Name: Cross-modal de Análise de Padrões multivariada (Vídeo) | JoVE Journal
Uploaded: 2011-11-09T13:00:00.000+00:00
Duration: 13 min 51 s
Description: Aprenda análise multivariada de padrões em neurociência para investigar processamento sensorial cross-modal usando dados de fMRI. Este método permite prever estímulos percebidos a partir de padrões de atividade neural em cortices sensoriais.

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

Este trabalho foi financiado por doações pela Fundação Mathers e os Institutos Nacionais de Saúde (conceder número 5P50NS019632-27) a Antonio Damasio e Hanna.

<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>

Não há conflitos de interesse declarados.

Os resultados de nossos estudos anteriores demonstram que cross-modal AFMV é uma ferramenta útil para estudar os correlatos neurais de imagens mentais com experiência na &quot;orelha da mente&quot; eo &quot;toque da mente&quot;. Especificamente, os resultados mostram que o conteúdo de tais imagens é correlacionada com a atividade neural no córtex auditiva precoce e somatossensorial, respectivamente, fornecendo suporte empírico direto para o quadro Damasio de convergência divergência-zonas. O paradigma básico que descrevemos pode ser estendido em uma série de maneiras. Mais obviamente, estudos semelhantes podem ser realizadas usando diferentes combinações de modalidades sensoriais. A este respeito, é possível que a criação de certos cross-modal associações antes do experimento pode aumentar as chances de sucesso. Por exemplo, para estudo cross-modal representações no córtex olfativo, pode-se objeto principal, expondo-os simultaneamente para a visão eo cheiro de um número de itens alimentares. Shortly depois, dentro do scanner fMRI, as memórias olfativas dos cheiros seria desencadeada por estímulos visuais e AFMV poderia ser usado em uma tentativa de atribuir os ensaios para os itens alimentares corretos baseada unicamente em atividade no córtex olfativo. Outra questão de interesse é saber se os padrões de cross-modal induzida de atividade nos córtices sensoriais iniciais têm semelhanças com os padrões que são induzidos quando o som ou toque é realmente experientes, em outras palavras, faz ver o vaso de vidro estilhaçar invocar um padrão similar de atividade neural no córtex auditiva precoce como realmente ouvir o mesmo evento? Esta questão, mais uma vez, podem ser abordadas através AFMV: é um classificador que foi treinado nos dados registados, enquanto indivíduos ouvi certos sons capaz de discriminar corretamente os dados gravados enquanto os sujeitos observavam vídeos correspondente? Em nosso estudo auditivo, que tentou tal classificação, mas os resultados foram marginal (ver fig. 3 em ref. 7). Nesse estudo, no entanto, as associações auditivas dos participantes não eram controladas de forma alguma, em outras palavras, não sabemos como similar a imagens auditivas cada tema associado a vídeos foram para as faixas de áudio utilizados para treinar o classificador. Mais uma vez, pode ser interessante para abordar a mesma questão após específicos cross-modal associações têm sido preparado nos temas, como descrito acima para uma associação visuo-olfativo. Isso permitiria a controlar de forma mais confiável a experiência mental dos sujeitos durante os ensaios de vídeo e, portanto, pode aumentar o desempenho de previsão do classificador. Para concluir, nós introduzimos uma extensão do paradigma AFMV clássica, mostrando que os estímulos podem ser previstos, não só dentro, mas também entre modalidades sensoriais. Assim, mostramos que o uso de AFMV não se limita a investigar os correlatos das representações perceptuais induzidas diretamente pela estimulação sensorial externa. Em vez disso, AFMV também podeavaliar o substrato neural de imagens mentais que são acionados internamente: de acordo com o quadro Damasio zona de convergência divergência, nossas descobertas sugerem que a experiência consciente de imagens mentais que são reconstruídos com base em memórias está correlacionada com conteúdo específico representações neurais no sensoriais início córtices.

