পার্ট 2: মেমরি এবং পুরষ্কার কেন্দ্রগুলির মধ্যে কার্যকরী সংযোগ জুড়ে টাস্ক এবং রেস্ট ট্র্যাক মেমরি সংবেদনশীলতা পুরস্কারের জন্য

আরো তথ্যের জন্য:ali.ma@wecistanche.com

অনুগ্রহ করে অংশ 1 এখানে ক্লিক করুন

অনুগ্রহ করে পার্ট 3 এ ক্লিক করুন

বিশ্লেষণ এর ভিন্নতা পন্থা

সংযোগ নিদর্শন সম্পর্কিত কিনা তা পরীক্ষা করতেস্মৃতিপুরষ্কারের প্রতি সংবেদনশীলতা এবং এই সম্পর্ক টাস্ক পর্যায়ে স্থিতিশীল কিনা, সংযোগের মান দুটি পুনরাবৃত্তি-পরিমাপ ANOVA-তে জমা দেওয়া হয়েছিল। প্রথম ANOVA-তে শুধুমাত্র বিশ্রামের ডেটা (প্রি-এনকোডিং, পোস্ট-এনকোডিং) অন্তর্ভুক্ত ছিল, যা বিশ্রাম-রাষ্ট্র সংযোগের পূর্ববর্তী কাজের অনুরূপ (Gruber et al., 2016)। দ্বিতীয় ANOVA-তে টাস্ক টাইম সিরিজের সাথে তুলনা করার জন্য লো-পাস ফিল্টারড রেস্ট টাইম সিরিজ সহ তিনটি টাস্ক স্টেজ (প্রি-এনকোডিং বিশ্রাম, এনকোডিং টাস্ক, পোস্ট-এনকোডিং বিশ্রাম) অন্তর্ভুক্ত ছিল। বিষয়ের অন্তর্গত ফ্যাক্টর হিসাবে টাস্ক স্টেজ ছাড়াও, উভয় ANOVAও অন্তর্ভুক্তস্মৃতিকাঠামো (হিপ্পোক্যাম্পাস, পিএইচসি) এবং পুরষ্কার কাঠামো (ACC, মিডব্রেন, MPFC, OFC, VS) বিষয়বস্তুর মধ্যে এবং মডুলেটর স্ট্যাটাস (মডুলেটর, ননমডুলেটর) বিষয়ের মধ্যে ফ্যাক্টর হিসাবে।

ক্লিক করুনস্মৃতির জন্য Cistanche NZ

নিম্নলিখিত প্রভাবগুলি আমাদের আগ্রহের প্রশ্নগুলির সাথে প্রাসঙ্গিক ছিল: (1) মডুলেটর স্ট্যাটাসের প্রধান প্রভাব এবং মিথস্ক্রিয়া, পৃথক পৃথক পার্থক্যগুলির সাথে সংযোগের নিদর্শনগুলি সম্পর্কিত কিনা তা পরীক্ষা করাস্মৃতিপুরস্কারের প্রতি সংবেদনশীলতা; (2) টাস্ক স্টেজ ফ্যাক্টরের প্রধান প্রভাব এবং মিথস্ক্রিয়া, এই ধারণাটি পরীক্ষা করে যে সংযোগের ধরণগুলি টাস্ক এবং বিশ্রাম জুড়ে তুলনামূলকভাবে স্থিতিশীল হতে পারে এবং সেইসাথে পৃথক পার্থক্যগুলি ট্র্যাক করেস্মৃতিপুরস্কারের প্রতি সংবেদনশীলতা; (3) মডুলেটর স্ট্যাটাসের সাথে পুরষ্কার অঞ্চল ফ্যাক্টরের মিথস্ক্রিয়া, সমস্ত পুরস্কার অঞ্চল একইভাবে বা ভিন্নভাবে অবদান রাখে কিনা তা পরীক্ষা করে। উল্লেখ্য, পুরস্কার অঞ্চলের প্রধান প্রভাব এবং প্রধান প্রভাবস্মৃতিঅঞ্চলটি আগ্রহের বিষয় ছিল না কারণ সামগ্রিক কার্যকরী সংযোগের মান অঞ্চল এবং একটি অঞ্চলের আকারের মধ্যে শারীরিক দূরত্বের উপর নির্ভর করতে পারে এবং সহজে ব্যাখ্যাযোগ্য নাও হতে পারে (Honey et al., 2009; Salvador et al., 2005)। যখন একটি মিথস্ক্রিয়া পাওয়া গেছে, আমরা মিথস্ক্রিয়াটির অবস্থানের তদন্তের সাথে অনুসরণ করেছি। প্রতিবেদনটি আগ্রহের প্রভাবের উপর দৃষ্টি নিবদ্ধ করলে, সম্পূর্ণ ANOVA ফলাফলগুলি টেবিলে রিপোর্ট করা হয়। গ্রিনহাউস গিজার সংশোধনগুলি উপযুক্ত হলে ব্যবহার করা হয়েছিল, "GG" হিসাবে টেবিলে রিপোর্ট করা হয়েছে। যাচাই করার জন্য যে আমাদের ফলাফলগুলি চিকিত্সার দ্বারা চালিত হয়নিস্মৃতিএকটি বাইনারি পরিবর্তনশীল হিসাবে পুরষ্কারের প্রতি সংবেদনশীলতা, আমরা একটি কোভেরিয়েট হিসাবে আচরণগত পুরষ্কার মডুলেশনের ক্রমাগত পরিমাপের সাথে ANCOVA ব্যবহার করে উভয় ANOVA থেকে আগ্রহের উল্লেখযোগ্য প্রভাবগুলি পুনরায় পরীক্ষা করেছি।

