eLife:检索练习通过增强内侧前额表征来促进记忆更新

2023-10-22 21:30

本文主要是介绍eLife:检索练习通过增强内侧前额表征来促进记忆更新,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

《本文同步发布于“脑之说”微信公众号,欢迎搜索关注~~》

一、导读
用当前的新信息不停地去更新旧记忆对人类的生存至关重要,但人们对记忆更新的神经机制,尤其是测试练习的效果,知之甚少。近日,北京师范大学薛贵教授团队发表在《eLife》的一项研究采用为期三天的A-B/A-C记忆更新范式(词-图匹配任务,即一个单词与一张图片匹配记忆,A-B任务是指旧的匹配任务,A-C是新的匹配任务,这里的词语是相同的,用新的匹配任务去代替旧的匹配任务),结果发现,与纯粹的重复练习相比,检索练习更能增强新的A-C记忆,减少旧的A-B记忆入侵,但是不能抑制A-B记忆。多体素模式分析的结果表明:与重复学习相比,最后测试记忆效果时,检索练习在内侧前额皮层(MPFC)产生了更强的A-C表征,并且只有在检索练习的条件下,MPFC可以预测随时的记忆效果,并且更新过程中的MPFC目标表征能够预测后续的记忆情况。综上结果表明,检索练习能够通过加强MPFC在记忆整合、分化和巩固中的参与作用,从而促进记忆更新。
二、背景
要想在动态变化的世界中记住和保留最新的信息,就需要有目标导向的方式来更新自己的记忆。当某些信息被降级为过时或不相关,而更新的信息被提升为其替代品时,就会发生更新。比如记住自己的新家、地址和电话号码等。成功的记忆更新包括加强更多的当前记忆痕迹,弱化旧信息,或区分新旧记忆,以确保旧记忆较少干扰。许多行为证据表明,尽管通过反复学习新的替代信息可以促进记忆更新,但通过自我测试检索新知识更能成功地更新记忆,这个过程称为检索练习。与简单地重复学习相同的材料相比,在没有明显干扰的情况下,检索已学习过的信息不仅能更好地保留相关记忆,而且能有效地抑制竞争、过时的记忆,减少主动干扰,增强记忆整合。这些研究表明,检索练习可以根据记忆目标改变记忆状态。尽管存在这种普遍存在的行为效应,但记忆更新的神经基础和记忆检索练习的机制仍不清楚。本研究比较了检索练习和重复学习时的神经再激活,并研究了再激活的记忆表征如何与侧前额叶皮层相互作用以实现后续的记忆更新。在重复学习的情况下,我们只是要求被试反复学习新的替代记忆。在检索练习条件下,我们要求被试重复检索新的替代记忆。之前的研究表明反馈可以提高行为表现。我们假设,在更新的过程中,检索练习会对过时的竞争对手产生更大的重新激活效果(即B),反映了检索更倾向于引发需要纠正的竞争。尽管有这些额外的困难,我们预测在最后的记忆测试中,检索练习将会产生更好的长期效果:更强的替代记忆(即C)以及对已经过时的竞争对手进行较弱的再激活。

三、方法
1.行为实验

实验一:通过一个三天的记忆更新实验范式,本研究要求被试通过测试练习(retrieval practice)或者重复学习(restudy)两种方法将已经充分学习的联系记忆A-B更新为新的记忆A-C。实验流程图如图一所示。
在这里插入图片描述
图一:实验流程

第1天,被试过度学习144对单词(A)-图片(B)联想。在第2天,引入144个新的A-C联想(B和C总是来自不同的视觉类别),被试被要求在进入扫描仪前用新的联想替换旧的联想。在扫描仪中,每一个新的A-C关联都在检索练习(RetPrac)和重复学习两种更新条件中的一种下被研究了三次。每个试验都在回忆阶段开始,提示词a与黑色矩形(RetPrac)配对,或与相关图片(Restudy)配对。回忆阶段结束2秒后,显示一个持续1秒的红色矩形,被试需要在这个反应窗口内判断图片C的类别。然后作为反馈,正确的图片C在屏幕上显示1秒。第3天,被试在扫描的同时进行A-C记忆测试。回忆阶段持续3秒,随后是1秒的响应窗口。然后,被试被要求执行一个为期8秒的感知方向判断任务。
实验二:本次实验是用来验证新的A-C记忆是如何影响旧记忆A-B的,实验程序与fMRI主实验的程序相同(但是排除了A-C和A-B的记忆效果测试与朝向判断)。
实验三:为了测试检索练习是否有效的修改记忆细节的表征,实验程序与实验二相同(排除了第三天的测试),令被试写下每一个提示词对应图片的名称(如果记不起确切的名称,也可以写下任何相关的细节)。首先要求被试写下每个提示词A的新的C记忆,在A-C记忆测试之后,要求被试写下每个提示词的旧的B记忆。只有被试正确回忆的图片名称或提供具体细节的项目才被编码为正确的项目。
2.fMRI实验:检索练习对目标和竞争者表征的效应
为了了解记忆练习优势的神经基础,我们使用fMRI和MVPA(多体素模式分析)来追踪两种记忆更新过程中过时和替代记忆的重新激活,并将这些模式与最终测试中的记忆表现联系起来。首先在独立的localizer实验中训练分类器来区分三种类别的材料(面孔、场景、物体)用以测试在第二天的更新与第三天的最终测试中记忆再恢复的程度。我们重点关注内侧前额叶皮质(MPFC)、腹侧颞叶(VTC)、角回(AG),这些脑区与记忆检索的恢复效应有关。

