ้นได้อย่างไรในระหว่างการดึงข้อมูลการแข่งขันของเหตุการณ์ที่ไม่ต่อเนื่อง งานก่อนหน้านี้แสดงให้เห็นว่าการรบกวนหน่วยความจำเกี่ยวข้องกับรูปแบบการคืนสถานะของระบบประสาทที่ไม่ชัดเจน และการมีส่วนร่วมของกระบวนการควบคุมส่วนหน้าที่แก้ไขการแข่งขันระหว่างความทรงจำเป้าหมาย (Wimber et al. 2009; Kuhl et al. 2011; Wimber et al. 2015) ข้อมูล EEG บ่งชี้ว่าการรบกวนหน่วยความจำสัมพันธ์กับคลื่นช้าส่วนหน้าที่เป็นบวก (Johansson et al. 2007; Hellerstedt และ Johansson 2014) และการเพิ่มขึ้นของกิจกรรม theta ส่วนหน้า (Hanslmayr et al. 2010; Staudigl et al. 2010; Waldhauser et al. 2012) ซึ่งมีแนวโน้มที่จะถูกกระตุ้นโดยการเปิดใช้งานเป้าหมายและการติดตามหน่วยความจำที่แข่งขันกันอีกครั้งพร้อมกัน

ในการศึกษานี้ เราใช้ MVPA ของข้อมูล EEG ที่บันทึกไว้ในระหว่างการดึงหน่วยความจำเพื่อตรวจสอบการเปิดใช้งานบริบทที่เกิดขึ้นพร้อมกันและโดยไม่ได้ตั้งใจซึ่งมีการฝังเป้าหมายและเหตุการณ์แยกที่แข่งขันกันระหว่างการเข้ารหัส

การรบกวนหน่วยความจำเกิดขึ้นจากการทดลองในกระบวนทัศน์ AB/AC ที่ดัดแปลง (เช่น Kuhl et al. 2011) ผู้เข้าร่วมเข้ารหัสคู่คำใหม่ที่เกี่ยวข้องกับคิว (AB) และต่อมาเชื่อมโยงการทับซ้อนกันที่เกิดขึ้นจากการจับคู่ตัวชี้นำซ้ำ ๆ กับผู้ร่วมงานใหม่ (AC) คู่คำนวนิยายที่ไม่ทับซ้อนกัน (DE) ทำหน้าที่เป็นเงื่อนไขการควบคุมที่ไม่แข่งขัน

เพื่อจำลองลักษณะที่สมบูรณ์และซับซ้อนของตอนในโลกแห่งความเป็นจริง คู่คำที่แยกกันถูกฝังไว้ในหนึ่งในสามบริบทของภาพยนตร์หลายรูปแบบ (เช่น ภาพยนตร์มุมมองบุคคลที่หนึ่งของการอยู่ในสภาพแวดล้อมใต้น้ำ ป่า หรือในเมือง) มีการนำเสนอคู่คำที่แยกจากกันหลายคู่ในบริบทของภาพยนตร์ที่ขยายออกไปเดียวกัน ทำให้สามารถจำลองธรรมชาติของบริบทในโลกแห่งความเป็นจริงที่ค่อยๆ เลื่อนลอยไปอย่างช้าๆ (Stark et al. 2018) ในเชิงวิกฤต คู่คำ AB, AC และ DE ได้รับการเข้ารหัสด้วยภาพยนตร์ที่แตกต่างกัน ทำให้สามารถระบุปริมาณของการคืนสถานะบริบทเมื่อดึงข้อมูล (รูปที่ 1A) ผู้เข้าร่วมได้รับคำสั่งให้จงใจเรียนรู้เพื่อนร่วมงานที่จับคู่กัน ในขณะที่บริบทนั้นเกี่ยวข้องกับงานความจำ (Smith and Vela 2001; Stark et al. 2018)

ตัวจําแนกรูปแบบได้รับการฝึกอบรมในระหว่างการเข้ารหัสเพื่อแยกแยะรูปแบบการทำงานของสมองแบบสั่นที่เกี่ยวข้องกับบริบทไดนามิกที่แตกต่างกัน (รูปที่ 1B) ในการดึงข้อมูล ผู้เข้าร่วมจะถูกนำเสนอด้วยคำศัพท์ (ทั้ง A หรือ D ของคู่ใดคู่หนึ่งโดยเฉพาะ) ตามด้วยการนำเสนอโพรบอักษรตัวแรก เพื่อระบุว่าผู้ร่วมงานคนใด (ทั้ง B หรือ C หรือ E) จำได้อย่างเลือกสรร ตัวแยกประเภทถูกนำไปใช้ในช่วงเวลาของการดึงข้อมูลเพื่อหาปริมาณและเปิดเผยการเปลี่ยนแปลงชั่วคราวของการคืนสถานะบริบทของเป้าหมายและคู่แข่ง (รูปที่ 1A, F)