কার্যকরী সম্পর্ক মধ্যে সংযোগ

ANOVA-তে একাধিক পুরষ্কার ROI জুড়ে তুলনামূলক বা ডিফারেনশিয়াল মডুলেটর প্রভাব পর্যবেক্ষণ করা পুরষ্কার মডুলেশনের জন্য পুরষ্কার অঞ্চলগুলির অনন্য বা অভিন্ন অবদানের জন্য একটি ইঙ্গিত প্রদান করেস্মৃতি. পুরষ্কার অঞ্চলগুলি একই কার্যকরী নেটওয়ার্কের একটি অংশ কিনা তা আরও সরাসরি পরীক্ষা করার জন্য, আমরা অতিরিক্তভাবে তাদের ক্রস-রিলেশনাল কাঠামো পরীক্ষা করেছি। আমরা দুটি প্রধান উপাদান বিশ্লেষণ করেছি: একটি শুধুমাত্র বিশ্রামের সংযোগের মানগুলির উপর (উচ্চ-ফ্রিকোয়েন্সি ওঠানামার তথ্য বজায় রাখার জন্য কোনও কম-পাস ফিল্টার নেই), এবং একটি যেটি টাস্ক এবং বিশ্রাম জুড়ে সমস্ত সংযোগ মান অন্তর্ভুক্ত করেছে (কম-পাস ফিল্টার করা সময় ব্যবহার করে) তুলনামূলক কাজ এবং বাকি প্রাক প্রক্রিয়াকরণের জন্য সিরিজ)। উপাদানগুলিকে আরও বিশ্লেষণের জন্য বিবেচনা করা হয়েছিল যখন তারা বৈচিত্র্যের কমপক্ষে 10 শতাংশ ব্যাখ্যা করেছিল। প্রতিটি বিবেচিত উপাদানের জন্য, আমরা উপাদানগুলির একটি শূন্য বিতরণের সাথে তুলনা ব্যবহার করে দৈবক্রমে এই জাতীয় উপাদান পাওয়ার সম্ভাবনা পরীক্ষা করেছি। নাল ডিস্ট্রিবিউশন পাওয়ার জন্য, আমরা 10,000 সিমুলেটেড প্রিন্সিপাল কম্পোনেন্ট অ্যানালাইসিস করেছি যা প্রাপ্ত ডেটার উপর এলোমেলোভাবে কানেক্টিভিটি মান পরিবর্তন করে, প্রতিটি সংযোগের জন্য আলাদাভাবে। প্রতিটি উপাদান (প্রথম সর্বাধিক তথ্যপূর্ণ, দ্বিতীয়-সবচেয়ে তথ্যপূর্ণ, ইত্যাদি) দ্বারা ব্যাখ্যা করা বৈচিত্র্যের শতাংশ তারপরে শূন্য বিতরণের ব্যাখ্যা করা শতাংশের সাথে তুলনা করা হয়েছিল। eigenvalues ​​পরীক্ষা করে একই ফলাফল পাওয়া যাবে।

