Cross-Modal Çok değişkenli Örüntü Analizi

Aşağıdaki deneyin amacı, insan beynindeki multimodal işlemeyi araştırmak için fonksiyonel MRI verilerinin çok değişkenli model analizini kullanmaktır. Bu, önce deneklere tek bir duyusal modalite yoluyla sunulan belirli bir tür duyusal uyaran yaratarak elde edilir. Örneğin, görsel, ancak farklı bir modalitede güçlü çağrışımları ima eder.

Örneğin, denekler işitsel olarak beynin çağrışım modalitesine ilişkin bölümlerindeki bu tür uyaranları sinirsel aktiviteyi algılarlar. Bu örnekteki işitsel korteksler FMRI kullanılarak kaydedilmiştir. Kaydedilen aktivite, deneğin orijinal modalitede çeşitli uyaranlardan hangisini algıladığını tahmin etmek amacıyla çok değişkenli örüntü analizi kullanılarak analiz edilir.

Sonuçlar, birden fazla modaliteye ilişkin bilgi içeren unimodal uyaranların, sunuldukları modalite dışındaki modalitelerin erken duyusal kortekslerinde içeriğe özgü nöral aktiviteyi indükleyebileceğini göstermektedir. Bugün tanıttığımız ve Crossmodal çok değişkenli model analizi olarak adlandırdığımız teknik, duyusal STEMI'nin duyusal modaliteler içinde değil, genelinde sınıflandırılması farkıyla, geleneksel çok değişkenli model analizinin doğal bir uzantısını temsil eder. Bu yöntem için ilk olarak, yirmi yıldan fazla bir süre önce Demio tarafından tanıtılan bir nöromimari çerçeve için ampirik kanıtlar üretmeye çalışırken sahip olduk.

Bu videoda size yalnızca çok değişkenli örüntü analizinin veya kısaca MVPA'nın teknik yönlerini değil, aynı zamanda bu teorik çerçeveyi de tanıtacağız. İlk olarak, MVPA ile geleneksel tek değişkenli FMRI analizi arasındaki bazı temel farklılıklara dikkat çekeceğiz. Aşağıdakileri göz önünde bulundurun.

Örneğin, bir deneğe elma ve portakal gibi iki farklı görsel uyaran sunulursa, bir dizi denemede ortalaması alınan her iki uyaran da belirli bir sinirsel aktivite modelini indükler. Birincil görsel kortekste, burada altı varsayımsal vokselin aktivasyon seviyeleri ile sembolize edilir. Konvansiyonel FMRI analizinde, bu kalıpları analiz etmek için esasen iki yöntem vardır.

Birincisi, uyaranların tüm ilgi bölgesinde indüklediği ortalama aktivite seviyesini karşılaştırmaktır. Bununla birlikte, ortalamalar arasındaki fark önemli olmayabilir. İkinci yöntem, her voksel için bir çıkarma kontrastı oluşturmaktır.

Elma durumu sırasındaki aktivasyon seviyesi, turuncu durum sırasındaki aktivasyon seviyesinden çıkarılır ve her bir voksel için ortaya çıkan fark, tüm beyin kontrast görüntüsünde görselleştirilebilir. Ancak yine de bu farklar küçük olabilir ve sadece birkaç voksel için gerekli istatistiksel kritere ulaşabilir. Bununla birlikte, tek değişkenli analiz yöntemlerinden farklı olarak, MVPA, tüm voksellerin aktivasyon seviyelerini aynı anda dikkate alarak vokseller içindeki kalıpları tespit edebilir.

Aktivasyon farklılıklarından sadece birkaçı izolasyonda önemli olsa da, iki model bütünüyle düşünüldüğünde gerçekten istatistiksel olarak farklı olabilir. Konvansiyonel FMRI analizi ile MVPA arasındaki bir diğer önemli fark, ikinci yöntemin ters çıkarım olarak adlandırılan şeyi kullanmasıdır. Konvansiyonel FMRI analizinde, araştırmacı tipik olarak iki farklı görsel uyaranın türü hakkında bir soru sorar.

