Informácie

Vizuálne vyhľadávanie: zložitosť pozitívnych a negatívnych vyhľadávacích úloh

Vizuálne vyhľadávanie: zložitosť pozitívnych a negatívnych vyhľadávacích úloh



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Keď som premýšľal o experimentoch, kde účastníci vykonávajú úlohy vizuálneho vyhľadávania, pamätám si, ako som na prednáške Cog Psych počul, že ak by pokyny k úlohe mali tvar „nájdi prvok, ktorý má vlastnosť X“, účastníci by úlohu splnili rýchlejšie a jednoduchšie ako keď boli pokyny vo forme „nájdite prvok, ktorý nemá vlastnosť Y“.

Potom sa diskutovalo, že toto je príkladom jednej z tém kognitívnej psychiky: Kognitívne procesy zvládajú pozitívne informácie lepšie ako negatívne informácie. Je to pozitívny účinok?

Zaujímalo by ma, či je na druhej úlohe niečo, čo je algoritmicky zložitejšie ako prvá. Vykazuje počítač pri týchto úlohách rovnaké spomalenie? Vie niekto o nejakom výskume, ktorý by to skúmal?


Vychádzajúc z odpovede a komentára @JohnPicka, ale trochu formálnejšia. Rozdiel je možné vysvetliť rozdielom medzi paralelným a sekvenčným spracovaním a náročnosťou vyhodnocovaného predikátu. Na vašu konkrétnu otázku odpovedá Treisman (1985) (ktorý sumarizujem v druhej časti), ale snažím sa poskytnúť všeobecnejšie vysvetlenie.

Základná myšlienka

Kedykoľvek povieme „má prvok vlastnosť $ X $“, spravidla vyberáme veľmi jednoduchú nehnuteľnosť pre $ X $, ktoré je možné rýchlo skontrolovať. Na druhej strane predikát ako „nemá majetok $ Y $Vlastnosť „stáva sa niečím ako“ $ neg Y $"a je spravidla oveľa ťažšie ho vyhodnotiť. Očakávam teda, že hlavný problém nie je v negácii, ale v skutočnosti, že $ X $ je zvyčajne oveľa rýchlejšie hodnotiť ako $ neg Y $. Vo všeobecnosti by sme podobné efekty očakávali pri iných experimentoch, ktoré používajú veľmi jednoduchú vlastnosť $ X $ oproti veľmi ťažkej, ale stále pozitívnej vlastnosti $ Z $.

Ak by to však bol jediný faktor, videli by sme iba spomalenie s konštantným faktorom, od ktorého by sme očakávali, že bude interpretované ako kvantitatívne, ale nie kvalitatívne spomalenie. Tu nahodíme paralelné spracovanie. Ak predpokladáme, že zrakový systém je schopný vysoko paralelného spracovania, ale náročnosť zahrnutého hodnotenia vlastností musí byť veľmi nízka, alebo musíme prejsť na sekvenčné spracovanie. V počítači uvažujte o GPU: GPU dokáže vykonávať mnoho jednoduchých výpočtov súbežne, ale na náročné výpočty po jednom musíme použiť pomalší procesor.

Podpora príslušnej literatúry

Klasická práca ako Treisman (1985) naznačuje, že môj predpoklad veľmi obmedzených výpočtov sa robí paralelne, zatiaľ čo komplikovanejšie vlastnosti vyžadujú pozornosť a sekvenčné spracovanie je rozumné. Treisman konkrétne úplne odpovedá na vašu otázku:

Naznačuje to, že hľadanie prítomnosti vizuálneho primitíva je automatické a paralelné, zatiaľ čo hľadanie absencie tej istej funkcie je sériové a vyžaduje si sústredenú pozornosť.

Testovanie teórie s nezápornými vlastnosťami

Na otestovanie celej mojej teórie môžeme zvážiť nasledujúce experimenty. Účastníkovi predstavujeme s $ N $ celé čísla $ r_1,… r_N $ usporiadané náhodne vo vizuálnom poli, každé celé číslo je zafarbené $ c_1,…, c_N $. Položíme si jednu z dvoch možných otázok:

  1. Nehnuteľnosť $ X $: Pomenujte zelené číslo, príp
  2. Nehnuteľnosť $ Z $: Pomenujte číslo deliteľné $3$.

Ako sa zvyšujeme $ N $ od $1$ až do nejakej rozumnej hranice dostaneme funkciu reakčných časov $ f_X (N) $ a $ f_Z (N) $ pre dva prípady:

  1. Ak oba predikáty ($ X $ a $ Z $) sú spracované rovnakým spôsobom (t.j. vždy paralelné alebo obe sekvenčné), potom to očakávame $ forall N ; frac {f_X (N)} {f_Z (N)} cca frac {f_X (1)} {f_Z (1)} $. Inými slovami, očakávame len neustále spomaľovanie od skutočnosti, že kontrola jedného čísla je zelená, je jednoduchšie ako kontrola, či je deliteľné $3$.

  2. Ak $ X $ je spracovaný súbežne, pričom $ Z $ nie je, potom očakávame $ forall N ; frac {f_X (N)} {f_Z (N)}> frac {f_X (N + 1)} {f_Z (N + 1)} $. Inými slovami, keď do vizuálneho poľa pridáme ešte jednu položku, paralelné spracovanie sa spomalí výrazne menej ako sekvenčné spracovanie.


Pochyboval by som, že vami opísaný efekt je príkladom pozitívneho efektu, ktorý je formou atribučnej zaujatosti, a nie je spojený so základnými percepčnými javmi.

Namiesto toho si myslím, že experimentálne výsledky, ktoré ste opísali, možno vysvetliť aktivačným účinkom. Priming popisuje jav, že expozícia jednému podnetu ovplyvňuje spracovanie nasledujúcich podnetov. Ak prvý stimul zdieľa percepčné, sémantické alebo koncepčné podobnosti s ďalším stimulom, spracovanie sa zlepší (pozitívne primovanie). Ak poskytuje protichodné informácie, spracovanie môže byť deprimované (negatívny priming).

Vykazuje počítač pri týchto úlohách rovnaké správanie?

Pokusy o vysvetlenie (pozitívnych) efektov aktivácie zvyčajne diskutujú o aktivácii súvisiaceho obsahu pamäte, čo následne vedie k vylepšeniam v nasledujúcich krokoch spracovania.

Pretože prístup k pamäti je často obmedzujúcim faktorom výkonu počítača, je možné efekty spustenia pozorovať aj na počítačoch. Počítač má rôzne typy úložných systémov, ktoré sa líšia prístupovou rýchlosťou (napr. Pevný disk, RAM, vyrovnávacia pamäť). Napríklad k informáciám, ktoré sú (vopred) načítané do vyrovnávacej pamäte (ktorá je obmedzená), je možné pristupovať rýchlejšie ako k informáciám uloženým na pevnom disku. Pretože záleží na kontexte, ktoré informácie sú v určitom časovom okamihu vo vyrovnávacej pamäti (tj. Závisia od vecí, ktoré práve robíte), k obsahu pamäte spojenej s vecami, ktoré práve robíte, sa pravdepodobne dostanete rýchlejšie (pretože sú vo vyrovnávacej pamäti) ako iný obsah pamäte, a preto je to aktivačný efekt.


Ako už uviedli iní, toto nevyzerá ako pozitívny účinok. To, čo popisujete, je však asymetria vo vyhľadávaní. To znamená, že je ľahké robiť veci jedným spôsobom (hľadaním konkrétnej funkcie) než druhým (hľadaním absencie konkrétnej funkcie).

V publikovanej práci, ktorá je k dispozícii aj online, je tu veľký úvod a prehľad literatúry, ktorá s tým súvisí.

http://search.bwh.harvard.edu/pdf/IntrotoSearchAsym.pdf

Všimnite si tiež, že dokument, na ktorý som odkazoval, pochádza zo špeciálneho vydania časopisu, v ktorom je niekoľko ďalších článkov, ktoré sa zaoberajú asymetriou vyhľadávania.

UPDATE: Nový dokument práve vyšiel, presne na túto tému: http://psycnet.apa.org/journals/xhp/38/3/580/


Toto je z mojej hlavy. Žiadne odkazy na literatúru.

Za predpokladu, že sú všetky prvky v súčasnom zornom poli subjektov, mozog interpretuje tieto dve úlohy ako:

  • Pozitívna úloha: Majetok $ X $ je niekde vo vašom súčasnom zornom poli, a preto ho môžete okamžite vidieť. Povedzte mi, ktorý prvok má túto vlastnosť. [2 kroky]
  • Negatívna úloha: Hľadajte prvky $ n $ vo svojom zornom poli, kým nenájdete ten, ktorý nemá vlastnosť $ Y $. [$ frac {n} {2} $ krokov v priemere]

Naproti tomu neinteligentný počítačový program by používal vyčerpávajúci vyhľadávací algoritmus pre obe úlohy, a preto by pre každú úlohu vyžadoval v priemere $ frac {n} {2} $ krokov.


Nenazýval by som to pozitívnym efektom. Je to skôr „sémantický súlad“. Výber úlohy, v ktorých má subjekt vybrať možnosť s konkrétnou vlastnosťou, sú rýchlejšie ako tie, v ktorých by mala vybrať možnosť bez vlastnosti. Avšak, odmietnutie úlohy, v ktorých by mala vybrať možnosť s majetkom, sú pomalšie ako tie, v ktorých by mala vybrať tie bez majetku. Jeho kompatibilita medzi úlohou (výber vs odmietnutie) a charakteristikami objektov (obsahuje vlastnosť vs neobsahuje vlastnosť), ktoré skutočne určujú čas rozhodovania.

Birnbaum a Jou („Teória porovnávacích reakčných časov a rozdielnych úsudkov“, 1990) o tom diskutujú s príslušnými citáciami.