প্রতিটি কম্পোনেন্টে লোডিংগুলিকে একমুখী ANOVA ব্যবহার করে পাঁচটি পুরস্কার ROI-এর জন্য তুলনা করা হয়েছিল এবং কম্পোনেন্ট স্কোরগুলি একাধিক রিগ্রেশন ব্যবহার করে আচরণগত পুরষ্কার মডুলেশনের সাথে সম্পর্কিত ছিল। মাল্টিপল রিগ্রেশনের আগে ডাইমেনশ্যালিটি রিডাকশন ব্যবহার করে আমাদের পরীক্ষা করার অনুমতি দেয় কিভাবে অন্তর্নিহিত উপাদান, বা অঞ্চলের সম্ভাব্য নেটওয়ার্ক, সংযোগ-আচরণ সম্পর্কের ক্ষেত্রে অবদান রাখে যখন কানেক্টিভিটি মানগুলির মধ্যে সমসাময়িকতাকে বিবেচনায় নেয় এবং ডেটা-চালিত পদ্ধতিতে বিবেচিত ভবিষ্যদ্বাণীর সংখ্যা সীমিত করে। .

সংযোগ প্যাটার্ন শ্রেণীবিভাগ

যদিও প্রথাগত অনুমান পরীক্ষা, যেমন বৈচিত্র্যের বিশ্লেষণ, সম্ভাব্যতা পরীক্ষা করে যে গোষ্ঠীর মধ্যে পার্থক্যগুলি লক্ষ্য করে একাই উদ্ভূত হয়েছিল, মেশিন লার্নিং শ্রেণীবিন্যাস পদ্ধতিগুলি আমাদেরকে আরও সরাসরি পরিমাপ করতে দেয় যে অংশগ্রহণকারীদের তাদের সংযোগ প্যাটার্নের উপর ভিত্তি করে একে অপরের থেকে কতটা ভালভাবে আলাদা করা যায়। আমরা সাপোর্ট ভেক্টর ক্লাসিফিকেশন (SVC) ব্যবহার করেছি যে ডিগ্রীতে অংশগ্রহণকারীদের দশটি ROI সংযোগ জুড়ে সংযোগের প্যাটার্নের উপর ভিত্তি করে মডুলেটর বা নন-মডুলেটর হিসাবে শ্রেণীবদ্ধ করা যেতে পারে (2স্মৃতিROIs × 5 পুরস্কার ROIs)।

SVC "e1071" (Meyer, Dimitriadou, Hornik, Weingessel, & Leisch, 2017) পরিসংখ্যানগত বিশ্লেষণ প্যাকেজ ব্যবহার করে বাস্তবায়িত হয়েছিল এবং প্রতিটি টাস্ক পর্যায়ে আলাদাভাবে পরিচালিত হয়েছিল। nu-শ্রেণীবিভাগের জন্য ডিফল্ট প্যারামিটার ব্যবহার করা হয়েছিল (C=1, ε= 0.1,=0.1, কোন টিউনিং নেই) একটি রেডিয়াল বেসিস ফাংশন কার্নেলের সাথে। আমরা একটি ছাড়-এক-বিষয়-আউট ক্রস-ভ্যালিডেশন পদ্ধতি ব্যবহার করেছি, N-1 বিষয়ে মডেলকে প্রশিক্ষণ দিয়েছি এবং তারপরে আটকে রাখা বিষয়ের মডুলেটর অবস্থার পূর্বাভাস দেওয়ার জন্য প্রশিক্ষিত শ্রেণিবিন্যাসকারীকে প্রয়োগ করেছি। প্রক্রিয়াটি পুনরাবৃত্তি করা হয়েছিল কারণ প্রতিটি বিষয় প্রশিক্ষণ সেট থেকে আটকে রাখা হয়েছিল এবং মডেলটি পরীক্ষা করতে ব্যবহৃত হয়েছিল। মডেলের নির্ভুলতা সঠিক শ্রেণীবিভাগের শতাংশ হিসাবে রেকর্ড করা হয়েছিল। তাত্পর্য পরীক্ষা করার জন্য একটি স্থানান্তর পরীক্ষা ব্যবহার করা হয়েছিল। আমরা 5,000 সিমুলেশন পরিচালনা করেছি, প্রতিবার অংশগ্রহণকারীদের মধ্যে এলোমেলোভাবে মডুলেটর স্ট্যাটাস লেবেলগুলিকে এলোমেলো করে এবং তারপরে আসল ডেটার মতো একই লিভ-ওয়ান-সাবজেক্ট-আউট ক্রস-ভ্যালিডেটেড শ্রেণীবিন্যাস নির্ভুলতা গণনা করে। সত্যিকারের শ্রেণীবিভাগের নির্ভুলতাকে শুধুমাত্র সুযোগ দ্বারা এই ধরনের নির্ভুলতা পাওয়ার সম্ভাবনা আহরণ করার জন্য সিমুলেটেড শ্রেণীবিভাগের নির্ভুলতার বিতরণের সাথে তুলনা করা হয়েছিল। এর চেয়ে কম সম্ভাব্যতার সাথে ঘটে যাওয়া নির্ভুলতাp= 0.017 তাৎপর্যপূর্ণ বলে বিবেচিত হয়েছিল, একটি সামগ্রিক আলফা=0.05 এর জন্য তিনটি টাস্ক পর্যায়ে বনফেররোনি সংশোধন প্রতিফলিত করে৷

