Расшифровка категорий: Все категории водительских прав 2020 года с расшифровкой

являются одним из самых известных методов классификации с вычислительными преимуществами.Интуитивно SVM ищет гиперплоскость, до которой максимально увеличивается расстояние от ближайших выборок каждого из двух классов [28]. Решающее правило линейной двоичной SVM следует формуле (2). Механизм SVM заключается в минимизации следующей проблемы оптимизации:

1. Свернуть,
2. В соответствии с y _i [ w ^T x _i + b] ≥ 1- ξ _i , ξ _i ≥ 0, i = …, п .

Рекурсивное исключение признаков (RFE) — это итеративная процедура обратного исключения вокселов.Принято считать, что в исследованиях фМРТ только части мозга участвуют в восприятии определенной информации, поэтому модели MVPA стремятся идентифицировать подмножество вокселей, которые могут эффективно и действенно представлять различные процессы интересующего стимула. RFE является такой стратегией устранения вокселов, и ее можно резюмировать следующим образом:

1. Обучите классификатор (оптимизируйте веса W _i относительно Дж (Вт) )
2. Вычислить дискриминационные веса (критерий ранжирования) для всех функций ( W _i ² )
3. Удалите элементы с наименьшими разрядами.

Универсальный SVM-RFE

SVM-RFE изначально был разработан для двоичной классификации. В настоящем исследовании мы хотим построить модель многоклассовой классификации для одновременного декодирования нескольких звуковых категорий на основе активности мозга в слуховой коре височной доли. Следовательно, после предварительной обработки данных с использованием AFNI мы применили расширение SVM-RFE, а именно мультиклассовый SVM-RFE (MSVM-RFE), для декодирования нескольких категорий звука [29].

Мы рассмотрели все воксели в височной доле обоих полушарий, чтобы сформировать исходные многовоксельные паттерны.Воксельная реакция стимула оценивалась с помощью GLM, в которой стимул кодировался как один предиктор. Для этого анализа стимульные реакции оценивались для каждого из семи функциональных прогонов отдельно.

Весь набор данных был разделен на две части: обучающий набор и тестовый набор. Для каждого разделения данные из обучающего набора использовались для обучения классификатора вычислению дискриминантных весов вокселей, а затем данные из независимого тестового набора использовались для тестирования обученного классификатора для оценки точности классификации.По соглашению [27] половина вокселов с более низкими дискриминантными весами удалялась на этапе RFE в каждой итерации. На этапе обучения перекрестная проверка использовалась, чтобы найти оптимальное количество вокселов, которые должны быть включены в модель, что дало наименьшую ошибку перекрестной проверки. Для внутрипредметного анализа классификатор был обучен для каждого предмета отдельно, с данными пяти функциональных прогонов в качестве обучающего набора и двух других прогонов как тестового набора. Процесс повторялся пять раз, каждый со случайным выбором разделения данных на семь функциональных прогонов.Для межпредметного анализа данные от каждого отдельного субъекта были исключены один раз в качестве набора тестов, в то время как данные от всех других субъектов обрабатывались как обучающий набор. Точности классификации, рассчитанные на основе наборов тестов, усредняли по всем повторениям. Выбранные воксели были сопоставлены с шаблоном мозга в качестве отличительной карты для каждой классификации.

Чтобы исследовать репрезентацию звуковых категорий мозгом, мы построили карты выборки звуков по категориям. Подобно одномерному контрастному анализу, категориально-селективные карты часто определяются на основе результатов алгоритмов бинарной классификации [3].Например, выборочная карта английского языка может быть определена как соединение шести различающих карт, относящихся к английской категории, которые получены посредством бинарных классификаций английского языка по сравнению с каждой из шести других звуковых категорий. В этом исследовании мы использовали мультиклассовую классификацию, чтобы найти карты с отбором по категориям. Например, выборочная карта для английского языка определяется как значимые оставшиеся воксели при сравнении классификаторов 7-го (все) и 6-го классов (без английского). Мы объединили выбранные воксели от всех субъектов и сопоставили эти воксели, которые последовательно выживали при выборе RFE более чем для одного повторения и более чем для одного субъекта, обратно в шаблон мозга в виде выборочных карт.

Другие методы MVPA

Поскольку SVM-RFE является одной из многих возможных машин векторов поддержки, мы также исследовали две другие модели SVM, включая L2-регуляризованную классификацию векторов поддержки L1-потерь [30] и мультиклассовую SVM Краммера-Зингера [30]. Хотя SVM часто понимается как метод поиска гиперплоскости с максимальным запасом, его также можно сформулировать как функцию потерь на шарнире плюс член регулирования L2-нормы. Так называемая L2-регуляризованная классификация опорных векторов L1-потерь — это машина опорных векторов со схемой регуляризации L2-нормы и функцией потерь L1-нормы.Мультиклассовая SVM Краммера-Зингера — это машина опорных векторов, которая может классифицировать несколько классов без возможности выбора вокселей [31]. Поскольку данные фМРТ имеют высокую размерность, мы также рассмотрели применение штрафного линейного дискриминантного анализа (PLDA), одного передового статистического метода, обычно используемого при анализе данных большой размерности [32]. Линейный дискриминантный анализ — это классический метод уменьшения размерности и классификации, цель которого — максимизировать соотношение межклассовой дисперсии к внутриклассовой дисперсии.PLDA — это общий подход к наказанию дискриминантных векторов в линейном дискриминантном анализе Фишера, что приводит к большей интерпретируемости. Результаты этих методов будут сравнены в следующем разделе.

Результаты

Многоклассная классификация по предметам

В общем, мультиклассовое предсказание намного сложнее, чем решение двоичного предсказания [29]. Эта проблема становится еще более сложной в данных фМРТ из-за большого количества вокселей и относительно небольшого количества выборок для каждого стимула и категории.Сначала мы исследовали характеристики классификации нескольких мультиклассовых моделей MVPA, включая MSVM-RFE, PLDA, L2-регуляризованную векторную классификацию L1-потерь и мультиклассовую SVM Краммера-Зингера. Классификатор из семи классов был построен с использованием каждого из этих статистических методов с пятью повторениями. Как показано на рис. 1, MSVM-RFE по точности классификации намного превосходит остальные три модели. Горизонтальная линия отмечает уровень вероятности. Следует отметить, что в литературе имеется гораздо больше доступных моделей MVPA.Для нашей конкретной проблемы была выбрана модель MSVM-RFE для анализа данных фМРТ.

Для оценки и декодирования различных паттернов активации, вызванных разными звуковыми категориями, мы обучили и протестировали модель MSVM-RFE для декодирования всех семи звуковых категорий одновременно в пределах каждого субъекта. На рис. 2 показаны точности классификации для внутрисубъектного анализа с уровнем вероятности, отмеченным горизонтальной линией. Модель MSVM-RFE смогла изучить функциональную связь между звуковыми категориями и соответствующими вызванными пространственными паттернами и достигла точности классификации для каждого субъекта, значительно превышающей уровень вероятности (p = 3 × 10 ^-4 для субъекта 1, p <1 × 10 ^-4 для субъектов 2 и 3, p = 2.6 × 10 ^-3 для субъекта 4, p = 1,7 × 10 ^-3 для субъекта 5 и p = 1 × 10 ^-4 для субъекта 6, односторонний t-критерий для одного образца, n = 5) . Это демонстрирует возможность декодирования нескольких звуковых категорий внутри субъектов. На рис. 2 мы также наблюдали некоторые признаки изменчивости результатов классификации по предметам.

Для дальнейшего изучения представления мозгом категорий звуков мы построили карты выборки звуков по категориям. На рис. 3 показаны отдельные карты мозга для категорий «Английский» и «Музыка» по отдельности, обе из которых выявили распределенные паттерны мозговой активности в верхней височной извилине (STG) и средней височной извилине (MTG).Выборочная карта английского языка, которая отличала английский язык от других шести звуковых категорий, была широко распространена двусторонне в STG с самым большим кластером (приблизительно соответствующим координате MNI -58, -30, -9) в левой MTG. Панели (a1) — (a4) на рис.3 показывают четыре самых больших кластера из вокселей, выбранных для английской категории в левом MTG (-58, -30, -9), левом STG (-65, -16, 4 ), правый STG (64, -27, 2) и левый MTG (-46, -53, 6) соответственно. На панели (а5) показано скопление на левой извилине Гешля (-49, -16, 7).Как показано на панелях (b1) — (b5), пять самых больших кластеров для карты выбора музыки были обнаружены в правом MTG (64, -37, -1), правом MTG (65, -41, 2), правый STG (58, -24, 0), правый STG (47, 11, -9) и левый STG (-55, 9, 3), а различительные паттерны для музыки были широко распределены с обеих сторон в верхних височных регионы. В литературе по декодированию головного мозга четко не определен распределенный паттерн мозговых реакций. В области зрительного восприятия было обнаружено, что представление мозгом категорий визуальных объектов широко распространено, что отражается в отчетливом паттерне реакции на обширном пространстве коры головного мозга [14].Тот же тип распределенного паттерна, специфичного для категории, наблюдался в нашем исследовании, а также в нескольких других исследованиях декодирования мозга в слуховой области [2, 5]. Наши результаты показывают, что представления звуковых категорий широко распространены в височной коре. Это согласуется с предыдущими исследованиями, показывающими, что информация в пространственно распределенных паттернах может отражать более абстрактный уровень восприятия представления звуковых категорий [1, 2].

