What is auditory imagery and how does it activate the brain?

Auditory imagery is the experience of hearing sounds without external auditory stimuli present. When you imagine a sound like a ringing phone, your brain activates the same regions involved in actual sound perception. Specifically, the auditory cortex becomes engaged during auditory imagery, demonstrating that imagination and perception share similar neural mechanisms.

Why is multivoxel pattern analysis better than traditional univariate fMRI analysis?

Univariate analysis collapses individual voxels into a single average, often failing to detect significant differences across sounds. Multivoxel pattern analysis examines activation patterns across multiple voxels collectively, revealing unique overall patterns for each imagined sound. This multivariate approach is sensitive to content-specific activity that univariate methods miss, enabling studying brain activation and motor maps using fMRI principles across sensory domains.

How does sparse temporal sampling improve fMRI data collection during auditory imagery tasks?

Sparse temporal sampling acquires a single fMRI volume 4-5 seconds after each stimulus, capturing the peak of the hemodynamic response. This timing reduces signal masking by scanner noise, which is critical for auditory imagery studies where external sounds must not interfere with imagined auditory content. The approach allows cleaner detection of neural activity patterns.

What role does the Support Vector Machine algorithm play in predicting imagined sounds?

The Support Vector Machine is a machine-learning classifier trained on labeled fMRI data to recognize neural features distinguishing different sounds. After learning these features from training data, it predicts unlabeled test data by identifying which sound pattern matches the neural activity. Classification accuracy reveals whether the auditory cortex encodes sound-specific information.

Why is the planum temporale used as the region of interest in auditory imagery studies?

The planum temporale, located on the temporal lobe surface, is the early auditory cortex where sound processing occurs. Researchers trace voxels in this region to measure neural patterns during auditory imagery. The frontal pole serves as a control region to demonstrate that classifier accuracy is specific to auditory cortex rather than global brain activity.

What does cross-validation accomplish in MVPA analysis of auditory imagery data?

Cross-validation tests classifier performance by leaving out one functional scan as testing data while training on the remaining scans, repeated four times. This procedure prevents overfitting and provides robust accuracy estimates across different data subsets. The averaged accuracies across folds reveal whether the classifier reliably predicts imagined sounds based on auditory cortex patterns.

How can MVPA techniques extend beyond auditory imagery to other neuroscience applications?

MVPA classifiers have decoded visual objects from ventral temporal cortex, predicted consumer preferences, and identified emotional states from brain activity patterns. Brain-computer interfaces could convert mental states into signals for speech therapy or prosthetic control. These applications demonstrate that multivariate pattern analysis reveals information content across sensory and cognitive domains.

Decodificação de imagens auditivas com análise de padrão multivoxel

0 views11:46 min

1. Recrutamento de participantes

Recrute 20 participantes.
1. Os participantes devem ser destros e não ter histórico de distúrbios neurológicos ou psicológicos.
2. Os participantes devem ter uma visão normal ou corrigida para o normal para garantir que eles possam ver as pistas visuais corretamente.
3. Os participantes não devem ter metal em seu corpo. Este é um importante requisito de segurança devido ao alto campo magnético envolvido na ressonância magnética.
4. Os participantes não devem sofrer de claustrofobia, uma vez que o fMRI requer estar no pequeno espaço do furo do scanner.

2. Procedimentos de pré-digitalização

Preencha a papelada pré-digitalizada.
Quando os participantes entrarem para a varredura de ressonância magnética, instrua-os a primeiro preencher um formulário de tela metálica para garantir que não tenham contraindicações para ressonância magnética, um formulário de achados incidentais que dá consentimento para que seu exame seja examinado por um radiologista e um formulário de consentimento detalhando os riscos e benefícios do estudo.
Prepare os participantes para ir ao scanner removendo todo o metal de seu corpo, incluindo cintos, carteiras, telefones, grampos de cabelo, moedas e todas as joias.

3. Forneça instruções para o participante.

Diga aos participantes que eles verão uma série de vários vídeos curtos dentro do scanner. Esses vídeos ficarão em silêncio, mas podem evocar um som no "ouvido da mente". Peça ao participante para se concentrar e incentivar essas imagens auditivas, para tentar "ouvir" o som da melhor maneira possível.
Estresse para o participante a importância de manter a cabeça parada durante todo o exame.

