Name: Cross-Modal Multivariate Pattern Analysis (Video) | JoVE Journal
Uploaded: 2011-11-09T13:00:00.000+00:00
Duration: 13 min 51 s
Description: Erfahren Sie, wie Crossmodal MVPA neuronale Aktivitätsmuster in fMRT-Daten analysiert, um multimodale Verarbeitung im menschlichen Gehirn zu untersuchen. Diese Methode deckt intermodale Wechselwirkungen auf.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

playerTrialDesktop

Diese Arbeit wurde durch Mittel der Mathers Foundation und der National Institutes of Health (NIH 5P50NS019632-27) auf Antonio und Hanna Damasio unterstützt.

<ol><li>Haynes, J. -D., Rees, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Decoding+mental+states+from+brain+activity+in+humans%5BTitle%5D)+AND+%22Nat.+Rev.+Neurosci%22%5BJournal%5D)">Decoding mental states from brain activity in humans.</a> Nat. Rev. Neurosci. 7, 523-534 (2006).</li>
<li>Norman, K. A., Polyn, S. M., Detre, G. J., Haxby, J. V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Beyond+mind-reading%3A+multi-voxel+pattern+analysis+of+fMRI+data%5BTitle%5D)+AND+%22Trends.+Cogn.+Sci%22%5BJournal%5D)">Beyond mind-reading: multi-voxel pattern analysis of fMRI data.</a> Trends. Cogn. Sci. 10, 424-430 (2006).</li>
<li>Kriegeskorte, N., Bandettini, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Analyzing+for+information%2C+not+activation%2C+to+exploit+high-resolution+fMRI%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Analyzing for information, not activation, to exploit high-resolution fMRI.</a> NeuroImage. 38, 649-662 (2007).</li>
<li>Mur, M., Bandettini, P. A., Kriegeskorte, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Revealing+representational+content+with+pattern-information+fMRI+-+an+introductory+guide%5BTitle%5D)+AND+%22Soc.+Cogn.+Affect.+Neurosci%22%5BJournal%5D)">Revealing representational content with pattern-information fMRI - an introductory guide.</a> Soc. Cogn. Affect. Neurosci. 4, 101-109 (2009).</li>
<li>Kamitani, Y., Tong, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Decoding+the+visual+and+subjective+contents+of+the+human+brain%5BTitle%5D)+AND+%22Nat.+Neurosci%22%5BJournal%5D)">Decoding the visual and subjective contents of the human brain.</a> Nat. Neurosci. 8, 679-685 (2005).</li>
<li>Formisano, E., De Martino, F., Bonte, M., Goebel, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((%22Who%22+is+saying+%22what%22%3F+Brain-based+decoding+of+human+voice+and+speech%3F%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">"Who" is saying "what"? Brain-based decoding of human voice and speech?</a> Science. 322, 970-973 (2008).</li>
<li>Meyer, K., Kaplan, J. T., Essex, R., Webber, C., Damasio, H., Damasio, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Predicting+visual+stimuli+on+the+basis+of+activity+in+auditory+cortices%5BTitle%5D)+AND+%22Nat.+Neurosci%22%5BJournal%5D)">Predicting visual stimuli on the basis of activity in auditory cortices.</a> Nat. Neurosci. 13, 667-668 (2010).</li>
<li>Meyer, K., Kaplan, J. T., Essex, R., Damasio, H., Damasio, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Seeing+touch+is+correlated+with+content-specific+activity+in+primary+somatosensory+cortex%5BTitle%5D)+AND+%22Cereb.+Cortex%22%5BJournal%5D)">Seeing touch is correlated with content-specific activity in primary somatosensory cortex.</a> Cereb. Cortex. 21, 2113-2121 (2011).</li>
<li>Damasio, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Time-locked+multiregional+retroactivation%3A+a+systems-level+proposal+for+the+neural+substrates+of+recall+and+recognition%5BTitle%5D)+AND+%22Cognition%22%5BJournal%5D)">Time-locked multiregional retroactivation: a systems-level proposal for the neural substrates of recall and recognition.</a> Cognition. 33, 25-62 (1989).</li>
<li>Meyer, K., Damasio, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Convergence+and+divergence+in+a+neural+architecture+for+recognition+and+memory%5BTitle%5D)+AND+%22Trends.+Neurosci%22%5BJournal%5D)">Convergence and divergence in a neural architecture for recognition and memory.</a> Trends. Neurosci. 32, 376-382 (2009).</li>
<li>Friston, K. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Modalities%2C+modes%2C+and+models+in+functional+neuroimaging%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Modalities, modes, and models in functional neuroimaging.</a> Science. 326, 399-403 (2009).</li>
<li>Hanke, M., Halchenko, Y. O., Sederberg, P. B., Hanson, S. J., Haxby, J. V., Pollmann, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((PyMVPA%3A+a+Python+toolbox+for+multivariate+pattern+analysis+of+fMRI+data%5BTitle%5D)+AND+%22Neuroinformatics%22%5BJournal%5D)">PyMVPA: a Python toolbox for multivariate pattern analysis of fMRI data.</a> Neuroinformatics. 7, 37-53 (2009).</li>
<li>Harrison, S. A., Tong, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Decoding+reveals+the+contents+of+visual+working+memory+in+early+visual+areas%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Decoding reveals the contents of visual working memory in early visual areas.</a> Nature. 458, 632-635 (2009).</li>
<li>Serences, J. T., Ester, E. F., Vogel, E. K., Awh, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Stimulus-specific+delay+activity+in+human+primary+visual+cortex%5BTitle%5D)+AND+%22Psych+Sci%22%5BJournal%5D)">Stimulus-specific delay activity in human primary visual cortex.</a> Psych Sci. 20, 207-214 (2009).</li>
</ol>

