Multivoxel パターン分析で聴覚イメージをデコード

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。

マイヤーら、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。

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。

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。

2. 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。
3. 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。
4. 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。

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。

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。

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。

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).