Vzťahy podobnosti vo vizuálnom vyhľadávaní predpovedajú rýchlu vizuálnu kategorizáciu

Ako vykonávame rýchlu vizuálnu kategorizáciu? Všeobecne sa predpokladá, že kategorizácia zahŕňa vyhodnotenie podobnosti objektu s inými položkami kategórie, ale základné vlastnosti a vzťahy podobnosti zostávajú neznáme. Tu sme predpokladali, že výkonnosť kategorizácie je založená na vnímaných vzťahoch podobnosti medzi položkami v rámci kategórie a mimo nej. Za týmto účelom sme merali kategorizačnú výkonnosť ľudských subjektov v troch rôznych vizuálnych kategóriách (zvieratá, vozidlá a nástroje) a v troch hierarchických úrovniach (nadradená, základná a podradená úroveň medzi zvieratami). U rovnakých subjektov sme zmerali ich vnímanú párovú podobnosť medzi objektmi pomocou úlohy vizuálneho vyhľadávania. Bez ohľadu na kategóriu a hierarchickú úroveň sme zistili, že čas potrebný na kategorizáciu objektu je možné predpovedať pomocou jeho podobnosti s členmi v rámci a mimo jeho kategórie. Dokázali sme vysvetliť niekoľko klasických javov kategorizácie, ako napríklad (a) dlhšie časy potrebné na odmietnutie členstva v kategórii (b) dlhšie časy na kategorizáciu atypických predmetov a (c) rozdiely vo výkone medzi úlohami a naprieč hierarchickými úrovňami. Tieto časy kategorizácie boli tiež zohľadnené modelom, ktorý z obrazu extrahuje hrubú štruktúru. Pozoruhodná zhoda pozorovaná medzi kategorizáciou a vizuálnym vyhľadávaním naznačuje, že tieto dve rozdielne úlohy závisia od zdieľanej hrubej reprezentácie objektov.


Závery

Táto štúdia poskytuje behaviorálne dôkazy o dvoch disociovateľných kognitívnych procesoch, ktoré sú založené na účinkoch jednoduchej svalovej námahy na prebiehajúci proces vizuálneho vyhľadávania v okamihu od okamihu. Naše výsledky súhrnne naznačujú, že kognitívne spracovanie môže byť modulované, keď je súbežne zapojené do fyzicky namáhavého stavu, a takýto účinok sa môže prejaviť ako prínos pri RT, ale v závislosti od dopytu po úlohe môže prísť aj s nákladmi na náchylnosť k rušeniu. Prispieva k téme výskumu tohto špeciálneho problému tým, že podceňuje, ako pozornosť a výkonná kontrola pôsobia pri namáhavých fyzických činnostiach, ktoré sa môžu často vyskytovať v každodennom živote. Pokiaľ by sa naše výsledky uplatnili v problémoch reálneho sveta, pomohli by vyvinúť pokyny pre výkon a bezpečnosť na pracoviskách, kde sa ľuďom podarí zvládnuť fyzickú aj duševnú aktivitu.


METÓDY

Účastníci

Pacienti

Zúčastnilo sa ho 39 pacientov (34 mužov a 5 žien) vo veku od 34 do 81 rokov (priemerný vek = 63,1 roka). Všetci pacienti mali chronické získané poranenie mozgu s jasne viditeľným poškodením (> 9 mesiacov po diagnostikovaní) a nemali žiadne kontraindikácie na vyšetrenie magnetickou rezonanciou. Neboli použité žiadne ďalšie kritériá vylúčenia. Úplné klinické a demografické údaje nájdete v tabuľke 1. Všetci pacienti boli prijatí z panelu neuropsychologických dobrovoľníkov zriadeného v Centre behaviorálnych mozgových vied na Psychologickej škole Univerzity v Birminghame. Všetci pacienti poskytli písomný informovaný súhlas v súlade s etickými protokolmi na School of Psychology and Birmingham University Imaging Center (BUIC).

Podrobnosti o pacientovi: Klinické a demografické údaje

. Priemer (alebo číslo) . SD . Minimálna hodnota a . Maximálna hodnota a .
Vek (roky) 63.1 10.7 34 81
Pohlavie (muž/žena) 34/5 NIE NIE NIE
Handedness (R/L) 36/3 NIE NIE NIE
Etiológia (S/CM/ND) b 31/3/5 b NIE NIE NIE
Čas po lézii (roky) 5.7 4.7 1 18
Objem lézie (cm 3) 30.5 26.9 0.22 90.7
Strana lézie (R/L/B) 16/8/15 NIE NIE NIE
Corsi Block 3.7 1.1 1 (0) 6 (9)
Rozpätie číslic (dopredu) 4.8 1.6 2 (0) 7 (9)
Rozpätie číslic (dozadu) 2.6 1.2 0 (0) 5 (9)
ACT presnosť 43.5 11.8 10 (0) 50 (50)
ACT/AFA zanechal deficity 2.4 5.0 0 (0) 22 (25)
ACT/AFA pravé deficity 0.9 3.3 0 (0) 8 (25)
ACT/AIncA zanechal deficity 1.5 2.5 0 (0) 9 (25)
Pravé deficity ATC/AIncA 0.3 1.4 0 (0) 18 (25)
. Priemer (alebo číslo) . SD . Minimálna hodnota a . Maximálna hodnota a .
Vek (roky) 63.1 10.7 34 81
Pohlavie (muž/žena) 34/5 NIE NIE NIE
Handedness (R/L) 36/3 NIE NIE NIE
Etiológia (S/CM/ND) b 31/3/5 b NIE NIE NIE
Čas po lézii (roky) 5.7 4.7 1 18
Objem lézie (cm 3) 30.5 26.9 0.22 90.7
Strana lézie (R/L/B) 16/8/15 NIE NIE NIE
Corsi Block 3.7 1.1 1 (0) 6 (9)
Rozpätie číslic (dopredu) 4.8 1.6 2 (0) 7 (9)
Rozpätie číslic (dozadu) 2.6 1.2 0 (0) 5 (9)
ACT presnosť 43.5 11.8 10 (0) 50 (50)
ACT/AFA zanechal deficity 2.4 5.0 0 (0) 22 (25)
ACT/AFA pravé deficity 0.9 3.3 0 (0) 8 (25)
ACT/AIncA zanechal deficity 1.5 2.5 0 (0) 9 (25)
Pravé deficity ATC/AIncA 0.3 1.4 0 (0) 18 (25)

ACT = Apple Cancellation Task, maximálne dosiahnuteľné skóre v Apple Cancellation Task je 50 (presnosť ACT). Hranica pre celkový počet vynechaní cieľa (plné jablká), tj. Skóre presnosti je 40/50. Egocentrické zanedbávanie je určené tým, či pacientom chýbajú ciele (úplné jablká) na ľavej alebo pravej strane stránky (skóre asymetrie vypočítané na základe chýb vľavo/vpravo), skóre asymetrie ACT/AFA pre plné jablká označujúce buď vľavo alebo vpravo deficity). Alocentrické zanedbávanie je určené tým, či pacienti reagujú falošne pozitívne zrušením neúplných jabĺk (distraktorov), kde je medzera na pravej alebo ľavej strane každého jablka, bez ohľadu na polohu (neúplného) jablka na stránke (vypočítané skóre asymetrie založené na chybách ľavá vs. pravá strana, skóre asymetrie AIncA pre neúplné jablká) B = bilaterálna CM = otrava oxidom uhoľnatým ND = neurodegeneratívne zmeny L = vľavo R = vpravo S = mŕtvica.

a Minimálne a maximálne skóre merané v študovanej skupine pacientov s cievnou mozgovou príhodou, čísla v zátvorkách označovali minimálne a maximálne skóre pre daný test.

a Vynechanie pacientov s oxidom uhoľnatým z analýz znamenalo malý kvalitatívny rozdiel vo výsledkoch. Títo pacienti boli následne zahrnutí do všetkých tu uvedených analýz, aby sa maximalizovala štatistická sila.

Zdravé kontroly

Pre protokol identifikácie lézií (pozri nižšie) sme získali snímky vážené T1 od 100 zdravých kontrolných osôb (55 mužov a 45 žien, priemerný vek = 54,5 rokov, rozsah = 20–87 rokov) bez mozgovej príhody, poškodenia mozgu alebo neurologické poruchy. Všetky kontroly poskytli písomný informovaný súhlas v súlade s etickými protokolmi na Škole psychológie a BUIC. Okrem toho sa experimentu s vizuálnym vyhľadávaním zúčastnilo 20 kontrolných účastníkov (10 mužov, 10 žien) zodpovedajúcich veku pacientov (vekové rozpätie = 55–72 rokov, priemer = 65,3 roka).

Kognitívne hodnotenie

Vizuálne vyhľadávanie

Účastníci boli požiadaní, aby vykonali dve počítačom riadené úlohy vizuálneho vyhľadávania. Pri oboch úlohách bol cieľom modrý H a rušitelia modré As a zelené Hs. V úlohe priestorového vyhľadávania (štandardné konjunkčné vyhľadávanie) boli všetky položky predložené spoločne a zostali na obrazovke, kým pacient neodpovedal. V úlohe časopriestorového vyhľadávania (náhľadové vyhľadávanie) boli najskôr na 1 sekundu predstavené zelené H distraktory a po 1 sekunde nasledovali modré distraktory a cieľ (pozri obrázok 1A). Keď sa objavili modré položky, displej zostal na obrazovke, kým pacienti neodpovedali. Cieľ (modrý H) bol vždy prítomný. Pacienti stlačili ľavé tlačidlo myši hneď, ako zistili cieľ, a potom kliknutím na pravé alebo ľavé tlačidlo myši indikovali, či sa cieľ objavil na ľavej alebo pravej strane displeja. 1

(A) Úloha vizuálneho vyhľadávania: Príklad zobrazení (veľkosť 16) používaných na hľadanie spojenia (úloha priestorového vyhľadávania vľavo) a vyhľadávanie v náhľade (úloha dočasného vyhľadávania vpravo), úplný popis nájdete v časti Metódy. (B) Mapa prekrývania lézií predstavujúca priestorové rozloženie lézií medzi všetkých 39 pacientov zahrnutých v tejto štúdii. Mapy lézií od jednotlivých pacientov boli rekonštruované na základe Seghier et al. (2008) metóda nájdete v časti Metódy. Mapa prekrývania lézií je zobrazená na siedmich axiálnych rezoch v štandardnom priestore MNI s daným MNI Z-súradnice prezentovaných osových rezov. Farebný pruh zobrazuje počet pacientov s léziou v rámci konkrétneho voxelu (rozsah 1–39).

(A) Úloha vizuálneho vyhľadávania: Príklad zobrazení (veľkosť 16) používaných na hľadanie spojenia (úloha priestorového vyhľadávania vľavo) a vyhľadávanie v náhľade (úloha dočasného vyhľadávania vpravo), úplný popis nájdete v časti Metódy. (B) Mapa prekrývania lézií predstavujúca priestorové rozloženie lézií medzi všetkých 39 pacientov zahrnutých v tejto štúdii. Mapy lézií od jednotlivých pacientov boli rekonštruované na základe Seghier et al. (2008) metóda nájdete v časti Metódy. Mapa prekrývania lézií je zobrazená na siedmich axiálnych rezoch v štandardnom priestore MNI s daným MNI Z-súradnice prezentovaných osových rezov. Farebný pruh zobrazuje počet pacientov s léziou v rámci konkrétneho voxelu (rozsah 1–39).

