Multivoxel パターン分析で聴覚イメージをデコード

1. 参加者募集

1. 20 人の参加者を募集します。
   1. 参加者は右利きで、神経学的または精神的な障害の歴史があります。
   2. 参加者に視覚的な合図を正しく表示できるように正常または正常に修正のビジョンが必要です。
   3. 参加者は、自分の体で金属をなりません。これ高磁場 fMRI の関与のための重要な安全要件です。
   4. 参加者する必要があります閉所恐怖症に苦しむ、fMRI スキャナーの小さなスペースで横になっている必要があるためにの穴はありません。

2. 事前スキャン手順

1. スキャン前書類を記入します。
2. 参加者は、fMRI スキャンのために来る、彼らは MRI、カウンター表示がない確認する金属スクリーン フォーム、放射線科、見てする彼らのスキャンのために同意を与える偶発的所見フォームおよびリスクと研究の利点について詳述した同意書の記入を最初に教えます。
3. ベルト、財布、携帯電話、ヘアー クリップ、コイン、アクセサリー類をすべてを含む、自分の体からすべての金属を取り除くことでスキャナーに行く参加者を準備します。

3 参加者の指示を提供します。

1. スキャナー内部のいくつかの短編ビデオのシリーズが表示されることを参加者に伝えます。これらのビデオは、無音になりますが、その「心の耳」で音を呼び起こす可能性があります。集中する参加者を尋ねるし、彼らができる限りの音を"聞く"ことを試してこの聴覚イメージを奨励します。
2. 参加者をスキャン中まだ頭の維持の重要性を強調します。

4. スキャナーの参加者を置きます。

1. スキャンの際、実験者を聞いていてコイルに頭をベッドに横になることがあるので、着用するスキャナーと耳の携帯電話の騒音から耳を守る参加者耳栓を与えます。
2. 参加者緊急スクイズ ボールを与えるし、スキャン中に緊急の場合それを圧迫するように指示します。
3. 参加者を保護するパッドを使用の画像、スキャン中に過剰な運動を避けるために、参加者を思い出させる、スキャン中にまだ可能な限り最小の動きブラーもご滞在に非常に重要であるコイルの頭します。

5. データの収集

1. 解剖学的な高解像度のスキャンを収集します。
2. 機能をスキャンを開始します。
   1. スキャナーの開始と刺激提示の開始を同期します。
   2. スパース時間サンプリングを達成するために 2 に MRI ボリュームの同期捕捉時間を設定ボリューム買収間 9 s の遅延で s。
   3. プロジェクターに接続されているラップトップを介してサイレント動画を紹介します。参加者は、スキャナーの後ろにある画面の穴を反映して彼らの目の上にミラーをが。
   4. 4 を開始にある 5 s の各ビデオ クリップの開始を同期 s 以前の MRI 集録の開始後。これは、操作により、次回は MRI が取得した 7 s 映画の中間に対応する血行動態のアクティビティをキャプチャするビデオ クリップの開始後。
   5. 鮮やかな聴覚イメージを呼び起こす 3 つの異なるサイレント ビデオ: 前後、木とバイオリンを弾く人を貫くチェーンソーをスイング ベル。
   6. 各機能のスキャンでランダムな順序で 10 回各ビデオが存在します。各試行で持続 11 s、これは長いスキャン 330 秒 (5.5 分) になります。
   7. 4 機能的なスキャンを実行します。

6. データの分析

1. 利益 (率 ROI) の領域を定義します。
   1. 各参加者の解剖学的な高解像度のスキャンを使用して、初期聴覚野 (図 1) に対応するボクセルをトレースします。これは平 temporale と呼ばれる側頭葉の表面に対応します。それぞれの人の脳の解剖学的特徴を使って、大脳皮質の聴覚野に固有マスクを作成します。

図 1: 関心トレースの領域。平 temporale の表面は、この参加者の高解像度の解剖学的画像にトレースされているし、青色で示します。緑色で、前頭極のコントロール マスクです。これらの画素は、MVPA 分析のため使用されます。

2. データの事前処理します。
   1. 動きの人工物を減らすために動き補正を実行します。
   2. 信号ドリフトを削除する時間フィルタ リングを実行します。
3. トレーニングおよび分類アルゴリズムをテストします。
   1. トレーニング セットとテスト セットにデータを分割します。分類子を訓練に使用するトレーニング データと左アウト テスト データは学んだそれを評価するために使用されます。トレーニング データとテスト データの独立性を最大にするには、テスト セットとして 1 つの機能スキャンからデータを残します。
   2. 列車各教科において大脳皮質聴覚野からラベル付きの訓練データのサポート ベクトル マシンのアルゴリズム。ラベルのないテスト セットの id を正しく推測する分類子の機能をテストし、分類の精度を記録します。
   3. 4 回、この手順を繰り返しますたびにテストデータとして各スキャンを残してします。一度をデータの各セクションが残っている、プロシージャのこのタイプは、クロス検証を呼び出されます。
   4. 4 クロス検証ひだの間で平均することで分類精度を組み合わせます。
4. 統計的検定
   1. 分類子がチャンス (33%) より実行するを判断するには、機会をグループ レベルでの結果を比較できます。これを行うには、各科目における精度を収集し、分布が非パラメトリック ウィルコクソン符号付き順位検定を使用したきっかけから異なることをテストします。
   2. 我々 はまた個々 の分類子はチャンスより実行するかどうかを求めることができます。チャンスのデータで指定された精度レベルの確率の決定、トレーニングとテストのデータ ラベルを持つがランダムにシャッフルされています MVPA アルゴリズムによる null 分布を作成します。10,000 倍精度値の null 分布を作成するラベルを permute、このディストリビューションに対して実際の精度の値を比較します。
   3. 聴覚皮質内の情報の特異性を示すためには、我々 は、列車し、脳の別の場所からボクセルに分類をテストできます。ここでは、前頭極、確率的アトラスから取られ、各被験者の個々 の脳に合わせてゆがんだのマスクを使用します。