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.

Multivoksel Örüntü Analizi ile İşitsel İmgelerin Kod Çözme

0 views11:46 min

1. Katılımcı alımı

20 katılımcıyı işe alın.
1. Katılımcılar sağ elini kullanmalı ve nörolojik veya psikolojik bozukluk öyküsü olmamalıdır.
2. Katılımcılar, görsel ipuçlarını düzgün bir şekilde görebilmelerini sağlamak için normal veya düzeltilmiş görüşe sahip olmalıdır.
3. Katılımcıların vücutlarında metal bulunmamalıdır. Bu, fMRI'da yer alan yüksek manyetik alan nedeniyle önemli bir güvenlik gereksinimidir.
4. Katılımcılar klostrofobiden muzdarip olmamalıdır, çünkü fMRI tarayıcı deliğinin küçük bir alanında yatmayı gerektirir.

2. Ön tarama prosedürleri

Ön tarama evraklarını doldurun.
Katılımcılar fMRI taraması için geldiklerinde, MRG için herhangi bir karşı endikasyonları olmadığından emin olmak için önce metal bir ekran formu, taramalarının bir radyolog tarafından incelenmesi için onay veren bir tesadüfi bulgular formu ve çalışmanın risklerini ve faydalarını detaylandıran bir onay formu doldurmalarını söyleyin.
Kemerler, cüzdanlar, telefonlar, saç tokaları, madeni paralar ve tüm mücevherler dahil olmak üzere vücutlarındaki tüm metalleri çıkararak katılımcıları tarayıcıya girmeye hazırlayın.

3. Katılımcı için talimatlar sağlayın.

Katılımcılara, tarayıcının içinde bir dizi kısa video göreceklerini söyleyin. Bu videolar sessiz olacak, ancak "zihinlerinin kulağında" bir ses uyandırabilirler. Katılımcıdan bu işitsel imgeye odaklanmasını ve teşvik etmesini, sesi olabildiğince iyi "duymaya" çalışmasını isteyin.
Katılımcıya tarama boyunca başını sabit tutmanın önemini vurgulayın.

4. Katılımcıyı tarayıcıya yerleştirin.

Katılımcıya, kulaklarını tarayıcının gürültüsünden korumak için kulak tıkaçları verin ve tarama sırasında deneyciyi duyabilmeleri için kulaklıkları takın ve başları bobinde olacak şekilde yatağa yatırmalarını sağlayın.
Katılımcıya acil durum sıkma topunu verin ve tarama sırasında acil bir durumda sıkması talimatını verin.
Tarama sırasında aşırı hareketi önlemek için katılımcıların kafasını bobine sabitlemek için köpük pedler kullanın ve katılımcıya, en küçük hareketler bile görüntüleri bulanıklaştırdığından, tarama sırasında mümkün olduğunca hareketsiz kalmanın çok önemli olduğunu hatırlatın.

5. Veri toplama

Yüksek çözünürlüklü anatomik taramayı toplayın.
İşlevsel taramaya başlayın.
1. Uyaran sunumunun başlangıcını tarayıcının başlangıcı ile senkronize edin.
2. Seyrek zamansal örneklemeyi elde etmek için, bir MRI hacminin alım süresini, hacim alımları arasında 9 sn gecikme ile 2 sn olarak ayarlayın.
3. Sessiz videoları projektöre bağlı bir dizüstü bilgisayar aracılığıyla sunun. Katılımcının gözlerinin üzerinde, tarayıcı deliğinin arkasındaki bir ekranı yansıtan bir ayna vardır.
4. Her 5 saniyelik video klibin başlangıcını, önceki MRG alımının başlamasından 4 saniye sonra başlayacak şekilde senkronize edin. Bu, filmin ortasına karşılık gelen hemodinamik aktiviteyi yakalamak için video klibin başlamasından 7 saniye sonra bir sonraki MRI hacminin elde edilmesini sağlayacaktır.
5. Canlı işitsel görüntüleri çağrıştıran üç farklı sessiz video sunun: ileri geri sallanan bir zil, bir ağacı kesen bir elektrikli testere ve keman çalan bir kişi.
6. Her işlevsel taramada, her videoyu rastgele sırayla 10 kez sunun. Her deneme 11 saniye sürdüğünde, bu 330 saniye (5,5 dakika) uzunluğunda bir tarama ile sonuçlanacaktır.
7. 4 işlevsel tarama gerçekleştirin.