ก่อนอื่นเราตรวจสอบว่าบริบทการเข้ารหัสแบบไดนามิกดั้งเดิม (ภาพยนตร์) แม้ว่าจะเกิดขึ้นโดยบังเอิญกับงานหน่วยความจำ ได้รับการคืนสถานะในระหว่างการดึงข้อมูลเหตุการณ์ที่ไม่ต่อเนื่อง (คู่คำ) หรือไม่ หากเป็นเช่นนั้น เราคาดการณ์ว่าการดึงข้อมูลแบบไม่มีการแข่งขันซึ่งตรงกันข้ามกับการดึงข้อมูลแบบแข่งขันจะเกี่ยวข้องกับการคืนสถานะของบริบทเป้าหมายที่อยู่ในหน้าต่างเวลาของคำ คำว่าคิวในการดึงข้อมูลแบบไม่มีการแข่งขันจะพบได้ในเหตุการณ์การเข้ารหัสเดียวเท่านั้น ดังนั้นจึงสามารถเรียกค้นข้อมูลการติดตามหน่วยความจำที่ต้องการได้ทันที หลังจากที่ได้กำหนดวิธีการหาปริมาณการคืนสถานะบริบทการเข้ารหัสโดยไม่ได้ตั้งใจแล้ว เราจะหันไปที่จุดมุ่งหมายหลักของเราและวัดการเปลี่ยนแปลงชั่วคราวของการคืนสถานะบริบทของเป้าหมายและคู่แข่งในระหว่างการดึงข้อมูลการแข่งขัน เราคาดการณ์ว่า 1) การแข่งขันการดึงข้อมูลจะเกี่ยวข้องกับการเปิดใช้งานเป้าหมายและบริบทที่แข่งขันพร้อมกันพร้อมกัน หรือไม่มีการเปิดใช้งานใหม่ เนื่องจากทั้งสองบริบทแข่งขันกันเพื่อการเปิดใช้งานใหม่และไม่ชนะ และ 2) การแก้ไขการแทรกแซงที่ตามมาจะเกี่ยวข้องกับการเกิดขึ้นของเป้าหมายที่แข็งแกร่งยิ่งขึ้น สัมพันธ์กับการคืนสถานะบริบทของคู่แข่งในหน้าต่างเวลาโพรบ (รูปที่ 1A, F)

วัสดุและวิธีการ

ผู้เข้าร่วม

ผู้เข้าร่วมที่เป็นมนุษย์ 30 คนเข้าร่วมในการศึกษานี้ (อายุเฉลี่ย 22 ปี ช่วงอายุ 19–29 ปี; เป็นผู้หญิง 17 คน) ผู้เข้าร่วมทั้งหมดเป็นคนถนัดขวา พูดภาษาสวีเดนโดยเจ้าของภาษา และไม่มีรายงานประวัติโรคทางระบบประสาทหรือจิตเวช ผู้เข้าร่วมได้รับตั๋วหนังเพื่อเป็นค่าตอบแทนในการอาสาเข้าร่วมการศึกษา การศึกษานี้ดำเนินการโดยพระราชบัญญัติสวีเดนเกี่ยวกับการทบทวนการวิจัยทางจริยธรรมที่เกี่ยวข้องกับมนุษย์ ผู้เข้าร่วมให้ความยินยอมเป็นลายลักษณ์อักษร และการศึกษาเป็นไปตามแนวทางจริยธรรมท้องถิ่นที่มหาวิทยาลัย Lund

วัสดุกระตุ้น

การทดลองใช้แฝดสามคำหนึ่งร้อยสี่สิบสี่คำ คำเหล่านี้เป็นคำที่เป็นรูปธรรมทั้งหมดที่เลือกมาจากคลังภาษาสวีเดน (Borin et al. 2012) คำในแฝดมีตัวอักษรเริ่มต้นต่างกัน และไม่มีความเกี่ยวข้องกันอย่างชัดเจน แฝดสามถูกแบ่งออกเป็นสองรายการ จับคู่ตามความยาวและความถี่ (Ps ทั้งหมด > 0.4) โดยแต่ละแฝด 72 รายการ แต่ละรายการถูกกำหนดให้กับเงื่อนไขการทดลองเฉพาะ (AB และ AC ที่แข่งขันได้ และ DE ที่ไม่แข่งขัน) แต่ละรายการสามเวอร์ชันถูกสร้างขึ้นโดยที่สถานะของแต่ละคำในแฝดถูกหมุนเวียนไปตามคิว เป้าหมาย และผู้แข่งขัน เพื่อให้แน่ใจว่าความแตกต่างระหว่างเงื่อนไขไม่ได้เกิดจากความแตกต่างในเนื้อหาของคำ การกำหนดรายการคำจึงมีการถ่วงดุลระหว่างเงื่อนไขการทดลองและผู้เข้าร่วม