ফলাফলগুলি মধ্যম বিভক্ত পদ্ধতির দ্বারা চালিত হয়নি তা যাচাই করার জন্য, সমর্থন ভেক্টর রিগ্রেশন (SVR) ব্যবহার করা হয়েছিল প্রতিটি টাস্ক পর্যায়ে পরিমাপ করা সংযোগ থেকে প্রতিটি অংশগ্রহণকারীর জন্য আচরণগত পুরস্কার মডুলেশন (BRM স্কোর) এর ক্রমাগত পরিমাপের পূর্বাভাস দিতে। একই পরিসংখ্যানগত প্যাকেজ, ডিফল্ট পরামিতি, এবং ছাড়-এক-বিষয় আউট ক্রস-ভ্যালিডেশন

পদ্ধতিটি SVR-এর জন্য ব্যবহৃত হয়েছিল যেমন SVC-এর জন্য ব্যবহৃত হয়েছিল। প্রতিটি বিষয়ের জন্য ভবিষ্যদ্বাণী করা বিআরএম মানগুলি পর্যবেক্ষিত বিআরএম মানগুলির সাথে সম্পর্কিত ছিল কিনা তা মূল্যায়ন করার জন্য

কানেক্টিভিটি প্যাটার্নের পার্থক্যের মধ্যে আচরণগত পুরষ্কার মডুলেশনের পৃথক পার্থক্য সম্পর্কে তথ্য রয়েছেস্মৃতি. আমরা তিনটি পারস্পরিক সম্পর্ক (আলফা=0.05/3=0.017) এর জন্য Bonferroni সংশোধন নিযুক্ত করেছি।

পরিপূরক সংযোগ বিশ্লেষণ করে

আগ্রহের প্রধান প্রশ্নগুলি ছাড়াও, বর্তমান অধ্যয়নটি পুরষ্কার মড্যুলেশন সম্পর্কিত পূর্ববর্তী অধ্যয়নগুলির প্রশ্নগুলির সমাধান করার জন্য উপযুক্ত ডেটা সরবরাহ করেস্মৃতি. আমরা অনুসন্ধানমূলক বিশ্লেষণের দুটি সেট পরিচালনা করেছি যা সংযোগের উপর ফোকাস বজায় রাখে এবং পাঠকদের জন্য তথ্যপূর্ণ হতে পারে, যদিও তারা অধ্যয়নের মূল লক্ষ্যগুলিকে সরাসরি সম্বোধন করে না।

পারস্পরিক সম্পর্ক মধ্যে সংযোগ পরিবর্তন এবং আচরণ-আনোভা, পিসিএ,

এবং মেশিন লার্নিং পদ্ধতিগুলি পুরষ্কার অঞ্চলগুলির একটি বিস্তৃত সেটের ভূমিকা এবং সংযোগের ফিঙ্গারপ্রিন্ট হাইপোথিসিস পরীক্ষা করার জন্য উপযুক্ত, বিশেষত এখানে বিবেচনা করা সম্পর্কিত সংযোগগুলির বৃহত্তর সেটের জন্য। বিপরীতে, পুরষ্কার মড্যুলেশনের উপর পূর্বের গবেষণাস্মৃতিসাধারণত একক সংযোগ এবং শেখার-সম্পর্কিত প্রভাবগুলির উপর দৃষ্টি নিবদ্ধ করে, প্রি-টু-পোস্ট এনকোডিং সংযোগ বৃদ্ধির সাথে সম্পর্কিত প্রথম-ক্রম পারস্পরিক সম্পর্ক রিপোর্ট করে। যদিও পোস্ট-এনকোডিং বিশ্রামের একটি অসম ভূমিকা আমাদের ANOVA-তে টাস্ক স্টেজ মিথস্ক্রিয়া দ্বারা একটি উল্লেখযোগ্য মডুলেটর দ্বারা নির্দেশিত হতে পারে, আমরা পূর্বের অধ্যয়নের সাথে সরাসরি তুলনীয় ডেটা তৈরি করতে চেয়েছিলাম। আমরা এইভাবে অতিরিক্তভাবে প্রতিটি সংযোগের জন্য প্রি-টু-পোস্ট সংযোগ পরিবর্তনগুলি গণনা করেছি এবং সেগুলিকে BRM-এর সাথে সম্পর্কযুক্ত করেছি। যেহেতু মিডিয়াল টেম্পোরাল লোবে ডোপামিনের বর্ধিত প্রাপ্যতা সাধারণভাবে এনকোডিং বাড়াতে পারে (ডানকান এট আল।, 2014; লিসম্যান এট আল।, 2011), আমরা প্রতিটি অংশগ্রহণকারীর জন্য সামগ্রিক প্রত্যাহার হারের সাথে সংযোগের মানগুলিকেও সংযুক্ত করেছি।