cross-modal de análise de padrões multivariada

Cross-Modal Multivariate Pattern Analysis

Análise de padrões multivariada (AFMV) é um método cada vez mais popular de analisar a ressonância magnética funcional (fMRI) dados 1-4. Normalmente, o método é usado para identificar a experiência perceptiva de um sujeito da atividade neural em certas regiões do cérebro. Por exemplo, tem sido empregado para predizer a orientação de grelhas visual de um sujeito percebe da atividade nos córtices visuais iniciais 5 ou, analogamente, o conteúdo do discurso da atividade no córtex auditiva precoce 6. Aqui, apresentamos uma extensão do paradigma AFMV clássica, segundo a qual estímulos perceptivos não são previstos dentro, mas em todos os sistemas sensoriais. Especificamente, o método que descrevemos aborda a questão de saber se os estímulos que evocam associações de memória em outras modalidades que aquela pela qual eles são apresentados induzem padrões de conteúdo específico de atividade no córtex sensorial das outras modalidades.Por exemplo, vendo um vídeo sem som de um vaso de vidro estilhaçando no chão aciona automaticamente na maioria dos observadores uma imagem auditiva do som associado; é a experiência de esta imagem em &quot;ear mente&quot; correlacionada com um padrão de atividade neural específica no início de córtex auditivo? Além disso, é este padrão de atividade distinta do padrão que pôde ser observado se o assunto fosse, em vez, assistir a um clipe de vídeo de um cão uivando? Em dois estudos anteriores 7,8, fomos capazes de prever som e toque implicando clipes de vídeo com base na atividade neural no córtex auditiva precoce e somatossensorial, respectivamente. Nossos resultados estão em linha com um quadro neuroarchitectural proposto por Damasio 9,10, segundo a qual a experiência de imagens mentais que são baseados em memórias - como ouvir o som quebra de um vaso na &quot;orelha mente&quot; ao ver o vídeo correspondente clip - é apoiado pela re-construção do conteúdoPadrões específicos da atividade neural em córtices sensoriais.

Análise de padrão clássico multivariada prevê estímulos sensoriais um sujeito percebe da atividade neural no córtex correspondente (por exemplo, estímulos visuais da atividade no córtex visual). Aqui, nós aplicamos análise de padrões de cross-modal e mostrar que o som e toque implicando estímulos visuais pode ser previsto a partir de atividade no córtex auditivo e somatossensorial, respectivamente.

Cross-modal de Análise de Padrões multivariada

A análise de padrões multivariados (MVPA) é um método cada vez mais popular de análise de dados de ressonância magnética funcional (fMRI)1-4. Tipicamente, o...

