利用种族模型不等式量化行为多感官整合效应

建立一种可重复的多感官整合效应强度计算方法具有重要意义，这将有助于推动未来在不同临床人群中的转化研究。本技术的主要优势在于，我们能够量化一种稳健的多感官整合表型，该表型随后与衰老过程中的重要认知和运动功能结果相关联，例如平衡能力、跌倒风险、步态和执行功能。首先使用刺激呈现软件设计一个简单的反应时实验，包含三种实验条件：单独视觉、单独躯体感觉，以及视觉-躯体感觉同步刺激。

使用带有三个控制盒的刺激发生器。左侧和右侧控制盒包含双侧蓝色发光二极管，用于提供视觉刺激；同时配备振动幅度为0.8 G的双侧电机，用于提供躯体感觉刺激，此外还设有刺激器的塑料外壳。接下来，将一个中央虚拟控制盒放置在左侧与右侧控制盒等距的位置，并粘贴一个视觉目标贴纸作为注视点。

实验设置完成后，引导受试者进入测试室。让受试者端正舒适地坐下，并将双手分别放在左右控制盒上。将食指战略性地放置在安装于控制盒背面的振动电机位置，拇指则置于控制盒前方LED灯下方，避免遮挡光线。

通过为参与者佩戴耳机并持续播放舒适强度的白噪声，确保体感刺激无法被听到。让参与者使用位于右脚下方的脚踏板作为反应装置。最后，要求参与者在每个刺激出现时尽快做出反应，无论其是否感觉到刺激、看到刺激，或同时感觉到和看到刺激。

开始分析时，应排除在任一刺激条件下正确率无法达到70%或以上的参与者。若参与者未能在规定的反应时间内对刺激作出响应，则将该次试验视为不准确，并将相应的反应时间（RT）设为无穷大，而非从分析中排除该试验。反应时间（RT）数据按实验条件升序排列。

将视觉、体感以及视觉-体感条件下的反应时数据分别置于已排序反应时数据表格的不同列中。确保每一行代表一次试验，每个单元格代表实际的反应时。注意，不要采用删除极慢反应时的数据修剪方法，因为这会偏倚反应时数据的分布。应将明显为离群值的反应时设为无穷大。

然后，为了对反应时（RT）数据进行分箱，需先确定最快和最慢的反应时。用最快反应时减去最慢反应时，以计算个体在所有测试条件下的反应时范围。将反应时数据从0%到100%按5%的间隔进行分箱：以最快反应时为起点，逐步向之前计算出的反应时范围内增加5%，直至覆盖全部100%的反应时数据，从而得到21个时间箱。接下来，在计算机电子表格中使用频率函数，其中数组一等于某一实验条件下实际的反应时数据，数组二等于先前计算出的21个量化反应时箱，再除以每个条件的总试验次数（45次）。

然后，通过累加三种实验条件下每个量化区间内的概率运行总和，绘制累积分布频率（CDF）。多感觉条件的 CDF 代表实际的 CDF。为了计算预测的 CDF，将两个单感觉 CDF 相加，并将上限设为 1。

对全部21个量化时间区间中的每一个使用此公式。从第0百分位开始，一直计算到第21个区间的第100百分位。接下来，为进行种族模型不等式检验，将每个量化时间区间的实际累积分布函数（CDF）减去预测的累积分布函数（CDF），从而得到差值。

将这21个值绘制为折线图，其中横轴表示每一个量化的时间区间，纵轴表示实际累积分布函数与预测累积分布函数之间的概率差异。此处，任意潜伏期的正值均表明单感觉刺激的整合，并反映出对RMI的违背。为了在群体水平上量化多感觉效应，需对所有参与者的个体RMI数据进行组平均处理。

使用电子表格将个体分配至行，将时间区间分配至列。然后，在一个新的电子表格中，将先前计算出的21个差值分别填入各行，并对各时间区间内的平均值进行计算，以生成一条群体平均的差值波形。接着，将群体平均的21个数值绘制成折线图，其中横轴表示各个量化后的时间区间，纵轴表示累积分布函数（CDF）之间的概率差值。

最后，以参与者一的数据为例，计算每个个体的曲线下面积。将第一个时间区间内的累积分布函数（CDF）差值与第二个时间区间内的 CDF 差值相加，然后除以二。目视检查每一对连续的时间区间，仅包含正值的部分。

然后，将这些结果相加，计算累积分布函数（CDF）差异波在违反百分位范围 0.00 至 0.10 内的总曲线下面积（AUC）。结果表明，在 333 名老年人样本中，群体平均的违反情况出现在 0 至 10% 百分位范围内。在这三个分位点（0.00 至 0.10）上正数值的总数（零、一、二或三个）决定了个体被归入哪一类多感官功能分类组，分别对应缺陷型、较差型、良好型或优秀型。

正如我们先前所述，必须避免数据修剪（data-trimming）操作，因为它会引入反应时分布的偏差。较慢的反应时以及被遗漏的试验需设定为无穷大。本研究的主要目标是建立一种稳健的多感官整合表型。

尽管如此，我们意识到在衰老过程中存在不同的多感官整合模式，下一步将是揭示负责此类整合过程的神经网络，并明确特定的结构或功能改变如何导致这些差异性的整合模式。我们正在致力于识别与衰老过程中视觉-躯体感觉整合相关的神经关联，相信这些研究进展将为包括阿尔茨海默病和帕金森病在内的多种疾病提供重要见解。