6. Veri analizi

Bir İlgi Alanı (ROI) tanımlayın.
1. Erken işitsel kortekse karşılık gelen vokselleri izlemek için her katılımcının yüksek çözünürlüklü anatomik taramasını kullanın (Şekil 1). Bu, planum temporale adı verilen temporal lobun yüzeyine karşılık gelir. İşitsel korteksine özgü bir maske oluşturmak için her bireyin beyninin anatomik özelliklerini kullanın.

Şekil 1: İlgi alanı izleme. Planum temporale'nin yüzeyi bu katılımcının yüksek çözünürlüklü anatomik görüntüsünde izlenmiştir ve burada mavi renkle gösterilmiştir. Yeşil renkte, ön direğin kontrol maskesi bulunur. Bu vokseller MVPA analizi için kullanılacaktır.

Verileri önceden işleyin.
1. Hareket artefaktlarını azaltmak için hareket düzeltmesi gerçekleştirin.
2. Sinyal sapmalarını gidermek için zamansal filtreleme gerçekleştirin.
Sınıflandırıcı algoritmasını eğitin ve test edin.
1. Verileri eğitim ve test kümelerine bölün. Eğitim verileri, sınıflandırıcıyı eğitmek için kullanılacak ve dışarıda bırakılan test verileri, öğrendiklerini değerlendirmek için kullanılacaktır. Eğitim ve test verilerinin bağımsızlığını en üst düzeye çıkarmak için, test seti olarak tek bir işlevsel taramadan gelen verileri dışarıda bırakın.
2. Her konuda işitsel korteksten gelen etiketli eğitim verileri üzerinde bir Destek Vektör Makinesi algoritması eğitin. Sınıflandırıcının etiketlenmemiş test kümesinin kimliğini doğru tahmin etme yeteneğini test edin ve sınıflandırıcının doğruluğunu kaydedin.
3. Bu prosedürü 4 kez tekrarlayın ve her taramayı her seferinde test verisi olarak bırakın. Verilerin her bir bölümünün bir kez dışarıda bırakıldığı bu tür bir prosedüre çapraz doğrulama denir.
4. Ortalama alarak 4 çapraz doğrulama katında sınıflandırıcı doğruluklarını birleştirin.
İstatistiksel test
1. Sınıflandırıcının şanstan daha iyi performans gösterip göstermediğini (3) belirlemek için, grup düzeyindeki sonuçları şansla karşılaştırabiliriz. Bunu yapmak için, her konu için doğrulukları toplayın ve parametrik olmayan bir Wilcoxon İşaretli Sıra testi kullanarak dağılımın şanstan farklı olduğunu test edin.
2. Sınıflandırıcının her birey için şanstan daha iyi performans gösterip göstermediğini de sorabiliriz. Şans verilerinde belirli bir doğruluk düzeyinin olasılığını belirlemek için, etiketleri rastgele karıştırılmış veriler üzerinde MVPA algoritmasını eğiterek ve test ederek boş bir dağılım oluşturun. Doğruluk değerlerinin boş bir dağılımını oluşturmak için etiketleri 10.000 kez değiştirin ve ardından gerçek doğruluk değerini bu dağılımla karşılaştırın.
3. İşitsel korteks içindeki bilginin özgüllüğünü göstermek için, sınıflandırıcıyı beynin farklı bir yerinden vokseller üzerinde eğitebilir ve test edebiliriz. Burada, olasılıksal bir atlastan alınan ve her deneğin bireysel beynine uyacak şekilde çarpıtılmış bir ön kutup maskesi kullanacağız.