Multivoxel パターン分析で聴覚イメージをデコード

Neuropsychology

Your institution must subscribe to JoVE's Psychology collection to access this content.

Fill out the form below to receive a free trial or learn more about access:

Welcome!

Enter your email below to get your free 1 hour trial to JoVE!





By clicking "Submit", you agree to our policies.

 

Overview

ソース: ジョナス ・ t. カプラン サラ I. ギンベル所-南カリフォルニア大学

鳴っている鐘の音を想像します。私たちは「心の耳」ですか? このような音を想起させるとき脳で起きていること脳が想像力の認識で使用するのと同じメカニズムを使用して成長している証拠があります。1視覚的なイメージを想像して、視覚野がアクティブになるなど、大脳皮質の聴覚野は従事している音を想像すると。ただし、どの程度、感覚野のこれらのアクティベーション私達の想像の内容に?

この質問に答えることができる 1 つの方法は、機械学習技術を使用して脳機能画像解析 multivoxel パターン解析 (MPVA) です。2-3の MPVA の実験では、さまざまな刺激により誘発される活動の様々 なパターンの間で区別するために、機械学習アルゴリズムを養成します。たとえば、我々 はかどうかは、チェーンソーの音やバイオリンの音を想像しながら比較して聴覚野の活動のさまざまなパターンを生成する鐘の音を想像して頼むかもしれない。分類器はこれら 3 つの刺激による脳活動のパターンを区別することを学ぶ、我々 は聴覚野が各刺激によって異なる方法でアクティブであるを判断できます。この種の実験を考える 1 つの方法は、単に脳の領域の活動についての質問ではなく我々 はその地域の情報の内容について質問をしました。

マイヤー、に基づいて、この実験では 2010 年4私たちがキューのサイレント ビデオでそれらを提示いくつかの音が聴覚イメージを呼び起こす可能性が高い想像する参加者。以来、私たちの聴覚皮質における想像力によって誘発される微妙なパターンの測定に興味があるをお勧め fMRI スキャナー製騒音干渉されることがなく、完全な沈黙の中で刺激した場合。このため、スパース時空間サンプリングとして知られている機能 MRI シーケンスの特殊なを使用します。このアプローチで単一 fMRI ボリュームは血行動態の応答のピークをキャプチャするタイミング、各刺激後取得した 4-5 秒です。

Cite this Video

JoVE Science Education Database. 心理の必需品. Multivoxel パターン分析で聴覚イメージをデコード. JoVE, Cambridge, MA, (2017).

Procedure

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。

Figure 1
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。

  1. 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。
  2. 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。
  3. 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。

聴覚イメージは、現在外部の聴覚からの刺激がない場合でも公聴会が聞こえるの経験に上昇を与えるプロセスです。

例えば、携帯電話鳴りの音を聞いたと思います。この架空のイベントの基になるメモリ内の情報、個々 の脳では、実際の知覚に関与しているものと想像力の同じメカニズムの証拠を示しています。

リンギングを想像し、時にただ聴覚皮質内の領域アクティブになります。ただし、にもかかわらず、音響の刺激の場合は、音のエンコード方法に異なる音の詳細な処理を可能にする-ドアベル チャイム、ラジオで歌の間の区別のような重要な質問。

このビデオ マイヤーと同僚の前の仕事に基づいて、機能的磁気共鳴画像を結合する方法を示します-fMRI など脳が聴覚イメージに応答する方法を調査するための別のサイレント ビデオのプレゼンテーションで。

多ボクセル パターン分析と呼ばれる方法を使用する方法についても述べるが、略して MVPA-何科目 fMRI セッション中に得られた活性化のパターンを分析することによって想像している予測します。

この実験では、参加者は fMRI スキャナーでうそをつくし、サイレント ビデオのシリーズが表示されます。各 1 つ-かどうかそれはオンドリの鳴き声、木を切るチェーンソーやピアノを弾く人-個性的で鮮やかな聴覚イメージを呼び起こすされすべての 1 つのプレゼンテーションの中に音を想像することを求められます。

単一 fMRI ボリュームは 4 に 5 を取得したという画像の取得手続きがスパース時空間サンプリングに依存して各刺激の提示の後に s。そのようなタイミングが血行動態の応答のピークをキャプチャし、可能性を低減スキャナー ノイズによって信号をマスクだろうが。

各音は期待される具体的に聴覚野の神経活動の微妙なまだ独特のパターンを想像しました。ここでは、パターンは、重要な単語: 単変量アプローチを使用して、これらのデータを分析する古典的な方法、個々 のボクセル-活性化のいくつかのレベルを表す-単一の平均的に折りたたまれています。

これらの値は音の間で比較し、活性化レベルには差が生じない。

代わりに、多変量解析を使用して、複数のボクセル レイアウト サウンドごとにされ、すべてボクセル全体活性化レベルをまとめて、比較できる-サウンドを想像したそれぞれのユニークな全体的なパターンに貢献すること。

この多ボクセル パターン解析や MVPA、アプローチでは、パターンは、確かに、特定のコンテンツに敏感な場合、それは彼らが最初の刺激を予測する使用することが可能。それは右-MVPA は、読心術技術として呼ばれます!