Podnety boli prezentované na 38,1-palcovom monitore poháňanom počítačom Dell s rozlíšením 800 × 600 pixelov. Displeje sa ovládali pomocou účelovo napísaného programu Turbo Pascal (verzia 7.0), ktorý zaznamenával aj RT a reakcie. Pozorovacia vzdialenosť bola približne 75 cm. Vyhľadávacie obrazovky boli skonštruované náhodným vykreslením všetkých vyhľadávaných položiek do mriežky 8 × 8, pričom sa pozorovací uhol pohybuje približne 8,3 × 8,3 stupňa. Písmená A a H boli obdĺžnikové a 0,6 vysoké × 0,4 stupňa široké. Zelená (Commission Internationale d'Eclairage [CIE]: 0,23, 0,38) a modrá farba (CIE: 0,26, 0,32) boli zvolené tak, aby zodpovedali farbám, ktoré použili Watson a Humphreys (1997) v pôvodnej štúdii náhľadového vyhľadávania, a boli zhruba izoluminant (test blikania na experimentátorovi).

Každý pokus začal objavením sa centrálneho fixačného kríža, ktorý zostal zapnutý počas celého procesu. Účastníci boli požiadaní, aby zostali po celú dobu fixovaní. Po intervale 750 ms sa zobrazí buď zobrazenie vyhľadávania (hľadanie spojenia), alebo počiatočný náhľad (vyhľadávanie náhľadu, zelené písmená). V stave ukážky zostal tento prvý displej 1 sekundu a potom sa objavili položky vyhľadávania (modré písmená). V každom prípade zobrazenie vyhľadávania zostalo zapnuté 20 sekúnd alebo kým účastník neodpovedal. Plné veľkosti displeja boli 4, 8 a 16 písmen (v stave ukážky sa polovica položiek zobrazila na prvom displeji). Cieľ bol vždy prítomný a objavil sa náhodne vľavo alebo vpravo od fixácie.

Všetci účastníci mohli na odpoveď použiť myš. Pri každom pokuse (správnom alebo nesprávnom) bola poskytnutá spätná väzba. Pre každú podmienku bolo 120 pokusov (40 podľa veľkosti displeja na účastníka, 20 cieľov vľavo a 20 cieľov vpravo). Podmienky vyhľadávania sa spravidla uskutočňovali v oddelených reláciách s poradím relácií vyváženým voči účastníkom. Na meranie výkonu sme odvodili index účinnosti vyhľadávania na základe (i) kombinovania RT s chybou v meradle účinnosti spracovania (RT/správny pomer Townsend & amp Ashby, 1982) a (ii) výpočtu sklonu opatrenia účinnosti spracovania naprieč rôzne veľkosti displeja. Okrem úloh vizuálneho vyhľadávania sa pacienti zúčastnili aj samostatného testovacieho sedenia, v ktorom bolo prijatých niekoľko ďalších opatrení na základe vizuálnej priestorovej pracovnej pamäte, trvalej aktualizácie pozornosti/pamäte a prítomnosti jednostranného zanedbávania.

Visuopriestorová pracovná pamäť

Visuopriestorová pracovná pamäť bola hodnotená pomocou testu Corsi Block Tapping (Corsi, 1972). Testovanie sa uskutočnilo pomocou štandardného displeja Corsi Block (t. J. Drevenej dosky s deviatimi blokmi/kockami namontovanými na doske s číslami viditeľnými iba pre skúšajúceho, umiestnenými v schopnej výške so stredom na stredovej čiare pacienta Lezak, 1995 Corsi, 1972). Nasledujúce pokyny dostali „Toto je sada blokov. Chystám sa klepnúť na niektoré bloky v určitom poradí ceruzkou. Pamätajte si poradie blokov, ako sú poklepané, potom akonáhle skončím, klepnite prstom na bloky v rovnakom poradí “. Skúšajúci následne poklepal na bloky (približne jeden blok za sekundu), pričom začal iba jedným blokom, nasledoval sled dvoch blokov, potom tri bloky a tak ďalej. Dĺžka testovanej sekvencie sa predĺžila, aby sa otestovala kapacita VSTM. Bol použitý iba forwardový variant s maximálnym počtom deviatich blokov na sekvenciu a pre každú dĺžku sekvencie boli uskutočnené tri pokusy. Testovanie bolo zastavené, ak účastník nedokázal reprodukovať niektorú z troch sekvencií konkrétnej dĺžky. Pre každého pacienta bol vypočítaný rozsah blokov indikujúci dĺžku najdlhšej sekvencie správne opakovanú každým pacientom.

Trvalá pozornosť/Aktualizácia pamäte

Schopnosť udržať pozornosť a schopnosť aktualizovať položky v pamäti sa merala kontrastom číslicového rozpätia dozadu s číselným rozpätím vpred (tento argument pozri Robertson, 1990). Pacienti boli odčítaní zo série číslic v náhodnom poradí, 1 každé 3 sekundy, začínajúc tromi položkami a potom sa zvyšovali o 1, kým pacient neurobil dve po sebe idúce chyby. Pacienti boli požiadaní, aby si vybavili položky buď dopredu (v poradí, v akom ich dostali), alebo dozadu (v obrátenom poradí). Dvadsať pacientov začalo s meraním rozsahu číslic dopredu a 19 s mierou spätného rozpätia.

Vizuálne zanedbávanie

Jednostranné symptómy zanedbávania boli hodnotené pomocou úlohy Zrušenie jablka (Humphreys, Bickerton, Samson, & amp Riddoch, 2012 Bickerton, Samson, Williamson, & amp Humphreys, 2011 Chechlacz et al., 2010). Úloha zrušenia jabĺk je podobná úlohe detekcie medzier, ktorú vykonali Ota a jeho kolegovia, a je navrhnutá na súčasné meranie egocentrického a alocentrického zanedbávania (Ota, Fujii, Suzuki, Fukatsu a amp Yamadori, 2001). Účastníkom bola predložená stránka (A4) v ​​orientácii na šírku s 50 jablkami rozdelenými do piatich neviditeľných stĺpcov: jeden stredný, jeden blízko vľavo, jeden úplne vľavo, jeden blízko vpravo a jeden úplne vpravo. Každý stĺpec obsahoval 10 úplných jabĺk (terčov) spolu s rušivými prvkami, to znamená jablkami, v ktorých chýbala ľavá alebo pravá časť (neúplné jablká). Egocentrické zanedbávanie sa meralo podľa toho, či pacienti minú ciele (úplné jablká) na jednej strane stránky. Alocentrické zanedbávanie sa meralo podľa toho, či pacienti reagujú falošne pozitívne zrušením rušivých elementov, to znamená neúplných jabĺk s medzerami na konkrétnej strane.

Neuroimaging Assessment

Všetci pacienti a zdravé kontroly boli skenované v BUIC na 3T systéme Philips Achieva MRI s osemkanálovou fázovou sústavou hlavovej cievky SENSE. Anatomické skeny sme získali pomocou sagitálnej sekvencie váženej T1 (sagitálna orientácia, čas ozveny/čas opakovania = 3,8/8,4 ms, veľkosť voxelu = 1 × 1 × 1 mm 3). Vzhľadom na to, že niektorí pacienti mali neurodegeneratívne zmeny a niektorí s poškodením po otrave oxidom uhoľnatým, ak je to možné, získali sme tiež ďalšie skeny pomocou sekvencie T2 FLAIR (Fluid Attenuated Inversion Recovery) (čas opakovania = 11 000 ms, čas ozveny = 125 ms, voxel) veľkosť = 0,45 × 0,44 × 2 mm 3). Aj keď sa pri analýzach VBM a rekonštrukcii lézií použili skeny T1, na overenie demarkácie lézií sa použili skeny FLAIR (pozri nižšie).

Predspracovanie obrazu

Všetky skeny T1 boli prevedené a preorientované pomocou MRICro (Chris Rorden, Georgia Tech, Atlanta, GA). Predspracovanie sa vykonalo v SPM5 (štatistické parametrické mapovanie, Welcome Department of Cognitive Neurology, Londýn, Veľká Británia). Skeny mozgu boli transformované do štandardného priestoru Montrealského neurologického ústavu (MNI) pomocou postupu zjednotenej segmentácie (Ashburner & amp Friston, 2005), ktorý zahŕňa klasifikáciu tkaniva na základe intenzity signálu v každom voxeli a apriori znalosti očakávanej lokalizácie šedá hmota, biela hmota a mozgovomiechový mok. Na ďalšie zlepšenie klasifikácie tkaniva a priestorovej normalizácie poškodených mozgov sme tu použili modifikovaný postup segmentácie (pozri Seghier, Ramlackhansingh, Crinion, Leff a & Price, 2008, pre úplné podrobnosti). Tento protokol bol vyvinutý na vyriešenie problémov s nesprávnou klasifikáciou poškodeného tkaniva zahrnutím ďalšej priority pre atypickú triedu tkaniva (pridaná „extra“ trieda), aby sa zohľadnili „abnormálne“ voxely v léziách, a tým sa umožnila klasifikácia odľahlých voxelov (Seghier) a kol., 2008). Po segmentácii sme vizuálne skontrolovali každý zo segmentovaných skenov, aby sme zistili, či bola segmentácia a normalizácia úspešná. Ďalej boli segmentované obrázky vyhladené 2 Gaussovým filtrom FWHM s priemerom 8 mm, aby sa splnil predpoklad teórie náhodného poľa použitej v štatistickej analýze (Worsley, 2003). Predtým sa ukázalo, že voľba medziľahlého vyhladzovania 8 mm FWHM je optimálna na detekciu lézií a ďalšiu analýzu segmentovaných obrazov (Leff et al., 2009 Seghier et al., 2008 Stamatakis & amp Tyler, 2005).

Predspracované obrázky šedej a bielej hmoty boli použité na automatizovanú identifikáciu lézií pomocou fuzzy klastrovania (Seghier et al., 2008) a vo voxelových analýzach na stanovenie vzťahov medzi miestom lézie a výkonom vizuálneho vyhľadávania. Predchádzajúca práca (napr. Chechlacz et al., 2013 Price et al., 2010 Leff et al., 2009) preukázala, že modifikovaný protokol segmentácie kombinovaný s VBM je úspešný pri uľahčovaní porozumenia vzťahov v správaní mozgu u neurologických pacientov.