Keine Interessenskonflikte erklärt.

Die Ergebnisse unserer früheren Studien zeigen, dass cross-modale MVPA ein nützliches Werkzeug, um die neuronalen Korrelate von mental images in die &quot;inneren Ohr&quot; und der &quot;geistigen touch&quot; erlebt zu studieren. Konkret zeigen die Ergebnisse, dass die Inhalte solcher Bilder mit neuronaler Aktivität in den frühen auditorischen und somatosensorischen Kortex korreliert ist, bzw. einen direkten empirischen Beleg für Damasios Rahmen des Konvergenz-Divergenz-Zonen. Das grundlegende Paradigma beschreiben wir können in eine Reihe von Möglichkeiten erweitert werden. Am offensichtlichsten ist, können ähnliche Studien durchgeführt werden, indem verschiedene Kombinationen von sensorischen Modalitäten. In dieser Hinsicht ist es möglich, dass mit bestimmten cross-modale Verbände vor dem Experiment kann die Erfolgschancen zu erhöhen. Zum Beispiel, um cross-modale Repräsentationen in olfaktorischen Kortex Studie konnte eine Primzahl Themen indem sie gleichzeitig an den Anblick und der Geruch von einer Reihe von Lebensmitteln. Shortly nach, in der fMRI-Scanner würden die olfaktorische Erinnerung an die Gerüche, die durch visuelle Signale ausgelöst werden, und MVPA konnten in einem Versuch, die Studien an den richtigen Lebensmitteln ausschließlich auf Aktivitäten in olfaktorischen Kortex Basis zuzuweisen verwendet werden. Eine weitere interessante Frage ist, ob die Cross-modal induzierte Aktivitätsmuster in den frühen sensorischen Kortex Ähnlichkeiten mit den Mustern, die induziert werden, wenn Ton-oder Touch-tatsächlich erlebt wird sich tragen, in anderen Worten, sehen die Glasvase zerbrechen rufen ein ähnliches Muster von neuronale Aktivität in frühen auditorischen Kortex als tatsächlich hören das gleiche Ereignis? Diese Frage kann wiederum durch MVPA angesprochen werden: ist ein Classifier, die auf Daten aufgezeichnet wurde trainiert, während Probanden hörten bestimmte Töne in der Lage, richtig zu diskriminieren Daten aufgezeichnet werden, während die Probanden beobachtet entsprechenden Video-Clips? In unserem auditiven Studie haben wir versucht eine solche Klassifizierung, aber die Ergebnisse waren marginal (siehe Abb.. 3 in ref. 7). In dieser Studie wurden jedoch die akustische Assoziationen der Teilnehmer in keiner Weise kontrolliert, mit anderen Worten, wir wissen nicht, wie ähnlich die Hörbilder jedes Thema mit Videos verbunden, um die Audiospuren verwendet werden, um den Klassifikator trainiert wurde. Auch hier könnte es interessant sein, die gleiche Frage-Adresse nach bestimmten cross-modale Verbände in den Fächern wurden grundiert haben, wie oben für eine visuell-olfaktorischen Vereins beschrieben. Dies würde es ermöglichen, mehr zuverlässig kontrollieren die geistige Erfahrung der Probanden während der Video-Studien und damit vielleicht Vorhersage Performance des Klassifikators zu erhöhen. Zum Schluss haben wir eine Erweiterung der klassischen MVPA Paradigma eingeführt durch die zeigen, dass Reize nicht nur innerhalb vorhergesagt werden kann, sondern auch über sensorischen Modalitäten. So zeigen wir, dass die Verwendung von MVPA nicht auf die Untersuchung der Korrelate der anschaulichen Vorstellungen direkt von externen sensorische Stimulation induziert begrenzt. Vielmehr kann auch MVPABeurteilung der neuronalen Substrat von mental images, die intern ausgelöst: in Übereinstimmung mit Damasio den Konvergenz-Divergenz-Zonen Rahmen, deuten unsere Ergebnisse, dass die bewusste Erfahrung von mental images, die basierend auf Erinnerungen rekonstruiert werden mit content-spezifische neuronale Repräsentationen in der frühen sensorischen korreliert Rinden.