Рис. 3. Выборочные карты мозга для (а) английского и (б) музыкальных категорий, основанные на результатах классификации MSVM-RFE.

Панели (a1) — (a4) показывают четыре самых больших кластера из вокселей, выбранных для английской категории. На панели (а5) показано скопление на левой извилине Гешля. Панели (b1) — (b5) показывают пять самых больших кластеров из вокселей, выбранных для категории «Музыка». Для каждой панели аксиальный, сагиттальный и коронарный срезы центрируются в соответствующем кластере. Левая часть мозга находится в левой части рисунка.

https://doi.org/10.1371/journal.pone.0117303.g003

Классификация нескольких классов по предметам

Чтобы исследовать, согласованы ли звуковые паттерны выборочной активности по категориям для разных субъектов и как результаты анализа паттернов обобщаются среди индивидуумов, мы выполнили межпредметный анализ.Поскольку точность классификации внутри предмета, полученная от предмета 4, была значительно ниже, чем точность, полученная от любого другого предмета (рис. 2), мы исключили этот предмет из дальнейшего анализа. Один из способов проверить, есть ли у разных субъектов согласованные паттерны реакции мозга, — это обучить классификатор на данных, полученных от нескольких человек, и протестировать классификатор на данных, полученных от нового человека [20]. Следовательно, в рамках предметного анализа мы итеративно не учитывали полные данные по одному предмету.Модель классификации семи звуковых категорий одновременно была обучена на четырех предметах и ​​протестирована на оставленном предмете. Из рисунка 4 видно, что эффективность прогнозирования значительно выше вероятности (p = 7,3 × 10 ^-3 , односторонний t-тест с одним образцом, n = 5), что демонстрирует возможность декодирования нескольких звуковых категорий для разных субъектов. . Это указывает на то, что паттерны нейронной активности в височной коре головного мозга человека отражают категориальное содержание звуков и что эти паттерны имеют общие черты у разных субъектов.Горизонтальная линия представляет точность, достигаемую при угадывании. Сравнивая рис.2 и рис.4, мы видим, что точность классификации по предметам значительно ниже, чем точность классификации внутри субъектов (p <1 × 10 ^-4 , двухвыборочный двусторонний t-критерий, n ₁ = 25, n ₂ = 5), что указывает на то, что значительная часть нейронного представления звуковых категорий специфична для человека. Это говорит о том, что вариации между предметами влияют на эффективность классификации больше, чем вариации внутри предмета.По сравнению с внутрипредметным анализом, внутрипредметное обобщение является более сложной задачей из-за дополнительной межпредметной вариативности. Успех стратегий декодирования также будет зависеть от того, возможно ли идентифицировать функционально совпадающие области мозга у разных субъектов.

Рис. 4. Точность классификации по предметам для всех семи звуковых категорий с использованием MSVM-RFE.

Основываясь на результатах внутрипредметного анализа, данные от предмета 4 не были включены в предметный анализ.«Исключить подпункт 1» означает исключить предмет 1. Это означает, что модель обучается на данных от 2-го, 3-го, 5-го и 6-го субъектов и проверяется на данных от 1-го субъекта.

https://doi.org/10.1371/journal.pone.0117303.g004

Многоклассная классификация по усредненным предметам и предметам

Результаты многоклассовой классификации внутри и между предметами побудили нас продолжить изучение влияния усреднения по элементам и по предметам на производительность классификатора.Все четыре сценария и их взаимосвязь представлены на рис. 5.

Рис. 5. Диаграмма взаимосвязи четырех различных случаев анализа данных фМРТ.

(A) Случай WithinSub: Классификаторы обучаются и тестируются по каждому предмету отдельно; (B) Case AcrossSub: классификаторы строятся по предметам, то есть не учитывают полные данные одного предмета для тестирования и используют данные всех других предметов для обучения; (C) Case AvgItem: данные фМРТ усредняются по элементам, а классификаторы строятся по предметам на основе усредненных данных; (D) Случай AvgSub: данные фМРТ усредняются по предметам, и для этого «усредненного предмета» построены классификаторы.Для каждого случая анализа данных фМРТ, если красный прямоугольник содержит только одну тему, это указывает на внутрипредметный анализ. В противном случае анализ проводится по предметам.

https://doi.org/10.1371/journal.pone.0117303.g005

Внутриобъектный и межпредметный анализ, описанный в двух предыдущих подразделах, называется Cases WithinSub и AcrossSub, как показано в частях A и B на рис. Чтобы изучить возможность обобщения по различным образцам звука (элементам) в пределах одной и той же категории звука, мы усреднили изображения фМРТ по элементам (Case AvgItem), что привело к данным фМРТ по «усредненному элементу».Усреднение по элементам в Case WithinSub приводит к Case AvgItem (часть C на рис. 5). Кроме того, мы усреднили изображения фМРТ по субъектам, чтобы исследовать эффект усреднения по субъектам (случай AvgSub), что привело к данным фМРТ по «усредненному объекту». Усреднение по предметам в Case WithinSub приводит к Case AvgSub (часть D на рис. 5). Для случаев WithinSub и AvgSub красный прямоугольник на рис. 5 включает только одну тему, что указывает на то, что классификатор находится внутри субъекта. Для Cases AcrossSub и AvgItem красный прямоугольник включает несколько субъектов, что указывает на то, что классификатор обучается на данных из подгруппы субъектов, а затем тестируется на данных от субъекта, который не является частью этой подгруппы (рис.5).

Как описано выше, для каждого случая были построены семизначные классификаторы категорий. Усредненные значения точности классификации по каждому случаю показаны на рис. 6. Точности классификации по Case WithinSub значительно выше, чем по Case AcrossSub. Это говорит о том, что вариация между предметами влияет на эффективность классификации больше, чем вариация внутри предмета. Что еще более интересно, было обнаружено, что точность классификации в Case AvgItem значительно выше, чем в случае Case AcrossSub (p = 0.0196, двухвыборочный двусторонний t-критерий, n ₁ = 5, n ₂ = 5) ， хотя модели, построенные для этих двух случаев, являются универсальными многоклассовыми классификаторами. Это говорит о том, что усреднение по элементам помогает повысить производительность классификатора. Перцепционная категоризация входящих звуков требует перцептивной инвариантности наборов звуков, классифицированных как принадлежащие к одной и той же категории. Усредняя изображения фМРТ по элементам, мы уменьшаем несущественные различия между различными элементами одной и той же звуковой категории и, в свою очередь, увеличиваем долю сигналов, относящихся к классификации звука.Это разумно в том смысле, что данные с большим количеством повторений по элементам более стабильны и меньше страдают от шума. При сравнении Case AvgSub и Case WithinSub, как и ожидалось, эффективность классификации по «усредненному предмету» близка к средней эффективности классификации по отдельным предметам.

Чтобы лучше понять взаимосвязь между четырьмя случаями, мы выполнили совместное картирование мозга вокселов, выбранных в разделах Cases WithinSub и AvgSub, Cases WithinSub и AvgItem, а также Cases WithinSub и AcrossSub.Поскольку Case WithinSub (внутрисубъектный анализ) является наиболее распространенным способом анализа данных фМРТ, мы сравнили выбранные воксели, которые являются общими и разными для Case WithinSub и каждого из трех других случаев. Опять же, выявленные закономерности мозговой деятельности распределяются. Несмотря на эти различия, мы обнаружили, что, что более интересно, самые большие кластеры (соответствующие приблизительно координате MNI (-65, -15, -6), (-63, -13, -3) и (-63, -14, -4) на рис.7 части (a), (b) и (c) соответственно), сформированные выбранными вокселями, которые являются общими для Case WithinSub, и каждый из трех других случаев находится примерно в тех же местах мозга, что указывает на эту классификацию в этих случаях полагаются на аналогичные области мозга (рис.7). Хотя точность различается для четырех случаев из-за вариаций субъектов и других факторов, общие воксели, обнаруженные на картах мозга соединения на рис. 7, кажутся важными для успешной классификации. Это также говорит о том, что многовоксельные модели ЖИВОГО ответа, вызванные слуховыми стимулами, информативны и могут использоваться для декодирования нескольких звуковых категорий не только внутри, но и между субъектами.

Рис. 7. Карты мозга соединения для общих вокселей между Cases WithinSub и каждым из трех других.

Мозговые карты самых больших кластеров, образованных выбранными вокселями, которые являются общими для случаев WithinSub и AvgSub, случаев WithinSub и AvgItem, а также случаев WithinSub и AcrossSub, показаны в частях (a), (b) и (c) соответственно. Левая часть мозга находится в левой части рисунка.

https://doi.org/10.1371/journal.pone.0117303.g007

Обсуждение

Варианты наименования и предмета

В этом исследовании было обнаружено, что вариации как предмета, так и предмета оказывают значительное влияние на производительность декодирования модели.

