Анализ
SPM8 (Statistical Parametric Mapping, Friston et al., 2006) был использован для анализа результатов, как и в наших предыдущих исследованиях (Zeki and Romaya, 2010; Ishizu and Zeki, 2011). На уровне одного субъекта оценка понимания (0-3) и оценка красоты во время сканирования (закодированная как -1 для “уродливого”, 0 для “нейтрального” и 1 Для “красивого”) для каждого уравнения были включены в качестве первого и второго параметрических модуляторов, соответственно, функции товарного вагона, которая моделировала внешний вид каждого уравнения [на самом деле оценки красоты и понимания коррелировали, но несовершенно (см. поведенческие данные ниже)]. Там было меньше “уродливых” оценочных уравнений, чем “нейтральных” или “красивых” (см. поведенческие данные ниже). Действительно, в 2 из 60 функциональных сессий не было никакого “уродливого” рейтинга. Этот дисбаланс не искажает оценку или вывод о влиянии красоты—он только снижает эффективность, с которой эти эффекты могут быть оценены (Фристон и др., 2000). К счастью, это снижение не было серьезным, потому что мы смогли выявить значительные последствия. В результате ортогонализации SPM параметрический модулятор оценки красоты может улавливать только дисперсию, которая не может быть объяснена оценкой понимания, что позволяет нам различать активации, которые коррелируют только с красотой. Контрастные изображения для каждого из 15 испытуемых для параметрического рейтинга красоты и для всех уравнений в сравнении с исходным уровнем были взяты для анализа 2-го уровня (случайные эффекты). Мы использовали сочетании-анализ null (Николс и соавт., 2005), чтобы определить, было ли перекрытие, в пределах mOFC, в областях параметрической активации с красотой и общей деактивацией, произведенной путем просмотра математических формул. Для того чтобы изучить активность уродливых, нейтральных и красивых стимулов относительно базовой линии в местах, определенных в параметрическом анализе красоты, мы также провели категориальный анализ только рейтинга красоты, кодируя контрасты для уродливых, нейтральных и красивых стимулов. Исходные данные для каждого субъекта на первом уровне и перевод их на 2-й уровень, случайные эффекты, анализ, как и раньше.
Аналогичным образом мы провели еще один параметрический анализ с оценкой красоты во время сканирования в качестве первого параметрического модулятора и оценкой понимания в качестве второго. На этот раз модулятор понимания может улавливать только дисперсии, которые не могут быть объяснены оценкой красоты, что позволяет нам различать активации, которые объясняются только пониманием. Контрастные изображения для 15 испытуемых были взяты на второй уровень, как и раньше. В дополнение к этому мы также провели категориальный анализ четырех категорий понимания (0-3), чтобы получить оценки параметров для четырех категорий понимания в местах, определенных как значимые в параметрическом анализе понимания (см. Рисунок 5B).
Категориальный анализ отличается от соответствующего параметрического анализа в двух отношениях: во-первых, параметрический анализ ищет связь между жирным сигналом и различиями в оцененном количестве (красота или понимание) на индивидуальной основе сеанса, в то время как категориальный анализ усредняет жирный сигнал для каждой категории оцененного количества по всем сеансам и предметам; во-вторых, при использовании двух параметрических модуляторов мы можем изолировать эффекты красоты от понимания и наоборот с помощью ортогонализации, но это не доступно в категориальном анализе. Когда мы используем ортогонализацию двух параметрических регрессоров для разделения дисперсии в ПОЛУЖИРНОМ сигнале на компонент” только красота “и компонент” только понимание", остается общая часть, которая не может быть непосредственно отнесена ни к одному из компонентов.
Для основных контрастов интереса, параметрической и категориальной красоты мы сообщаем об активации на кластерном уровне значимости (PClust-FWE < 0,05) с семейной коррекцией ошибок по всему объему мозга, как сообщает SPM8 на основе теории случайного поля (Friston et al., 1994). Статистический порог происходит в мире?. Для определения кластеров использовался порог экстента < 0,001 и 10 вокселов. Были также некоторые активации, которые не достигли значимости (четко отмеченной), о которых мы тем не менее сообщаем, поскольку они предполагают области, которые могут способствовать основной активации. Действительно ли они это делают, будет оставлено на будущие исследования.Для других контрастов по сравнению с исходным уровнем, которые не представляют принципиального интереса для данного исследования, мы сообщаем об активациях, которые переживают пиковый воксельный порог PFWE < 0,05, с семейной коррекцией ошибок по всему объему мозга.
Координаты в миллиметрах даны в пространстве Монреальского неврологического института (MNI) (Evans et al., 1993).
Продолжение в части №4
Источники: https://doi.org/10.3389/fnhum.2014.00068