cross-modal multivariate pattern analysis

Cross-Modal Multivariate Pattern Analysis

Multivariate Analyse-Muster (MVPA) ist eine zunehmend beliebte Methode zur Analyse der funktionellen Magnetresonanztomographie (fMRI) Daten 1-4. Typischerweise wird die Methode verwendet, um ein Thema, das Wahrnehmungs-Erfahrungen aus neuronaler Aktivität in bestimmten Regionen des Gehirns zu identifizieren. Zum Beispiel wurde eingesetzt, um die Ausrichtung der optischen Gitter ein Thema nimmt aus der Tätigkeit in frühen visuellen Kortex 5 oder analog, der Inhalt der Rede von der Aktivität in frühen auditorischen Kortex 6 vorherzusagen. Hier präsentieren wir eine Erweiterung des klassischen MVPA Paradigma, wonach Wahrnehmungsreize nicht innerhalb, sondern über sensorische Systeme vorhergesagt. Insbesondere befasst sich mit der Methode beschreiben wir die Frage, ob Reize, die Erinnerung Verbände in Modalitäten andere als die, durch die sie präsentiert werden evozieren induzieren content-spezifische Aktivitätsmuster in den sensorischen Kortex jener anderen Modalitäten.So sehen einem gedämpften Videoclip von einer Glasvase erschütternd auf dem Boden löst automatisch in die meisten Beobachter eine auditive Bild der zugehörigen Sound; die Erfahrung dieses Bild in der &quot;geistigen Ohr&quot; ist korreliert mit einem bestimmten neuronalen Aktivitätsmuster in der frühen auditorischen Kortex? Darüber hinaus ist dieses Aktivitätsmuster unterscheidet sich von dem Muster, dass beobachtet werden konnte, wenn das Thema waren, sondern gerade ein Video-Clip von einem heulenden Hund? In zwei früheren Studien 7,8, konnten wir vorhersagen, Ton-und Touch-was bedeutet, Video-Clips auf neuronale Aktivität in frühen auditorischen und somatosensorischen Kortex auf, jeweils. Unsere Ergebnisse stehen im Einklang mit einer neuroarchitectural Rahmen von Damasio 9,10 vorgeschlagen, nach der die Erfahrung von mental images, die auf Erinnerungen beruhen - wie das Hören des Klirren einer Vase in der &quot;geistigen Ohr&quot; beim Anblick des entsprechenden Video clip - wird durch die Re-Konstruktion von Inhalten unterstützt-Spezifische neuronale Aktivitätsmuster in der frühen sensorischen Kortex.

Klassische multivariate Muster-Analyse prognostiziert Sinnesreize ein Thema nimmt von neuronaler Aktivität in den entsprechenden Kortex (zB visuelle Reize aus der Tätigkeit in visuellen Kortex). Hier wenden wir Musteranalyse cross-modal und zeigen, dass Sound-und Touch-was bedeutet, optische Reize aus der Tätigkeit in auditorischen und somatosensorischen Kortex vorhergesagt werden kann, bzw..

Die multivariate Musteranalyse (Multivariate Pattern Analysis, MVPA) ist eine zunehmend populäre Methode zur Analyse von Daten der funktionellen Magnetresonanztomographie (fMRT)1-4. Typischerweise ...