Один сложный вопрос — это степень, в которой стратегии декодирования MVPA могут быть обобщены для разных образцов одной и той же звуковой категории [9]. Восприятие звуковых категорий требует перцептивной инвариантности наборов звуков, классифицированных как принадлежащие к одной и той же категории, что приводит к более абстрактному представлению звукового сходства [1]. Успешные стратегии декодирования должны быть в состоянии увеличить процесс получения релевантной информации и уменьшить процесс обработки нерелевантной информации.Это требует определенной степени гибкости в моделировании MVPA, чтобы модель игнорировала несущественные различия между различными элементами одной и той же звуковой категории и выбирала аналогичные функции в качестве основы для абстрактных представлений звуковых категорий. Однако способность моделей MVPA идентифицировать характерный образец ответа мозга, соответствующий одной звуковой категории, зависит от выбора звуковых образцов как принадлежащих к этой категории. Если звуковая категория хорошо представлена ​​выбранными образцами, упрощается обобщение для разных экземпляров одной и той же звуковой категории.Усредняя изображения фМРТ по элементам, мы уменьшаем несущественные различия между различными элементами одной и той же звуковой категории и, в свою очередь, увеличиваем долю сигналов, относящихся к классификации звука. Усредненный элемент, по-видимому, обладает наибольшим количеством свойств, определяющих эту категорию, и, следовательно, может считаться наиболее типичным образцом этого класса. Подобно теории образцов в литературе по визуальной категоризации, категоризация основана на сравнении стимула со всеми ранее категоризированными образцами всех категорий [33].Наличие большего количества образцов звука в одной звуковой категории может помочь улучшить производительность декодирования модели.

Звуки одной категории, хотя и сильно варьируются, могут иметь значительное акустическое сходство по сравнению со звуками между категориями. В этом сценарии модели MVPA потенциально могут учитывать физические, а не категориальные различия во время обучения. Подобно предыдущим исследованиям [2, 3], все стимулы в этом исследовании были повторно дискретизированы с одинаковой частотой дискретизации и нормализованы к одному и тому же уровню интенсивности и основной частоте.Однако мы не можем полностью исключить роль акустических переменных, поскольку семантические и акустические категории могут быть коррелированы. Совершенная нормализация акустических различий создаст набор идентичных стимулов [3]. Следовательно, ожидается некоторая акустическая изменчивость по категориям. Отношения между звуковыми категориями и акустическими характеристиками сложны. Предыдущая работа установила, что люди классифицируют звуковые образцы на основе семантических характеристик, а не строго перцептуальных, что означает, что семантические свойства не могут быть напрямую сведены к причинным физическим параметрам [34].Хотя воспринимаемое сходство между звуками окружающей среды в значительной степени определяется акустическими характеристиками, категоризация звука хуже предсказывается акустическими характеристиками [35].

Еще один сложный вопрос — обобщение модели декодирования по предметам. Известно, что не всегда существует точное пространственное соответствие между гомологичными функциональными локациями в разных индивидуальных мозгах, даже когда используются продвинутые процедуры выравнивания [9]. Такое предметное изменение неизбежно затмевает любое общесубъектное обобщение.Хотя существуют вариации в анатомии субъектов и методологические трудности в совместной регистрации между субъектами, возникло нейронное сходство с точки зрения местоположения и амплитуд активации вокселей, используемых классификатором для определения категории стимула [36]. В настоящее время растет количество исследований, показывающих, что MVPA может раскрывать инвариантные паттерны нейронной активности у субъектов [20, 37, 38].

Локализованное и распределенное представление звуковых категорий

В литературе по фМРТ-исследованиям репрезентаций звуковых категорий мозгом предыдущие модели предполагают иерархическую обработку слуховых категорий в слуховой коре.В этих моделях верхняя височная кора головного мозга организована в специализированных областях, среди которых нейронная обработка звука переходит от анализа его физических составляющих низкого уровня к более высоким измерениям восприятия. Несколько групп использовали одномерные подходы и определили избирательные области в слуховой коре, которые потенциально объясняют дифференциацию звуковых категорий [3, 4, 39]. Однако Staeren et al . обнаружили, что представления звуковых категорий в верхней височной коре широко распространены [2].В нашем исследовании звуковые карты мозга с отбором по категориям были идентифицированы на основе многоклассовой классификации и выявили распределенные паттерны мозговой активности вдоль височной коры. Это согласуется с предыдущими исследованиями, показывающими, что информация в пространственно распределенных паттернах может отражать более абстрактный уровень восприятия представления звуковых категорий [1, 2]. Это предполагает, что представления мозга о звуковых категориях могут возникать в результате совместного кодирования информации, происходящей в наборе областей, связанных не только с высокоуровневой, но и с низкоуровневой обработкой слуха.В будущих исследованиях следует рассмотреть взаимодействие между семантическими и физическими свойствами звуковых категорий и их взвешивание свойств при кодировании звука, в том числе то, как представлены звуки в одной семантической категории с разными или одинаковыми акустическими характеристиками, а также являются ли центральные и распределенные представления. относящиеся к категориальным иерархиям.

Локализованные и распределенные виды категоризации звука не могут быть полностью несовместимы друг с другом.Одна область может играть доминирующую роль, в то время как несколько различных областей предлагают дополнительную поддержку. Кумар и др. . доказывал возможность включения роли основного тона в распределенную систему для представления основного тона человеческого мозга [40]. Аналогичные аргументы можно привести в пользу представления звуковых категорий в человеческом мозге.

Мы признаем, что размер выборки в нашем текущем исследовании относительно невелик, тем не менее, этот размер выборки согласуется с аналогичными исследованиями, описанными в литературе [1, 2, 5, 19, 20].Мы считаем, что наше исследование демонстрирует, что можно обобщить звуковую категоризацию с помощью измерений фМРТ от одного слушателя к другому. Однако мы не утверждаем, что полученные нами данные могут быть обобщены для всех слушателей в популяции. Кроме того, мы признаем, что наши результаты ограничены семью выбранными звуковыми категориями, и необходимы дальнейшие исследования, чтобы изучить, как другие звуковые категории представлены в мозгу. Тем не менее, мы включили ряд звуковых категорий, которые можно найти в мире природы.Таким образом, мы считаем, что наши результаты говорят о фундаментальных принципах кодирования звуковых категорий в головном мозге.

Резюме

В этом исследовании мы исследовали представление и обработку звуковых категорий в височной коре человека с использованием методов фМРТ и MVPA высокого разрешения. Важно отметить, что мы изучили преимущества использования MSVM-RFE для одновременного декодирования нескольких категорий звука. Надежная классификация паттернов является сложной задачей из-за наличия нескольких категорий звуков, высокой размерности набора данных и небольших размеров выборки для каждого стимула и категории.

Мы показали, что для всех классификаций модель MSVM-RFE смогла изучить функциональную связь между множеством звуковых категорий и соответствующими вызванными пространственными паттернами и классифицировать немаркированные звуковые паттерны значительно выше вероятности. Это указывает на возможность декодирования нескольких звуковых категорий не только внутри, но и между предметами. Карты мозга с отбором по категориям звуков были определены на основе мультиклассовой классификации и выявили распределенные паттерны мозговой активности.Наш межсубъектный анализ показывает, что паттерны нейронной активности в височной коре головного мозга человека отражают категориальное содержание звуков и что эти паттерны имеют общие черты у разных субъектов. Однако вариации между предметами влияют на эффективность классификации больше, чем вариации внутри предмета, поскольку внутрипредметный анализ имеет значительно более низкую точность классификации, чем внутрипредметный анализ. Кроме того, мы показываем, что путем усреднения изображений фМРТ по элементам можно значительно повысить эффективность классификации по предметам.После усреднения изображений фМРТ по элементам несущественные различия между различными элементами одной и той же звуковой категории уменьшаются, и, в свою очередь, увеличивается доля сигналов, относящихся к классификации звука. Это требует определенной степени гибкости в моделировании MVPA, чтобы модель игнорировала несущественные различия между разными экземплярами одной и той же звуковой категории и выбирала аналогичные функции в качестве основы для абстрактных представлений звуковых категорий. Кроме того, это исследование улучшает наше понимание важного и нерешенного вопроса, т.е.е., уровень, до которого модели декодирования MVPA могут быть обобщены по множеству категорий звука, по разным предметам и по разным образцам звука в одной и той же категории.

Благодарности

Авторы хотели бы поблагодарить двух анонимных рецензентов за их ценные комментарии, а также Ника Паевски за помощь в подготовке рукописи.

Вклад авторов

Задумал и спроектировал эксперименты: FZ JK TP PW. Проведены эксперименты: JK TP PW.Проанализированы данные: FZ JW JK PW. Написал статью: FZ JW PW.

