Overview
资料来源： 乔纳斯 · 卡普兰和莎拉一、 贝尔实验室 — — 南加利福尼亚大学
想象一下铃在响的声音。什么大脑的变化，当我们召唤这样的声音在"心灵的耳朵？"还有越来越多的证据，大脑的想象力，它用于感知使用相同的机制。1为例，当想象视觉图像，视觉皮层被激活，并时想象的声音，听觉皮层正在。然而，到何种程度上是这些感觉皮质的激活特定于内容的我们的想象力？
一种技术，可以帮助回答这个问题是磁模式分析 (MPVA) 的脑功能图像分析了使用机器学习技术。2-3中 MPVA 的实验中，我们训练一种机器学习算法来区分不同的刺激所诱发的活动的各种图案。例如，我们可能会问是否想象一个铃铛的声音产生不同图案的相比想象的电锯声或小提琴的声音的听觉皮层的活动。如果我们分类器学会分辨这些三刺激所产生的大脑活动模式，那么我们可以得出结论听觉皮层由每个刺激激活用独特的方法。认为这种实验的一种方法是，而不是活动的大脑区域，只询问一个问题我们问一个问题，关于这一地区的信息内容。
在这个实验中，基于迈耶等人，2010 年，4我们会提示与会者想象凭他们的无声视频，几种声音有可能唤起听觉表象。因为我们感兴趣测量诱发想象在听觉皮层中的细微模式，它要好，如果刺激介绍了完整的沉默，而不受干涉的功能磁共振成像扫描仪时发出的巨大声响。为了实现这一目标，我们将使用一种特殊的功能性磁共振成像序列被称为稀疏采样。在此方法中，单一功能磁共振成像卷每个刺激之后，定时捕获的血流动力学响应峰值是后天的 4-5 s。
Procedure
1.参与者招聘
- 招聘 20 名学员。
- 参与者应是右手坐标系和没有的神经或精神疾病史。
- 与会者应该有正常或更正正常的视觉，以确保能够正确地看到的视觉线索。
- 与会者应该没有金属，他们的身体。这是由于所涉及的功能磁共振成像在高磁场中重要的安全要求。
- 参与者应不患上幽闭恐惧症，因为功能磁共振成像需要躺在扫描仪的小空间孔。
2.预扫描程序
- 填写预扫描的文书工作。
- 当参与者对其功能磁共振成像扫描进来时，指示他们到金属屏幕窗体，以确保他们有没有反适应症磁共振成像，附带结果给予同意，由放射科医生，看他们扫描的窗体和同意详述的风险和益处的研究第一次填写。
- 准备去在扫描仪通过从他们的身体，包括皮带、 钱包、 手机、 发夹、 硬币和所有珠宝中删除所有金属的参与者。
3.提供指令的参与者。
- 告诉与会者，他们会看到一系列的几个视频短片在扫描器器内。这些视频会保持沉默，但他们可能唤起一声在他们的"心灵的耳朵"。问到重点参与者上并鼓励这听觉表象，尝试以"声音"尽其所能。
- 强调对参与者把他们的头仍在扫描整个的重要性。
4.把放在扫描仪中的参与者。
- 给参与者的耳塞来保护他们的耳朵从扫描仪和耳朵的电话，要穿，所以他们可以扫描期间，听到实验者，让他们躺在床上，他们的头线圈中的噪音。
- 给参与者紧急挤压球并指导他们挤它在紧急情况下在扫描期间。
- 使用泡沫垫，确保与会者头线圈扫描期间，避免过量运动，并提醒参与者，它是非常重要的逗留尽可能保持扫描期间，作为最小的运动模糊图像。
5.数据收集
- 收集高分辨率解剖扫描。
- 开始扫描功能。
- 扫描仪的开头同步刺激演示文稿的开始。
- 为了实现稀疏采样，MRI 体积的采集时间设定为 2 s，9-s 之间具有延迟量收购。
- 目前无声视频通过一台笔记本电脑连接到投影仪。参与者有一面镜子上面他们眼中，反映在扫描仪屏幕孔。
- 同步的每个 5 s 视频剪辑开始 4 开始 s 以前的 MRI 收购启动后。这将确保下一个 MRI 卷是后天的 7 s 后的视频剪辑，以便捕捉血流动力学的活动对应于影片的中间开始。
- 目前唤起听觉形象的三个不同的无声视频： 摆动来来回回，通过一棵树和一个人玩一把小提琴的电锯切割一个铃铛。