การทดลองใช้บริบทภาพยนตร์มุมมองบุคคลที่หนึ่งสามรายการ: 1) การดำน้ำใต้น้ำ 2) การเดินในป่า และ 3) การขับรถในนิวยอร์กซิตี้ เพื่อเพิ่มประสิทธิภาพการจำแนกรูปแบบหลายตัวแปร เราใช้บริบทที่แตกต่างกันในการรับรู้และความหมาย

การออกแบบและขั้นตอนการทดลอง

การทดลองที่สมบูรณ์ประกอบด้วย 18 บล็อก แต่ละบล็อกมีขั้นตอนการเข้ารหัส งานเบี่ยงเบนความสนใจจากการนับถอยหลัง 30- และขั้นตอนการดึงข้อมูล ในขั้นตอนการเข้ารหัส (รูปที่ 1A) ผู้เข้าร่วมจะถูกนำเสนอด้วยคู่คำที่ฝังอยู่ในภาพยนตร์ แต่ละคู่คำจะถูกนำเสนอเป็นเวลา 3 วินาทีระหว่างส่วนภาพยนตร์ที่กินเวลานาน 6–9 วินาที เพื่อสร้างความทรงจำที่แข็งแกร่ง ผู้เข้าร่วมจะถูกขอให้จงใจเรียนรู้ผู้ร่วมงานที่จับคู่กันและแสดงภาพพวกเขาในบริบทของภาพยนตร์ โปรดสังเกตว่าบริบทของภาพยนตร์ไม่เกี่ยวข้องกับงานการจำ (กล่าวคือ การเชื่อมโยงระหว่างบริบทและคู่คำไม่ใช่เป้าหมายการเรียนรู้ที่ชัดเจน) (Smith and Vela 2001; Stark et al. 2018)

ผู้เข้าร่วมกลุ่มแรกจะได้รับการนำเสนอผู้ร่วมคิวใหม่สี่คู่ (คู่คำ AB) เพื่อสร้างการรบกวนความทรงจำ ผู้เข้าร่วมจะเข้ารหัสคู่คำที่มีคิวซ้ำๆ จับคู่กับคู่คำใหม่ (คู่คำ AC) ในที่สุดก็มีการนำเสนอชุดคู่คิวใหม่สี่ชุดที่แยกจากกัน (คู่คำ DE ที่ไม่สามารถแข่งขันได้) ซึ่งไม่มีคู่ที่ทับซ้อนกันตามมาด้วย ในเชิงวิกฤต เพื่อให้สามารถติดตามการเปิดใช้งานคุณลักษณะเป้าหมายและคุณลักษณะโดยไม่ได้ตั้งใจอีกครั้ง ภาพยนตร์ที่เกี่ยวข้องกับคู่คำ AB, AC และ DE จึงแตกต่างกัน การกำหนดภาพยนตร์ตามเงื่อนไขการทดลอง (AB, AC และ DE) ได้รับการถ่วงดุลผู้เข้าร่วมในบล็อกการทดลองต่างๆ ดังนั้น ภาพยนตร์แต่ละเรื่องจึงถูกใช้บ่อยเท่าๆ กันในเงื่อนไขการทดลองทั้งสามแบบตลอดการทดลองทั้งหมด ซึ่งจะทำให้แน่ใจได้ว่าการจำแนกประเภทตาม MVPA จะขึ้นอยู่กับการเปิดใช้งานบริบทภาพยนตร์อีกครั้ง แทนที่จะเป็นความต้องการของเงื่อนไขการทดลอง AB/AC/DE ลำดับการนำเสนอของคู่คำ AB, AC และ DE ได้รับการถ่วงดุลระหว่างบล็อก โดยมีข้อจำกัดว่าคู่คำ AB จะอยู่ข้างหน้าคู่คำ AC เสมอ

ในขั้นตอนการดึงข้อมูล หน่วยความจำสำหรับคู่คำที่นำเสนอทั้ง 12 คู่ได้รับการทดสอบในงานการจำคิว (เช่น AB สี่ตัว AC สี่ตัว และ DE สี่ตัว) ผู้เข้าร่วมจะได้รับการทดสอบครั้งแรกกับคู่คำ DE ทั้งสี่คู่ ร่วมกับคู่คำ AB สองคู่และ AC อีกสองคู่ที่สุ่มเลือก ลำดับการดึงข้อมูลของคู่คำแปดคู่แรกนี้เป็นแบบสุ่ม ที่สำคัญ การวิเคราะห์ EEG ที่นำเสนอถูกจำกัดในการเรียกค้นคู่คำแปดคู่แรกเหล่านี้ เพื่อให้แน่ใจว่าแต่ละคิวถูกใช้เพียงครั้งเดียว ที่ส่วนท้ายของบล็อกการดึงข้อมูล ประสิทธิภาพหน่วยความจำสำหรับการเชื่อมโยงของคู่แข่งทั้งสี่ก็ได้รับการทดสอบด้วย (กล่าวคือ การทดสอบหน่วยความจำเป้าหมาย AB/AC ตามด้วยการทดสอบหน่วยความจำของคู่แข่ง AC/AB) การทดลองดึงข้อมูลเริ่มต้นด้วยการนำเสนอไม้กางเขนตรึงเป็นเวลา 2 วินาที ตามด้วยการสร้างคำว่าคิว (As หรือ Ds) ต่อไปอีก 2 วินาที