Automatická identifikácia lézií

Lézie mapy od jednotlivých pacientov boli zrekonštruované pomocou modifikovaného segmentačného postupu (pozri vyššie) a algoritmu detekcie odľahlých hodnôt založeného na fuzzy klastrovaní (pozri Seghier et al., 2008). Tento postup identifikuje voxely, ktoré sú v poškodenom mozgu odlišné v porovnaní s kontrolnými zdravými mozgami (tu sme použili sadu skenov od 100 zdravých kontrol, ako je popísané vyššie) na základe normalizovaných segmentov šedej a bielej hmoty. Odľahlé voxely šedej a bielej hmoty sa potom skombinujú do jedného odľahlého obrazu a prahom sa vygeneruje binárna mapa lézie (Seghier et al., 2008). Výsledky rekonštrukcie lézií boli overené na základe skenov FLAIR každého pacienta (ak boli k dispozícii skeny FLAIR). Mapy binárnych lézií boli použité na výpočet objemov lézií pre každého pacienta pomocou Matlab R2012a (The MathWorks, Natick, MA). Odhadované objemy lézií všetkých jednotlivých pacientov boli do štatistických analýz zapísané ako kovariantné (pozri nižšie). Nakoniec sme prekryli mapy lézií od všetkých 39 pacientov. Mapa prekrytia lézií bola vytvorená tak, aby predstavovala priestorovú distribúciu lézií v našej skupine pacientov.

Morfometria na báze Voxelu

Na posúdenie vzťahu medzi poškodením bielej a sivej hmoty a výkonom vizuálneho vyhľadávania na báze voxel po voxeli sme použili VBM (Ashburner & amp Friston, 2000) a vykonali sme štatistické analýzy s SPM8 pomocou vyhladených máp šedej a bielej hmoty získaných zo segmentovaných skeny z našej vzorky pacienta (protokol o predbežnom spracovaní nájdete vyššie). Použili sme parametrickú štatistiku v rámci všeobecného lineárneho modelu (Kiebel & amp Holmes, 2003) a analýzy pre bielu hmotu a sivú hmotu boli vykonávané oddelene. Ako hlavný kovariát záujmu sme použili tri štatistické modely s rôznymi skóre vypočítanými na základe výkonnosti vizuálneho vyhľadávania: (i) celkové skóre vyhľadávania spojenia, (ii) celkové skóre vyhľadávania v ukážke a nakoniec (iii) efekty poľa v spojení a vyhľadávanie v ukážke (ipsi- & lt contralesional). 3 Analýzy šedej a bielej hmoty boli vykonávané oddelene. V každom štatistickom modeli bol ako kovariát zahrnutý vek, šikovnosť, pohlavie, typ diagnózy (mŕtvica alebo iná) a čas od diagnózy. Tiež sme zadali ako kovariáty odhadovaný objem lézií a kontrolovali sme prítomnosť deficitu zorného poľa a visuopriestorového deficitu (priestorová odchýlka) indikovanú egocentrickým zanedbávaním vľavo a vpravo a/alebo vyhynutím zraku (kombinované binárne skóre pre ľavé a pravé zorné pole) podľa merania. na testovacej batérii Birmingham Cognitive Screen (Humphreys et al., 2012). Všetky tieto kovariáty zaistili, že dokážeme ovládať rôzne mätúce faktory, ktoré potenciálne mohli ovplyvniť kognitívny výkon pri vyhľadávacej úlohe.

Uvádzame iba výsledky, ktoré ukázali významný vplyv na p & lt, 05 Klastrová úroveň FWE korigovaná na viacnásobné porovnania s amplitúdou prežívajúcich voxelov p & lt, 001 nekorigované v celom mozgu a prah rozsahu 100 voxelov. Súradnice mozgu sú uvedené v štandardizovanom priestore MNI. Anatomická lokalizácia miest lézií v sivej hmote bola založená na súbore nástrojov Anatomical Automatic Labelling Toolbox (Tzourio-Mazoyer et al., 2002), Duvernoy Human Brain Atlas (Duvernoy, Cabanis, & amp Vannson, 1991) a Woolsey Brain Atlas (Woolsey, Hanaway, & amp Gado, 2008). Na lokalizáciu umiestnenia lézií bielej hmoty vo vzťahu k špecifickým dráham bielej hmoty sme použili Atlas bielej hmoty hmoty Johns Hopkins University (Hua et al., 2008) a MRI atlas ľudskej bielej hmoty (Mori, 2005).

Štatistické analýzy: Prepojenie chýb vizuálneho vyhľadávania s kognitívnymi komponentmi

Ďalej sme skúmali vzťah medzi priestorovým a časopriestorovým vyhľadávaním (respektíve v úlohách hľadania spojenia a náhľadu) a komponentnými procesmi hodnotenými v iných neuropsychologických testoch (vizuálna priestorová pracovná pamäť, trvalá aktualizácia pozornosti/pamäte, priestorové odchýlky vo výbere). Konkrétne sme skúmali súvislosť medzi (i) hustotou sivej a bielej hmoty v kritických oblastiach lézií na konjunkciu a náhľadové vyhľadávanie identifikované v analýzach VBM (pozri vyššie) a ii) behaviorálnym výkonom pri úlohe Zrušenie jabĺk a rozpätím číslic Corsi Block testy. Skóre za úlohu zrušenia jabĺk odzrkadľuje veľkosť egocentrického zanedbávania (počty cieľových jabĺk zrušených vľavo oproti pravej strane stránky) a alocentrického zanedbávania (počet rušivých prvkov zrušených podľa toho, či obsahovali medzeru vľavo alebo vpravo od každého tvaru). Skóre z úlohy s číslicovým rozpätím sa použilo na výpočet pomeru (zložená miera/súčet rozpätí) pre relatívny pokles výkonu z dopredu do spätného rozpätia (dopredu - spätné rozpätie/dopredu + dozadu). Následná analýza ukázala, že rozpätie Corsiho bloku a zložené meradlo z úlohy s číselným rozpätím nie sú v korelácii (p = 0,84), čo je v súlade s opatreniami využívajúcimi rôzne aspekty poznávania (vizuálna priestorová pracovná pamäť, t. J. Corsiho blok, a neustála pozornosť/manipulácia s položkami v pamäti, t. J. Pokles miery digitálneho rozpätia). Vyššie skóre pre miery zanedbania aj digitálneho rozpätia znamená horší výkon (väčšie zanedbanie alebo relatívne väčší pokles medzi podmienkami rozpätia číslic vpred a vzad), zatiaľ čo pri teste Corsi Block vyššie skóre (vyššie rozpätie) znamená lepší výkon. Aby sme zhodnotili vzťahy k vyhľadávaniu, najskôr sme extrahovali hustotu tkaniva (sivej a bielej hmoty) odobratú z hlavného vlastného premenného voxelov v okruhu 8 mm od vrcholového voxelu každého z nich identifikovaných v klastri VBM a vykreslili sme proti vyššie uvedeným skóre správania. Korelácia medzi vynesenými hodnotami sa skúmala pomocou Matlab R2012a.

Sledovanie deficitu lézií na základe sledovania

VBM je založený na prístupe s hromadnou nejednotnosťou a kde sú efekty prediktorov správania hodnotené na každom voxeli nezávisle (Ashburner & amp Friston, 2000). Aj keď je tento prístup vhodný na detekciu vzťahov medzi léziou a správaním v rámci diskrétnych kortikálnych podoblastí, analýza má pri aplikácii na cesty bielej hmoty, ktoré sa často rozprestierajú na veľké vzdialenosti v ľudskom mozgu, jasné obmedzenia, kde priestorovo vzdialené voxely môžu byť súčasťou tej istej anatomickej štruktúry. trakt. Z tohto dôvodu nemusí byť analýza VBM dostatočne citlivá na detekciu vzťahov medzi kognitívnymi deficitmi a zmenami bielej hmoty, pričom vyhodnotenie zmeny bielej hmoty môže vyžadovať štatistiky odvodené na úrovni traktu, ktoré môžu brať do úvahy nie samostatné voxely, ale silný vzťah medzi vzdialené voxely (Rudrauf, Mehta, & amp Grabowski, 2008 Thiebaut de Schotten et al., 2008). Preto sme na doplnenie analýzy VBM a na posúdenie vzťahov medzi poškodením bielej hmoty a deficitmi vizuálneho vyhľadávania vykonali analýzy deficitu sledovania na základe prístupu (Thiebaut de Schotten et al., 2014) s využitím atlasov difúznej traktografie ľudskej bielej. hmotné trakty (Thiebaut de Schotten, Dell'Acqua, et al., 2011 Thiebaut de Schotten, Ffytche, et al., 2011). Použitím rekonštruovaných léziových máp pacientov (v priestore MNI) a máp traktov bielej hmoty z vyššie uvedených atlasov (tiež v priestore MNI) sme najskôr vyhodnotili vzor odpojenia vo všetkých hlavných traktoch bielej hmoty (asociácia, projekcia a komisurálny) pre každého jednotlivého pacienta. Naše analýzy boli založené na atlasovej mape asociačných dráh (dolný pozdĺžny fasciculus, nižší-fronto-occipitálny fasciculus, oblúkovitý, cingulum, uncinát, nadradený pozdĺžny fasciculus segmenty I, II a III), komisurálne dráhy (predná komisúra a corpus callosum), a projekčné cesty (fornix, vnútorná kapsula, optické žiarenie a kortiko-spinálny trakt). Všetky mapy traktov bielej hmoty predstavujú pravdepodobnosť, že daný voxel patrí do tohto traktu, a tieto mapy sa prekrývali s mapami lézií pacientov. Ďalej sme vypočítali kontinuálne meranie odpojenia dráhy výpočtom veľkosti prekrývania (v kubických centimetroch) medzi mapou lézií každého pacienta a každou prahovou (50%) mapou dráhy pomocou Matlab 7.14/R2012a. Tieto kontinuálne miery odpojení bielej hmoty sme použili v štatistických stopových analýzach deficitu lézií na základe lineárnej regresie. Pri lineárnej regresii sme zadali objem lézie, vek a mieru odpojenia jednotlivých dráh ako nezávislé premenné, aby sme otestovali, či odpojenie v rámci špecifických dráh (kontrolujúcich objem lézie a vek) predpovedalo výkonnosť vizuálneho vyhľadávania (kontinuálne behaviorálne opatrenia). Zhodujúc sa s analýzami VBM sme použili tri rôzne skóre na hodnotenie lineárnej regresie výkonu vizuálneho vyhľadávania: (i) celkový sklon vyhľadávania spojky, (ii) celkový sklon vyhľadávania náhľadu a nakoniec (iii) efekty poľa v spojení a vyhľadávanie v ukážke (sklon pre ipsi- & lt contralesional ciele). Regresné analýzy sa uskutočňovali oddelene pre ľavú a pravú hemisféru. Každá analýza deficitu lézií v rámci traktu bola podrobená Bonferroniho korekcii na viacnásobné porovnanie (hladina α p = 0,004 na základe 14 analyzovaných traktátov). Na výpočet lineárnych regresií sa použil softvér SPSS 21 (IBM SPSS Statistics, NY), aby sa identifikovalo, ktoré cesty bielej hmoty v prípade poškodenia predpovedali deficity vizuálneho vyhľadávania.