この予測の側面を達成するためにトレーニング セットとテスト セットに分割されている参加者のデータを収集した後でより集中的な処理を行う必要があります。

トレーニング セットからラベル付きデータ、計算、機械学習を受けるまず具体的には、サポート ベクトル マシンのアルゴリズム。このプロセスは、互いの音の 3 つのタイプを区別が神経活動パターンの機能を認識し、データを正確に分類する使用です。

分類子は、種類を正確に識別する機能を学んだが後、それがテスト セットのラベルなしデータを提示、その推測は正しい刺激ラベルに比較します。

この場合、分類性能を従属変数として提供しています-分類器の精度として記録-も前頭極など、脳の別の場所で誘発されるボクセルと比較しているが。

分類子は、聴覚皮質内のコンテンツ固有のアクティビティを検出するに MVPA の重要性を明らかに聴覚の画像の同定を予測する予定です。

実験につき安全性の懸念を確認すべての参加者が右利き、正常または正常に修正のビジョン、神経疾患や、閉所恐怖症の既往のない、自分の体の任意の金属を持っていないと。また、必要な同意フォーム入力することを確認します。

前に、彼らの心に音を呼び起こす可能性がありますスキャナーのいくつかの短いサイレント動画が表示されるについて説明します。想像のサウンドに焦点を当てる、「聞く」こと、彼らができる限りタスクの期間のためにまだ残ってもらいます。

今、スキャナーを入力する参加者を準備します。これらの手順の詳細を表示するには、別 fMRI のビデオでも、このコレクションを参照してください。

次の準備は参加者に合わせ、穴中のそれらを送る。隣の部屋でまず解剖学的高解像度スキャンを収集します。その後、機能のスキャンの開始にサイレント ビデオ プレゼンテーションの開始を同期します。

まばらな時間サンプリングを実現、MRI ボリュームの同期捕捉時間を設定に 2 s 間で 9 s の遅延で。

重要なは、開始 4 にある 5 s の各ビデオ クリップの開始を調整 s 以前の MRI 取得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を開始した後。

ランダムな順序で各ビデオの 10 倍を提示、さらに 3 回この機能・ アクイジション ・ シーケンスを繰り返す 5.5 分を持続させる 1 つのスキャン セッションを生成します。

4 つの機能のスキャンを実行すると、スキャナーのうち参加者をもたらすとする研究報告会します。

関心領域を定義するには、初期の聴覚野、平 temporale として知られているに対応する側頭葉の表面に各参加者およびトレースの画素の高解像度の解剖学的スキャンを使用します。さらに、コントロール領域として使用する前頭葉のボクセルを含むマスクを作成します。

動きの人工物を減らすために動き補正を実行することによって、データを前処理し、ドリフト時間信号を削除するフィルタ リングします。

次に、データを 2 つのセットに分割: トレーニング セットとテストします。1 つのデータセットで訓練する分類子 — サポート ベクトル マシン アルゴリズム-各科目別 2 つの脳領域からデータを保持することを確かめます。

他のセットの評価分類子が学んだ-ラベルなしデータの id を正しく推測する能力-複数実行アルゴリズムの精度を記録。手順の合計 4 回、毎回データをテストとして 1 つの機能スキャンを残して-プロセスは、クロス検証と呼ばれます。

データを可視化、各参加者の 4 つのクロス検証ひだ全体平均分類精度をグラフに。

主な関心領域両方のこれらの平均をプロット-平 temporale-、コントロール エリア-前頭極-分類子、聴覚皮質などの特定の領域を選択的に聴覚想像力に関与することの予測範囲の焦点の特異性を比較します。

この場合は、非パラメトリック統計、Wilcoxon の符号付き順位テストの実行、33% はチャンスに対してパフォーマンスをテストします。聴覚皮質における平均分類精度が、チャンス レベルから大幅に異なる 59% だったことに注意します。