Список литературы

1. 1. Лей А., Вромен Дж., Хаусфельд Л., Валенте Дж., Де Верд П. и др. (2012) Изучение новых звуковых категорий формирует паттерны нейронных реакций в слуховой коре человека. J. Neurosci. 32: 13273–13280. pmid: 22993443
2. 2. Staeren N, Renvall H, De Martino F, Goebel R, Formisano E (2009) Звуковые категории представлены как распределенные паттерны в слуховой коре человека.Curr. Биол. 19: 498–502. pmid: 19268594
3. 3. Ливер AM, Раушекер JP (2010) Кортикальное представление естественных сложных звуков: эффекты акустических характеристик и категории слуховых объектов. J. Neurosci. 30: 7604–7612. pmid: 20519535
4. 4. Раушекер Дж. П., Скотт С. К. (2009) Карты и потоки в слуховой коре: нечеловеческие приматы освещают обработку человеческой речи. Nat. Neurosci. 12: 718–724. pmid: 19471271
5. 5. Формизано Э, Де Мартино Ф, Бонте М., Гебель Р. (2008) «Кто» говорит «Что»? На основе мозга.Расшифровка человеческого голоса и речи. Наука 7: 970–973.
6. 6. Kay KN, Naselaris T, Prenger RJ, Gallant JL (2008) Идентификация естественных изображений из активности человеческого мозга. Природа 452: 352–355. pmid: 18322462
7. 7. Naselaris T, Prenger RJ, Kay KN, Oliver M, Gallant JL (2009) Байесовская реконструкция естественных изображений из активности человеческого мозга. Нейрон 63: 902–915. pmid: 19778517
8. 8. Мейер К., Каплан Дж. Т., Эссекс Р., Уэббер С., Дамасио Н. и др.(2010) Прогнозирование визуальных стимулов на основе активности слуховой коры. Nat. Neurosci. 13: 667–668. pmid: 20436482
9. 9. Haynes JD, Rees G (2006) Расшифровка психических состояний по активности мозга у людей. Nat. Rev. Neurosci. 7: 523–534. pmid: 16791142
10. 10. Weil RS, Rees G (2010) Расшифровка нейронных коррелятов сознания. Curr. Opin. Neurol. 23: 649–655. pmid: 20881487
11. 11. Тонг Ф., Пратте М.С. (2012) Расшифровка моделей активности человеческого мозга.Анну. Rev. Psychol. 63: 483–509. pmid: 21943172
12. 12. Raizada RDS, Kriegeskorte N (2010) ФМРТ с информацией о паттернах: новые вопросы, которые она открывает, и проблемы, с которыми она сталкивается. Int. J. Imag. Syst. Tech. 20: 31–41.
13. 13. Ханке М., Хальченко Ю.О., Седерберг П.Б., Хансон С.Дж., Хаксби СП и др. (2009) PyMVPA: Набор инструментов Python для многомерного анализа паттернов данных фМРТ. Нейроинформатика 7: 37–53. pmid: 19184561
14. 14. Haxby JV, Gobbini MI, Furey ML, Ishai A, Schouten JL, et al.(2001) Распределенные и перекрывающиеся изображения лиц и предметов в вентральной височной коре. Наука 293: 2425–2430. pmid: 11577229
15. 15. Макдермотт Дж. Х., Шемич М., Симончелли Е. П. (2013) Сводная статистика слухового восприятия. Nat. Neurosci. 16: 493–498. pmid: 23434915
16. 16. Ариэли Д. (2001) Видящие множества: представление с помощью статистических свойств. Psychol. Sci. 12: 157–162. pmid: 11340926
17. 17. Chong SC, Treisman A (2003) Представление статистических свойств.Зрение. Res. 43: 393–404. pmid: 12535996
18. 18. Балас Б., Накано Л., Розенхольц Р. (2009) Сводно-статистическое представление в периферическом зрении объясняет визуальную скученность. J. Vis. 9: 13 11–18.
19. 19. Meier JD, Aflalo TN, Kastner S, Graziano MS (2008) Сложная организация первичной моторной коры человека: исследование фМРТ с высоким разрешением. J. Neurophysiol. 100: 1800–1812. pmid: 18684903
20. 20. Каплан Дж. Т., Мейер К. (2012) Анализ многомерных паттернов выявляет общие нейронные паттерны у людей во время сенсорного наблюдения.Neuroimage 60: 204–212. pmid: 22227887
21. 21. Тайс Б, Каррелл Т (1997) Тон. Университет Небраски.
22. 22. Boersma P, Weenink D (2001) Praat, система для компьютерной фонетики. Глот. Международный 5: 341–345.
23. 23. Cox RW (1996) AFNI: программное обеспечение для анализа и визуализации функциональных магнитно-резонансных нейровизуальных изображений. Comput. Биомед. Res. 29: 162–173. pmid: 8812068
24. 24. Де Мартино Ф., Валенте Дж., Стаерен Н., Эшбернер Дж., Гебель Р. и др.(2008) Сочетание многомерного выбора вокселей и вспомогательных векторных машин для отображения и классификации пространственных паттернов фМРТ. Нейроизображение 43: 44–58. pmid: 18672070
25. 25. Норман К.А., Полин С.М., Детре Г.Дж., Хаксби Дж.В. (2006) Помимо чтения мыслей: анализ многовоксельного паттерна данных фМРТ. Trends Cogn. Sci. 10: 424–430. pmid: 16899397
26. 26. Formisano E, De Martino F, Valente G (2008) Многомерный анализ временных рядов fMRI: классификация и регрессия ответов мозга с использованием машинного обучения.Magn. Резон. Изображение 26: 921–934. pmid: 18508219
27. 27. Guyon I, Weston J, Barnihill S, Vapnik V (2002) Выбор гена для классификации рака с использованием машин опорных векторов. Мах. Учение 46: 389–422.
28. 28. Вапник V (1998) Статистическая теория обучения. Спрингер, штат Нью-Йорк.
29. 29. Zhou X, Tuck DP (2007) MSVM-RFE: расширения SVM-RFE для многоклассового отбора генов на данных микрочипа ДНК. Биоинформатика 23: 1106–1114. pmid: 17494773
30. 30.Fan RE, Chang KW, Hsieh CJ, Wang XR, Lin CJ (2008) LIBLINEAR: Библиотека для большой линейной классификации. J. Mach. Учить. Res. 9: 1871–1874.
31. 31. Crammer K, Singer Y (2000) Об обучаемости и дизайне выходных кодов для мультиклассовых задач. Comput. Учить. Теория: 35–46.
32. 32. Виттен Д.М., Тибширани Р. (2011) Наказанная классификация с использованием линейного дискриминанта Фишера. J. R. Stat. Soc. Серия B Стат. Методол. 73: 753–772. pmid: 22323898
33. 33.Нософский Р.М. (1986) Внимание, сходство и отношение категоризации идентификации. J. Exp. Psychol. Быт. 115: 39–57. pmid: 2937873
34. 34. Dubois D, Guastavino C, Raimbault M (2006) Когнитивный подход к городским звуковым ландшафтам: использование вербальных данных для доступа к повседневным слуховым категориям. Acta Acustica объединилась с Acustica 92: 865–874.
35. 35. Gygi B, Kidd GR, Watson CS (2007) Сходство и категоризация звуков окружающей среды.Восприятие и психофизика 69: 839–855.
36. 36. Шинкарева С.В., Малаве В.Л., Мейсон Р.А., Митчелл Т.М., Джаст М.А. (2011) Общность нейронных представлений слов и изображений. Нейроизображение 54: 2418–2425. pmid: 20974270
37. 37. Clithero JA, Smith DV, Carter RM, Huettel SA (2011) Классификаторы внутри и между участниками выявляют различное нейронное кодирование информации. Нейроизображение 56: 699–708. pmid: 20347995
38. 38. Etzel JA, Valchev N, Keysers C (2011) Влияние определенных методологических решений на многомерный анализ данных фМРТ с машинами опорных векторов.Нейроизображение 54: 1159–1167. pmid: 20817107
39. 39. Биндер Дж. Р., Фрост Дж. А., Хаммеке Т. А., Беллгоуэн П. С., Спрингер Дж. А. и др. (2000) Активация височной доли человека речью и неречевыми звуками. Cereb Cortex 10: 512–528. pmid: 10847601
40. 40. Kumar S, Schonwiesner M (2012) Отображение представления человеческого голоса в распределенной системе с использованием записи и моделирования с помощью электрода глубины. J Neurosci 32: 13348–13351. pmid: 23015425

Расшифровка четырех различных звуковых категорий в слуховой коре с использованием функциональной ближней инфракрасной спектроскопии

Основные моменты

•

Исследуется асимметрия функциональных гемодинамических реакций на 4 звуковые категории с использованием fNIRS.

•

В качестве признаков для классификации используются среднее значение, наклон и асимметрия сигналов оксигемоглобина.

•

Для ИМК, основанного на слуховых реакциях, рекомендуется использование сигналов левого полушария.

Abstract

Способность слуховой коры головного мозга различать различные звуки важна в повседневной жизни. В этом исследовании изучали, можно ли с помощью функциональной ближней инфракрасной спектроскопии (fNIRS) определить активацию слуховой коры, вызванную различными звуками.Гемодинамические ответы (HRs) в обоих полушариях с использованием fNIRS были измерены у 18 субъектов, подвергая их четырем звуковым категориям (англоязычная, неанглийская речь, раздражающие звуки и звуки природы). В качестве признаков для классификации различных сигналов использовались среднее значение, наклон и асимметрия сигнала оксигемоглобина (HbO). Что касается языковых стимулов, ЧСС, вызванные понятной речью (английской), наблюдались в более широком регионе мозга, чем те, которые были вызваны неанглоязычной речью.Кроме того, амплитуда сигналов HbO, вызванных англоязычной речью, была выше, чем у неанглоязычной речи. Соотношение пиковых значений неанглийской и английской речи составило 72,5%. Кроме того, область мозга, вызываемая раздражающими звуками, была шире, чем звуки природы. Однако сила сигнала звуков природы была выше, чем у раздражающих звуков. Наконец, для целей интерфейса мозг-компьютер (BCI) к четырем категориям звуков были применены классификаторы линейного дискриминантного анализа (LDA) и машины опорных векторов (SVM).Общая эффективность классификации для левого полушария была выше, чем для правого полушария. Поэтому для расшифровки слуховых команд рекомендуется левое полушарие. Кроме того, в двухклассной классификации сравнение раздражающих звуков и звуков природы обеспечивает более высокую точность классификации, чем сравнение английской и неанглоязычной речи. Наконец, LDA работает лучше, чем SVM.