O objetivo do experimento a seguir é utilizar a análise multivariada de padrões de dados de ressonância magnética funcional para investigar o processamento multimodal no cérebro humano. Isso é alcançado primeiramente criando um tipo específico de estímulo sensorial, que é apresentado aos sujeitos por meio de uma única modalidade sensorial. Por exemplo, o estímulo visual, mas que implica fortes associações em uma modalidade diferente.Por exemplo, a atividade neural auditiva é registrada enquanto os sujeitos percebem tais estímulos nas partes do cérebro relacionadas à modalidade da associação. Neste exemplo, as cortesias auditivas são registradas usando fRMI. A atividade registrada é analisada por meio de análise multivariada de padrões com o objetivo de prever qual dos vários estímulos o sujeito percebeu na modalidade original.Os resultados mostram que estímulos unimodais contendo informações pertinentes a mais de uma modalidade podem induzir atividade neural específica ao conteúdo nas cortesias sensoriais iniciais de modalidades diferentes daquela pela qual são apresentados. A técnica que apresentamos hoje, à qual nos referimos como análise multivariada de padrões cruzados, representa uma extensão natural da análise multivariada de padrões convencional, com a diferença de que os STEMI sensoriais são classificados entre, e não dentro, modalidades sensoriais. Tivemos pela primeira vez a ideia deste método ao tentar produzir evidências empíricas para uma estrutura neuroarquitetônica introduzida por Demio há mais de duas décadas.Neste vídeo, vamos apresentar a você não apenas os aspectos técnicos da análise de padrões multivariados, ou MVPA, abreviação de multivariate pattern analysis, mas também a esta estrutura teórica. Primeiramente, destacaremos algumas diferenças fundamentais entre a MVPA e a análise convencional de fMRI univariada. Considere o seguinte.Por exemplo, se um sujeito for apresentado a dois estímulos visuais diferentes, como uma maçã e uma laranja, então ambos os estímulos, médias de um número de ensaios, induzem um padrão específico de atividade neural. Na córtex visual primário simbolizado aqui pelos níveis de ativação de seis voxels hipotéticos. Em análises convencionais de FMRI, existem basicamente dois métodos para analisar esses padrões.O primeiro é comparar o nível médio de atividade que os estímulos induziram em toda a região de interesse. A diferença entre as médias, no entanto, pode não ser significativa. O segundo método é estabelecer um contraste de subtração para cada voxel.O nível de ativação durante a condição com maçã é subtraído do nível de ativação durante a condição com laranja, e a diferença resultante para cada voxel pode ser visualizada em uma imagem de contraste cerebral completo. No entanto, mais uma vez, essas diferenças podem ser pequenas e atingir o critério estatístico exigido apenas para alguns poucos voxels. Contudo, diferentemente dos métodos de análise univariada, a MVPA é capaz de detectar padrões dentro dos voxels ao considerar simultaneamente os níveis de ativação de todos os voxels.Embora apenas algumas das diferenças de ativação possam ser significativas isoladamente, os dois padrões, quando considerados em sua totalidade, podem de fato ser estatisticamente diferentes. Outra grande diferença entre a análise convencional de FMRI e a MVPA é que este último método utiliza o que se chama inferência reversa. Na análise convencional de FMRI, o pesquisador geralmente formula uma pergunta do tipo: quais serão os efeitos de dois estímulos visuais diferentes.Por exemplo, a imagem de um rosto e a imagem de uma casa levam a níveis diferentes de atividade em uma região específica de interesse, como a área do giro fusiforme especializada em rostos. Por outro lado, a AMPT (Análise Multivariada de Padrões de Atividade) é geralmente expressa em termos de inferência reversa ou decodificação, e pergunta, com base no padrão de atividade neural em uma região cerebral específica, se seremos capazes de prever qual entre dois estímulos visuais foi percebido pelo sujeito. É importante observar, no entanto, que do ponto de vista estatístico, é equivalente afirmar que dois estímulos levam a padrões distintos de atividade em uma determinada região cerebral e afirmar que o padrão de atividade nessa região cerebral permite a predição do estímulo indutor.Em outras palavras, a sensibilidade da análise multivariada de padrões (MVPA) é superior àquela das análises univariadas porque considera vários vóxeis simultaneamente, e não porque procede em sentido