- 在每个功能的扫描，目前每个视频 10 次，按随机顺序。与每个审判持久 11 s，这将导致扫描 330 s （5.5 分） 长。
- 执行 4 功能扫描。
6.数据分析
- 定义一个区域 (ROI) 的兴趣。
- 使用每个参与者的高分辨率解剖扫描跟踪体素对应于早期听觉皮层 (图 1)。这对应于的颞叶，称为颞表面。使用每个人的大脑的解剖特征来创建蒙版特定于其听觉皮层。
图 1： 区域的兴趣追踪。表面的颞追查此参与者高分辨率的解剖图像，和在这里显示为蓝色。绿色是的额极控制面具。这些素将用于大脑皮层分析。
- 前处理的数据。
- 执行运动校正，以减少运动伪影。
- 执行时间的筛选，以删除信号漂移。
- 训练和测试分类器算法。
- 将数据分成训练和测试集。训练数据将用于训练分类器，并会用左出测试数据，来评估它学到什么。为了最大化的训练和测试数据独立性，数据从抛弃一个功能扫描作为测试集。
- 训练支持向量机算法在每个主题的听觉皮层的已标记的训练数据。测试的分类器能够正确地猜测的未标记的测试集，身份和记录分类的准确性。
- 重复此过程 4 次，省去每次扫描作为测试数据每个时间。这种类型的程序，其中每个部分的数据被遗漏或一次，被称为交叉验证。
- 通过平均跨 4 交叉验证褶皱组合分类器的准确性。
- 统计检验
- 若要确定是否分类器的表现好于机会 （33%)，我们可以比较结果在组级别的机会。要做到这一点，为每个主题，采集精度和测试分布是不同于使用非参数 Wilcoxon 签署等级测试的机会。
- 我们还可以问是否分类器的表现好于机会对于每一个人。要确定给定的精度水平的机会数据概率，创建空的分布，通过训练和测试的数据的标签有随机改变位置的大脑皮层算法。10000 倍排列标签来创建空值分布的准确性，然后将这种分布实际精度值进行比较。
- 为了演示在听觉皮层内信息的特殊性，我们可以训练和在大脑中测试的分类器对素从不同的位置。在这里，我们将使用掩码额极，取自概率图谱和变形以符合每个个人的大脑。
听觉表象是一个过程，即使目前没有外部听觉刺激时，引起声音的听觉，经验。
例如，想想听到的声音的手机在响。虽然在内存内的信息是基础这个虚构的事件，证据表明个人的大脑的想象作为那些所涉及的实际感知使用相同的机制。
仅仅依靠想象铃声内听觉皮层, 的区域被激活。然而，即使跨声刺激，这是真的，如何声音进行编码，以便不同声音的详细处理 — — 像门铃编钟和在电台播放的一首歌之间的区别 — — 是一个重要的问题。
迈耶和他的同事基于以前的工作，该视频演示了如何结合功能磁共振成像 — — 功能磁共振成像 — — 与演示文稿的不同的无声影片要探讨如何对大脑的听觉表象。
我们也将描述如何使用一种称为多体素模式分析方法 — — 大脑皮层的简称 — — 预测学科有想象通过分析功能磁共振成像会议期间获得的激活模式。
在这个实验中，参与者躺在功能磁共振成像扫描仪，显示一系列的无声视频。每一个 — — 无论是公鸡，电锯切割通过一棵树，或一个弹钢琴的人 — — 唤起鲜明、 生动的听觉表象，并要求他们在每个单一的演示文稿过程中想象的声音。
影像的采集程序依赖稀疏的时域采样，而单一功能磁共振成像的卷取得了 4 到 5 s 后提出了每个刺激。这种时间安排捕获的血流动力学响应峰值并降低的可能性信号之外，还会被掩盖扫描仪噪声。
每个想象声音预计诱导神经的活动，特别是在听觉皮层的微妙却独特模式。在这里，模式是一个关键词： 经典的方式，来分析这些数据使用单变量的方法，在哪里个人素 — — 表示某种程度的激活 — — 折叠为一个单一的平均。
这些值比较再穿过的声音，可能不会产生任何明显的差别，在激活水平。
相反，使用多元统计分析、 多体素奠定了每一个声音和活化水平可以跨所有体素都集体，相比 — — 每个想象声音为独特的总体格局作出贡献。