Ключевые слова

Функциональная ближняя инфракрасная спектроскопия (fNIRS)

Слуховая кора

Классификация

Множественные звуковые категории

Сокращения

Функциональная ближняя инфракрасная спектроскопия

Copyright © 2016 Elsevier B.V. Все права защищены.

Рекомендуемые статьи

Цитирование статей

Замещение длинного хвоста с помощью древовидной структуры декодирования сложных категорий | Труды Ассоциации компьютерной лингвистики

Одной из неотъемлемых проблем задачи супертэгов является разреженность выходного пространства. Однако это недостаточно отражено в стандартных наборах оценок, как показано на Рисунке 1b. Чтобы проверить, насколько хорошо модели на самом деле обобщаются для длинного хвоста, мы оцениваем их на альтернативно выборочных обучающих и оценочных разбиениях данных WSJ (таблица 6), а также в областях, расходящихся с обучающим набором WSJ (таблица 7).Эти эксперименты в значительной степени подтверждают наши выводы из стандартного набора оценок Rebank, в то время как изменение в распределении категорий оказывает несколько важных эффектов на нашу способность оценивать обобщение модели: во-первых, производительность OOV намного выше для перераспределенных данных (таблица 6), чем для стандартных Тестовые разбиения в таблицах 3, 4 и 7 подчеркивают возможности обобщения всех конструктивных моделей и, в свою очередь, предполагают, что категории OOV в разделе 23 WSJ и PMB действительно сложны, шумны или иным образом несовместимы с данными обучения.Во-вторых, доля оценочных токенов категорий менее 10 раз в обучении составляет 1,6% в PMB и 3,8% в наших перераспределенных оценочных данных Rebank, по сравнению с только ≈0,2% в стандартных тестовых наборах CCGbank и Rebank. Это 7–16-кратное увеличение относительного размера делает хвост гораздо более значимым для общей производительности. И действительно, мы наблюдаем немного меньший разрыв в общей точности между наиболее эффективными неконструктивными и наиболее эффективными конструктивными системами в Таблице 7 (0,08 на Wiki, 0.11 на PMB) по сравнению с 0,13 в таблицах 3 и 4, а в таблице 6 AddrMLP даже явно превосходит неконструктивные модели. В-третьих, эффективность по редким и невидимым категориям теперь может быть измерена гораздо более надежно благодаря большему количеству абсолютных редких и невидимых категорий. Мы предоставляем подробный анализ этого подмножества тегов в п. 6.2.

Как для внутренних, так и для внешних данных разрыв в производительности между неконструктивными MLP и AddrMLP в наиболее часто встречающихся категориях минимален и фактически находится в пределах стандартного отклонения.Учитывая тенденцию, которую мы наблюдаем от Таблиц 3 и 4 до Таблиц 6 и 7, возможность обобщения до длинного хвоста вполне может перевесить любое незначительное улучшение наиболее часто встречающихся категорий при применении к еще более разнообразным данным на других языках и на разных языках. .

Нейронные механизмы контроля внимания для объектов: декодирование альфа-канала ЭЭГ при прогнозировании лиц, сцен и инструментов альфа указывает на очаговое корковое усиление и повышенное альфа указывает на подавление.Это наблюдалось для пространственного избирательного внимания и внимания к характеристикам стимула, таким как цвет по сравнению с движением. Мы исследовали, включает ли внимание к объектам подобные альфа-опосредованные изменения фокальной корковой возбудимости. В эксперименте 1 20 добровольцев (8 мужчин; 12 женщин) были направлены (прогноз 80%) на пробную основу к различным объектам (лицам, сценам или инструментам). Поддержка векторного машинного декодирования альфа-паттернов мощности показала, что на поздних этапах (задержка> 500 мс) в предварительном периоде от метки к цели только альфа ЭЭГ различалась с категорией объекта, подлежащего наблюдению.В эксперименте 2, чтобы исключить возможность того, что расшифровка физических характеристик сигналов привела к нашим результатам, 25 участников (9 мужчин; 16 женщин) выполнили аналогичную задачу, в которой реплики не предсказывали категорию объекта. Альфа-декодирование теперь имело значение только в ранний (

ЗНАЧИМОЕ ЗАЯВЛЕНИЕ Внимание — это когнитивная функция, которая позволяет выбирать релевантную информацию из сенсорных входов, чтобы ее можно было обработать для поддержки целенаправленного поведения.Визуальное внимание широко изучается, но нейронные механизмы, лежащие в основе отбора визуальной информации, остаются неясными. Колебательная активность ЭЭГ в альфа-диапазоне (8–12 Гц) нервных популяций, восприимчивых к целевым визуальным стимулам, может быть частью механизма, поскольку считается, что альфа отражает фокальную нервную возбудимость. Здесь мы показываем, что активность альфа-диапазона, измеренная с помощью ЭЭГ скальпа участников, варьируется в зависимости от конкретной категории объекта, выбранного вниманием. Это открытие подтверждает гипотезу о том, что активность альфа-диапазона является фундаментальным компонентом нейронных механизмов внимания.

Введение

Селективное внимание — это фундаментальная когнитивная способность, которая облегчает обработку релевантной для задачи перцепционной информации и подавляет отвлекающие сигналы. Влияние внимания на восприятие было продемонстрировано в улучшении поведенческих характеристик (Posner, 1980) и изменении кривых психофизической настройки (Carrasco and Barbot, 2019). У людей эти преимущества восприятия присутствующих стимулов сочетаются с повышенными сенсорно-вызванными потенциалами (Van Voorhis and Hillyard, 1977; Eason, 1981; Mangun and Hillyard, 1991; Eimer, 1996; Luck et al., 2000) и усиление гемодинамических реакций (Corbetta et al., 1990; Heinze et al., 1994; Mangun et al., 1998; Tootell et al., 1998; Martínez et al., 1999; Hopfinger et al., 2000; Giesbrecht et al., 2003). У животных электрофизиологические записи показывают, что сенсорные нейроны, реагирующие на обслуживаемые раздражители, имеют более высокую частоту возбуждения, чем таковые на необслуживаемые раздражители (Moran and Desimone, 1985; Luck et al., 1997), улучшенное соотношение сигнал-шум при передаче информации (Mitchell et al. ., 2009; Briggs et al., 2013) и усиленные колебательные ответы (Fries et al., 2001), которые поддерживают более высокую межреальную функциональную связность (Bosman et al., 2012).

Большинство моделей избирательного внимания постулируют, что нисходящие управляющие сигналы внимания, возникающие в корковых сетях более высокого уровня, искажают обработку сенсорных систем (Nobre et al., 1997; Kastner et al., 1999; Corbetta et al., 2000; Hopfinger). и др., 2000; Корбетта, Шульман, 2002; Петерсен, Познер, 2012). Однако остается неясным, как именно нисходящие сигналы влияют на сенсорную обработку в сенсорной коре.Один из возможных механизмов включает модуляцию альфа-колебаний ЭЭГ (8–12 Гц). Когда скрытое внимание направлено на одну сторону поля зрения, альфа-сигнал сильнее подавляется в противоположном полушарии (Worden et al., 2000; Sauseng et al., 2005; Thut et al., 2006; Rajagovindan and Ding, 2011). Считается, что это латерализованное уменьшение альфа-канала отражает увеличение возбудимости коры головного мозга в сенсорных нейронах, соответствующих задаче, для облегчения обработки предстоящих стимулов (Romei et al., 2008; Дженсен и Мазахери, 2010; Климеш, 2012). Связь между нисходящей активностью в лобно-теменной системе контроля внимания и альфа в сенсорной коре была предположена в исследованиях с использованием транскраниальной магнитной стимуляции для контроля областей (Capotosto et al., 2009, 2017), одновременных исследованиях ЭЭГ-фМРТ (Zumer et al., 2014; Liu et al., 2016) и магнитоэнцефалографии (Popov et al., 2017).

Хотя большинство исследований роли альфы в избирательном зрительном внимании сосредоточено на пространственном внимании, альфа-механизмы могут быть более общими (Jensen and Mazaheri, 2010).Селективное внимание к визуальным характеристикам низкого уровня — движению по сравнению с цветом — также, как было показано, модулирует альфа-канал, который был локализован в областях MT и V4 с использованием моделирования ЭЭГ у людей (Snyder and Foxe, 2010). Следовательно, похоже, что связанная с вниманием альфа-модуляция может происходить на нескольких ранних уровнях сенсорной обработки в зрительной системе, причем локус альфа-модуляции функционально соответствует типу визуальной информации, на которую нацелено внимание. Неизвестно, участвует ли альфа-механизм также в контроле внимания над более высокими уровнями корковой визуальной обработки, например, вниманием к объектам.В настоящем исследовании мы проверили гипотезу о том, что альфа-модуляция является механизмом избирательного внимания к объектам путем записи ЭЭГ участников, выполняющих задачу упреждающего внимания к объектам, с использованием следующих трех категорий объектов: лица, сцены и инструменты. Используя методы декодирования ЭЭГ, мы подтверждаем эту гипотезу, обнаруживая объектно-специфические модуляции альфа-канала во время упреждающего внимания к различным категориям объектов.