পূর্ববর্তী এবং পোস্টেরিয়র পার্থক্য মধ্যেদ্যহিপোক্যাম্পাস-পূর্ববর্তী কাজ প্রস্তাব

হিপ্পোক্যাম্পাসের পূর্ববর্তী এবং পশ্চাৎভাগের মধ্যে কার্যকরী পার্থক্য রয়েছে (ব্রুনেক এট আল।, 2018; ম্যাকেঞ্জি এট আল।, 2014; পপেঙ্ক, ইভনসমোয়েন, মস্কোভিচ, এবং নাডেল, 2013)। পুরষ্কার-প্রণোদিত শিক্ষার প্রেক্ষাপটে, যাইহোক, পূর্ববর্তী এবং পশ্চাদবর্তী হিপ্পোক্যাম্পাসের পার্থক্যমূলক অবদানের জন্য প্রমাণের অভাব বা বিরোধপূর্ণ (Murty et al., 2017; Wolosin et al., 2013)। আমরা পূর্ববর্তী/পোস্টেরিয়র হিপ্পোক্যাম্পাল কানেক্টিভিটি প্যাটার্নগুলির অনুসন্ধানমূলক বিশ্লেষণ করেছি যে তাদের সংযোগের ধরণ বা সংযোগের পরিবর্তনগুলি আমাদের দৃষ্টান্তের আচরণের সাথে আলাদাভাবে সম্পর্কিত কিনা।

প্রতিটি অংশগ্রহণকারীর হিপ্পোক্যাম্পাস ROI এর মাঝের স্লাইসটি পূর্ববর্তী এবং পশ্চাৎভাগের জন্য সীমানা হিসাবে ব্যবহৃত হয়েছিল। অংশগ্রহণকারীদের জন্য যাদের হিপ্পোক্যাম্পাস ROI তে বিজোড় সংখ্যক স্লাইস ছিল, মধ্যম স্লাইসটি পোস্টেরিয়র অংশে বরাদ্দ করা হয়েছিল। ROIs তখন প্রতিটি বিশ্রাম এবং টাস্ক স্ক্যানের সময় টাইম সিরিজ বের করতে ব্যবহৃত হয়। উপরে বর্ণিত পদ্ধতিগুলি ব্যবহার করে প্রতিটি পুরষ্কার অঞ্চলের সাথে পূর্ববর্তী এবং পশ্চাদবর্তী হিপ্পোক্যাম্পাসের মধ্যে সংযোগ পরিমাপ করা হয়েছিল। হিপ্পোক্যাম্পাল ROI (অ্যান্টেরিয়র, পোস্টেরিয়র) × টাস্ক স্টেজ (প্রি-এনকোডিং, এনকোডিং, পোস্ট-এনকোডিং) × রিওয়ার্ড ROI (ACC, মিডব্রেন, MPFC, OFC, VS) এর সাথে পুনরাবৃত্ত-পরিমাপ ANOVA ব্যবহার করে পূর্ববর্তী এবং পশ্চাদবর্তী হিপ্পোক্যাম্পাসের মধ্যে কার্যকরী পার্থক্য পরীক্ষা করা হয়েছিল। বিষয়ের অন্তর্গত কারণ এবং বিষয়গুলির মধ্যে উপাদান হিসাবে মডুলেটর অবস্থা। প্রধান আগ্রহের বিষয় ছিল হিপ্পোক্যাম্পাল ROI এবং মডুলেটর স্ট্যাটাসের মধ্যে মিথস্ক্রিয়া, পূর্ববর্তী এবং পশ্চাদবর্তী হিপ্পোক্যাম্পাস আলাদাভাবে সম্পর্কিত কিনা তা পরীক্ষা করা।

এর পুরস্কার মড্যুলেশনস্মৃতি.