จากนั้นตัวอักษรตัวแรกของคำที่จับคู่ (โพรบ) จะถูกนำเสนอเป็นเวลา 3 วินาทีและขอให้ผู้เข้าร่วมดึงข้อมูลผู้ร่วมเป้าหมาย (ครึ่งหนึ่งของ Bs และ Cs และ Es ทั้งหมด) บริบทการเข้ารหัสไม่ได้รับการกล่าวถึง กล่าวถึง หรือทำในลักษณะอื่นใดที่เกี่ยวข้องกับงานการดึงข้อมูล ในตอนท้ายของแต่ละบล็อกการดึงข้อมูล ผู้เข้าร่วมจะถูกขอให้ดึงผู้แข่งขัน (Cs และ Bs ที่เหลือ) ผู้เข้าร่วมตอบด้วยวาจา และผู้ทดลองบันทึกการตอบสนองของพวกเขาไว้ เพื่อหลีกเลี่ยงปัญหากล้ามเนื้อในข้อมูล EEG ผู้เข้าร่วมจะถูกขอให้ระงับการตอบสนองจนกว่าจะแสดงเครื่องหมายคำถาม

การบันทึก EEG และการประมวลผลล่วงหน้า

EEG ได้รับการบันทึกอย่างต่อเนื่องโดยใช้เครื่องขยายสัญญาณ SynAmps RT Neuroscan (อัตราการสุ่มตัวอย่าง 1 kHz; การอ้างอิงปุ่มกกหูด้านซ้าย; แบนด์วิดท์ DC -3500 Hz; 24- ความละเอียดบิต) จากอิเล็กโทรดที่ใช้งานอยู่ 62 อิเล็กโทรดที่ติดตั้งในฝายืดหยุ่นและวางตำแหน่งตาม ไปยังระบบขยาย 10–20 ข้อมูล EEG ได้รับการประมวลผลล่วงหน้าโดยใช้ FieldTrip (Oostenveld et al. 2011) และสคริปต์ MATLAB ภายในองค์กร ออฟไลน์ ข้อมูลจะถูกสุ่มตัวอย่างลงเหลือ 500 Hz และแบ่งออกเป็นสองยุคที่น่าสนใจ: ยุคการเข้ารหัสและยุคการดึงข้อมูล ข้อมูลการเข้ารหัสถูกดึงออกมาจากยุคตั้งแต่ −1 ถึง 7 วินาทีที่สัมพันธ์กับการเริ่มต้นของภาพยนตร์ เพื่อใช้สำหรับการฝึกอบรมตัวแยกประเภทรูปแบบเพื่อแยกแยะบริบทของภาพยนตร์ ยุคการดึงข้อมูลถูกสร้างขึ้นโดยการเลือกข้อมูลตั้งแต่ −2 ถึง 6 วินาทีที่สัมพันธ์กับการโจมตีของคำคิว ข้อมูลเหล่านี้ใช้เพื่อทดสอบตัวแยกประเภทรูปแบบประสาท ซึ่งก็คือการประเมินการคืนสถานะของบริบทภาพยนตร์ และเพื่อทำการวิเคราะห์เวลาและความถี่ที่ไม่แปรผันมาตรฐาน