与此多体素模式分析或大脑皮层，方法，如果模式是确实敏感的具体内容，那么就可能可以用于预测原来的刺激。没错 — — 大脑皮层通常被称为一种读心术技术 ！
为了实现这个预测方面，必须收集分为训练和测试集的参与者的数据后执行更加密集处理。
从训练集的标记的数据前遭受了机器学习计算，具体而言，是一种支持向量机算法。这个过程用来准确地对数据进行分类的认识中可以区分三种类型的声音从另一个神经模式的功能。
分类器已学会准确地识别类型的功能后，与未标记数据从测试集，它提出了一种和其猜测然后相比正确刺激标签。
在这种情况下，分类性能作为因变量 — — 记录作为分类器的准确性 — — 这也相比，体素在不同的位置在大脑中，等额极诱发。
分类器预计预测的听觉表象，揭示大脑皮层的重要性在检测特定于内容的活动在听觉皮层内识别。
每个实验和安全问题，验证所有参与者都惯用右手，有正常或矫正到正常视力，没有历史的神经紊乱或幽闭恐惧症，不具备任何金属在他们的身体。同时，还要确保他们填写必要的同意表格。
在开始之前，解释，他们将看到几个短无声视频可能唤起他们的头脑中的声音的扫描仪中。问他们专注于想象的声音，"听到"他们尽其所能并仍然保持在任务的工期。
现在，准备进入扫描仪的参与者。若要查看这些步骤的详细信息，请参阅另一功能磁共振成像视频制作此集合中。
以下的准备工作，对齐参与者并发送它们在孔内。在相邻的房间里，首先收集高分辨率的解剖扫描。然后，随着功能扫描开始同步无声视频演示文稿的开始。
为了实现稀疏采样，MRI 体积的采集时间设定为 2 s，在之间的 9-s 延迟。
重要的是，协调开始每 5 s 视频剪辑开始 4 s 后以前的 MRI 收购开始捕获的血流动力学的活动对应于影片的中间。
目前每个视频 10 次，按随机顺序，生成一个扫描会话持续 5.5 分钟重复此功能的习得顺序三更多倍。
进行了四个功能扫描后，带出扫描仪，参与者和汇报他们结束研究。
若要定义感兴趣区域的表面的颞叶对应到早期的听觉皮层，也被称为颞使用高分辨率的解剖扫描的每个参与者和痕量素。此外，创建掩码包含体素在额叶，将用作控制区域。
然后，通过执行运动校正，以减少运动伪影的数据进行预处理和时间的筛选，以删除信号漂移。
接下来，将数据分成两组： 培训和测试。在一个数据集，训练分类器 — — 支持向量机算法 — — 一定要保证着数据从两个大脑区域单独为每个主题。
在另一组，评估分类器已经学到了什么 — — 它能够正确地猜测未标记数据的身份 — — 和运行记录了算法的准确性。执行此过程的共四次，留下了一个功能扫描结果作为测试数据每次 — — 这个过程被称为交叉验证。
若要可视化的数据，图平均的分类精度横跨四个交叉验证折叠每个参与者。
绘制这些平均数为主要感兴趣区域 — — 颞 — — 及管制区 — — 额极 — — 比较焦特异性的分类器，属于一个特定的领域，如听觉皮层，有选择性地预测要参与听觉想象的程度。
在这种情况下，运行非参数统计，Wilcoxon 签署等级测试，以测试性能对 33%的机会。请注意，在听觉皮层的平均分类精度是 59%，明显不同于机会水平。
相比之下，额极掩码中的平均表现为 33%，而不是从机会显著不同。
此外，注意分类器性能异个人。使用置换测试计算一种新的统计阈值的 42%之后, 看到 19 20 科目有精度值明显大于此级别使用从颞，体素，而没有有性能比使用从额极体素的机会更大。
总体来看，这些结果意味着大脑皮层技术准确地预测这三种声音的参与者并想象基于模式的神经活动。在暗示，声内容没有代表全球整个大脑的听觉皮层内只作了这样的预测。
既然你已经熟悉如何运用多体素模式分析，研究听觉表象，让我们看看心理学如何使用多元技术推进到读心的未来派的方法 — — 解码心理状态 — — 在其他域中。