Örneğin, bir yüzün resmi ve bir evin resmi, fusiform yüz alanı gibi belirli bir ilgi alanında farklı aktivite seviyelerine yol açar. Buna karşılık, MVPA tipik olarak ters çıkarım veya kod çözme olarak ifade edilir ve belirli bir beyin bölgesindeki nöral aktivite modeline dayanarak, bir deneğin iki görsel uyarandan hangisini algıladığını tahmin edebilecek miyiz diye sorar. Bununla birlikte, istatistiksel bir bakış açısından, iki uyaranın belirli bir beyin bölgesinde farklı aktivite modellerine yol açtığını söylemenin ve bu beyin bölgesindeki aktivite modelinin indükleyici uyaranın tahmin edilmesine izin verdiğini söylemenin eşdeğer olduğunu belirtmek önemlidir.

Başka bir deyişle, MVPA'nın duyarlılığı, tek değişkenli analizlerden daha üstündür çünkü aynı anda birkaç voksel dikkate alır ve ters yönde ilerlediği için değil. Önceki örneğe geri dönmek için, bir elma görmenin birincil görsel kortekste bir portakal görmekten farklı bir nöral aktivite paterni oluşturup oluşturmadığını değerlendiren tipik bir MVPA paradigmasını ele alalım. İlk adımda, bir denek ayırt edilecek çok sayıda uyaranı görürken FMRI verileri kaydedilir.

Elde edilen veriler daha sonra bir eğitim veri setine ve bir test veri setine bölünür. Eğitim setinden elde edilen veriler, iki deneme türünü birbirinden ayıran nöral modellerdeki özellikleri tespit etmeye çalışan bir örüntü sınıflandırıcısına girilir. Daha sonra, sınıflandırıcıya test setinden etiketlenmemiş veriler sunulur ve eğitim veri setinde tespit ettiği desenlere dayalı olarak, her bir uyaran için test denemelerinin her birine en olası etiketi atfedilir.

Sınıflandırıcı tahmini daha sonra doğru uyaran etiketiyle karşılaştırılır ve sınıflandırıcı performansı doğru tahminlerin yüzdesi olarak hesaplanır. Örnekte gördüğümüz gibi, sınıflandırıcı 12 vakadan dokuzunda doğru uyaran etiketlerini veya şans performansı olarak %75'i azaltır. Böyle iki yönlü bir ayrımcılıkta ayrımcılık %50 olacaktırBu, V'de birinci portakal ve elma uyaranlarının neden olduğu nöral modeller arasında gerçekten tutarlı farklılıklar olduğunu göstermektedir.

Tabii ki, bu sonucun önemi istatistiksel olarak kanıtlanmalıdır. Böyle bir sınıflandırma deneyinde akılda tutulması gereken önemli bir konu, eğitim ve test veri setlerinin birbirinden tamamen bağımsız olmasıdır, çünkü ancak durum buysa, eğitim oturumu sırasında öğrenilen kalıpların genelleştirilebilirliği ile ilgili herhangi bir sonuç çıkarılabilir. Bu nedenle, MVPA paradigmaları genellikle çapraz doğrulama paradigması olarak adlandırılan bir paradigma kullanır.

Bu prosedür, belirli bir veri setinden elde edilebilecek eğitim ve test denemelerinin sayısını en üst düzeye çıkarmaya hizmet ederken, aynı zamanda eğitim ve test setlerinin bireysel sınıflandırma adımları sırasında örtüşmemesini de sağlar. Sekiz işlevsel çalıştırmayla aşağıdaki MVPA deneyini göz önünde bulundurun. İlk çapraz doğrulama adımında, sınıflandırıcı bir ile yedi arasındaki çalıştırmalardan elde edilen veriler üzerinde eğitilir ve sekizinci çalıştırmadan elde edilen veriler üzerinde test edilir.