Das Ziel des folgenden Experiments besteht darin, mit Hilfe der multivariaten Musterauswertung funktioneller MRT-Daten multimodale Verarbeitungsvorgänge im menschlichen Gehirn zu untersuchen. Dies wird erreicht, indem zunächst eine bestimmte Art sensorischer Reize erzeugt wird, die den Probanden über eine einzelne Sinnesmodalität präsentiert werden. Beispielsweise visuelle Reize, die jedoch starke Assoziationen in einer anderen Modalität hervorrufen.Beispielsweise wird die auditorische neuronale Aktivität in den Bereichen des Gehirns, die der Modalität der Assoziation zugeordnet sind, erfasst, während die Probanden solche Reize wahrnehmen. Die auditorischen Kortices werden in diesem Beispiel mittels fMRT aufgezeichnet. Die aufgezeichnete Aktivität wird mithilfe der multivariaten Musterauswertung analysiert, um vorherzusagen, welchen der mehreren Reize der Proband in der ursprünglichen Modalität wahrgenommen hat.Die Ergebnisse zeigen, dass unimodale Reize, die Informationen enthalten, die für mehr als eine Modalität relevant sind, modalitätsspezifische neuronale Aktivität in den frühen sensorischen Kortizes von Modalitäten auslösen können, die nicht diejenige sind, über die sie präsentiert werden. Die heute vorgestellte Technik, die wir als „Crossmodale multivariate Musteranalyse“ bezeichnen, stellt eine natürliche Erweiterung der herkömmlichen multivariaten Musteranalyse dar, wobei der Unterschied darin besteht, dass sensorische STEMI über statt innerhalb sensorischer Modalitäten klassifiziert werden. Die Idee zu dieser Methode entstand ursprünglich, als wir versuchten, empirische Belege für einen neuroarchitektonischen Rahmen zu erbringen, den Demio vor mehr als zwei Jahrzehnten vorgestellt hatte.In diesem Video stellen wir Ihnen nicht nur die technischen Aspekte der multivariaten Musterauswertung – kurz MVPA – vor, sondern auch ihren theoretischen Rahmen. Zunächst werden wir einige zentrale Unterschiede zwischen der MVPA und der herkömmlichen univariaten fMRT-Analyse herausstellen. Berücksichtigen Sie Folgendes.Beispiel: Wenn ein Proband zwei verschiedenen visuellen Reizen wie einem Apfel und einer Orange ausgesetzt wird, dann führen beide Reize, gemittelt über eine Reihe von Durchläufen, zu einem spezifischen Muster neuronaler Aktivität. In der primären visuellen Rinde, hier dargestellt durch die Aktivierungslevel von sechs hypothetischen Voxel. Bei der konventionellen fMRT-Analyse gibt es im Wesentlichen zwei Methoden, um diese Muster zu analysieren.Die erste Methode besteht darin, das durchschnittliche Aktivitätsniveau zu vergleichen, das die Reize in der gesamten interessierenden Region hervorgerufen haben. Der Unterschied zwischen den Durchschnittswerten ist jedoch möglicherweise nicht signifikant. Die zweite Methode besteht darin, für jeden Voxel einen Subtraktionskontrast zu erstellen.Der Aktivierungsgrad während der Apfelbedingung wird vom Aktivierungsgrad während der Orangebedingung subtrahiert, und die sich ergebende Differenz für jeden Voxel kann auf einem Ganzhirn-Kontrastbild visualisiert werden. Diese Unterschiede können jedoch erneut gering sein und möglicherweise nur für wenige Voxel das erforderliche statistische Kriterium erreichen. Im Gegensatz zu univariaten Analysemethoden kann MVPA jedoch Muster innerhalb der Voxel erkennen, indem die Aktivierungsgrade aller Voxel gleichzeitig berücksichtigt werden.Während nur einige der Aktivierungsunterschiede einzeln möglicherweise signifikant sind, können sich die beiden Muster in ihrer Gesamtheit tatsächlich statistisch unterscheiden. Ein weiterer wesentlicher