Je tiež potrebné poznamenať, že stopová analýza deficitu lézií mala ďalšiu výhodu v porovnaní s VBM. V tejto analýze sme použili mapy predstavujúce tri diskrétne vetvy vynikajúceho pozdĺžneho fasciculus (SLF I – III) generované sférickou dekonvolučnou traktografiou (Thiebaut de Schotten, Dell'Acqua, et al., 2011 Thiebaut de Schotten, Ffytche, et al. , 2011). Naproti tomu atlasy bielej hmoty používané v spojení s VBM (Hua a kol., 2008 Mori, 2005) sú založené výlučne na difúznej tenzorovej zobrazovacej traktografii, ktorá nemôže oddeľovať odlišné anatomické vetvy v rámci SLF.


Metódy

Predkladané experimenty

Prijali sme vizuál úloha na nájdenie čísla z predchádzajúcej štúdie (Zsido, Bernath, Labadi, & Deak, 2018), kde hrozivé alebo neutrálne obrázky boli prezentované ako obrázky na pozadí a rôzne matice čísel ako popredie. Účastníci museli nájsť čísla vzostupne a bola zmeraná ich výkonnosť, čo je posledné číslo, ktoré v danom čase našli.

V experimente 1 sme použili rovnakú sadu obrázkov ako Zsido, Bernath, a kol. (2018), to sú tri Hrozba intenzita (neutrálna, nízka hrozba a vysoká hrozba) a dve Druhy (zviera a predmet). Pôvodnú úlohu sme však upravili v dvoch zásadných bodoch. Po prvé, neprekrývali sme maticu čísel na emocionálne nabitý obrázok. Neutrálne a výhražné obrázky (odteraz pomenované primárny podnet) boli predstavené predtým úloha na hľadanie čísel s rôznymi Nástup krát (100 a 250 ms, podľa Foxa a kol. (2001)). Aby sa dosiahla identická asynchrónnosť nástupu stimulu 300 ms (SOA), bol manipulovaný s interstimulačným intervalom (ISI) (200, respektíve 50 ms). Za druhé, použili sme jednoduchšie matice (iba 10 čísel namiesto 35), ktoré nám umožnili merať reakčné časy (RT) namiesto výkonu ako závislej premennej. Ako pevné faktory sme teda použili dizajn 3x2x2 s intenzitou hrozby, typom stimulu a časom nástupu.

V experimente 2 bol návrh úlohy identický s experimentom 1, okrem toho, že (1) fixačný kríž nasledujúci po stimulácii primingu a pred číselnou maticou sa zobrazoval 125 ms pre obidva časy nástupu - to znamená, že ISI bol teraz kontrolovaný, čo viedlo k rôznym SOA (225 a 375 ms) - a (2) sme zdvojnásobili počet pokusov. Tieto zmeny boli potrebné (1) na vylúčenie účinku manipulácie s ISI a (2) na zvýšenie štatistickej sily.

EXPERIMENT 1

Účastníci

Vzorka obsahovala 53 kaukazských dobrovoľníkov (38 žien), vysokoškolských študentov univerzity. Ich priemerný vek bol 21,08 (SD = 2,56). Veľkosť vzorky pre tento experiment bola stanovená výpočtom odhadovanej štatistickej sily (β> 8) na základe predchádzajúcej štúdie (Zsido, Bernath, Labadi, & Deak, 2018) s použitím podobnej paradigmy. Účastníci vyplnili krátku verziu hadieho dotazníka (Zsido, 2017 Zsido, Arato, Inhof, Janszky, & Darnai, 2018). Medián skóre bol 3 (IQR = 1–5, M = 3.57, SD = 3,28). Všetci účastníci boli praváci a hlásili normálne alebo korigované videnie. Údaje od dvoch účastníkov boli vylúčené z dôvodu nedodržania pokynov. Náš výskum bol schválený miestnou etickou komisiou a bol vykonaný v súlade s etickým kódexom Svetovej lekárskej asociácie (Helsinská deklarácia). Všetci účastníci poskytli informovaný súhlas.

Dotazník

Aj keď sme ako ohrozujúce podnety používali hady a zbrane, podľa našich vedomostí neexistuje žiadny dotazník na meranie fóbického strachu zo zbraní, iba z hadov. Účastníci boli preto požiadaní, aby vyplnili krátky formulár hadieho dotazníka (SANQ-12), unidimenzionálneho 12-položkového binárneho samoinformačného opatrenia hadej fóbie. Respondenti odpovedajú tak, že uvádzajú, či sú tvrdenia pravdivé alebo nepravdivé, a skóre je dané súčtom „pravdivých“ odpovedí (rozsah: 0 až 12). Váha má vynikajúce psychometrické vlastnosti s Cronbachovým α = 0,88 (Zsido, Arato, Inhof, Janszky, a kol., 2018). Polovica účastníkov vyplnila dotazník po úlohe vizuálneho vyhľadávania a druhá polovica pred ním, aby sa vyhla akýmkoľvek zmätočným účinkom.

Experimentálne podnety

Primárne stimuly použité v tomto experimente boli identické so stimulmi Zsida, Bernatha, a kol. (2018) použili vo svojom treťom experimente. Tieto obrázky1 1 IAPS: 1026, 1030, 1050, 1052, 1080, 1090, 1114, 1120, 1419, 1670, 1812, 1910, 2811, 6200, 6210, 6230, 6241, 7175 NAPS: Faces_271, Objects_162, Objects_241, Objects_292, People_70, People_76 boli prevzaté z Medzinárodného systému afektívnych obrazov (P. Lang, Bradley, & Cuthbert, 1997) a Nencki Affective Picture System (Marchewka, Żurawski, Jednoróg, & Grabowska, 2014) na základe ich hodnotenia valencie a vzrušenia poskytnutých spoločnosťou autori obrazových systémov. Obrázky boli orezané a ich veľkosť bola zmenšená na 1 024 x 768 pixelov (vizuálny uhol 25,45 ° až 19,22 °). Naši účastníci boli tiež požiadaní, aby zhodnotili valenciu, vzrušenie a intenzitu ohrozenia iniciačných stimulov použitých na deväťbodových stupniciach Likertovho typu. Polovica účastníkov vyplnila dotazník po úlohe vizuálneho vyhľadávania a druhá polovica pred ním, aby sa vyhla akýmkoľvek zmätočným účinkom. Priemerné skóre a štandardné odchýlky nájdete v tabuľke 1.

Hrozba Napíšte DPH Priemer SD
Nie Zviera Valence 6.05 1.49
Vzrušenie 3.49 1.25
Hrozba 1.77 0.95
Objekt Valence 4.86 1.32
Vzrušenie 3.18 1.21
Hrozba 2.07 1.04
Nízka Zviera Valence 3.28 1.77
Vzrušenie 4.58 1.97
Hrozba 4.71 2.21
Objekt Valence 2.50 1.23
Vzrušenie 4.99 1.92
Hrozba 5.48 1.98
Vysoká Zviera Valence 2.46 1.39
Vzrušenie 6.39 1.90
Hrozba 6.73 1.80
Objekt Valence 1.89 1.05
Vzrušenie 6.72 1.73
Hrozba 7.53 1.36

Použili sme šesť kategórií podnetov na primovanie: tri intenzity ohrozenia (nie, nízka a vysoká) a dva typy obsahu (zviera a predmet). Každá kategória pozostávala zo štyroch fotografií, čo znamená celkom 24 fotografií. Kategória Bez ohrozenia obsahovala obrázky vtáka, slona, ​​ryby a kravy. Hady a pištole slúžili ako živé a neživé ohrozujúce podnety. Rozdiel medzi obrázkami s nízkou a vysokou hrozbou bol odvodený z perspektívy, tj v stave vysokej hrozby bol had alebo pištoľ umiestnený tak, aby zacielil na diváka, zatiaľ čo v stave nízkej hrozby neboli. Tri intenzity hrozieb sa navzájom líšili vo všetkých troch škálach (Valencia, Vzrušenie, Hrozba) (všetky Fs & gt 3, p & lt .05). Podnety zvierat a predmetov sa navzájom nelíšia v rámci intenzity hrozby (všetky ts & lt 1, p & gt. 1).

Na kontrolu možných mätúcich účinkov nízkoúrovňových percepčných funkcií sme použili Spectrum, Histogram a Intensity Normalization and Equalization (SHINE) Matlab toolbox (Willenbockel a kol., 2010) upraviť stimulačné stimuly tak, aby boli ekvivalentné kontrastu, jasu a priestorovej frekvencii. Všetky primárne podnety boli načítané do programu a prevedené do odtieňov sivej. Potom boli vlastnosti nízkej úrovne upravené tak, aby boli podobné na všetkých obrázkoch. Procedúra párovania bola použitá na celý obrázok. Potom sme vypočítali zložitosť obrazu (veľkosť súboru JPG v protokole) pre všetky stimulačné primery (Donderi & McFadden, 2005 Forsythe, Nadal, Sheehy, Cela-Conde, & Sawey, 2011). V tomto meradle sa stimulačné stimuly nelíšili (F & lt 1, p & gt. 1).

Úloha vizuálneho vyhľadávania spočívala v hľadaní čísel v maticiach vytvorených pomocou špeciálneho programu generátora matíc (voľne prístupného z http://baratharon.web.elte.hu/nummatrix/). Matice boli 700 x 700 pixelov (s vizuálnym uhlom 17,55 °) a všetky obsahovali 10 bielych štvorcov. Šírka a výška štvorcov sa pohybovala od 150 do 300 pixelov (vizuálny uhol 3,79 ° až 7,57 °). Matice aj štvorce mali 2-bodový čierny okraj. Všetky štvorce obsahovali číslo vytlačené čiernou farbou v 32-bodovom písme Tahoma. Čísla sa pohybovali od 1 do 10 a boli náhodne rozdelené medzi štvorce. Každé číslo sa v danej matici objavilo iba raz. Na obrázku 1A je uvedený príklad použitých matríc.