ข้อมูลยุคถูกแปลงเป็นการอ้างอิงกกหูที่เชื่อมโยงและแก้ไขพื้นฐาน (ลบด้วยแอมพลิจูดเฉลี่ยของยุค) นอกจากนี้ การวัดค่าคลื่นไฟฟ้าหัวใจแบบไบโพลาร์ยังคำนวณโดยใช้อิเล็กโทรด FP1 และอิเล็กโทรดที่วางอยู่ใต้ตาซ้าย และอิเล็กโทรด FT9 และ FT10 ในฝาครอบเพื่อตรวจจับการเคลื่อนไหวของดวงตาในแนวตั้ง (กะพริบ) และแนวนอนตามลำดับ ยุค EEG ได้รับการตรวจสอบทางกายภาพ และส่วนที่มีกล้ามเนื้อหรือสิ่งประดิษฐ์อื่นๆ ที่ไม่เกี่ยวข้องกับการกะพริบตาและการเคลื่อนไหวของดวงตาในแนวนอน ได้ถูกลบออกด้วยตนเอง การวิเคราะห์องค์ประกอบอิสระถูกดำเนินการและส่วนประกอบที่แสดงถึงสิ่งประดิษฐ์ของกล้ามเนื้อตาและกิจกรรมของกล้ามเนื้อที่แตกต่างจากสัญญาณ EEG ถูกลบออก นอกจากนี้ ช่องสัญญาณที่มีสัญญาณรบกวนสม่ำเสมอระหว่างผู้เข้าร่วมจะถูกลบออกจากการวิเคราะห์ (FT9/FT10) ช่องสัญญาณที่ไม่ดีที่เหลืออยู่ (ถ้ามี) จะถูกแก้ไข และข้อมูลได้รับการตรวจสอบด้วยสายตาอีกครั้งเพื่อลบการทดลองใดๆ ที่มีสิ่งประดิษฐ์ตกค้าง การวิเคราะห์ขั้นสุดท้ายประกอบด้วยการทดลอง AB โดยเฉลี่ย 34 การทดลอง (ระหว่าง 30 ถึง 36 การทดลอง), การทดลอง AC 34 การทดลอง (ระหว่าง 29 ถึง 36 การทดลอง) และการทดลอง DE 66 การทดลอง (ระหว่าง 51 ถึง 72 การทดลอง) ต่อผู้เข้าร่วม

การสลายตัวของความถี่เวลา

สัญญาณจากการทดลองแต่ละรายการถูกแปลงเป็นการแสดงเวลา-ความถี่ (TFR) ได้รับ TFR สำหรับความถี่ตั้งแต่ 4 ถึง 45 Hz โดยมีขั้นตอนความถี่ 1 Hz ขั้นตอนเวลา 0.05 วินาที และความกว้างของเวฟเล็ต 5 รอบ โดยใช้การแปลงเวฟเล็ต Morlet ที่ซับซ้อนตามที่นำมาใช้ใน ฟิลด์ทริป ก่อนหน้านี้กิจกรรมการสั่นของสมองเคยใช้เพื่อฝึกตัวแยกประเภทรูปแบบเพื่อแยกแยะการแทนคำช่วยจำได้สำเร็จ (Jafarpour et al. 2014; Bramão และ Johansson 2018) และคิดว่าจะสนับสนุนกลไกหลักของหน่วยความจำฉาก (Hanslmayr และ Staudigl 2014; Hanslmayr et al. 2016; ชไรเนอร์ และ สตั๊ดเกิล 2020)

การวิเคราะห์ทางสถิติและการจำแนกรูปแบบหลายตัวแปร

เราได้ฝึกอบรมตัวแยกประเภทเพื่อแยกแยะรูปแบบของการทำงานของสมองที่เกี่ยวข้องกับภาพยนตร์บริบทในการเข้ารหัส MVPA ดำเนินการโดยใช้เครื่องเวกเตอร์สนับสนุน (SVM) พร้อมด้วยเคอร์เนลเชิงเส้น และกลยุทธ์แบบหนึ่งต่อทั้งหมด ตามที่นำมาใช้ในกล่องเครื่องมือชีวสารสนเทศศาสตร์ MATLAB และปฏิบัติตามโปรโตคอลที่เสนอในวรรณกรรม (Jafarpour et al. 2013) ตัวแยกประเภทรูปแบบได้รับการฝึกอบรมเกี่ยวกับ TFR เฉลี่ยตลอดการนำเสนอภาพยนตร์ของ 6- แต่ละรายการในระหว่างขั้นตอนการเข้ารหัส (หมายเหตุ: สำหรับช่วงเวลาที่ภาพยนตร์ปรากฏนานถึง 9 วินาที 6 วินาทีแรกจะถูกใช้สำหรับการวิเคราะห์) ตัวแยกประเภทใช้ TFR จาก 60 ช่อง ดังนั้นตัวแยกประเภทจึงได้รับการฝึกอบรมเกี่ยวกับคุณสมบัติที่เป็นไปได้ 2520 รายการ (60 ช่อง ∗ 42 ความถี่) ไม่มีการดำเนินการแก้ไขพื้นฐานเพิ่มเติมใน TFR แต่กำลังของแต่ละความถี่และช่องสัญญาณกลับเป็นมาตรฐานตลอดการทดลอง (Jafarpour et al. 2013) การจำแนกประเภทดำเนินการโดยใช้สัญญาณ TFR จากการทดลองเฉลี่ย 63 รายการที่สอดคล้องกับบริบทใต้น้ำ (ช่วง 53–71), 64 การทดลองที่สอดคล้องกับบริบทของป่าไม้ (ช่วง 54–71) และ 64 การทดลองที่สอดคล้องกับบริบทของเมือง (ช่วง 54– 72) เราใช้ 10- ขั้นตอนการตรวจสอบข้ามแบบพับเพื่อทดสอบตัวแยกประเภทที่การเข้ารหัส นั่นคือข้อมูลจะถูกสุ่มและแบ่งพาร์ติชันออกเป็นชุดย่อยที่มีขนาดเท่ากันประมาณ 10 ชุด โดยมีการทดสอบซ้ำการฝึกอบรม 10 ครั้ง แต่ละพาร์ติชันถูกใช้เป็นชุดการทดสอบหนึ่งครั้ง โดยอีกเก้าพาร์ติชันที่เหลือใช้สำหรับการฝึกตัวแยกประเภทในส่วนนั้น ในการวนซ้ำการตรวจสอบความถูกต้องข้ามแต่ละครั้ง แบบจำลองถูกใช้เพื่อทำนายหมวดหมู่ของการทดลองที่ยังไม่ได้ใช้