Unterschied zwischen der herkömmlichen fMRT-Analyse und der MVPA besteht darin, dass letztere Methode auf sogenannter inverser Inferenz basiert. Bei der herkömmlichen fMRT-Analyse stellt der Forscher typischerweise eine Frage der Art, ob zwei verschiedene visuelle Reize.Beispielsweise führen das Bild eines Gesichts und das Bild eines Hauses zu unterschiedlichen Aktivitätsniveaus in einer bestimmten interessierenden Region, wie dem fusiformen Gesichtsbereich. Im Gegensatz dazu wird MVPA typischerweise im Sinne einer inversen Schlussfolgerung oder Decodierung ausgedrückt und fragt, ausgehend vom Muster der neuronalen Aktivität in einer bestimmten Hirnregion, ob wir vorhersagen können, welches von zwei visuellen Reizen ein Proband wahrgenommen hat. Es ist jedoch wichtig anzumerken, dass es aus statistischer Sicht äquivalent ist zu sagen, dass zwei Reize zu unterschiedlichen Aktivitätsmustern in einer gegebenen Hirnregion führen, und zu sagen, dass das Aktivitätsmuster in dieser Hirnregion die Vorhersage des auslösenden Reizes ermöglicht.Anders ausgedrückt ist die Empfindlichkeit der MVPA derjenigen univariater Analysen überlegen, weil sie mehrere Voxel gleichzeitig berücksichtigt und nicht deshalb, weil sie in umgekehrter Richtung vorgeht. Zurück zu dem früheren Beispiel: Betrachten wir ein typisches MVPA-Paradigma, das untersucht, ob das Sehen eines Apfels ein anderes Muster neuronaler Aktivität im primären visuellen Kortex hervorruft als das Sehen einer Orange. Im ersten Schritt werden fMRT-Daten aufgezeichnet, während ein Proband eine große Anzahl der zu unterscheidenden Reize wahrnimmt.Die erfassten Daten werden anschließend in einen Trainingsdatensatz und einen Testdatensatz unterteilt. Die Daten aus dem Trainingssatz werden in einen Musterklassifikator eingegeben, der versucht, Merkmale in den neuronalen Mustern zu erkennen, die die beiden Versuchsarten voneinander unterscheiden. Anschließend erhält der Klassifikator unmarkierte Daten aus dem Testsatz und weist anhand der im Trainingsdatensatz erkannten Muster jeder einzelnen Testdurchführung für jeden Reiz die wahrscheinlichste Kennung zu.Die Klassifikator-Vorhersage wird anschließend mit der korrekten Stimulusbezeichnung verglichen, und die Leistung des Klassifikators wird als Prozentsatz der korrekten Vorhersagen berechnet. Wie wir gesehen haben, lag die Übereinstimmung des Klassifikators im Beispiel bei neun von zwölf Fällen, also 75 %, verglichen mit einer Zufallsleistung von 50 % bei einer solchen Zweier-Diskriminierung. Dies deutet darauf hin, dass tatsächlich konsistente Unterschiede zwischen den durch die Orangen- und Apfelreize in V1 hervorgerufenen neuronalen Mustern bestehen.Natürlich müsste die Bedeutung dieses Ergebnisses statistisch nachgewiesen werden. Ein wichtiges Anliegen, das bei einem solchen Klassifikationsexperiment zu beachten ist, besteht darin, dass die Trainings- und Testdatensätze vollständig voneinander unabhängig sein müssen, da nur in diesem Fall Rückschlüsse auf die Generalisierbarkeit der während der Trainingssitzung erlernten Muster gezogen werden können. Aus diesem Grund verwenden MVPA-Paradigmen häufig ein sogenanntes Kreuzvalidierungsparadigma.Während dieses Verfahren dazu dient, die Anzahl der Trainings- und Testdurchläufe, die aus einem gegebenen Datensatz gewonnen werden können, zu maximieren, stellt es gleichzeitig sicher, dass sich die Trainings- und Testdatensätze während der einzelnen Klassifizierungsschritte nicht überlappen. Betrachten Sie das folgende MVPA-Experiment mit acht funktionellen Durchläufen. In einem ersten