Konečný súbor stimulov pozostával z 3 (intenzita ohrozenia) x 2 (typ) x 4 (rôzne príklady), to znamená 24 stimulačných stimulov a 48 rôznych matríc. Účastník videl všetky stimulačné stimuly s dvoma časmi nástupu (100 a 250 ms), po ktorých nasledovala zakaždým iná matica. Každý respondent teda dokončil 48 pokusov. Celá úloha bola administrovaná v rámci jednej testovacej relácie, ktorá trvala približne 30 minút. Štruktúra pokusu je uvedená na obrázku 1B.

Prístroj

Podnety boli prezentované na 17-palcovom dotykovom farebnom monitore LG Flatron T1710 s rozlíšením 1 280 x 1 024, pomerom strán 5: 4, obnovovacou frekvenciou 60 Hz a farebnou hĺbkou 16,7 milióna. Odpovede boli zhromaždené prostredníctvom tabuliek. Stimuly boli prezentované pomocou softvéru PsychoPy verzie 1.83 pre Windows (Peirce, 2007).

Postup

Experiment sa uskutočnil v tichej a slabo osvetlenej miestnosti. Účastníci sedeli vo vzdialenosti približne 60 cm od dotykového monitora. Dostali ústne aj písomné pokyny k úlohám. Najprv absolvovali sériu štyroch pokusov. Po ukončení praktických skúšok dostali príležitosť klásť otázky. Ak povedali, že úlohe rozumejú, experiment sa začal.

Každá prezentácia stimulov sa začala bielym fixačným krížom predstaveným 1 000 ms na čiernom pozadí. Potom sa objavil iniciačný stimul s krátkym (100 ms) alebo dlhým (250 ms) časom začiatku. Fixačný kríž nasledoval bezprostredne po stimulácii aktivácie buď 200 alebo 50 ms, aby sa získala 300 ms SOA. Potom, čo zmizol druhý fixačný kríž, bola predložená číselná matica. Úlohou účastníkov bolo nájsť čísla vo vzostupnom poradí počnúc číslom jedna a naznačiť to dotykom čísel na dotykovom monitore. Číslo matice bolo prítomné 10 s alebo kým nenašli posledné číslo. Použité matice čísel boli vyvážené medzi účastníkmi.

Štatistické analýzy

Štatistické analýzy boli uskutočnené pomocou programu JAMOVI Statistics Program (verzia 0.9 pre Windows). Skontrolovali sme chyby v údajoch (napr. Nedodržanie čísel v uvedenom poradí) a vylúčili sme mimoriadne hodnoty (hodnoty času odozvy viac ako 3 SD z priemeru & lt1% všetkých zozbieraných údajov). Časy odozvy nájdenia prvého čísla v matici a časy hľadania (uplynulý čas medzi nájdením prvého a posledného čísla, tj RT celkového času vyhľadávania mínus RT prvého dotyku) boli použité ako indikátor výkonnosti vizuálneho vyhľadávania, to znamená ako závislé premenné.

Najprv sme uskutočnili MANOVA 3 x 2 x 2, kde ako fixné faktory slúžila intenzita ohrozenia (nie, nízka a vysoká), typ (zviera, predmet) a čas nástupu (100, 250 ms) aktivačného stimulu. Hlavné účinky a interakcie sa uvádzajú oddelene, spárované s príslušnými nadväzujúcimi ANOVA alebo t-testy na ďalšie vyšetrenie významných výsledkov. Uvádzajú sa aj veľkosti efektov, čiastočné eta na druhú ( pre ANOVA a Cohenov d (d) pre t-testy. Párové porovnania boli upravené na viacnásobné porovnania pomocou Holmovho postupu.

EXPERIMENT 2

Účastníci

Vzorka obsahovala 25 kaukazských dobrovoľníkov (16 žien), vysokoškolských študentov univerzity. Ich priemerný vek bol 21,56 (SD = 2,91). Veľkosť vzorky pre tento experiment bola stanovená výpočtom odhadovanej štatistickej sily (p> 8) na základe experimentu 1. Všetci účastníci boli praváci a hlásili normálne alebo korigované videnie. Náš výskum bol schválený miestnou etickou komisiou a bol vykonaný v súlade s etickým kódexom Svetovej lekárskej asociácie (Helsinská deklarácia). Všetci účastníci poskytli informovaný súhlas.

Podnety a úloha

Dizajn úlohy bol identický s experimentom 1, okrem toho, že (1) fixačný kríž po stimulačnom stimulácii a pred číselnou maticou bol zobrazený po dobu 125 ms pre obidva časy nástupu a (2) zdvojnásobili sme počet pokusov, tj. respondent dokončil 96 pokusov.

Štatistické analýzy

Kroky štatistických analýz boli identické s experimentom 1.


Metódy

V dvoch experimentoch boli pozorovatelia požiadaní, aby vykonali vyhľadávaciu úlohu medzi sadou položiek. Všetky položky pozostávali z farebného disku, do ktorého bola vložená zvislá čierna čiara (0,37 stupňa vizuálneho uhla). V polovici pokusov mala jedna línia v strede medzeru (0,06 stupňa) (obr. 1). Položka, ktorá obsahovala prerušovanú čiaru, bude označovaná ako „cieľová“, zvyšné (t. J. Necieľové) položky ako „fólie“. Identifikácia požadovanej medzery pri hľadaní cieľa, overená pilotnými meraniami, čím sa podporí sériová kontrola predmetov. Pozorovatelia boli požiadaní, aby v každom pokuse čo najrýchlejšie a najpresnejšie nahlásili, či je taká prerušovaná čiara prítomná alebo chýbala, a to stlačením zodpovedajúceho tlačidla na upravenej klávesnici s dvoma tlačidlami. Displej bol zapnutý, kým účastník neodpovedal. Časy od začiatku vyhľadávacieho poľa do zaznamenania aktivácií tlačidiel („čas odozvy“).

Odpoveď: Pole s pozitívnym typom tága: „cieľ bude modrý“. B: Pole so záporným typom tága: „cieľ nebude modrý“. Obe polia majú rovnakú priestorovú konfiguráciu položiek a cieľ. Farby položiek boli zmenené. Cieľ je na rovnakom mieste v ľavom dolnom rohu. Vyhľadávacie polia nie sú v mierke.

Sada 8 farieb s rovnakou svietivosťou (6,3 ± 0,05 cd/m 2) bola zvolená tak, aby sa dala ľahko rozlíšiť podľa názvu a odtieňa (súradnice CIE: červená: x = 0,59, y = 0,33 zelená: x = 0,29, y = 0,57 žltá: x = 0,41, y = 0,48 modrá: x = 0,15, y = 0,07, azúrová: x = 0,21, y = 0,28 oranžová: x = 0,49, y = 0,42 fialová: x = 0,20, y = 0,10 ružová: x = 0,37, y = 0,21). Súradnice CIE (x, y) a svietivosť (Y) sady farieb sa merali fotospektrometrom (PR-655, Photo Research Inc.). V blokoch „pozitívneho cue“ boli účastníci informovaní o možných farbách disku obsahujúceho cieľ. V blokoch „negatívny cue“ boli účastníci informovaní o farbe diskov, ktoré by neobsahovali cieľ.

Experiment 1

Návrh vyhľadávacích polí.

Zobrazenia vyhľadávania boli navrhnuté tak, aby pre kladné aj záporné narážky mohol byť potenciálnym cieľom rovnaký počet položiek. Oba narážky boli preto rovnako informatívne. Polovica položiek vo vyhľadávacom poli bola usporiadaná podľa farby. V prípade kladného narážky farba s cued identifikovala položky, na ktorých by mohol byť cieľ (ďalej len „relevantné položky“), zatiaľ čo záporná narážka identifikovala položky, na ktorých cieľ nemôže byť (ďalej len „irelevantné položky“). Na vyhľadávanie sme použili päť veľkostí súborov polí (6, 12, 18, 24 a 30 položiek). Vyhľadávacie polia boli vytvorené raz s položkami v náhodných priestorových súradniciach s minimálnym oddelením 3 ° vizuálneho uhla (merané od stredu do stredu). Najprv bola sada 80 vyhľadávacích polí pre podmienku pozitívneho cue vytvorená nasledovne: Pre každú z 8 farieb a piatich veľkostí sady bolo vytvorené jedno pole s prítomným cieľom a jedno pole s iba fóliami (cieľ chýba). To znamená, že existovalo 8 sád 10 polí, jedna sada pre každú z 8 farieb. Polovica predmetov bola tejto farby. Táto farba sa môže javiť ako narážka pre pole, čo znamená, že tieto položky budú obsahovať cieľ, ak je prítomný (kladné znamenie), alebo nikdy neobsahovali cieľ (záporné znamenie). Druhá polovica položiek bola rovnomerne priradená k jednej z troch ďalších farieb vybraných náhodne zo zostávajúcej sady farieb pre každé pole (obr. 1A). Zmena farieb bez cuingu odporúča používať farby s cued na odmietnutie položiek na kontrolu po negatívnom narážke, pretože inak by bola relevantná farba v celom bloku konštantná a účastníci mohli po niekoľkých pokusoch ignorovať negatívne narážky. Každému z 80 pozitívnych polí cue zodpovedalo pole negatívnych cue s identickou priestorovou konfiguráciou, ale so zmenenými farbami (obr. 1B). Celkový počet vyhľadávacích polí a pokusov bol teda 160.

Postup.

Po desiatich cvičných pokusoch bolo pre každého účastníka predstavených šestnásť blokov s desiatimi vyhľadávacími poľami v náhodnom poradí. Na začiatku každého bloku dostali účastníci pokyn pre celý blok (pozri postupnosť na obr. 2). V prípade bloku vybraného zo sady pozitívnych tág bolo účastníkom povedané, že ak existuje cieľ, bude mať určite určenú farbu („pozitívne znamenie“). Pre zodpovedajúci blok zo sady negatívnych tág (tj. Ten istý blok so zmenenými farbami) bolo účastníkom povedané, že majú rovnakú farbu, ale odpovedali, že ak existuje cieľ, nebude mať túto farbu („negatívny tágo“). Tieto narážky boli vždy platné a účastníci boli o tom informovaní. Celkom to bolo uvedených 16 podnetov.