Материалы и методы

Обзор

Настоящее исследование состояло из трех экспериментов.Эксперимент 1 является основным экспериментом, в котором мы проверяли, можно ли различить топологию альфа-диапазона ЭЭГ в зависимости от объектно-ориентированного состояния внимания. Анализ данных ЭЭГ включал построение топографической карты разности мощностей и декодирование мощности альфа-диапазона опорным вектором (SVM) для количественной оценки того, содержит ли альфа-диапазон ЭЭГ информацию о наблюдаемой категории объекта. В экспериментах 2 и 3 мы проверили две альтернативные интерпретации наших результатов из эксперимента 1.В частности, в эксперименте 2 мы проверили, могла ли точность декодирования в подготовительном периоде между началом сигнала и целевым началом, обнаруженная в эксперименте 1, быть основана на различиях в сенсорных процессах, вызываемых в зрительной системе различными стимулами сигнала, поскольку Свойства физических стимулов сигналов для трех различных условий внимания к объекту отличались друг от друга (треугольник против квадрата против круга). В эксперименте 3 мы исследовали, могли ли различия в альфа-топографии в разных условиях внимания к объекту в эксперименте 1 быть результатом разных наборов задач в трех условиях внимания объекта, а не отражением механизмов внимания, основанных на объектах, в зрительной коре головного мозга.

Участники

Все участники были здоровыми студентами-волонтерами из Калифорнийского университета в Дэвисе; имел нормальное или скорректированное до нормального зрение; дали информированное согласие; и получили зачетное время или денежную компенсацию за свое время. В эксперименте 1 данные ЭЭГ были записаны у 22 добровольцев (8 мужчин; 14 женщин). Два добровольца решили прекратить свое участие в середине эксперимента; данные оставшихся 20 участников (8 мужчин; 12 женщин) использовались для всех анализов.В эксперименте 2 данные ЭЭГ были записаны у 29 студентов; наборы данных от 4 участников были отклонены на основании непримиримого шума в данных или несоответствия субъектов, в результате чего был получен окончательный набор данных от 25 участников (9 мужчин; 16 женщин), который был использован для дальнейшего анализа декодирования. В эксперименте 3 данные ЭЭГ были записаны у 12 добровольцев (5 мужчин; 7 женщин). Наборы данных от двух участников были отклонены на основании непримиримого шума в данных ЭЭГ, в результате чего был получен окончательный набор данных ЭЭГ от 10 участников (5 мужчин и 5 женщин), который использовался для дальнейшего анализа декодирования.

План эксперимента

В исследовании использовался дизайн внутри субъектов. В экспериментах 1 и 3 мы исследовали распределение мощности альфа-сигнала ЭЭГ на коже черепа в зависимости от категории обслуживаемых объектов в упреждающей задаче на внимание с тремя категориями объектов (лица, сцены и инструменты). В эксперименте 2 мы исследовали распределение мощности альфа-сигнала ЭЭГ на коже черепа во время послеоперационного периода, когда три категории объектов не были посещены заранее. Подробная информация о задаче на внимание на объектном вызове, задаче без ответа и статистическом анализе представлена ​​ниже.

Статистический анализ

Данные поведенческой реакции были проанализированы с помощью обобщенной линейной смешанной модели с гамма-распределением (Lo and Andrews, 2015) со случайным эффектом субъекта и фиксированными эффектами категории объекта и достоверности сигнала для количественной оценки эффекта достоверности сигнала от времени реакции (RT).

Различия в топографиях альфа-мощности скальпа ЭЭГ в зависимости от состояния сигнала были статистически проанализированы с использованием подхода декодирования SVM и непараметрического кластерного теста перестановок и моделирования Монте-Карло.Статистический тест на основе кластера использовался для управления проблемами множественного сравнения, которые возникают, когда тесты t выполняются во все моменты времени в течение эпохи (Bae and Luck, 2018). Подробности статистического теста на альфа-мощность ЭЭГ описаны ниже.

Эксперимент 1

Аппараты и раздражители.

Участники удобно расположились в электрически экранированном звукопоглощающем помещении (ETS-Lindgren). Стимулы предъявлялись на светодиодном мониторе VIEWPixx / EEG (модель VPX-VPX-2006A, VPixx Technologies) на расстоянии просмотра 85 см, центрированном по вертикали на уровне глаз.Диагональ дисплея составляла 23,6 дюйма, разрешение — 1920 × 1080 пикселей, частота обновления — 120 Гц. Комната для записи и предметы в ней были окрашены в черный цвет, чтобы избежать отраженного света, и она слабо освещалась лампами постоянного тока.

Каждое испытание начиналось с псевдослучайно выбранного представления одного из трех возможных типов сигналов в течение 200 мс (треугольник, квадрат или круг 1 ° × 1 °, используя PsychToolbox; Brainard, 1997; Рис. 1 A ). Действительные сигналы информировали участников, какая категория целевых объектов (лицо, сцена или инструмент, соответственно), вероятно, появится впоследствии (вероятность 80%).Реплики располагались на 1 ° выше центральной точки фиксации. После псевдослучайно выбранных асинхронностей начала стимула (SOA; 1000–2500 мс) от начала сигнала, целевые стимулы (квадратное изображение 5 ° × 5 °) предъявлялись при фиксации в течение 100 мс. В случайных 20% испытаний реплики были недействительными, неправильно информируя участников о предстоящей категории целевых объектов. Для этих недействительных испытаний целевое изображение было нарисовано с равной вероятностью из любой из двух категорий объектов без привязки. Все стимулы предъявлялись на сером фоне.Белая точка фиксации постоянно присутствовала в центре дисплея.

A , Пример пробной последовательности для задачи «Внимание». Каждое испытание начиналось с предъявления символической подсказки, которую испытуемые учили, предсказывали (80%) конкретную категорию объекта. После периода ожидания (от метки к цели), изменяющегося от 1,0 до 2,5 с, было представлено изображение объекта (лица, сцены или инструмента). В 20% испытаний было представлено одно из двух изображений цели без привязки.Испытуемые должны были быстро и точно различать аспекты изображений как в ожидаемых, так и в неожиданных условиях (подробности см. В тексте). B , Примеры целевых изображений, представленных в задаче на внимание. Изображения лиц, сцен и инструментов были выбраны из онлайн-баз данных.

Целевые изображения (Рис. 1 B ) были выбраны из 60 возможных изображений для каждой категории объектов. Все целевые изображения были собраны из Интернета. Изображения лиц были фронтальными, с нейтральным выражением лица, лицами белой национальности, обрезанными и помещенными на белом фоне (Righi et al., 2012). Полнокадровые изображения сцены были взяты из коллекции естественных сцен Техасского университета в Остине (Geisler and Perry, 2011) и коллекции сцен кампуса (Burge and Geisler, 2011). Обрезанные изображения инструментов на белом фоне были взяты из Банка стандартизированных стимулов (Brodeur et al., 2014). Псевдослучайно распределенный интервал между испытаниями (ITI; 1500–2500 мс) отделял целевое смещение от начала сигнала следующего испытания. Каждый набор из 60 изображений объектов состоял из 30 изображений следующих различных подкатегорий: мужские / женские лица, городские / природные сцены и инструменты с питанием / без питания.

Запись ЭЭГ.

Необработанные данные ЭЭГ были получены с помощью 64-канальной системы активных электродов Brain Products actiCAP (Brain Products) и оцифрованы с помощью входной платы и усилителя Neuroscan SynAmps2 (Compumedics). Сигналы регистрировались с помощью программного обеспечения для сбора данных Scan 4.5 (Compumedics) с частотой дискретизации 1000 Гц и полосой пропускания от постоянного тока до 200 Гц. Шестьдесят четыре активных электрода Ag / AgCl помещали в подогнанные эластичные колпачки, используя следующий монтаж в соответствии с международной системой 10–10 (Jurcak et al., 2007): FP1, FP2, AF7, AF3, AFz, AF4, AF8, F7, F5, F3, F1, Fz, F2, F4, F6, F8, FT9, FT7, FC5, FC3, FC1, FCz, FC2, FC4, FC6, FT8, FT10, T7, C5, C3, C1, Cz, C2, C4, C6, T8, TP9, TP7, CP5, CP3, CP1, CPz, CP2, CP4, CP6, TP8, TP10, P7, P5, P3, P1, Pz, P2, P4, P6, P8, PO7, PO3, POz, PO4, PO8, PO9, O1, Oz, O ₂ и PO10; с каналами AFz и FCz, назначенными как наземный и оперативный, соответственно. Кроме того, электроды в точках TP9 и TP10 были размещены непосредственно на левом и правом сосцевидном отростке.Электрод Cz был ориентирован на макушку головы каждого участника путем измерения спереди назад от назиона до иона и справа налево между преаурикулярными точками. Гель-электролит с высокой вязкостью наносился на каждое место электрода для облегчения проводимости между электродом и кожей головы, а значения импеданса поддерживались на уровне <25 кОм. Непрерывные данные сохранялись в отдельных файлах, соответствующих каждому пробному блоку парадигмы стимула.

Предварительная обработка ЭЭГ.

Все процедуры предварительной обработки данных были выполнены с помощью набора инструментов EEGLAB MATLAB (Delorme and Makeig, 2004).Для каждого участника все файлы данных ЭЭГ были объединены в единый набор данных перед обработкой данных. Каждый набор данных был визуально проверен на наличие плохих каналов, но таких каналов не наблюдалось. Данные были отфильтрованы с помощью окна Хэмминга sinc FIR (конечный импульсный отклик) (1–83 Гц), а затем субдискретизированы до 250 Гц. Данные были алгебраически привязаны к среднему значению для всех электродов, а затем были отфильтрованы нижние частоты до 40 Гц. Данные были привязаны к периоду от 500 мс до начала сигнала до 1000 мс после начала сигнала, так что ожидаемые данные всех испытаний можно было изучить вместе.Данные были визуально проверены, чтобы отметить и отклонить испытания с помощью морганий и движений глаз, которые произошли во время представления сигнала. Затем была использована разложение независимого компонентного анализа для удаления артефактов, связанных с морганиями и движениями глаз.