ফলাফল

আচরণগত ফলাফল

গড় সামগ্রিক cued প্রত্যাহার কর্মক্ষমতা ছিল 0.48 (এসডি= 0.১৯)। A 2 (পুরস্কার কিউ ভিজ্যুয়াল ফর্ম) × 3 (পুরস্কার কিউ মান) বারবার পরিমাপ ANOVA পুরষ্কার মূল্যের একটি সামান্য উল্লেখযোগ্য প্রভাব প্রকাশ করেছে (F(1.18,27.03) = 3.86, p= 0.054, η2p= 0.14, GG), একটি উল্লেখযোগ্য দ্বিঘাত সহ (F(1,23) = 9.93, p= 0.004, η2p= 0.30) একটি রৈখিক প্রভাবের পরিবর্তে (F(1,23) = 1.97, p= 0.174)। ফলো-আপ পেয়ারওয়াইসে তুলনা প্রকাশ করে যে দ্বিঘাত প্রভাব ডলারের ট্রায়ালগুলিতে বেশি প্রত্যাহার দ্বারা চালিত হয়েছিল (M= 0.53, এসডি= 0.20; t(23) = 2.41, p= 0.024), এবং অপ্রত্যাশিতভাবে, পেনি ট্রায়াল (M= 0.47, এসডি= 0.22; t(23) = 2.45, p= 0.022) ডাইম ট্রায়ালের সাথে তুলনা করে (M= 0.44, এসডি= 0.২২)। ডলার এবং পেনি ট্রায়ালের মধ্যে পার্থক্য তাত্পর্য পৌঁছায়নি (t(23) = 1.40, p= 0.174)। চাক্ষুষ ফর্মের কোন প্রধান প্রভাব ছিল না (F(1,23) = 0.04, p= 0.840, η2p= 0.002) অথবা ফর্ম এবং মানের মধ্যে কোনো মিথস্ক্রিয়া (F(2,46) = 1.66, p= 0.202, η2p= 0.07)। এইভাবে, সঠিকতাগুলি ভিজ্যুয়াল ফর্ম জুড়ে ধসে পড়ে এবং পরবর্তী সমস্ত বিশ্লেষণের জন্য ব্যবহৃত হয়। প্রতিটি পুরষ্কারের মান এবং ফর্ম শর্তের জন্য কিউড প্রত্যাহার হার চিত্র 3a এ উপস্থাপন করা হয়েছে।

একটি পৃথক আচরণগত নমুনা (n=20) মানের একটি উল্লেখযোগ্য প্রধান প্রভাব প্রকাশ করেছে (F(1.23, 27.6) = 14.1, p= 0.001, GG), তুলনামূলকভাবে লিনিয়ার হিসাবে বর্ণনা করা হয়েছে (F(1,19) = 15.5, p= 0.001) বা দ্বিঘাত (F(1,19) = 10.8, p= 0.০০৪)। এফএমআরআই নমুনার মতো, ডলার ট্রায়ালের জন্য কিউড রিকল নির্ভুলতা বেশি ছিল (M= 0.61, এসডি= 0.19) ডাইম ট্রায়ালের চেয়ে (M= 0.44, এসডি= 0.21; t(19) = 3.83, p= 0.০০১)। এফএমআরআই নমুনার বিপরীতে, আচরণগত নমুনা দেখায় একটিস্মৃতিপেনি ট্রায়ালের তুলনায় ডলার ট্রায়ালের সুবিধা (M= 0.44, এসডি= 0.১৯; t(19)=3.94, p=0.001) এবং পেনি এবং ডাইম ট্রায়ালের মধ্যে কোন পার্থক্য নেই (t(19)=0.17, p=0.87 )