対照的で、前頭極マスクの平均パフォーマンスが 33% はあり、チャンスと大幅に異なる。

また、識別性能が個人間で異なることに注意してください。42% の新しい統計しきい値を計算する順列テストを使用して後に、、どれもパフォーマンス以上の前頭極からボクセルを用いた可能性があったに対し、20 科目の 19 は精度値平 temporale からボクセルを使って、このレベルを大幅に超えてを持っていたことを参照してください。

全体的にみて、これらの結果は、神経活動のパターンに基づくに、MVPA テクニックは正確に 3 つの音のうち参加者が想像していたを予測かを意味します。このような予測は、音響コンテンツが脳全体でグローバルに表現されていないということを示唆、聴覚皮質内のみ行われました。

今、あなたは、聴覚イメージを勉強する多ボクセル パターン解析を適用する方法に精通しているが、神経心理学者が読心術に未来的なアプローチを進めるために多変量手法を使用する方法を見てみましょう-精神状態のデコード-他のドメイン。

分類子は、オブジェクト参加者の種類表示、たとえば家と顔の区別を予測する腹側の側頭葉から得られた fMRI データに使用されています。

さらにこの一歩を踏み出した、個々 がその家を買うかどうか気持が良い人を見つけるかどうかを予測することも可能です。不気味に聞こえる、これらニューロマーケティング意味こじつけではない!

同じアプローチされる可能性がありますもショーを見た後いずれかの感情の状態を検出-怖い映画は確かに恐ろしいことを認識、あるいは映画のジャンル。例えば、恐ろしい映画は確実に、前頭前野を含む瞑想 1 つ以上予想より扁桃体を従事します。

さらに、脳-コンピューターのインターフェイス可能性があります信号個人スピーチ療法、または手足の切断に苦しんできた人のための動きを受けている場合は、通信を強化する精神状態に変換します。

多ボクセル パターン解析を用いた聴覚イメージを理解することでゼウスのビデオを見てきただけ。今設計および脳機能イメージングと組み合わせて聴覚イメージを実験する方法そして分析し、脳の活動の特定のパターンを解釈する方法のよい理解が必要です。

見てくれてありがとう!

Results

すべての 20 の参加者間で平 temporale で平均分類精度 59% であった。ウィルコクソン符号付き順位検定によるとこれは 33% のチャンス レベルから大きく異なります。前頭極マスクの平均パフォーマンスは 32.5% 以上の可能性(図 2)であります。

Figure 2
図 2 。各参加者の分類性能。3 ウェイ分類チャンス パフォーマンスは 33% です。順列テスト、 pのアルファのレベルによると < 0.05 は 42% に相当します。

順列テストが見つかりましたの順列の 5% だけが 42% 以上の精度を達成したがって、個別のサブジェクトの私たちの統計しきい値は 42% であります。20 科目の 19 歳は、分類子パフォーマンス パフォーマンス以上の前頭極からボクセルを用いた可能性があったどれも平 temporale からボクセルを使用してチャンスを大幅に超えていた。

したがって、我々 は正常に 3 つの音のうち参加者が想像していた大脳皮質聴覚野の活動のパターンから予測することができます。我々 ができませんでした前頭極から活動パターンに基づいて予測する情報が脳全体にわたってグローバルではないことを示唆しています。

Applications and Summary

MVPA は脳が情報をどのように表現するかを理解するための便利なツールです。伝統的な放射化分析のように個別に各ボクセルの時間経過を考慮したではなくこの手法は単変量法と比較して感度の向上を提供する多くの画素を一度に、全体のパターンを考慮します。しばしば多変量解析は、単変量手法ことができない違いを発見します。この場合、聴覚皮質、脳の特定の領域で情報コンテンツを調査によって精神的なイメージのメカニズムについての何かを学びました。これらの活性化パターンのコンテンツ固有の性質は、単変量のアプローチをテストすることは困難でしょう。

この種の分析の推定の方向から来る付加的な利点があります。MVPA では、脳活動のパターンを開始し、参加者の精神状態についての何かを推測ましょう。このような「脳読む」アプローチ脳-コンピューターのインターフェイスの開発につながることができます、障害音声や動き、コミュニケーションをする機会を許可する可能性があります。

References

  1. Kosslyn, S.M., Ganis, G. & Thompson, W.L. Neural foundations of imagery. Nat Rev Neurosci 2, 635-642 (2001).
  2. Haynes, J.D. & Rees, G. Decoding mental states from brain activity in humans. Nat Rev Neurosci 7, 523-534 (2006).
  3. Norman, K.A., Polyn, S.M., Detre, G.J. & Haxby, J.V. Beyond mind-reading: multi-voxel pattern analysis of fMRI data. Trends Cogn Sci 10, 424-430 (2006).
  4. Meyer, K., et al. Predicting visual stimuli on the basis of activity in auditory cortices. Nat Neurosci 13, 667-668 (2010).