四、结果
1.行为学实验结果

在这里插入图片描述
图二 在记忆更新过程中每次重复学习时目标(正确选择A-C)、竞争对手(错误选择A-B)和“其他”回忆的反应比例(左),更新练习一天后在最后的记忆测试中被正确回忆的目标、竞争对手和“其他”类别的比例(右)。
在这里插入图片描述
图三 实验二和实验三的结果。(A)实验二的行为结果。(A)更新练习一天后,在最后的A-C和A- B记忆测试中回忆出的目标、竞争对手和“其他”类别的比例。(B)在A-B回忆过程中A-C记忆入侵的比例,这取决于在A-C测试中是否回忆出正确的A-C记忆。© A-B和A-C记忆的联合分析显示记忆分化。(D)源自经验的行为结果。在一天更新练习后的A-C和A-B记忆测试中,正确记忆项的比例。

通过三个行为实验,本研究发现测试相比于重复学习可以更好增强新记忆A-C,减少旧记忆A-B的干扰,但同时并没有直接抑制旧的记忆。
以上结果可以用以下理论解释:(1)测试比重复学习难度更大,可以调用更多的大脑资源;(2)测试可以抑制旧记忆,降低冲突。
2.fMRI实验结果
检索练习导致MPFC产生了更强的A-C记忆表征,但同时还保留相当强度的旧记忆(A-B)的表征。与之相反,测试降低了感知觉皮层(例如腹侧视觉区域,VTC)对于旧记忆的表征,对新记忆的表征也有下降的趋势。另外,在学习过程中,检索练习条件下MPFC的新记忆的表征强度可以预测随时的学习效果,而重复学习条件VTC的新记忆表征强度可以预测随后学习效果。第三,在检索练习过程中,旧记忆也被更强的激活,旧记忆的激活与后续记忆改变直接相关。这一结果说明了测试练习可以同时激活新旧记忆,并在MPFC区域形成分化的新旧记忆表征,从而减小记忆干扰,促进记忆更新。另外,测试练习也降低了对于感知觉皮层表征的依赖,从而达到更持久记忆的效果。这一发现揭示了检索练习促进记忆的新机制,为有效学习的神经激活模式再现假说提供了进一步的证据支持,并且表明激活模式再现不仅可以促进记忆的巩固,还有助于整合和区分不同记忆,结果如图四、图五所示。
在这里插入图片描述
图四 在最后的记忆测试中神经的重新激活。(A)主要分析中使用的ROI;(B)基于分类器输出(减去“其他”证据后),作为更新方法和记忆结果的函数,在最终测试中目标(图C)和竞争对手(图B)的再激活。

在这里插入图片描述
图五 在检索练习条件下的LPFC活动与记忆更新。(A)在记忆更新过程中检索练习比重复学习条件下激活更高的脑区,颜色条表示1减去p值(校正后)。(B) LPFC对配对的记忆更新表现更好。未能成功回忆的(IC)与首次回忆正确的试次比后来的第二次和第三次回忆正确的试次具有更高的激活。说明LPFC参与了竞争性记忆的抑制。© MPFC记忆更新(目标表征减去竞争表征)作为在记忆更新中LPFC激活的函数。

五、结论与讨论
(1)我们发现,与简单的重复学习相比,检索练习与更好的记忆更新有关,而不抑制旧记忆。
(2)检索练习可以将神经基质从VTC转移到MPFC,这涉及到快速的系统巩固。我们的研究表明,MPFC可能是负责基于要点的记忆,因为它在基于图式的学习中扮演着重要的角色。MPFC的记忆更新并不是由非单调可塑性原理预测的,而是与竞争对手的重新激活所驱动的LPFC活动密切相关。我们的结果通过显示记忆整合来重复和扩展这些观察甚至当竞争性的记忆同时被重新激活时也会发生。这非常符合MPFC能够在检索练习中快速发展重新激活的记忆痕迹的整合的新皮层表征的假设。
(3)当竞争对手入侵更大时,LPFC的激活更大,这与它在竞争对手控制记忆检索中的作用是一致的。先前的研究进一步揭示了LPFC在记忆提取中减少竞争对手的入侵,以及通过皮层模式抑制减少竞争记忆。