যদিও এফএমআরআই নমুনায় প্রত্যাহার নির্ভুলতার ইউ-আকৃতির প্যাটার্নটি অপ্রত্যাশিত ছিল এবং পৃথক আচরণগত নমুনায় প্রতিলিপি করা হয়নি, অ-রৈখিক পুরষ্কার প্রভাবগুলি প্রশংসনীয় (ইলিয়ট, নিউম্যান, লঙ্গে, এবং ডেকিন, 2003)। উদাহরণস্বরূপ, পেনি ট্রায়ালগুলিকে (নিরপেক্ষ) ডাইম ট্রায়ালের তুলনায় ক্ষতি হিসাবে বিবেচনা করা হতে পারে, যা এনকোডিংয়ের জন্য তাদের আরও গুরুত্বপূর্ণ করে তোলে (বার্ট্রা, ম্যাকগুয়ার, এবং ক্যাবল, 2013; সেমুর এবং ম্যাকক্লুর, 2008; শিগেমুন, সুকিউরা, কাম্বারা, এবং Kawashima, 2014; Tversky & Kahneman, 1981)। যেহেতু ডলার এবং পেনি ট্রায়ালের মধ্যে পার্থক্য উল্লেখযোগ্য ছিল না এবং যেহেতু পেনি এবং ডলার উভয়ই পুরষ্কারের প্রতি সংবেদনশীল ব্যক্তিদের জন্য সাবলীলতা বাড়িয়েছে, আমরা পরিবর্তে ব্যবহার করেছিস্মৃতিডাইম ট্রায়ালের উপর ডলারের সুবিধা (আচরণগত এবং এফএমআরআই উভয় নমুনা জুড়ে প্রতিলিপি) পৃথক পার্থক্যের পরিমাপ হিসাবেস্মৃতিsensitivity to reward. The raw dollar minus dime difference scores ranged from −0.25 to 0.75 (median of 0.07) and were not significantly correlated with the overall accuracy (Fig. 3b), suggesting that reward modulation of memory affected which events are preferentially remembered rather than providing an overall memory advantage. Because the raw difference scores were skewed by an outlier (>গড় থেকে 3 SD), পারস্পরিক সম্পর্ক স্থাপন করার সময় আমরা পরবর্তী সমস্ত বিশ্লেষণে এই স্কোরগুলির একটি র্যাঙ্ক অর্ডার ব্যবহার করেছিস্মৃতিসংযোগ ব্যবস্থার সাথে পুরস্কৃত করার সংবেদনশীলতা। আমরা ডলার-ডাইম পার্থক্য স্কোরকে একটি কাঁচা আচরণগত পুরষ্কার মডুলেশন (কাঁচা BRM) স্কোর হিসাবে উল্লেখ করি এবং একটি আচরণগত পুরস্কার মডুলেশন (BRM) স্কোর হিসাবে পরবর্তী সমস্ত বিশ্লেষণের জন্য ব্যবহৃত র্যাঙ্ক-অর্ডার পরিমাপ।

ভিজ্যুয়ালাইজেশন এবং বিশ্লেষণের উদ্দেশ্যে, আমরা পুরষ্কার মড্যুলেশনের একটি দ্বিখণ্ডিত পরিমাপও তৈরি করেছিস্মৃতিবিআরএম স্কোরের একটি মাঝারি বিভাজন ব্যবহার করে। এই পদ্ধতিটি অংশগ্রহণকারীদের দুটি গ্রুপ তৈরি করেছে যেগুলিকে আমরা মডুলেটর (পুরস্কারের প্রতি সংবেদনশীল) এবং নন-মডুলেটর (পুরস্কারের প্রতি সংবেদনশীল) হিসাবে উল্লেখ করি। অংশগ্রহণকারীদের মধ্যম বিভাজন বোধগম্য গ্রুপিং প্রদান করেছে তা যাচাই করার জন্য আমরা নিশ্চিতকরণ বিশ্লেষণগুলি সম্পাদন করেছি। চিত্র 3c প্রতিটি গোষ্ঠীর জন্য পৃথকভাবে প্রতি মান প্রতি cued recall acuracy দেখায়। ননমডুলেটরগুলিতে পুরষ্কার মূল্যের কোনও প্রভাব ছিল না (একমুখী আনোভাF(1.15,12.7) = 1.36, p= 0.273, GG), কাঁচা BRM স্কোর সহ (ডলার-ডাইম পার্থক্য) শূন্য থেকে আলাদা নয় (M= −0.02, t(11) = −0.98, p= 0.348), এটি নিশ্চিত করে৷স্মৃতিএই গ্রুপের কর্মক্ষমতা পুরস্কার মূল্য দ্বারা উল্লেখযোগ্যভাবে প্রভাবিত হয়নি। বিপরীতে, মডুলেটররা পুরষ্কার মূল্যের প্রভাব দেখিয়েছে (একমুখী আনোভাF(1.18,13.01) = 8.69, p= 0.009, η2p= 0.44, GG), ডাইম ট্রায়ালের তুলনায় ডলার ট্রায়ালের জন্য অধিক নির্ভুলতার সাথে (যেমন, উল্লেখযোগ্য কাঁচা BRM স্কোর;M= 0.21; t(11) = 3.59, p= 0.004), এবং ডলার ট্রায়ালের জন্য পেনি ট্রায়ালের চেয়ে বেশি নির্ভুলতা (t(11) = 2.43, p= 0.033)। এইভাবে, মধ্যম বিভাজন অংশগ্রহণকারীদের দুটি বুদ্ধিমান গোষ্ঠী তৈরি করেছে যা তাদের মধ্যে পৃথকস্মৃতিপুরস্কারের প্রতি সংবেদনশীলতা।