Schritt der Kreuzvalidierung wird der Klassifikator anhand der Daten aus den Durchläufen eins bis sieben trainiert und an den Daten des achten Durchlaufs getestet.Im zweiten Schritt wird der Klassifikator anschließend an den Durchläufen eins bis sechs sowie an Durchlauf acht trainiert und danach an Durchlauf sieben getestet. Gemäß diesem Schema werden acht Kreuzvalidierungsschritte durchgeführt, wobei jeder Durchlauf genau einmal als Testdurchlauf dient. Sobald die Leistung des Klassifikators für jeden Kreuzvalidierungsschritt ermittelt ist, ergibt die Durchschnittsbildung dieser Ergebnisse die Gesamtleistung.Im Internet sind kostenlos verfügbare Softwarepakete zur Durchführung von MVPA erhältlich, wie beispielsweise pi MVPA und die Toolbox des Princeton Neuroscience Institute. Experimentelle Paradigmen wie das eben beschriebene wurden erfolgreich eingesetzt, um Wahrnehmungsreize anhand der neuronalen Aktivität in den entsprechenden Bereichen der Großhirnrinde vorherzusagen, zum Beispiel visuelle Reize anhand der Aktivität in den visuellen Kortexarealen oder auditive Reize. Basierend auf der Aktivität in den auditiven Kortexarealen möchten wir nun eine Erweiterung dieser grundlegenden Idee vorstellen, bei der Wahrnehmungsreize nicht nur innerhalb, sondern auch über Modalitäten hinweg vorhergesagt werden.Unsere Idee basiert auf der Tatsache, dass Wahrnehmung eng mit dem Abruf von Erinnerungen verknüpft ist. Ein Beispiel hierfür ist ein visueller Reiz mit starker auditiver Implikation, wie der Anblick eines Glasbodens, der auf dem Boden zerspringt. Dies löst automatisch in unserem inneren Ohr ein auditives Bild aus, das Ähnlichkeiten mit den auditiven Bildern aufweist, die wir bei früheren Begegnungen mit zerspringendem Glas erlebt haben.Nach einem Rahmenkonzept, das Theo in den späten 1980er Jahren eingeführt hat, wird die Gedächtnisverbindung zwischen dem Ort der zerbrechenden Basis und dem entsprechenden Klang in sogenannten Konvergenz-Divergenz-Zonen oder kurz CD-Zonen gespeichert. Divergenz-Zonen werden als Ensembles von Neuronen verstanden, die sich auf den verschiedenen hierarchischen Ebenen der Sinnessysteme befinden. Wie der Name andeutet.CDs auf jeder Ebene erhalten konvergente, aufsteigende Projektionen von tiefer gelegenen Cortexarealen und leiten ihrerseits divergente, absteigende Projektionen an dieselben tieferen Cortexareale zurück. Aufgrund der konvergenten aufsteigenden Projektionen können CDs durch wahrnehmungsbezogene Repräsentationen in mehreren Modalitäten aktiviert werden, beispielsweise sowohl durch das Sehen als auch durch das Hören eines zerspringenden Glases. Aufgrund der divergenten absteigenden Projektionen erfolgt die Rückkopplung an die untergeordneten Areale.Anschließend können sie die Rekonstruktion assoziierter Bilder fördern, indem sie Rücksignale an die frühen sensorischen Kortizes zusätzlicher Modalitäten senden. Betrachten Sie die Aktivierungsabfolge, die ein rein visueller, aber klangimplizierender Reiz gemäß diesem Modell hervorruft. Der Reiz induziert zunächst über konvergente bottom-up-Projektionen ein spezifisches Muster neuronaler Aktivität in den frühen visuellen Kortizes.Die frühen visuellen Kortizes aktivieren die erste Ebene der CDs, die CDZ-Einheiten. Abhängig vom genauen Aktivitätsmuster im entsprechenden frühen kortikalen Bereich kann eine CDZ aktiviert werden oder inaktiv bleiben. Die CDZ-Einheiten projizieren nach oben zu den CDZ-Zweien, so wie die CDZ-Einheiten erfasst haben.Aktivitätsmuster in den frühen visuellen Kortizes, die von CDZ-Zweien erfassen Muster der