Анализ ЭЭГ.

Поведенческие меры внимания в эксперименте 1. A , Ящичковые диаграммы данных о времени реакции для недействительных и достоверных испытаний для 20 субъектов, усредненных по состояниям внимания (объекта). Толстые горизонтальные линии внутри прямоугольников представляют собой медианные значения. Первый и третий квартили показаны как нижний и верхний края прямоугольника.Вертикальные линии проходят до самых крайних точек данных, за исключением выбросов. Точки над графиками представляют выбросы, которые были определены как любое значение, превышающее третий квартиль плюс 1,5 межквартильного размаха. Субъекты в целом были значительно быстрее для объектов с указанием (действительных), чем с объектами с указанием (недопустимыми). B , Время реакции для действительных и недействительных испытаний отдельно для каждого состояния внимания. Субъекты были значительно быстрее для объектов с указанием (действительных), чем с объектами с указанием (недопустимые) для каждой категории объектов.

Чтобы количественно оценить влияние достоверности реплики на RT, мы подобрали обобщенную линейную смешанную модель с гамма-распределением к данным RT (Lo and Andrews, 2015). Мы обнаружили значительный эффект валидности (действительный или недействительный, p <0,001). Модель также выявила значительный главный эффект категории объекта ( p <0,001) из-за более медленного общего времени реакции в категории инструмента. Таким образом, испытуемые были менее точны и медленнее реагировали на категорию инструментов.Несмотря на эти незначительные снижения производительности для категории инструментов, тем не менее наблюдался значительный поведенческий эффект внимания для категории инструментов, что свидетельствует о том, что испытуемые использовали все три типа сигналов, чтобы подготовиться к различению и реагированию на приближающиеся объекты.

Результаты альфа-топографии

Чтобы качественно оценить, была ли картина альфа-мощности на электродах разной для упреждающего внимания к трем категориям объектов, мы проверили топографические графики альфа-мощности для каждого состояния объекта в разные периоды времени после сигналов, но до появления целевых раздражителей.Чтобы выделить различия между альфа-топографиями между состояниями и контролировать неспецифические эффекты поведенческого возбуждения, мы создали попарные карты различий альфа-топографии одного состояния внимания объекта, вычтенного из другого состояния внимания объекта.

Мы наблюдали, что различия в альфа-топографии между условиями объекта возникали и развивались в течение периода ожидания (от сигнала к цели) (рис. 3). В топографиях посещаемость минус посещаемость (рис.3 A ), мы наблюдали повышенную альфа-мощность над левой задней частью скальпа и уменьшенную альфа-мощность над правой задней частью скальпа в течение периода упреждения, при этом латерализация становилась наиболее заметной при более длительных послеоперационных латентных периодах. В топографиях «лицо минус инструмент» (рис. 3 B ) картина была аналогичной в самые длинные латентные периоды, но была более изменчивой в промежуточные периоды времени. В топографиях посещаемости минус посещаемость (рис. 3 C ), паттерн альфа-различий отличался от тех, которые связаны с условиями присутствия; при самых длительных послеоперационных латентных периодах картина силы альфа-излучения на коже черепа была обратной, чем на других картах разницы, причем сила альфа-излучения была выше слева, чем на правой задней части скальпа.В целом, наличие этих различий между состояниями согласуется с вариациями основных паттернов корковой альфа-мощности во время упреждающего внимания к лицам, сценам и инструментам. Однако, учитывая вариабельность между субъектами и присущую им сложность в количественной оценке карт различий между субъектами в зависимости от условий внимания, мы обратились к методу декодирования ЭЭГ, чтобы количественно оценить различия в мощности альфа в условиях, которые качественно описаны выше.

Карты топографических различий для мощности альфа в эксперименте 1. A , Карты различий для упреждающего внимания к лицам минус сцены. График разности альфа-топографии для условий присутствия минус состояние сцены, усредненного по участникам, для четырех временных окон относительно начала сигнала. Карты топографических различий отображаются только до 1000 мс после начала сигнала, когда могут появиться цели с наименьшей задержкой. Вид на эти разностные карты из-за головы.См. Описание в тексте. B , Карты различий для упреждающего внимания к лицам без инструментов. График разности альфа-топографии для условий посещаемости минус условия посещаемости, усредненные по участникам. C , Карты различий для упреждающего внимания к инструментам без сцен. График разницы в альфа-топографии для инструмента посещаемости минус условия посещения, усредненные по участникам.

Результаты декодирования SVM

Результаты декодирования SVM (рис.4) выявил статистически значимые точности декодирования в двух кластерах временных точек в диапазоне 500–800 мс после спасения и перед целью (рис. 4, бирюзовые точки). Точность декодирования в диапазоне от -100 до +200 мс в начале сигнала не достигла порога статистической значимости.

Точность декодирования альфа-диапазона в эксперименте 1. Точность декодирования активности альфа-диапазона в течение эпохи для разных участников. Горизонтальная красная линия представляет собой случайную точность декодирования.Сплошная изменяющаяся во времени линия представляет собой среднюю точность декодирования по каждому объекту в каждый момент времени, а заштрихованная область вокруг этой линии — это SEM. Серая заливка обозначает период предварительного ожидания, а сегмент с оранжевой заливкой представляет период ожидания между началом сигнала (0 мс) и самым ранним наступлением цели (1000 мс). Бирюзовые точки обозначают моменты времени, которые принадлежат статистически значимым кластерам точности декодирования, как определено оценкой Монте-Карло.

Результаты декодирования SVM осцилляторной активности ЭЭГ в тета-, бета- и гамма-диапазонах не выявили статистически значимого декодирования в период упреждения (рис.5).

Декодирование для разных частотных диапазонов ЭЭГ в эксперименте 1. A , Та же процедура декодирования SVM и статистическая процедура Монте-Карло, которые использовались для анализа данных альфа-диапазона, были применены к тета-диапазону (4– 7 Гц). B , Тот же конвейер декодирования был применен к бета-диапазону (16–31 Гц), что не выявило статистически значимых кластеров с высокой точностью декодирования в подготовительный период. C , Тот же конвейер декодирования также применялся к гамма-диапазону (32–40 Гц) и, аналогичным образом, не выявил статистически значимых кластеров с высокой точностью декодирования в подготовительный период.

Эксперимент 2

Мы наблюдали статистически значимый кластер моментов времени с высокой точностью декодирования с высокой вероятностью только в окне представления сигнала. Никаких дальнейших кластеров декодирования со значительно большей вероятностью не происходило где-либо в интервале от 200 до 1000 мс (рис. 6).

Точность декодирования альфа-диапазона для эксперимента 2. Та же процедура декодирования SVM и статистическая процедура Монте-Карло, которые использовались для анализа данных из эксперимента 1, были применены к альфа-диапазону ЭЭГ из эксперимента 2, выявив кластер статистически важные моменты времени, близкие к началу сигнала, но не позднее подготовительного периода.

Результаты этого контрольного эксперимента опровергают возможность того, что декодирование позднего периода альфа-диапазона, которое мы наблюдали в нашем первоначальном эксперименте, было просто результатом дифференциальных восходящих сенсорных процессов в трех условиях сигнала. Поскольку парадигма эксперимента 2 была идентична парадигме эксперимента 1 во всех отношениях, кроме достоверности реплики, и поскольку мы использовали тот же конвейер декодирования SVM для данных ЭЭГ в альфа-диапазоне из эксперимента 2, как и в эксперименте 1, мы могли напрямую оценить, была ли модель результатов декодирования, полученных нами в первоначальном эксперименте, связана с восходящими сенсорными процессами.

Мы собрали данные от большего числа участников для эксперимента 2, чем для нашего первоначального эксперимента, чтобы у нас было больше возможностей для оценки величины и временной степени декодирования, которое могло быть достигнуто исключительно на основе вызванной стимулом активности. Наши результаты подтверждают идею о том, что сверх-случайное декодирование с большой задержкой в ​​эксперименте 1 не связано с чисто сенсорной активностью, обусловленной различиями физических стимулов, потому что мы обнаружили, что в эксперименте 2 статистически значимое сверх-случайное декодирование происходило только в кластере времени. указывает на короткую задержку после спасения (<200 мс после начала сигнала; рис.6).

Эксперимент 3

Поведенческие результаты

В задаче различения нечеткости от сфокусированных изображений (рис.7) мы наблюдали различия в RT между действительными и недействительными испытаниями для всех категорий объектов, так что испытания с достоверными указаниями вызывали более быстрые ответы, чем неправильно назначенные испытания (рис. 8). При подгонке обобщенной линейной смешанной модели с гамма-распределением к данным RT мы обнаружили значительный эффект достоверности ( p <0,001).

Пример изображения цели в задаче на внимание для эксперимента 3.В этом наборе примеров лицо — это категория целевого объекта, которую нужно идентифицировать как находящуюся в фокусе или размытую, а наложенные изображения инструмента или сцены являются изображениями-отвлекающими элементами. Для каждого стимульного изображения и цель, и отвлекающий фактор могут быть размытыми или в фокусе независимо друг от друга.