分类有所得腹侧颞叶皮层的功能磁共振成像数据用于预测的各种对象参与者查看，例如区分房屋和面孔。
进一步考虑这一步，它是甚至可能预测是否个人会买那所房子或找人令人愉快。为令人毛骨悚然的声音，这些神经营销学的含义并不牵强 ！
同样的方法也可用于观看表演后检测或者情绪状态 — — 认识到一场恐怖片的确可怕 — — 或甚至电影流派;例如，可怕的电影可能更可预见的从事杏仁核，在一个可靠地将涉及前额叶皮层的沉思。
此外，脑-机接口可以转换会加强沟通，个人经历言语治疗或运动，对于那些已经患上下肢截肢的信号的心理状态。
你刚看了朱庇特的视频上理解听觉意象使用多体素模式分析。现在你应该有好的理解如何设计和进行功能性神经影像，结合听觉表象实验以及最后如何分析和解释特定的大脑活动模式。
谢谢观赏 ！
Subscription Required. Please recommend JoVE to your librarian.
Results
在颞跨所有 20 名学员平均分类精度为 59%。魏氏签署等级测试，这是从 33%的机会水平显著不同。额极掩码中的平均表现 32.5%，这是不大于机会(图 2)。
图 2.在每个参与者的分类性能。三种方式分类，机会性能会有 33%。根据置换的测试， p α 置信度 < 0.05 对应到 42%。
置换测试发现只有 5%的置换取得精度大于 42%;因此，我们统计的阈值为个别科目是 42%。十九岁 20 科目了分类器性能显著大于使用从颞，体素，而没有性能比使用从额极体素的机会更大的机会。
因此，我们是活动的能够成功地预测从这三个声音的参与者想象的听觉皮层模式。我们没有能够作出这一预测基于活动模式从额极，这表明的信息全球整个大脑。
Subscription Required. Please recommend JoVE to your librarian.
Applications and Summary
大脑皮层是理解大脑是如何表示信息的有用工具。而不是考虑时间进程的每个像素分别与传统的活化分析，这种技术认为穿过一次，很多体素模式提供与单变量技术相比的敏感性增加。经常多变量分析揭示了单变量技术是不能的差异。在这种情况下，我们了解的心理意象机制通过探测大脑听觉皮层的特定区域中的信息内容。这些激活模式的特定于内容的性质将难以用单变量方法测试。
有来自这种分析中的推理方向的额外好处。在大脑皮层中我们开头的大脑活动模式，并尝试推断出一些关于参与者的心理状态。这种"脑阅读"方法可以导致脑-机接口的发展和可能允许沟通与那些与受损的演讲或运动的新机会。
Subscription Required. Please recommend JoVE to your librarian.
References
- Kosslyn, S.M., Ganis, G. & Thompson, W.L. Neural foundations of imagery. Nat Rev Neurosci 2, 635-642 (2001).
- Haynes, J.D. & Rees, G. Decoding mental states from brain activity in humans. Nat Rev Neurosci 7, 523-534 (2006).
- 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).
- Meyer, K., et al. Predicting visual stimuli on the basis of activity in auditory cortices. Nat Neurosci 13, 667-668 (2010).