เพื่อให้เห็นภาพการมีส่วนร่วมของแต่ละช่องทางและความถี่ต่อประสิทธิภาพการจัดหมวดหมู่ เราได้จัดการฝึกอบรมการจัดหมวดหมู่ใหม่ในการวิเคราะห์สองครั้ง การมีส่วนร่วมของแต่ละช่องได้รับการประเมินโดยการวิเคราะห์ไฟฉายในโดเมนเชิงพื้นที่ ขั้นตอนการจำแนกประเภทเดียวกันซ้ำแล้วซ้ำอีก แต่รวมเฉพาะช่องเป้าหมายและเพื่อนบ้านที่อยู่ติดกัน (โดยเฉลี่ย 7 ช่อง ช่วงระหว่าง 4 ถึง 8 ช่อง) ในทำนองเดียวกัน การมีส่วนร่วมของแต่ละความถี่ได้รับการประเมินโดยการรันการจำแนกประเภทซ้ำโดยใช้ความถี่เป้าหมายและความถี่ที่อยู่ติดกัน (สามความถี่ ยกเว้นความถี่ต่ำสุดและสูงสุดที่ใช้เพียงสองความถี่เท่านั้น) ประสิทธิภาพการจำแนกประเภทได้รับการจัดสรรให้กับช่องเป้าหมายและความถี่เป้าหมาย และเปรียบเทียบกับโอกาส (33.3%) มีการรายงานความแม่นยำในการจำแนกประเภทที่รอดพ้นจากการแก้ไข Bonferroni (ค่า P-value ที่แก้ไขสำหรับความถี่: 0.0การเปรียบเทียบ 5/42=0.0012; ค่า P-value ที่แก้ไขสำหรับช่องสัญญาณ: การเปรียบเทียบ 0.05/60=0.0008)

ตัวแยกประเภทรูปแบบที่สร้างขึ้นและตรวจสอบความถูกต้องข้ามกับข้อมูลการเข้ารหัสถูกนำมาใช้ในภายหลังเพื่อทำนายบริบทการเข้ารหัสของเป้าหมายตามข้อมูลที่ดึงมา (เช่น บริบทของคำเป้าหมายที่จะดึงข้อมูล) ในการทดลองที่ผู้เข้าร่วมแสดงให้เห็นว่าการดึงข้อมูลเป้าหมายสำเร็จ เช่นเดียวกับการทดลองที่ผู้เข้าร่วมล้มเหลวในการเรียกค้นเป้าหมาย การทดสอบดำเนินการที่ 85 ช่วงเวลาแยกจากกัน ตั้งแต่ −0.2 ถึง 4 วินาทีสัมพันธ์กับการโจมตีของคำ โดยมีช่วงเวลา 0.05- ครอบคลุมทั้งคิวและ หน้าต่างเวลาโพรบ

การวนซ้ำการจำแนกประเภทแต่ละครั้งทำให้เกิดเมทริกซ์ความสับสนที่สรุปผลลัพธ์การจำแนกประเภท แถวของเมทริกซ์แสดงถึงหมวดหมู่บริบทที่แท้จริง ในขณะที่คอลัมน์แสดงถึงหมวดหมู่บริบทที่คาดการณ์ไว้ การจำแนกประเภทในเมทริกซ์ความสับสนที่ไซต์ที่กำหนด (r, c) เป็นการแสดงออกถึงจำนวนการสังเกตที่มีป้ายกำกับ r ที่ตัวแยกประเภทมีป้ายกำกับเป็น c ค่าบนเส้นทแยงมุมของเมทริกซ์ (r=c) สอดคล้องกับการจำแนกประเภทที่ถูกต้อง โดยที่หมวดหมู่ที่เป็นจริงและที่คาดการณ์ไว้เหมือนกัน เนื่องจากการจำแนกประเภทในการศึกษาครั้งนี้เกี่ยวข้องกับจำนวนการสังเกตที่สมดุลต่อหมวดหมู่ เราจึงแบ่งทุกองค์ประกอบของเมทริกซ์ความสับสนด้วยผลรวมของแถว เพื่อให้ทุกแถวรวมกันเป็นหนึ่ง ความแม่นยำของตัวแยกประเภท ซึ่งกำหนดเป็นเปอร์เซ็นต์ของความพยายามในการจำแนกประเภทที่ทำนายหมวดหมู่ของการสังเกตได้อย่างถูกต้อง ถูกคำนวณเป็นค่าเฉลี่ยของเส้นทแยงมุมของเมทริกซ์ความสับสนซึ่งมีค่าเฉลี่ยจากการวนซ้ำการตรวจสอบความถูกต้องข้ามและผู้เข้าร่วม