Aktivität unter den CDZ-Einsen, können mehrere CDZ-Zweien aktivieren, wobei der Einfachheit halber hier nur einer über top-down-Projektionen dargestellt ist. Gleichzeitig können die CDZ-Einsen das Aktivitätsmuster in den frühen visuellen Kortizes über mehrere zusätzliche Ebenen von CDZs (CDZ-Zweien) vervollständigen. Die Zweien projizieren vorwärts zu den CDZ-Enden in multimodalen Assoziationskortizes.Auch hier können mehrere CDZ-Enden aktiviert werden, aber der Einfachheit halber ist nur eines dargestellt. Auch CD Z zwei senden wiederum Signale rückwärts zu den CDZ eins, die daraufhin das ursprünglich in den frühen visuellen Kortizes induzierte Muster weiter modifizieren können. Die CDZ-Enden senden Signale zurück zu den CZ zwei aller Modalitäten.In den auditorischen Kortizes wird ein neuronales Muster aufgebaut, das es dem Probanden ermöglicht, in seinem geistigen Ohr ein auditives Bild wahrzunehmen, das mit dem visuell präsentierten Reiz assoziiert ist. Die dargestellte top-down-Signalübertragung an die somatosensorische Modalität spiegelt die Tatsache wider, dass nahezu jeder visuelle Reiz auch einige taktile Assoziationen beinhaltet. Daher sagt das Modell voraus, dass ein Klang, der einen visuellen Reiz impliziert, zu einem inhaltsbezogenen Muster neuronaler Aktivität führen würde.In den frühen auditorischen Kortizes. Durch die Analyse dieses neuronalen Musters mittels MVPA sollte es daher möglich sein vorherzusagen, welchen von mehreren Töne andeutenden visuellen Reizen ein Proband gesehen hat. Im ersten Experiment wurde die neuronale Aktivität aus den frühen auditorischen Kortizes aufgezeichnet, während die Probanden neun verschiedene Videoclips von Objekten und Ereignissen ansahen, die Töne implizierten.Die Region von Interesse in diesem Experiment war ein begrenzter Bereich in der Semal-Ebene, der den primären auditorischen Kortex und sehr frühe auditorische Assoziationskortizes umfasste. In einem zweiten Experiment wurde die neuronale Aktivität aus dem primären somatosensorischen Kortex aufgezeichnet, während die Probanden fünf verschiedene Videoclips betrachteten, die Berührung andeuteten. In diesem Experiment umfasste die Region von Interesse den primären somatosensorischen Kortex, der im postzentralen Gyrus lokalisiert ist.Beide Studien umfassten acht Probanden in der auditorischen Studie. Ein MVPA-Klassifikator erreichte bei allen möglichen zweifachen Unterscheidungen zwischen Stimuluspaaren eine Leistung über dem Zufallsniveau von 50 %. Bei 26 von 36 Unterscheidungen unterschied sich die Leistung des Klassifikators signifikant vom Zufallsniveau von 0,5.Ebenso lag die Leistung des Klassifikators in der somatosensorischen Studie bei allen paarweisen Diskriminierungen über Zufall, und acht von zehn Diskriminierungen erreichten statistische Signifikanz. Wie Sie sehen, konnten wir mithilfe der multimodalen multivariaten Musterauswertung nachweisen, dass die Wahrnehmung visueller Reize, die Klang oder Berührung implizieren, zu inhaltsbezogenen neuronalen Repräsentationen in den frühen auditorischen und somatosensorischen Kortizes führt, was mit dem zuvor eingeführten theoretischen Rahmen übereinstimmt. Offensichtlich muss das hier vorgestellte experimentelle Paradigma nicht auf die Modalitäten unserer eigenen Experimente beschränkt bleiben, sondern kann auch auf andere Sinnesmodalitäten ausgedehnt werden.Daher hoffen wir, dass andere Gruppen sich uns anschließen werden, um diese Art der Forschung auszuweiten und unser Wissen darüber zu erweitern, wie multimodale Reize aus der Umwelt verarbeitet werden können.