inverso. Retornando ao exemplo anterior, considere um paradigma típico de MVPA que avalia se ver uma maçã induz um padrão diferente de atividade neural no córtex visual primário em comparação com ver uma laranja. Em um primeiro passo, dados de fMRI são registrados enquanto um sujeito observa um grande número dos estímulos a serem discriminados.Os dados adquiridos são então divididos em um conjunto de dados de treinamento e um conjunto de dados de teste. Os dados do conjunto de treinamento são inseridos em um classificador de padrões, que tenta detectar características nos padrões neurais que distinguem os dois tipos de ensaios um do outro. Em seguida, o classificador recebe dados não rotulados do conjunto de teste e, com base nos padrões detectados no conjunto de dados de treinamento, atribui o rótulo mais provável a cada um dos ensaios de teste para cada estímulo.A previsão do classificador é então comparada ao rótulo correto do estímulo e o desempenho do classificador é calculado como a porcentagem de previsões corretas. Como observamos, o classificador no exemplo reduziu os rótulos corretos do estímulo em nove dos 12 casos, ou seja, 75%, como desempenho ao acaso. Em uma discriminação binária como essa, o desempenho esperado ao acaso seria de 50%. Isso sugere que existem, de fato, diferenças consistentes entre os padrões neurais induzidos na área V1 pelos estímulos de laranja e de maçã.É claro que a significância desse resultado precisaria ser comprovada estatisticamente. Uma questão importante a ser considerada em um experimento de classificação como esse é que os conjuntos de dados de treinamento e de teste sejam completamente independentes um do outro, pois somente nesse caso é possível tirar conclusões sobre a generalização dos padrões aprendidos durante a sessão de treinamento. Por esse motivo, os paradigmas de AMPT frequentemente utilizam um chamado paradigma de validação cruzada.Embora este procedimento tenha como objetivo maximizar o número de ensaios de treinamento e de teste que podem ser obtidos a partir de um determinado conjunto de dados, ele também garante, ao mesmo tempo, que os conjuntos de treinamento e de teste não se sobreponham durante os passos individuais de classificação. Considere o seguinte experimento de MVPA com oito séries funcionais. Em um primeiro passo de validação cruzada, o classificador é treinado com os dados das séries de um a sete e testado com os dados da oitava série.No segundo passo, o classificador é então treinado com as execuções de um a seis, bem como com a execução oito, e posteriormente testado na execução sete. Seguindo esse esquema, são realizadas oito etapas de validação cruzada, nas quais cada execução serve exatamente como execução de teste. Uma vez obtido o desempenho do classificador para cada etapa de validação cruzada, a média desses resultados fornece o desempenho geral.Existem pacotes de software gratuitos disponíveis na internet para realizar MVPAs, como o pi MVPA e a caixa de ferramentas oferecida pelo Instituto de Neurociência de Princeton. Paradigmas experimentais como o aqui descrito têm sido usados com sucesso para prever estímulos perceptuais a partir da atividade neural nas regiões correspondentes do córtex cerebral; por exemplo, para prever estímulos visuais com base na atividade nos córtices visuais ou estímulos auditivos. Com base na atividade nos córtices auditivos, gostaríamos agora de apresentar uma extensão dessa ideia básica na qual estímulos perceptuais são previstos não apenas dentro, mas também entre modalidades.Nossa ideia baseia-se no fato de que a percepção está intrinsecamente ligada à recordação de memórias. Por exemplo, um estímulo visual com forte implicação auditiva, como a cena de uma base de vidro se quebrando no chão. Isso vai automaticamente desencadear em nossa percepção auditiva uma imagem sonora que compartilha semelhanças com as imagens auditivas que experimentamos anteriormente ao quebrar vidro.De acordo com um framework introduzido por Theo no final da década de 1980, a associação de memória entre o local da base quebrada e o som correspondente é armazenada nas chamadas zonas de convergência-divergência ou CDs, abreviação para convergência. As zonas de divergência são conceituadas como conjuntos de neurônios localizados em vários níveis hierárquicos dos sistemas sensoriais. Como o próprio nome indica.Os CDs em cada nível recebem projeções ascendentes convergentes dos córtices de ordem inferior e, por sua vez, enviam de volta projeções descendentes divergentes para esses mesmos