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。

Figure 1
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。

  1. 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。
  2. 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。
  3. 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。

聴覚イメージは、現在外部の聴覚からの刺激がない場合でも公聴会が聞こえるの経験に上昇を与えるプロセスです。

例えば、携帯電話鳴りの音を聞いたと思います。この架空のイベントの基になるメモリ内の情報、個々 の脳では、実際の知覚に関与しているものと想像力の同じメカニズムの証拠を示しています。

リンギングを想像し、時にただ聴覚皮質内の領域アクティブになります。ただし、にもかかわらず、音響の刺激の場合は、音のエンコード方法に異なる音の詳細な処理を可能にする-ドアベル チャイム、ラジオで歌の間の区別のような重要な質問。

このビデオ マイヤーと同僚の前の仕事に基づいて、機能的磁気共鳴画像を結合する方法を示します-fMRI など脳が聴覚イメージに応答する方法を調査するための別のサイレント ビデオのプレゼンテーションで。

多ボクセル パターン分析と呼ばれる方法を使用する方法についても述べるが、略して MVPA-何科目 fMRI セッション中に得られた活性化のパターンを分析することによって想像している予測します。

この実験では、参加者は fMRI スキャナーでうそをつくし、サイレント ビデオのシリーズが表示されます。各 1 つ-かどうかそれはオンドリの鳴き声、木を切るチェーンソーやピアノを弾く人-個性的で鮮やかな聴覚イメージを呼び起こすされすべての 1 つのプレゼンテーションの中に音を想像することを求められます。

単一 fMRI ボリュームは 4 に 5 を取得したという画像の取得手続きがスパース時空間サンプリングに依存して各刺激の提示の後に s。そのようなタイミングが血行動態の応答のピークをキャプチャし、可能性を低減スキャナー ノイズによって信号をマスクだろうが。

各音は期待される具体的に聴覚野の神経活動の微妙なまだ独特のパターンを想像しました。ここでは、パターンは、重要な単語: 単変量アプローチを使用して、これらのデータを分析する古典的な方法、個々 のボクセル-活性化のいくつかのレベルを表す-単一の平均的に折りたたまれています。

これらの値は音の間で比較し、活性化レベルには差が生じない。

代わりに、多変量解析を使用して、複数のボクセル レイアウト サウンドごとにされ、すべてボクセル全体活性化レベルをまとめて、比較できる-サウンドを想像したそれぞれのユニークな全体的なパターンに貢献すること。

この多ボクセル パターン解析や MVPA、アプローチでは、パターンは、確かに、特定のコンテンツに敏感な場合、それは彼らが最初の刺激を予測する使用することが可能。それは右-MVPA は、読心術技術として呼ばれます!

この予測の側面を達成するためにトレーニング セットとテスト セットに分割されている参加者のデータを収集した後でより集中的な処理を行う必要があります。

トレーニング セットからラベル付きデータ、計算、機械学習を受けるまず具体的には、サポート ベクトル マシンのアルゴリズム。このプロセスは、互いの音の 3 つのタイプを区別が神経活動パターンの機能を認識し、データを正確に分類する使用です。

分類子は、種類を正確に識別する機能を学んだが後、それがテスト セットのラベルなしデータを提示、その推測は正しい刺激ラベルに比較します。

この場合、分類性能を従属変数として提供しています-分類器の精度として記録-も前頭極など、脳の別の場所で誘発されるボクセルと比較しているが。

分類子は、聴覚皮質内のコンテンツ固有のアクティビティを検出するに MVPA の重要性を明らかに聴覚の画像の同定を予測する予定です。

実験につき安全性の懸念を確認すべての参加者が右利き、正常または正常に修正のビジョン、神経疾患や、閉所恐怖症の既往のない、自分の体の任意の金属を持っていないと。また、必要な同意フォーム入力することを確認します。

前に、彼らの心に音を呼び起こす可能性がありますスキャナーのいくつかの短いサイレント動画が表示されるについて説明します。想像のサウンドに焦点を当てる、「聞く」こと、彼らができる限りタスクの期間のためにまだ残ってもらいます。