İkinci adımda, sınıflandırıcı daha sonra bir ila altı arasındaki koşularda ve sekizinci koşuda eğitilir ve ardından yedinci koşuda test edilir. Bu şemayı takiben, her çalıştırma tam olarak test çalıştırması olarak hizmet veren sekiz çapraz doğrulama adımı gerçekleştirilir. Her çapraz doğrulama adımı için sınıflandırıcı performansı elde edildikten ve bu sonuçların ortalaması alındıktan sonra genel performans elde edilir.

İnternette pi MVPA ve Princeton Neuroscience Institute tarafından sunulan toolbox gibi MVPA gerçekleştirmek için ücretsiz olarak kullanılabilen yazılım paketleri bulunmaktadır. Az önce tarif edilen gibi deneysel paradigmalar, serebral korteksin karşılık gelen bölümlerindeki nöral aktiviteden gelen algısal uyaranları tahmin etmek için başarılı bir şekilde kullanılmıştır, bu nedenle, örneğin, görsel kortekslerdeki veya işitsel uyaranlardaki aktiviteye dayalı görsel uyaranları tahmin etmek için. İşitsel kortekslerdeki aktiviteye dayanarak, algısal uyaranların sadece modaliteler içinde değil, modaliteler arasında da tahmin edildiği bu temel fikrin bir uzantısını tanıtmak istiyoruz.

Fikrimiz, algının karmaşık bir şekilde anıların hatırlanmasıyla bağlantılı olduğu gerçeğine dayanıyor. Örneğin, yerde parçalanan bir cam tabanın yeri gibi güçlü bir işitsel anlamı olan görsel bir uyaran. Zihnimizin kulağında, kırılan camla önceki karşılaşmalarımızda deneyimlediğimiz işitsel görüntülerle benzerlikler paylaşan işitsel bir görüntüyü otomatik olarak tetikleyecek.

Theo tarafından 1980'lerin sonlarında tanıtılan bir çerçeveye göre, parçalanan tabanın yeri ile karşılık gelen ses arasındaki hafıza ilişkisi, kısa yakınsama için yakınsama ıraksama bölgeleri veya CD'ler olarak adlandırılan yerlerde saklanır. Iraksama bölgeleri, duyusal sistemlerin çeşitli hiyerarşik seviyelerinde bulunan nöron toplulukları olarak kavramsallaştırılır. Adından da anlaşılacağı gibi.

Her seviyedeki CD'ler, daha düşük dereceli kortekslerden yakınsak aşağıdan yukarıya projeksiyonlar alır ve döner. Yakınsak aşağıdan yukarıya projeksiyonlar nedeniyle aynı düşük dereceli kortekslere farklı yukarıdan aşağıya projeksiyonlar gönderdiler. CD'ler, birden fazla modalitede algısal temsillerle, örneğin, hem site hem de farklı yukarıdan aşağıya projeksiyonlar nedeniyle parçalanan bir tabanın sesi tarafından etkinleştirilebilir.

Daha sonra, ek modalitelerin erken duyusal kortekslerine geri sinyal göndererek ilişkili görüntülerin yeniden yapılandırılmasını teşvik edebilirler. Aktivasyon sırasını tamamen görsel olarak düşünün, ancak ses ima eden uyaran bu çerçeveye göre indüklenecektir. Uyaran ilk olarak, yakınsak aşağıdan yukarıya projeksiyonlar yoluyla erken görsel kortekslerde belirli bir nöral aktivite modelini indükler.

Erken görsel korteksler, CD'lerin ilk seviyesini, CDZ seviyelerini aktive eder. İlgili erken kortikal sektördeki kesin aktivite modeline bağlı olarak, A CDZ aktive olabilir veya inaktif kalabilir. CDZ olanlar, tıpkı cdz olanların tespit ettiği gibi cdz ikililere yukarı doğru projeksiyon yapar.