córtices de ordem inferior. Devido às projeções ascendentes convergentes, os CDs podem ser ativados por representações perceptuais em múltiplas modalidades, por exemplo, tanto pela imagem quanto pelo som de um vidro quebrando, devido às projeções descendentes divergentes.Em seguida, eles podem promover a reconstrução de imagens associadas ao sinalizar de volta para as cortezas sensoriais iniciais de modalidades adicionais. Considere a sequência de ativação que um estímulo puramente visual, mas que implica som, irá induzir de acordo com este modelo. O estímulo primeiramente induz um padrão específico de atividade neural nas cortezas visuais iniciais por meio de projeções ascendentes convergentes.As cortices visuais iniciais ativam o primeiro nível dos CD, os da zona CDZ. Dependendo do padrão exato de atividade no setor cortical correspondente, uma zona CDZ pode ser ativada ou pode permanecer inativa. Os da zona CDZ projetam-se para cima até os da zona dois, da mesma forma que os da zona um detectaram.Padrões de atividade nas cortices visuais iniciais, cdz dois detectam padrões de atividade entre cdz um, vários cdz dois podem ser ativados, mas, para simplificar, apenas um é representado aqui por meio de projeções descendentes. Cdz um podem, ao mesmo tempo, completar o padrão de atividade nas cortices visuais iniciais por meio de vários níveis adicionais de c DZs CDZ dois. Os dois projetam-se adiante até os CDZ terminais nas cortices de associação multimodal.Novamente, múltiplas extremidades da ZDC podem se tornar ativadas, mas apenas uma é representada por motivos de simplicidade. Novamente, as ZDC dois também sinalizam em sentido inverso para as ZDC um, que por sua vez podem modificar ainda mais o padrão inicialmente induzido nos córtices visuais precoces. As extremidades da ZDC sinalizam de volta para as ZDC dois de todas as modalidades.Nos córtices auditivos, será construído um padrão neural que permite ao sujeito experimentar, na imaginação auditiva, uma imagem sonora associada ao estímulo apresentado visualmente. O sinalização descendente representada para a modalidade somatossensorial reflete o fato de que quase qualquer estímulo visual também implica algumas associações táteis. Assim, o modelo prevê que um som que implique um estímulo visual levaria a um padrão específico de conteúdo de atividade neural.Nas cortices auditivas iniciais. Analisando esse padrão neural usando análise multivariada de padrões (MVPA), deveria ser possível prever qual entre vários estímulos visuais que implicam som um sujeito viu. No primeiro experimento, a atividade neural foi registrada das cortices auditivas iniciais enquanto os sujeitos assistiam a nove clipes de vídeo diferentes de objetos e eventos que implicavam som.A região de interesse neste experimento foi uma área restrita no plano Semal, que compreendia o córtex auditivo primário e os primeiros córtices associativos auditivos. Em um segundo experimento, a atividade neural foi registrada a partir do córtex somatossensorial primário enquanto os indivíduos assistiam a cinco clipes de vídeo diferentes que implicavam o tato. Neste experimento, a região de interesse compreendia o córtex somatossensorial primário localizado no giro pós-central.Os dois estudos envolveram oito sujeitos no estudo auditivo. Um classificador MVPA apresentou desempenho acima do nível de chance de 50% para todas as possíveis discriminações binárias entre pares de estímulos. Em 26 das 36 discriminações, o desempenho do classificador diferiu significativamente do nível de chance de 0,5.Da mesma forma, no estudo do sistema somatossensorial, o classificador apresentou desempenho acima do nível de chance em todas as discriminações binárias, e oito das dez discriminações alcançaram significância estatística. Como é possível observar, utilizando a análise multivariada de padrões cruzados, conseguimos demonstrar que a percepção de estímulos visuais que implicam som ou toque leva a representações neurais específicas quanto ao conteúdo nas cortezes auditiva e somatossensorial primárias, de acordo com o arcabouço teórico apresentado anteriormente. É evidente que o paradigma experimental aqui apresentado não precisa permanecer restrito às modalidades envolvidas em nossos próprios experimentos, podendo ser estendido a outras modalidades sensoriais também.Esperamos, portanto, que outros grupos se juntem a nós para ampliar esse tipo de pesquisa, na tentativa de aprofundar nosso conhecimento sobre como incorporar processos de estímulos multimodais provenientes do ambiente.