আনোভা ফলাফল

শুধুমাত্র বিশ্রাম আনোভা-আমরা প্রথমে বিশ্রাম সংযোগ এবং মধ্যে সম্পর্ক সম্বোধনস্মৃতিবিশ্রামের সময় (প্রি-এনকোডিং, পোস্ট-এনকোডিং),স্মৃতিROI (হিপ্পোক্যাম্পাস, PHC), এবং পুরষ্কার ROI (ACC, midbrain, MPFC, OFC, VS) বিষয়ের অন্তর্গত ফ্যাক্টর এবং মডুলেটর স্ট্যাটাস বিষয়ের মধ্যে ফ্যাক্টর হিসাবে। বিশ্রামের সময় সিরিজগুলি এই বিশ্লেষণের জন্য কম-পাস ফিল্টার করা হয়নি, কারণ এই ধরনের একটি প্রিপ্রসেসিং পদক্ষেপ সাধারণত বিশ্রামের সময়-সিরিজ বিশ্লেষণের সময় প্রয়োগ করা হয় না কারণ এটি অর্থপূর্ণ উচ্চ-ফ্রিকোয়েন্সি ওঠানামাকে সরিয়ে দিতে পারে। সমস্ত সংযোগ চিত্র 4a তে চিত্রিত করা হয়েছে এবং সম্পূর্ণ ANOVA ফলাফলগুলি সারণি 1 এ রিপোর্ট করা হয়েছে।

মডুলেটরের অবস্থা ছিল সামান্য উল্লেখযোগ্য (p= 0.051), মডুলেটর সহ (M= 0.36, এসডি= 0.10), ননমডুলেটর (M= 0.29, এসডি= 0.06)। মডুলেটর স্ট্যাটাস পুরষ্কার কাঠামোর সাথে উল্লেখযোগ্যভাবে ইন্টারঅ্যাক্ট করেছে। এই মিথস্ক্রিয়াটি নন-মডুলেটরের তুলনায় মডুলেটরগুলিতে ACC, OFC এবং VS-এর সাথে বৃহত্তর হিপোক্যাম্পাস/PHC সংযোগ দ্বারা চালিত হয়েছিল (সমস্তt>2.15, সবp< 0.045),="" with="" no="" effect="" ofmodulator="" status="" in="" hippocampus/phc-midbrain="" and="" hippocampus/phc-mpfc="" connectivity="" (both="">t< 1.4,="">p>0.১৮)। যখন পুরস্কার মডুলেশনস্মৃতিANCOVA ব্যবহার করে একটি ক্রমাগত পরিমাপ হিসাবে বিবেচিত হয়েছিল, ফলাফলগুলি অনুরূপ কিন্তু দুর্বল ছিল। BRM এর প্রধান প্রভাব (r(22) = 0.35; F(1,22) = 3.12, p= 0.091, η2P12F(2.83,62.22) = 1.99, p= 0.128, GG)।

আনোভা অতিরিক্তভাবে বিশ্রামের সময়কালের একটি প্রধান প্রভাব প্রকাশ করেছে, প্রাক-এনকোডিং থেকে সংযোগ বৃদ্ধির সাথে (M= 0.30, এসডি= 0.10) পোস্ট-এনকোডিং বাকি স্ক্যান করতে (M= 0.36, এসডি= 0.১১)। বিশ্রামের সময়টি মডুলেটর অবস্থার সাথে যোগাযোগ করেনি (p>0.6) বা ANCOVA-তে BRM (p>0.3), নির্দেশ করে যে যদিও সামগ্রিক সংযোগ প্রাক-এনকোডিং থেকে পোস্ট-এনকোডিং পর্যন্ত বৃদ্ধি পেয়েছে, আচরণের সাথে এর সম্পর্ক উল্লেখযোগ্যভাবে পরিবর্তিত হয়নি।