参考文献:DOI: https://doi.org/10.7554/eLife.57023

这篇关于eLife:检索练习通过增强内侧前额表征来促进记忆更新的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/263683

相关文章

poj3468(线段树成段更新模板题)

题意:包括两个操作:1、将[a.b]上的数字加上v;2、查询区间[a,b]上的和 下面的介绍是下解题思路: 首先介绍  lazy-tag思想:用一个变量记录每一个线段树节点的变化值,当这部分线段的一致性被破坏我们就将这个变化值传递给子区间,大大增加了线段树的效率。 比如现在需要对[a,b]区间值进行加c操作,那么就从根节点[1,n]开始调用update函数进行操作,如果刚好执行到一个子节点,

hdu1394(线段树点更新的应用)

题意:求一个序列经过一定的操作得到的序列的最小逆序数 这题会用到逆序数的一个性质,在0到n-1这些数字组成的乱序排列,将第一个数字A移到最后一位,得到的逆序数为res-a+(n-a-1) 知道上面的知识点后,可以用暴力来解 代码如下: #include<iostream>#include<algorithm>#include<cstring>#include<stack>#in

hdu1689(线段树成段更新)

两种操作:1、set区间[a,b]上数字为v;2、查询[ 1 , n ]上的sum 代码如下: #include<iostream>#include<algorithm>#include<cstring>#include<stack>#include<queue>#include<set>#include<map>#include<stdio.h>#include<stdl

hdu 1754 I Hate It(线段树,单点更新,区间最值)

题意是求一个线段中的最大数。 线段树的模板题,试用了一下交大的模板。效率有点略低。 代码: #include <stdio.h>#include <string.h>#define TREE_SIZE (1 << (20))//const int TREE_SIZE = 200000 + 10;int max(int a, int b){return a > b ? a :

AI行业应用(不定期更新)

ChatPDF 可以让你上传一个 PDF 文件,然后针对这个 PDF 进行小结和提问。你可以把各种各样你要研究的分析报告交给它,快速获取到想要知道的信息。https://www.chatpdf.com/

GIS图形库更新2024.8.4-9.9

更多精彩内容请访问 dt.sim3d.cn ,关注公众号【sky的数孪技术】,技术交流、源码下载请添加微信:digital_twin123 Cesium 本期发布了1.121 版本。重大新闻,Cesium被Bentley收购。 ✨ 功能和改进 默认启用 MSAA,采样 4 次。若要关闭 MSAA,则可以设置scene.msaaSamples = 1。但是通过比较,发现并没有多大改善。

hdu 4517 floyd+记忆化搜索

题意: 有n(100)个景点,m(1000)条路,时间限制为t(300),起点s,终点e。 访问每个景点需要时间cost_i,每个景点的访问价值为value_i。 点与点之间行走需要花费的时间为g[ i ] [ j ] 。注意点间可能有多条边。 走到一个点时可以选择访问或者不访问,并且当前点的访问价值应该严格大于前一个访问的点。 现在求,从起点出发,到达终点,在时间限制内,能得到的最大

RabbitMQ练习(AMQP 0-9-1 Overview)

1、What is AMQP 0-9-1 AMQP 0-9-1(高级消息队列协议)是一种网络协议,它允许遵从该协议的客户端(Publisher或者Consumer)应用程序与遵从该协议的消息中间件代理(Broker,如RabbitMQ)进行通信。 AMQP 0-9-1模型的核心概念包括消息发布者(producers/publisher)、消息(messages)、交换机(exchanges)、

JavaFX应用更新检测功能(在线自动更新方案)

JavaFX开发的桌面应用属于C端,一般来说需要版本检测和自动更新功能,这里记录一下一种版本检测和自动更新的方法。 1. 整体方案 JavaFX.应用版本检测、自动更新主要涉及一下步骤: 读取本地应用版本拉取远程版本并比较两个版本如果需要升级,那么拉取更新历史弹出升级控制窗口用户选择升级时,拉取升级包解压,重启应用用户选择忽略时,本地版本标志为忽略版本用户选择取消时,隐藏升级控制窗口 2.

记录每次更新到仓库 —— Git 学习笔记 10

记录每次更新到仓库 文章目录 文件的状态三个区域检查当前文件状态跟踪新文件取消跟踪(un-tracking)文件重新跟踪(re-tracking)文件暂存已修改文件忽略某些文件查看已暂存和未暂存的修改提交更新跳过暂存区删除文件移动文件参考资料 咱们接着很多天以前的 取得Git仓库 这篇文章继续说。 文件的状态 不管是通过哪种方法,现在我们已经有了一个仓库,并从这个仓