cross-modal-multivariate-pattern-analysis

Research

JoVE Journal

Neuroscience

Neurociência

O presente artigo descreve os conceitos básicos de análise multivariada e contrasta-lo para o mais comumente utilizado a análise baseada em voxel univariada. Ambos os tipos de análise são aplicadas a um conjunto de dados clínico-neurociência. Complementares das metades simulações mostram melhor replicação dos resultados multivariada em conjuntos de dados independentes.

Fundamentos da Análise Multivariada em Dados de neuroimagem

Técnicas de análise multivariada, incluindo a análise de componentes principais (PCA) foram usados ​​para identificar padrões de assinatura de mudança regional de imagens funcionais do cérebro. Nós desenvolvemos um algoritmo para identificar biomarcadores rede reprodutíveis para o diagnóstico de doenças neurodegenerativas, a avaliação da progressão da doença, e a avaliação objectiva do efeito do tratamento na população de doentes.

Identificação de doenças relacionadas com padrões de covariância espacial utilizando dados de neuroimagem

Demonstramos métodos para a detecção de distorção de arquitetura em mamografias anteriores. Estruturas orientadas são analisados ​​usando filtros de Gabor e retratos de fase para detectar locais de irradiando padrões de tecido. Cada local é caracterizada e classificada por meio de medidas para representar padrões spiculating. Os métodos devem auxiliar na detecção de câncer de mama.

Detecção de distorção arquitetural em mamografias anteriores Via Análise de Padrões Orientada

A conectividade informacional mede a correspondência entre os cursos de tempo de informações multivoxel em diferentes regiões do cérebro. As séries temporais de discriminabilidade de padrões multivoxel são extraídas de regiões e comparadas, revelando redes que não são identificadas em uma abordagem típica de conectividade funcional.

Usando Informativa Conectividade medir o Emergence Synchronous de fMRI Multi-voxel Informações Across Time

Este artigo descreve a aplicação de metabolômica irrelevantes, transcriptomics e análise estatística multivariada para transcrições baga da uva e metabolitos, a fim de ter uma visão sobre o conceito terroir, ou seja, o impacto do meio ambiente sobre características de qualidade de baga.

O Conceito Terroir Interpretado através da baga da uva Metabolomics e transcriptómica

O protocolo apresenta um paradigma psicofísico experimental para obter grandes quantidades de julgamentos de similaridade, e um fluxo de trabalho de análise que acompanha. O paradigma sonda efeitos de contexto e permite a modelagem de dados de similaridade em termos de espaços euclidianos de pelo menos cinco dimensões.

Um Paradigma Psicofísico para a Coleta e Análise de Julgamentos de Similaridade

Aqui, empregamos HD-MEA para nos aprofundarmos na dinâmica computacional de conjuntos neuronais de grande escala, particularmente em hipocampo, circuitos de bulbos olfativos e redes neuronais humanas. A captura da atividade espaço-temporal, combinada com ferramentas computacionais, fornece insights sobre a complexidade do conjunto neuronal. O método melhora a compreensão das funções cerebrais, potencialmente identificando biomarcadores e tratamentos para distúrbios neurológicos.

Gravação e Análise da Dinâmica Multimodal de Conjuntos Neuronais em Larga Escala em Microeletrodos de Alta Densidade Integrados CMOS

Apresentamos um fluxo de trabalho flexível e extensível baseado em laboratório Jupyter para a análise não supervisionada de conjuntos de dados multiômicos complexos que combina diferentes etapas de pré-processamento, estimativa do modelo de análise fatorial multiômica e várias análises downstream.

Aplicação de análise fatorial multiômica não supervisionada para descobrir padrões de variação e processos moleculares ligados a doenças cardiovasculares

Neste artigo descrevemos um método simples para a colheita de células isoladas de ratos culturas primárias neuronais e análise de transcriptoma subsequentes usando a amplificação ARNA. Esta abordagem é generalizável a qualquer tipo de célula.

Análise do transcriptoma de uma única célula

Este artigo apresenta o protocolo de T-maze testes utilizando um aparelho modificado automatizado para avaliar as funções de aprendizagem e memória em camundongos.

T-maze Alternância forçado e Tarefas esquerda-direita para a Avaliação da Discriminação de Trabalho e Memória de Referência em Ratos

Aprenda análise multivariada de padrões em neurociência para investigar processamento sensorial cross-modal usando dados de fMRI. Este método permite prever estímulos percebidos a partir de padrões de atividade neural em cortices sensoriais.

Cross-modal de Análise de Padrões multivariada

Explorar mais vídeos