Erken görsel kortekslerdeki aktivite kalıpları, cdz ikilileri cdz olanlar arasındaki aktivite kalıplarını tespit eder, birkaç cdz ikisi aktive olabilir, ancak basitlik için burada yukarıdan aşağıya projeksiyonlarla yalnızca biri tasvir edilmiştir. Cdz olanlar aynı anda erken görsel kortekslerdeki aktivite paternini birkaç ek c DZ CDZ iki seviyesi aracılığıyla tamamlayabilir. CDZ'ye iletilen iki proje, çok modlu bir birliktelikle sona eriyor. Korteksler.

Yine, birden fazla CDZ ucu etkinleştirilebilir, ancak basitlik nedeniyle yalnızca biri tasvir edilmiştir. Yine, CD Z ikileri de CDZ olanlara geriye doğru sinyal verir, bu da başlangıçta erken görsel kortekslerde indüklenen modeli daha da değiştirebilir. CDZ bitişleri, tüm modalitelerin CZ ikilisine geri sinyal verir.

İşitsel kortekslerde, öznenin zihnin kulağında, görsel olarak sunulan uyaranla ilişkili işitsel bir görüntü deneyimlemesine izin veren sinirsel bir model oluşturulacaktır. Somatosensoriyel modaliteye tasvir edilen yukarıdan aşağıya sinyalizasyon, hemen hemen her görsel uyaranın aynı zamanda bazı dokunsal ilişkileri de ima ettiği gerçeğini yansıtır. Bu nedenle, çerçeve, görsel uyaranı ima eden bir sesin, içeriğe özgü bir sinirsel aktivite modeline yol açacağını tahmin eder.

Erken işitsel kortekslerde. Bu nöral örüntüyü MVPA kullanarak analiz ederek, bir deneğin görsel uyaranları ima eden birkaç sesten hangisini gördüğünü tahmin etmek mümkün olmalıdır. İlk deneyde, erken işitsel kortekslerden nöral aktivite kaydedilirken, denekler sesi ima eden nesnelerin ve olayların dokuz farklı video klibini izledi.

Bu deneydeki ilgi alanı, birincil işitsel korteks ve çok erken işitsel çağrışım kortekslerinden oluşan Semal düzlemde sınırlı bir alandı. İkinci bir deneyde, birincil somatosensoriyel korteksten nöral aktivite kaydedilirken, denekler dokunmayı ima eden beş farklı video klip izledi. Bu deneyde, ilgilenilen bölge, postcentral girusta bulunan birincil somatosensoriyel korteksi içeriyordu.

Her iki çalışma da işitsel çalışmada sekiz denek içeriyordu. Bir MVPA sınıflandırıcısı, uyaran çiftleri arasındaki tüm olası iki yönlü ayrımlar için %50 şans seviyesinin üzerinde performans gösterdi. 36 ayrımcılığın 26'sında sınıflandırıcı performansı 0.5 şans düzeyinden anlamlı derecede farklıydı.

Benzer şekilde, somatosensoriyel çalışmada, sınıflandırıcı tüm iki yönlü ayrımcılıkta şansın üzerinde performans gösterdi ve 10 ayrımcılıktan sekizi istatistiksel anlamlılığa ulaştı. Gördüğünüz gibi, çapraz modal çok değişkenli örüntü analizi kullanarak, ses veya dokunmayı ima eden görsel uyaranların algılanmasının, daha önce tanıtılan teorik çerçeveye uygun olarak erken işitsel ve somatosensoriyel kortekslerde içeriğe özgü sinirsel temsillere yol açtığını gösterebildik. Açıktır ki, sunduğumuz deneysel paradigma, kendi deneylerimizde yer alan modalitelerle sınırlı kalmak zorunda değildir, ancak diğer duyusal modalitelere de genişletilebilir.

Bu nedenle, diğer grupların, çevreden çok modlu uyaranları süreçlere nasıl getireceğimiz konusundaki bilgimizi genişletmek amacıyla bu tür bir araştırmayı genişletmede bize katılacağını umuyoruz.