今、スキャナーを入力する参加者を準備します。これらの手順の詳細を表示するには、別 fMRI のビデオでも、このコレクションを参照してください。

次の準備は参加者に合わせ、穴中のそれらを送る。隣の部屋でまず解剖学的高解像度スキャンを収集します。その後、機能のスキャンの開始にサイレント ビデオ プレゼンテーションの開始を同期します。

まばらな時間サンプリングを実現、MRI ボリュームの同期捕捉時間を設定に 2 s 間で 9 s の遅延で。

重要なは、開始 4 にある 5 s の各ビデオ クリップの開始を調整 s 以前の MRI 取得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を開始した後。

ランダムな順序で各ビデオの 10 倍を提示、さらに 3 回この機能・ アクイジション ・ シーケンスを繰り返す 5.5 分を持続させる 1 つのスキャン セッションを生成します。

4 つの機能のスキャンを実行すると、スキャナーのうち参加者をもたらすとする研究報告会します。

関心領域を定義するには、初期の聴覚野、平 temporale として知られているに対応する側頭葉の表面に各参加者およびトレースの画素の高解像度の解剖学的スキャンを使用します。さらに、コントロール領域として使用する前頭葉のボクセルを含むマスクを作成します。

動きの人工物を減らすために動き補正を実行することによって、データを前処理し、ドリフト時間信号を削除するフィルタ リングします。

次に、データを 2 つのセットに分割: トレーニング セットとテストします。1 つのデータセットで訓練する分類子 — サポート ベクトル マシン アルゴリズム-各科目別 2 つの脳領域からデータを保持することを確かめます。

他のセットの評価分類子が学んだ-ラベルなしデータの id を正しく推測する能力-複数実行アルゴリズムの精度を記録。手順の合計 4 回、毎回データをテストとして 1 つの機能スキャンを残して-プロセスは、クロス検証と呼ばれます。

データを可視化、各参加者の 4 つのクロス検証ひだ全体平均分類精度をグラフに。

主な関心領域両方のこれらの平均をプロット-平 temporale-、コントロール エリア-前頭極-分類子、聴覚皮質などの特定の領域を選択的に聴覚想像力に関与することの予測範囲の焦点の特異性を比較します。

この場合は、非パラメトリック統計、Wilcoxon の符号付き順位テストの実行、33% はチャンスに対してパフォーマンスをテストします。聴覚皮質における平均分類精度が、チャンス レベルから大幅に異なる 59% だったことに注意します。

対照的で、前頭極マスクの平均パフォーマンスが 33% はあり、チャンスと大幅に異なる。

また、識別性能が個人間で異なることに注意してください。42% の新しい統計しきい値を計算する順列テストを使用して後に、、どれもパフォーマンス以上の前頭極からボクセルを用いた可能性があったに対し、20 科目の 19 は精度値平 temporale からボクセルを使って、このレベルを大幅に超えてを持っていたことを参照してください。

全体的にみて、これらの結果は、神経活動のパターンに基づくに、MVPA テクニックは正確に 3 つの音のうち参加者が想像していたを予測かを意味します。このような予測は、音響コンテンツが脳全体でグローバルに表現されていないということを示唆、聴覚皮質内のみ行われました。

今、あなたは、聴覚イメージを勉強する多ボクセル パターン解析を適用する方法に精通しているが、神経心理学者が読心術に未来的なアプローチを進めるために多変量手法を使用する方法を見てみましょう-精神状態のデコード-他のドメイン。

分類子は、オブジェクト参加者の種類表示、たとえば家と顔の区別を予測する腹側の側頭葉から得られた fMRI データに使用されています。

さらにこの一歩を踏み出した、個々 がその家を買うかどうか気持が良い人を見つけるかどうかを予測することも可能です。不気味に聞こえる、これらニューロマーケティング意味こじつけではない!

同じアプローチされる可能性がありますもショーを見た後いずれかの感情の状態を検出-怖い映画は確かに恐ろしいことを認識、あるいは映画のジャンル。例えば、恐ろしい映画は確実に、前頭前野を含む瞑想 1 つ以上予想より扁桃体を従事します。

さらに、脳-コンピューターのインターフェイス可能性があります信号個人スピーチ療法、または手足の切断に苦しんできた人のための動きを受けている場合は、通信を強化する精神状態に変換します。

多ボクセル パターン解析を用いた聴覚イメージを理解することでゼウスのビデオを見てきただけ。今設計および脳機能イメージングと組み合わせて聴覚イメージを実験する方法そして分析し、脳の活動の特定のパターンを解釈する方法のよい理解が必要です。

見てくれてありがとう!

A subscription to JoVE is required to view this article.
You will only be able to see the first 20 seconds.

RECOMMEND JoVE