Na začiatku každého bloku je zobrazené tágo. Potom sa na 3 s zobrazí fixačný kríž a za ním vyhľadávacie pole. Po 10 vyhľadávacích poliach je blok dokončený a začína nový blok.

Každá z farieb bola použitá ako farba s Cued dvakrát pre pozitívny signál a raz pre negatívny signál. Každý z blokov pozostával z 5 vyhľadávacích polí „cieľ chýba“ a 5 vyhľadávacích polí „cieľ prítomný“, po jednom pre každú veľkosť poľa. Pred každým blokom sa zobrazilo tágo s danou farbou, ktorá bola identifikovaná názvom farby a skutočným odtieňom. Účastníci mohli začať ďalší blok stlačením jedného z tlačidiel, keď boli pripravení. Pred každým vyhľadávacím poľom bol na 3 sekundy predstavený fixačný kríž. Celá procedúra trvala asi 30 minút vrátane prestávok. Po dokončení experimentu boli účastníci informovaní a výslovne sa ich pýtali, či si uvedomujú, že každé priestorové rozloženie bolo prítomné dvakrát. Žiadny účastník neuviedol, že by si to počas experimentu uvedomil.

Účastníci.

Experimentu sa zúčastnilo 21 subjektov (vo veku 27 ± 7 rokov, priemer a štandardná odchýlka, 9 žien) s normálnym alebo korigovaným normálnym zrakom. Na podskupine 14 subjektov (vo veku 26 ± 7 rokov, priemer a štandardná odchýlka, 7 žien) bolo možné získať údaje o sledovaní očí. Všetky tu uvedené analýzy sa týkajú týchto 14 subjektov. Pokiaľ ide o údaje o reakčnom čase a presnosti, vykonali sme rovnakú analýzu u všetkých 21 pozorovateľov a zistili sme, že presne rovnaké účinky boli významné (na úrovni 5% alfa) ako pri redukovanom súbore údajov. Všetci účastníci dali informovaný písomný súhlas a za účasť im bola vyplatená náhrada. Všetky postupy boli v súlade s inštitucionálnymi pokynmi a vyhlásením z Helsínk a boli schválené etickou komisiou FB04 z Philipps University Marburg.

Analýza dát.

Presnosť vyhľadávania všetkých účastníkov bola stanovená vyhodnotením podielu správnych odpovedí. Tieto boli analyzované zovšeobecneným modelom zmiešaných efektov s funkciou logistického prepojenia, oddelenými pre cieľová prítomnosť (cieľ chýba a cieľ je prítomný), s faktormi typ tága (pozitívny signál, negatívny signál) a veľkosť sady polí (6, 12, 18, 24, 30). Vypočítali sme tiež oddelene index citlivosti (d ’) a kritérium (c) pre pozitívne a negatívne experimenty, aby sme overili, či sú kritériá odozvy porovnateľné pre oba typy tág. Na analýzu reakčných časov a fixácií boli použité iba pokusy so správnymi odpoveďami (95,8% pokusov v experimente 1). Pre každého účastníka bol vypočítaný priemerný čas odozvy pre všetky zostávajúce pokusy s rovnakou veľkosťou poľa, typom tága a prítomnosťou cieľa. Opakované merania ANOVA (pomocou všeobecného lineárneho modelu) času odozvy ako závislej premennej sa uskutočnili s rovnakými dvoma faktormi typ tága a nastaviť veľkosť, opäť oddelené cieľová prítomnosť. V prípadoch, keď Mauchlyho test naznačil, že bola narušená sférickosť, uvádzame p-hodnoty korigované spoločnosťou Greenhouse-Geisser.

V analýzach údajov o pohybe očí boli skúmané tri premenné: podiel fixácií na príslušných položkách, priemerné trvanie fixácie a priemerný počet fixácií na položku. Kombinácia posledných dvoch zodpovedá priemernému času zotrvania na fixovaný predmet. Na výpočet týchto troch premenných boli použité všetky fixácie priradené k položke, ale zohľadnili sa iba cieľové neprítomné pokusy. Pri pokusoch prítomných na cieľovom mieste akékoľvek fixácie a refixácie na cieľ na konci vyhľadávania ovplyvnia podiel fixácií na relevantných položkách, pretože cieľ je vždy relevantná položka. Pretože to môže zakrývať pohľady na prebiehajúci proces hľadania, štúdie terajších cieľov boli z týchto analýz vynechané. Okrem toho boli vypočítané korelácie času do fixácie cieľa (ak je prítomný) s časom odozvy. Pre túto analýzu boli brané do úvahy iba terajšie súčasné štúdie. V experimente 1 boli fixácie identifikované pomocou algoritmu založeného na disperzii [23] (disperzný prah 0,9 °, prah trvania 50 ms). Ku každej fixácii bol priradený najbližší predmet na obrazovke, ak bol jej stred bližší ako 3 ° vizuálneho uhla, takže 89% fixácií bolo priradených ku konkrétnym položkám pre experiment 1. Na výpočet podielu fixácií na príslušných položkách bol počet fixných relevantných položiek, ako aj celkový počet fixných položiek boli získané pre každého účastníka, veľkosť poľa a typ tága. Relevantnými položkami boli buď položky farby špecifikovanej v pokynoch v pozitívnom narážke, alebo položky všetkých ostatných farieb v zápornom znamení. Dvojsmerné opakované merania ANOVA boli vypočítané so závislým variabilným podielom fixácií na príslušných položkách s faktormi typ tága a veľkosť sady polí. Štatistická analýza bola vykonaná s verziou R verzie 3.0.2. [24]

Nastaviť.

Experiment bol spustený na počítači MacPro, Apple Inc. a naprogramovaný v programe Matlab 2010a, Mathworks Inc., s použitím rozšírení Psychophysics Toolbox, verzia 3.0.10 [25] [26] [27]. Vyhľadávacie polia boli prezentované na farebne kalibrovanej a charakterizovanej 19-palcovej obrazovke CRT (EIZO FlexScan F730) s rozlíšením 1024 x 768, obnovovacou frekvenciou 85 Hz a rozsahom jasu 1,4 cd/m 2 („čierna“) až 150 cd/m 2 („biela“) v miestnosti so zanedbateľným okolitým svetlom. Účastníci boli umiestnení pred obrazovku s opierkou brady vo vzdialenosti 65 cm od obrazovky (oči od stredu obrazovky). Na meranie pohybov očí mal každý účastník binokulárny infračervený sledovač očí („EyeSeeCam“ [28]) so vzorkovacou frekvenciou 120 Hz. Tretia kamera bola použitá na sledovanie polohy a orientácie hlavy vzhľadom na diódy LED umiestnené na okrajoch obrazovky. Kalibrácia od oka k obrazovke sa vykonala pomocou 20-bodového kalibračného protokolu. Polohy pohľadu na obrazovku boli vypočítané online a zaznamenané.

Experiment 2

V experimente 1 bola vždy umiestnená jedna zo štyroch farieb, či už negatívne alebo pozitívne. V dôsledku toho v poli vyhľadávania s pozitívnou narážkou boli všetky potenciálne ciele jednej farby, zatiaľ čo v poli vyhľadávania s negatívnym narážkou mohli mať potenciálne ciele jednu z troch farieb. Stratégia, ktorú môžu účastníci použiť v tomto nastavení, je previesť negatívny signál na pozitívny signál: najskôr identifikujú farby, ktoré neboli priradené, a potom budú hľadať tieto tri zostávajúce farby. To by znamenalo, že účastníci nepoužili „šablónu na odmietnutie“, ale namiesto toho vytvorili svoju vlastnú „šablónu na zaradenie“. Táto stratégia by zaviedla potrebu prepínať medzi viacerými farbami v podmienkach negatívnej stopy v experimente 1. V experimente 2 sme teda zaviedli paradigmu, v ktorej sme zladili počet farieb, v ktorých by ciele mohli byť, a to v podmienkach negatívnej stopy aj pozitívnej stopy. aby sa zohľadnili možné náklady na zmenu farby. Okrem toho sme zaradili neutrálny stav, aby bolo možné merať výhody pozitívnych a negatívnych narážok aj z hľadiska výkonu. Pretože sa podnety opakovali v celom bloku, mohlo to mať za následok efektívnejšie vyhľadávanie neskôr v bloku [16]. Aby sme otestovali, či sa to systematicky líši medzi typmi tág, vykonali sme párovaný t-test na priemernom poklese RT od prvého pokusu v každom bloku po posledný, pričom sme porovnávali pozitívne a negatívne podnety vo všetkých ostatných premenných.

Návrh vyhľadávacích polí.

Vyhľadávacie polia pozostávali buď z 12 alebo 24 položiek. Všetky použili 4 rôzne farby vybrané z celkového počtu 8. Z týchto položiek presne polovica mohla obsahovať cieľ („relevantné“ položky) a táto polovica položiek mala buď 1, 2 alebo 3 rôzne farby priradené k rovnakému počtu. položiek (podrobnosti nájdete v tabuľke 1). Zostávajúce farby boli tiež priradené k rovnakému počtu zostávajúcich položiek („irelevantné“ položky). Pozitívne podnety môžu označovať buď jednu („cieľ má farbu ...“), dve alebo tri potenciálne cieľové farby („cieľ je v jednej z nasledujúcich farieb: ...“). Podobne by negatívne podnety mohli znamenať jednu, dve alebo tri farby, ktoré nemohli obsahovať cieľ. V dôsledku toho, ak sa na vytvorenie „šablóny na zaradenie“ použijú všetky podnety, 1-farebná pozitívna narážka by bola najviac porovnateľná s 3-farebnou negatívnou narážkou a naopak a 2-farebná negatívna a pozitívna narážka by mala byť tiež porovnateľná . Okrem toho bol zahrnutý neutrálny stav, v ktorom sa cieľ mohol objaviť na ktorejkoľvek zo 4 farieb, ktoré boli prítomné na rovnakom počte predmetov. Pozitívne, negatívne a neutrálne cue skúšky boli zablokované. Celkovo bolo k dispozícii 7 rôznych podmienok cue (1 pozitívna, 2 pozitívna, 3 pozitívna, 1 negatívna, 2 negatívna, 3 negatívna, neutrálna tabuľka 1). Každý cue stav sa opakoval 6 krát, čo viedlo k celkovému počtu 42 (7x6) blokov, z každého 8 pokusov, čo viedlo k celkovému počtu 336 pokusov. Každý blok pozostával zo 4 pokusov s 12-položkovým poľom a 4 s 24-položkovým poľom a každá veľkosť poľa mala 2 skúšania prítomný cieľ a 2 pokusy chýbajúce cieľ. Poradie pokusov v bloku bolo náhodné. Zúčastnilo sa štrnásť dobrovoľníkov (vek 26 ± 3 roky, 8 žien). Pohyby očí boli zaznamenané zariadením na sledovanie očí Eyelink-1000 (SR Research) pri 1 000 Hz s predvolenými nastaveniami pre detekciu sakády a fixácie. Fixácie sa pripisovali objektom rovnakým postupom, ako je opísaný v experimente 1, čím sa 97% fixácií pozorovaných v experimente 2 pripísalo konkrétnej položke. Na prezentáciu bol použitý EIZO FlexScan F77S ovládaný systémom Windows-PC na vzdialenosť 73 cm. Vo všetkých ostatných ohľadoch bol experiment 2 identický s experimentom 1.