4. Coloque o participante no scanner.

Dê aos participantes protetores de ouvido para proteger seus ouvidos do ruído do scanner e dos fones de ouvido para que eles possam ouvir o experimentador durante a varredura, e tê-los deitados na cama com a cabeça na bobina.
Dê ao participante a bola de aperto de emergência e instrua-os a espremê-la em caso de emergência durante a varredura.
Use almofadas de espuma para fixar a cabeça dos participantes na bobina para evitar o excesso de movimento durante a varredura, e lembre ao participante que é muito importante ficar o mais quieto possível durante a varredura, pois até mesmo os menores movimentos desfocam as imagens.

5. Coleta de dados

Colete varredura anatômica de alta resolução.
Comece a digitalização funcional.
1. Sincronize o início da apresentação de estímulos com o início do scanner.
2. Para alcançar a amostragem temporal esparsa, defina o tempo de aquisição de um volume de ressonância magnética para 2 s, com um atraso de 9 s entre as aquisições de volume.
3. Apresente os vídeos silenciosos através de um laptop conectado a um projetor. O participante tem um espelho acima dos olhos, refletindo uma tela na parte de trás do furo do scanner.
4. Sincronize o início de cada clipe de vídeo de 5 s para começar 4 s após o início da aquisição anterior da Ressonância Magnética. Isso garantirá que o próximo volume de ressonância magnética seja adquirido 7 s após o início do videoclipe, para capturar a atividade hemodinâmica que corresponde ao meio do filme.
5. Apresentar três vídeos silenciosos diferentes que evocam imagens auditivas vívidas: um sino balançando para frente e para trás, uma motosserra cortando uma árvore, e uma pessoa tocando violino.
6. Em cada varredura funcional, apresente cada vídeo 10 vezes, em ordem aleatória. A cada ensaio com duração de 11 s, isso resultará em uma varredura de 5,5 min de comprimento.
7. Realize 4 exames funcionais.

6. Análise de dados

Definir uma Região de Interesse (ROI).
1. Utilize a varredura anatômica de alta resolução de cada participante para traçar os voxels que correspondem ao córtex auditivo inicial(Figura 1). Isso corresponde à superfície do lobo temporal, chamado planum temporale. Use as características anatômicas do cérebro de cada pessoa para criar uma máscara específica ao seu córtex auditivo.

Figura 1: Região de rastreamento de interesse. A superfície do planum temporale foi traçada na imagem anatômica de alta resolução deste participante, e é mostrada aqui em azul. Em verde está a máscara de controle do polo frontal. Estes voxels serão usados para análise de MVPA.

Pré-processe os dados.
1. Execute a correção de movimento para reduzir os artefatos de movimento.
2. Realize a filtragem temporal para remover derivas de sinal.
Treine e teste o algoritmo de classificação.
1. Divida os dados em conjuntos de treinamento e testes. Os dados de treinamento serão usados para treinar o classificador, e os dados de teste de esquerda serão usados para avaliar o que aprendeu. Para maximizar a independência dos dados de treinamento e teste, deixe de fora os dados de uma varredura funcional como o conjunto de testes.
2. Treine um algoritmo de Máquina vetorial de suporte nos dados de treinamento rotulados do córtex auditivo em cada assunto. Teste a capacidade do classificador de adivinhar corretamente a identidade do conjunto de testes não rotulados e regise a precisão do classificador.
3. Repita este procedimento 4 vezes, deixando de fora cada varredura como dados de teste cada vez. Esse tipo de procedimento, no qual cada seção dos dados é deixada de fora uma vez, é chamada de validação cruzada.
4. Combine as precisão do classificador nas 4 dobras de validação cruzada, em média.
Testes estatísticos
1. Para determinar se o classificador está tendo um desempenho melhor do que o acaso (33%), podemos comparar resultados no nível do grupo com o acaso. Para isso, reúna as precisão de cada assunto e teste que a distribuição é diferente do acaso usando um teste de Classificação Assinada Wilcoxon não paramétrico.
2. Também podemos perguntar se o classificador está tendo um desempenho melhor do que o acaso para cada indivíduo. Para determinar a probabilidade de um determinado nível de precisão nos dados de chance, crie uma distribuição nula treinando e testando o algoritmo MVPA em dados cujos rótulos foram embaralhados aleatoriamente. Permute os rótulos 10.000 vezes para criar uma distribuição nula dos valores de precisão e, em seguida, compare o valor real de precisão com esta distribuição.
3. Para demonstrar a especificidade das informações dentro do córtex auditivo, podemos treinar e testar o classificador em voxels de um local diferente no cérebro. Aqui, usaremos uma máscara do polo frontal, tirada de um atlas probabilístico e deformada para caber no cérebro individual de cada indivíduo.