cross-modal-multivariate-pattern-analysis

Research

Forschung

JoVE Journal

Neuroscience

Neurowissenschaften

Der aktuelle Artikel beschreibt die Grundlagen der multivariaten Analyse und Kontraste es am häufigsten verwendeten Voxel-weise univariaten Analyse. Beide Arten der Analyse sind zu einem klinisch-neurowissenschaftliche Datensatz angelegt. Ergänzende Split-half-Simulationen zeigen, besser Replikation der multivariaten Ergebnisse in unabhängigen Datensätzen.

Grundlagen der multivariaten Analyse in Neuroimaging-Daten

Multivariate Techniken einschließlich Hauptkomponentenanalyse (PCA) verwendet worden, um Signatur-Muster der regionalen Umstellung der funktionalen Gehirn Bilder zu identifizieren. Wir haben einen Algorithmus, um reproduzierbare Netzwerk Biomarker für die Diagnose von neurodegenerativen Erkrankungen, Beurteilung des Fortschreitens der Krankheit, und objektive Bewertung der Auswirkungen der Behandlung in Patientengruppen identifizieren entwickelt.

Identification of Disease-bezogene räumliche Kovarianz Patterns mit Neuroimaging Daten

Wir zeigen, Verfahren zum Nachweis von architektonischen Verzerrung vor Mammogramme. Orientierten Strukturen werden mit Gabor-Filter und Phasenportraits zu Websites von strahlenden Gewebe Muster zu erkennen analysiert. Jeder Standort charakterisiert und klassifiziert mit Maßnahmen zur spiculating Muster stellen. Die Verfahren sollten in der Erkennung von Brustkrebs unterstützen.

Erkennung von Architektur Distortion in Vor Mammographie Über Analyse der Oriented Patterns

Informationelle Konnektivität misst die Entsprechung zwischen Zeitverläufen von Multi-Voxel-Informationen über verschiedene Gehirnregionen hinweg. Zeitreihen zur Unterscheidbarkeit von Multi-Voxel-Mustern werden aus Regionen extrahiert und verglichen, wodurch Netzwerke sichtbar werden, die in einem typischen funktionalen Konnektivitätsansatz nicht identifiziert werden.

Mit Informations Konnektivität, um das synchrone Entstehung von fMRI Multi-Voxel-Informationen Auf Zeit messen

Dieser Artikel beschreibt die Anwendung von ungezielte Metabolomik, Transcriptomics und multivariate statistische Analysen Traubenbeere Transkripte und Metaboliten , um einen Einblick in das Terroir - Konzept zu gewinnen, das heißt, die Auswirkungen der Umwelt auf die Beere Qualitätsmerkmale.

Das Terroir-Konzept Interpretiert durch Grape Berry Metabolomics und Transcriptomics

Das Protokoll stellt ein experimentelles psychophysikalisches Paradigma vor, um große Mengen an Ähnlichkeitsurteilen zu erhalten, und einen begleitenden Analyse-Workflow. Das Paradigma untersucht Kontexteffekte und ermöglicht die Modellierung von Ähnlichkeitsdaten in Bezug auf euklidische Räume von mindestens fünf Dimensionen.

Ein psychophysikalisches Paradigma zur Sammlung und Analyse von Ähnlichkeitsurteilen

Hier verwenden wir HD-MEA, um in die Computerdynamik großer neuronaler Ensembles einzutauchen, insbesondere in Hippocampus-, Riechkolbenschaltkreisen und menschlichen neuronalen Netzwerken. Die Erfassung der raumzeitlichen Aktivität in Kombination mit Computerwerkzeugen bietet Einblicke in die Komplexität neuronaler Ensembles. Die Methode verbessert das Verständnis der Gehirnfunktionen und identifiziert möglicherweise Biomarker und Behandlungen für neurologische Störungen.

Aufzeichnung und Analyse der multimodalen Dynamik großskaliger neuronaler Ensembles auf einem CMOS-integrierten Mikroelektrodenarray mit hoher Dichte

Wir präsentieren einen flexiblen, erweiterbaren Jupyter-Lab-basierten Workflow für die unüberwachte Analyse komplexer Multi-Omics-Datensätze, der verschiedene Vorverarbeitungsschritte, die Schätzung des Multi-Omics-Faktorenanalysemodells und mehrere nachgelagerte Analysen kombiniert.

Anwendung der unüberwachten Multi-Omik-Faktorenanalyse zur Aufdeckung von Variationsmustern und molekularen Prozessen im Zusammenhang mit Herz-Kreislauf-Erkrankungen

In diesem Artikel beschreiben wir eine einfache Methode für die Gewinnung von Einzelzellen aus der Ratte primären neuronalen Kulturen und anschließende Transkriptom-Analyse mit aRNA Verstärkung. Dieser Ansatz ist verallgemeinerbar zu jedem Zelltyp.

Transkriptom-Analyse von Einzelzellen

Dieser Artikel stellt das Protokoll von T-Labyrinth-Tests unter Verwendung eines modifizierten automatisierte Vorrichtung zur Beurteilung der Lern-und Gedächtnis-Funktionen bei Mäusen.

T-Labyrinth Erzwungener Wechsel und die Links-Rechts-Discrimination Aufgaben für die Beurteilung der Arbeitsbedingungen und Referenz-Gedächtnis bei Mäusen

Erfahren Sie, wie Crossmodal MVPA neuronale Aktivitätsmuster in fMRT-Daten analysiert, um multimodale Verarbeitung im menschlichen Gehirn zu untersuchen. Diese Methode deckt intermodale Wechselwirkungen auf.

Cross-Modal Multivariate Pattern Analysis

Weitere Videos entdecken