Úvod

Berlyne (1958) opísal, že zrakovú zložitosť ovplyvňuje množstvo faktorov, vrátane počtu zahrňujúcich prvkov, ako aj ich heterogenita (napr. Opakovanie jedného tvaru oproti viacerým odlišným tvarom), ich pravidelnosť (napr. Jednoduché mnohouholníky vs. .abstraktnejšie tvary) a pravidelnosť usporiadania prvkov (napr. symetria, distribučné charakteristiky) (pozri obrázok 1 z Berlyne, 1958). Nedávno Pieters a kol. (2010) poskytli podobný zoznam faktorov komplexnosti spolu s príkladmi reklám, ktoré tieto rozdiely zdôrazňujú (Oliva et al., 2004 pozri obrázok 2 v Pieters et al., 2010). Výskum vizuálnej komplexnosti sa v poslednej dobe stáva multidisciplinárnou témou, do ktorej sú zapojení výskumní pracovníci v oblastiach od marketingu (Pieters et al., 2010 Braun et al., 2013) po počítačovú vedu (Itti et al., 1998) a od estetiky (Nadal et al., 2010) na interakciu človeka s počítačom (Tuch et al., 2009) a psychológiu (Donderi, 2006 Cassarino a Setti, 2015, 2016). Tento prístup k skúmaniu vizuálnej komplexnosti v obrázkoch, ktoré sú jasne a vedome vnímané a posudzované na základe počtu predmetov a ich agregovanej štruktúry, je stredobodom súčasnej práce.

Mnoho štúdií pozorovalo vzťah medzi zrakovou komplexnosťou a afektom (napr. Príjemnosťou). Tento vzťah bol pozorovaný od začiatku 70. rokov minulého storočia (napr. Kaplan a kol., 1972 Aitken, 1974 Aitken a Hutt, 1974) a táto myšlienka sa znova objavila nedávno (napr. Stamps, 2002 Marin a Leder, 2013, 2016 Schlochtermeier et al., 2013 Machado et al., 2015 Marin et al., 2016). Dôležité je, že tieto štúdie naznačujú, že komplexnejšie obrázky sú vnímané ako príjemnejšie než menej komplexné obrázky, hypotéza podporená predchádzajúcou prácou, kde sa zistilo, že príjemnosť a fyziologické vzrušenie sú vyššie pre zložitejšie abstraktné tvary (napr. Berlyne et al., 1963 , 1968 Vitz, 1964, 1967). Pri obzvlášť vysokých úrovniach zložitosti sa však príjemnosť znižuje podľa funkcie v tvare obráteného U (“Wundtova krivka, ” Berlyne, 1970). Čo je dôležité, v týchto štúdiách je smerovosť tohto vzťahu medzi komplexnosťou a afektom vždy diskutovaná ako afekt ovplyvňujúci komplexnosť. Môže však dôjsť aj k účinku v opačnom smere, tj. K ovplyvneniu vnímanej zrakovej zložitosti.

This hypothesis seems plausible because emotionally arousing stimuli attract bottom-up attention, are processed with priority as well as a higher signal-to-noise ratio and are perceived more vividly (Pourtois et al., 2013 Markovic et al., 2014 Mather et al., 2016). The relationship between arousal and perception is reflected in greater activity in visual regions as well as in different eye movement patterns (Pessoa and Adolphs, 2010 Bradley et al., 2011 Ni et al., 2011). This difference in visual processing activity has primarily been attributed to autonomic activity and motivational salience. In addition, emotionally arousing stimuli possess certain cognitive characteristics that might influence experienced complexity. First, emotionally arousing stimuli are more distinctive relative to prior experiences (Schmidt, 1991). Second, they are semantically related, i.e., often belong to the same scripts such as disease, poverty, or crime (Talmi and McGarry, 2012). During processing of such a stimuli the associated script might more easily get activated and influence experienced complexity. Taken together, from a basic science perspective there is good evidence to hypothesize that emotionally arousing stimuli are perceived as more complex (Marin and Leder, 2013).

From an experimental approach, visual complexity is often considered a variable to control for when using pictorial stimuli to investigate affective (e.g., Ochsner, 2000 Talmi et al., 2007 Sakaki et al., 2012) or memory processes (e.g., Snodgrass and Vanderwart, 1980 Berman et al., 1989 Isola et al., 2014 Nguyen and McDaniel, 2015). As we were particularly interested in potential top𠄽own effects of affect within studies of affect or memory, we presented pictures for several seconds, as opposed to other studies where pictures may only be presented briefly (e.g., 50� ms) along with visual masks. Importantly, visual complexity is often measured through ratings provided by participants in initial norming studies. However, while many studies have matched stimuli using visual complexity ratings, these studies did not consider that ratings of visual complexity may themselves be correlated with affective ratings (i.e., arousal and valence), and thus controlling for ratings of visual complexity might bias the affective quality of the stimulus material.

Computational Measures of Visual Complexity

To measure visual complexity, computational approaches can also be used. One of the simplest and most prevalent methods used to computationally measure visual complexity is to simply use the picture’s file size after using JPEG compression. The general idea behind this approach is that more complex pictures, given the same picture dimensions, can be compressed to a lesser degree than less complex pictures and thus more complex pictures have larger file sizes. Using this rationale, a number of studies and review articles have suggested the use of JPEG file size as a computational measure of visual complexity (e.g., Machado and Cardoso, 1998 Székely and Bates, 2000 Donderi, 2006 Forsythe et al., 2008, 2011 Martinovic et al., 2008 Forsythe, 2009 Tuch et al., 2009 Pieters et al., 2010 Stickel et al., 2010 Purchase et al., 2012 Marin and Leder, 2013 Schlochtermeier et al., 2013 Simola et al., 2013 Machado et al., 2015). While the JPEG file size does correlate with visual complexity, for scientific research it seems more appropriate to use a method designed to be similar to the computational processes that occur in early visual cortices. Nonetheless, here we will also evaluate the efficacy of JPEG file size as a computational measure of visual complexity.

One such computational process is edge detection, which is the identification of boundaries within a picture. Though several edge detection algorithms have been developed (for reviews, see Nadernejad et al., 2008 Juneja and Sandhu, 2009 Maini and Aggarwal, 2009), Canny’s (1986) algorithm has been found to generally be better able to detect edges (Nadernejad et al., 2008 Juneja and Sandhu, 2009 Maini and Aggarwal, 2009 Machado et al., 2015) and has been used in behavioral research (e.g., Rosenholtz et al., 2007 Forsythe et al., 2008 Ptak et al., 2009 Sakaki et al., 2012 Machado et al., 2015). Viď Figures 1C,D for examples of edge detection applied to naturalistic pictures 1 . Edge detection can be summarized as �ge density,’ where an edge detection map is averaged to calculate a single value corresponding to the proportion of the map was identified as an edge.

Example pictures shown to participants as exemplars of (A) low visual complexity and (B) high visual complexity. (C, D) Illustrate the edge density of the two pictures. (E,F) Illustrate the feature congestion of the two pictures.

Based on prior work developing computational approaches to measure visual complexity (Rosenholtz et al., 2007), we additionally used two other computational measures: feature congestion and subband entropy. Feature congestion quantifies how 𠆌luttered’ a picture is and incorporates color, luminance contrast, and orientation. Viď Figures 1E,F for examples of Rosenholtz et al.’s (2007) feature congestion algorithm applied to naturalistic pictures. Subband entropy quantifies the ‘organization’ within the picture, through Shannon’s entropy in spatial repetitions of hue, luminance, and size (i.e., spatial frequency). Rosenholtz et al. (2007) found that all three measures (edge density, feature congestion, and subband entropy) correlated with response time in a visual search task, demonstrating that these three computational measures relate to behavior.

It is worth considering, however, that the computational measures of visual complexity described here are limited to low-level visual features. As such, they would provide similar complexity values for a picture of dozens of leaves as for a picture of dozens of unique toys—whereas a viewer may know that the toys represent characters from different cartoon shows and are associated with more varied semantic information. Ratings of visual complexity are based on both low-level features in addition to high-level features such as object information. Nonetheless, higher-level visual features are difficult to systematically characterize (i.e., using computational algorithms and without subjective biases) and the current work focused on the relationships between computational measures of visual complexity and affective measures with ratings of complexity.

In sum, visual complex stimuli are perceived as more (positive) emotionally arousing. Further, it is well established that emotionally arousing stimuli attract selective attention, alter sensory processing and are reported as having higher vividness which might translate into higher experienced visual complexity (Marin and Leder, 2013). Such a greater visual complexity of emotionally arousing stimuli might also be supported by differences in cognitive processing, i.e., their higher distinctiveness and semantic relatedness. Based on these considerations we aimed to characterize the relationship between emotional arousal and perceived visual complexity in the current study.

The hypothesized relationship between emotional arousal and experienced visual complexity is also relevant from an experimental perspective because ratings are widely used to generate equally complex picture sets that differ only with respect to arousal and valence. Therefore, we investigated the relationship between affective properties of scenic stimuli, arousal and valence, and computational measures of visual complexity on experienced visual complexity (i.e., participant ratings). In doing so, the four most often proposed computational measures of visual complexity were compared as a secondary outcome. Admittedly, here we did not manipulate the pictures themselves and investigated the correlational relationship between affect and perceived visual complexity, rather than attempting to causally influence this relationship.

In a series of experiments, we examined the contributions of affective processes and computational measures of visual complexity to visual complexity ratings in naturalistic pictures. After establishing this effect across different subsets of stimuli, rating procedures, and presentation times (Experiments 1𠄲) we further explored how ratings of visual complexity related to measures of cognition, eye-tracking, emotion-related traits and deliberate control (Experiments 3𠄵).


Pozri si video: Operátory vyhľadávania na Googli (August 2022).