เพื่อพิจารณานัยสำคัญทางสถิติของความแม่นยำในการจำแนกประเภทที่สังเกตได้ เราได้สร้างการแจกแจงแบบโมฆะสำหรับผู้เข้าร่วมแต่ละรายโดยดำเนินการจำแนกประเภทด้วยข้อมูลที่สับเปลี่ยน เพื่อทดสอบความสำคัญของการจำแนกประเภทเมื่อเข้ารหัส เราได้ดำเนินการวนซ้ำ 100 ครั้ง และเพื่อทดสอบนัยสำคัญทางสถิติของการเล่นซ้ำเมื่อดึงข้อมูล เราดำเนินการวนซ้ำ 1,000 ครั้ง (เพื่อพิจารณาจำนวนจุดข้อมูลที่เพิ่มขึ้นเมื่อดึงข้อมูล) ในการวนซ้ำแต่ละครั้ง ป้ายกำกับสำหรับภาพยนตร์บริบทจะถูกสับเปลี่ยน ดังนั้น การวนซ้ำแต่ละครั้งทำให้เกิดการแจกแจงที่ไม่มีข้อมูลที่แท้จริงเกี่ยวกับหมวดหมู่ของภาพยนตร์ แต่ยังคงความเรียบเนียนโดยรวมและคุณสมบัติทางสถิติอื่นๆ ไว้ เพื่อแก้ไขการเปรียบเทียบหลายรายการและทดสอบความน่าเชื่อถือทางสถิติของการจำแนกประเภทที่ได้รับระหว่างการเข้ารหัส เราจึงเปรียบเทียบการจำแนกประเภทกับการจำแนกประเภทเฉลี่ยที่ได้รับกับข้อมูลที่สับเปลี่ยน

เพื่อแก้ไขการเปรียบเทียบหลายรายการและทดสอบความน่าเชื่อถือทางสถิติของการจำแนกประเภทที่ได้รับระหว่างการดึงข้อมูล เราได้ดำเนินการทดสอบทีหนึ่งตัวอย่างสำหรับแต่ละการวนซ้ำ 1000 ครั้งโดยเปรียบเทียบประสิทธิภาพการจำแนกประเภทกับโอกาส (33.3 %) การกระจายตัวของการทดสอบทีที่ได้รับจากข้อมูลที่นำโดยเนื้อหาทำให้เกิดการแจกแจงแบบโมฆะเชิงประจักษ์แบบไม่ใช้พารามิเตอร์ และเปอร์เซ็นไทล์ 97.5 และ 2.5 ของการกระจายนี้ถูกใช้เป็นเกณฑ์ที่มีนัยสำคัญสำหรับการทดสอบแบบสองด้าน ซึ่งสอดคล้องกับเกณฑ์ที่มีนัยสำคัญของ 0.05. ประสิทธิภาพการจำแนกประเภทเมื่อดึงข้อมูลถูกปรับให้เรียบโดยใช้ค่าเฉลี่ยเคลื่อนที่ที่มีขนาด 0.1 วินาทีสำหรับการแสดงผลและสำหรับการคำนวณการทดสอบทีของการแจกแจงแบบไม่มีพารามิเตอร์ ความแม่นยำในการจำแนกประเภทถือว่ามีนัยสำคัญหากค่า t ที่ได้รับเมื่อเปรียบเทียบการจำแนกประเภทกับโอกาส (33.3%) สูงกว่าค่า t เกณฑ์ที่ได้รับในการทดสอบการเรียงสับเปลี่ยน (Osipova et al. 2006; Johnson et al. 2015)

นอกจากนี้ ผลลัพธ์ของการเรียงสับเปลี่ยนครั้งแรกนี้ได้รับการยืนยันด้วยการทดสอบการเรียงสับเปลี่ยนมอนติคาร์โลด้วยการแก้ไขอัตราการค้นพบที่ผิดพลาด (FDR) ตามที่นำมาใช้ใน FieldTrip (Oostenveld และคณะ 2011) ในที่นี้ ข้อผิดพลาดประเภท-1 ถูกควบคุมโดยการค้นหาค่า P-value ที่แก้ไขโดย FDR ในแต่ละช่วงเวลา การกระจายข้อมูลเป็นโมฆะคำนวณโดยการสุ่มข้อมูล 1,000 ครั้งในจุดข้อมูลสำหรับผู้เข้าร่วมแต่ละคน ในการวนซ้ำของการเรียงสับเปลี่ยนแต่ละครั้ง ได้ทำการทดสอบทีซึ่งเปรียบเทียบการจำแนกประเภทในข้อมูลที่สับเทียบกับโอกาส (33.3%) FDR ถูกนำมาใช้เพื่อประเมินความน่าจะเป็นที่จะได้ผลลัพธ์ที่เป็นบวกลวง โดยพิจารณาจากผลลัพธ์ที่เป็นบวกที่สังเกตได้จากการแจกแจงแบบโมฆะอ้างอิง โดยพิจารณาเกณฑ์ที่ P < 0.05 รายงานเฉพาะผลลัพธ์ที่มีนัยสำคัญในทั้งสองแนวทางเท่านั้น

ความสัมพันธ์ระหว่างการคืนสถานะบริบทและการดึงหน่วยความจำ

เพื่อตรวจสอบความสัมพันธ์ระหว่างการคืนสถานะบริบทและการจดจำเป็นตอน เราได้ตรวจสอบความถูกต้องของการจำแนกประเภทระหว่างการดึงข้อมูลเป็นฟังก์ชันของประสิทธิภาพของหน่วยความจำ ความแม่นยำในการจำแนกประเภทสำหรับการทดลองดึงข้อมูลที่ประสบความสำเร็จและไม่สำเร็จนั้นถูกเปรียบเทียบสำหรับช่วงเวลาที่สังเกตการเล่นซ้ำที่มีนัยสำคัญในขั้นตอนก่อนหน้า ในเชิงวิกฤต เพื่อหลีกเลี่ยงอคติเนื่องจากการไม่เป็นอิสระทางสถิติ เราได้ดำเนินการขั้นตอนการตรวจสอบข้ามแบบลาหนึ่งเรื่องออก (LOSO) (Esterman et al. 2010) สิ่งนี้ทำได้โดยการเปรียบเทียบตัวแยกประเภท ฝึกอบรมและทดสอบข้อมูลจากผู้เข้าร่วมคนอื่นๆ ทั้งหมด เทียบกับโอกาส (33.3%) โดยใช้การทดสอบทีตัวอย่างเดียว และประเมินด้วยเกณฑ์ของการแจกแจงค่าว่างที่ได้รับ

สิ่งนี้ช่วยให้เราสามารถระบุถังขยะเวลาที่แสดงการจำแนกประเภทที่แตกต่างจากโอกาสตลอดยุคการดึงข้อมูลสำหรับผู้เข้าร่วมแต่ละคนที่ละทิ้ง ในการเลือกช่องเวลาเฉพาะสำหรับผู้เข้าร่วมแต่ละคนที่ไม่ได้เข้าร่วม เราได้ระบุตัวแยกประเภทที่แสดงการเล่นซ้ำที่สำคัญในช่วงเวลาภายใน 0.2 วินาทีด้านบนและด้านล่างของกรอบเวลาที่ระบุในขั้นตอนก่อนหน้า ถังขยะเวลาที่ระบุถูกนำมาใช้เพื่อแยกความแม่นยำในการจำแนกประเภทสำหรับการทดลองที่สำเร็จและไม่สำเร็จสำหรับผู้เข้าร่วมที่ถูกทิ้งไว้ นอกกรอบเวลาที่กำหนดไว้ล่วงหน้าเหล่านี้ เราไม่ได้สังเกตเห็นตัวแยกประเภทที่มีนัยสำคัญสม่ำเสมออื่นๆ ในการวนซ้ำ ที่สำคัญ การใช้ขั้นตอนนี้ช่วยให้เราหลีกเลี่ยงความเป็นวงกลมในการวิเคราะห์ได้ เนื่องจากมีการใช้ข้อมูลอิสระในการเลือกกรอบเวลาเพื่อเปรียบเทียบการเล่นซ้ำหน่วยความจำในการทดลองที่สำเร็จและไม่สำเร็จ

For noncompetitive memory retrieval, a two-tailed paired sample t-test compared the mean classification accuracy for successful and unsuccessful retrieval trials. Additionally, for competitive retrieval, we further investigated the classifier evidence for target, competitor, and DE noncompetitive context as a function of memory performance. We entered the classifier accuracy, for the time bins where reliable replay was observed, in a repeated-measure analysis of variances (ANOVA) with the factors Memory Performance (successful vs. unsuccessful) and Context (target vs. competitor). The DE noncompetitive retrieval was excluded from the analysis to not violate the dependent-variable independence assumption of ANOVA. Only significant effects and interactions are reported. For these analyses, we only included participants with a sufficient number of trials per condition (>การทดลอง 10 ครั้งต่อเงื่อนไข)

For more information:1950477648nn@gmail.com