Поведенческие меры внимания в эксперименте 3. A , Ящичковые диаграммы данных о времени реакции для недействительных и достоверных испытаний для 12 субъектов, усредненных по состояниям внимания (объекта).Толстые горизонтальные линии внутри прямоугольников представляют собой медианные значения. Первый и третий квартили показаны как нижний и верхний края прямоугольника. Вертикальные линии проходят до самых крайних точек данных, за исключением выбросов. Точки над графиками представляют выбросы, определяемые как любое значение, превышающее третий квартиль плюс 1,5 межквартильного размаха. Субъекты в целом были значительно быстрее для объектов с указанием (действительных), чем с объектами с указанием (недопустимыми). B , Время реакции для действительных и недействительных испытаний отдельно для каждого состояния внимания.Субъекты были значительно быстрее для объектов с указанием (действительных), чем с объектами с указанием (недопустимые) для каждой категории объектов.

Результаты декодирования SVM

Используя тот же анализ ЭЭГ и конвейер декодирования SVM, что и для эксперимента 1, мы обнаружили статистически значимые кластеры временных точек, демонстрирующих точность декодирования выше шансов (рис. 9). Как и в эксперименте 1, эти статистически значимые кластеры наблюдались во второй половине подготовительного периода,> 500 мс после начала сигнала.Примечательно, что в окне представления сигнала 0–200 мс, по-видимому, также имеется группа моментов времени с высокой вероятностью, в тот же период, когда мы наблюдали статистически значимое декодирование в эксперименте 2, которое было связано с сенсорной активностью, вызванной сигналом. Однако в результатах эксперимента 3, как и в эксперименте 1, декодирование в этот период времени предъявления сигнала (задержка <200 мс) не достигло уровня статистической значимости (тогда как при большем количестве участников в эксперименте 2 это могло быть выявлено. ).

Точность декодирования альфа-диапазона для эксперимента 3. Та же процедура декодирования SVM и статистическая процедура Монте-Карло, которые использовались для анализа данных из эксперимента 1, были применены к альфа-диапазону ЭЭГ из эксперимента 3, выявив кластер статистически знаменательные моменты времени во второй половине подготовительного периода.

Поведенческие результаты эксперимента 3 предполагают, что участники привлекали объектное внимание в течение подготовительного периода. Участники быстрее распознавали изображения объектов как размытые или сфокусированные, когда их категория была указана.По аналогии с парадигмами пространственного внимания с указаниями, в испытаниях с неверно указанными объектами участники обращались к одной категории объектов в течение подготовительного периода, но затем при предъявлении стимула переориентировали свое внимание, чтобы иметь возможность различать, было ли изображение из категории объектов без привязки размытым или размытым. фокус.

Поскольку поведенческий эффект между валидными и недействительными испытаниями соответствует таковому в нашем первоначальном эксперименте, мы уверены, что экспериментальный план в эксперименте 3 порождал ту же форму объектно-ориентированного внимания сверху вниз, как это было зафиксировано в эксперименте 1.Следовательно, при наблюдении статистически значимого сверхшансного декодирования в том же общем окне времени после появления сигнала для экспериментов 1 и 3 мы интерпретируем этот результат как доказательство того, что внимание, основанное на объекте, а не различия в постановке задачи или подготовке двигательной реакции, является движущей силой. результат декодирования с большей задержкой до наступления целей.

Обсуждение

Объектное внимание — фундаментальный компонент естественного зрения. Люди перемещаются по миру в основном на основе взаимодействий с объектами, которые изобилуют в типичных средах (O’Craven et al., 1999; Scholl, 2001). Примат объектов означает, что адаптивное взаимодействие с миром требует представлений объектов высокого уровня, которые отличаются от визуальных характеристик низкого уровня в той же области пространства. Следовательно, воздействие внимания непосредственно на репрезентации объектов является критическим аспектом восприятия (Woodman et al., 2009). Было показано, что внимание действует на репрезентации объектов (Типпер и Берманн, 1996; Берманн и др., 1998), поэтому выявление нейронных механизмов, с помощью которых внимание влияет на репрезентации объектов, является ключевой задачей когнитивной нейробиологии.

Физиологические исследования показывают, что повышение эффективности внимания коррелирует с изменениями нейронной активности в системах восприятия. Корковые структуры, кодирующие сопровождаемую информацию, показывают повышенную амплитуду сигнала, синхронность и / или функциональную связность (Moore and Zirnsak, 2017). Как нервная система механистически контролирует эту корковую возбудимость и эффективность обработки, остается не совсем понятным, но большинство моделей предполагают, что нисходящие управляющие сигналы от сетей более высокого порядка в лобной и теменной коре изменяют обработку в сенсорных / перцептивных областях коры, кодирующих посещаемую и необслуживаемую информацию ( Петерсен и Познер, 2012).Одной из гипотез нейронной сигнатуры нисходящего контроля на уровне сенсорной / перцептивной коры является фокусная альфа-сила (Jensen and Mazaheri, 2010). Изменения в мощности альфа происходят во время пространственного внимания (Worden et al., 2000) и особого внимания (Snyder and Foxe, 2010). Здесь мы исследовали механизмы на основе альфа-канала, опосредующие избирательное внимание к объектам, привлекая внимание к различным объектам и измеряя изменения в записанной на коже головы альфа-мощности ЭЭГ. Мы объединили поведение с топографическим картированием и декодированием ЭЭГ, чтобы проверить гипотезу о том, что внимание к объекту включает селективные модуляции мощности альфа-излучения в объектно-специфической коре головного мозга.

Мы выбрали лица, сцены и инструменты в качестве целей внимания, потому что было показано, что эти объекты активируют ограниченные области в зрительной коре. Веретенообразная область лица (FFA) избирательно реагирует на изображения вертикальных лиц (Allison et al., 1994; Kanwisher and Yovel, 2006): лица могут считаться объектами, потому что, например, данные пациентов с прозопагнозией предполагают, что аналогичные механизмы лежат в основе распознавания лиц и объектов (Gauthier et al., 1999).Площадь парагиппокампа (PPA) реагирует на сцены (Epstein et al., 1999) и, в частности, на категорию сцены (Henriksson et al., 2019). Области, чувствительные к инструментам, были идентифицированы в вентральном и дорсальном зрительных путях (Kersey et al., 2016). В соответствии с предсказанием, что объектно-ориентированное внимание модулирует альфа-канал в визуальных областях, специализированных для обработки категории обслуживаемых объектов, внимание к лицам должно выборочно снижать активность альфа-диапазона в визуальных областях, избирательных по лицам, таких как FFA, внимание к сценам должно уменьшать альфа-диапазон активность в областях, отобранных для выбора места, таких как PPA, и внимание к инструментам должно снизить активность альфа-диапазона по сравнению с областями, отобранными для выбора инструментов, вентральных и дорсальных путей зрения.ЭЭГ не является сильным методом локализации нейронных источников мозговой активности, но, учитывая, что области FFA, PPA и постулируемые специализированные области инструментов расположены в разных областях коры головного мозга, закономерности альфа-модуляции с вниманием в этих областях можно было бы ожидать. для получения дифференциальных альфа-паттернов ЭЭГ на коже головы. Учитывая, что можно ожидать, что такие паттерны будут лишь незначительно отличаться и трудно предсказать, одним из способов оценки различных паттернов альфа для внимания к разным объектам является включение машинного обучения для декодирования альфа-паттернов ЭЭГ кожи головы.Таких различий следует ожидать только в том случае, если фокусная модуляция альфа также участвует в избирательном внимании объекта.

Наши результаты по времени реакции показали, что участники, которые обращали внимание на объектно-ориентированное внимание на категории объектов, на которые указывает указание, быстрее идентифицировали объекты с указанием. Теоретически, когда участники получают команду предвидеть определенную категорию объектов, они будут искажать нейронную активность в областях коры, специализированных для этого типа объекта, и, возможно, также искажать активность в областях коры, обрабатывающих все визуальные особенности нижнего уровня, связанные с этим объектом (Коэн и Тонг, 2015).Когда цель появляется, ее визуальные свойства интегрируются, облегчая требуемое восприятие различения. Когда появляется объект из непредвиденной (необработанной) категории, активность в областях, отобранных для объекта, и связанных областях визуальных характеристик для объектов без привязки будет относительно подавлена, что задерживает интеграцию и семантический анализ несвязанных целевых изображений и замедляет время реакции.

Топографические карты альфа-различий менялись в зависимости от категории объекта, на котором присутствовали участники.Различная альфа-топография соответствовала паттернам ЭЭГ кожи головы, которые можно было бы ожидать, если бы альфа-модуляции происходили в разных основных корковых генераторах (корковых пятнах или областях) для трех категорий объектов. Множество доказательств лежащих в основе нейроанатомических субстратов лица, сцены и обработки инструментов из исследований изображений позволяет делать некоторые прогнозы относительно наших данных в отношении предполагаемой природы фокальной корковой активности, вносящей вклад в наши топографические и декодирующие результаты.FFA с акцентом на правое полушарие (Kanwisher et al., 1997) и одинаково двусторонне распределенный PPA (Epstein and Kanwisher, 1998), в принципе, предсказывают дифференциальное альфа-распределение скальпа и, возможно, более низкую альфа-мощность в целом по правой затылочной кости при посещении лиц. Наша альфа-топография посещаемости минус посещаемость сцены в целом соответствовала этому прогнозу (рис.3 A ), и эта модель отличалась от графика на графике разницы посещаемости минус посещаемости и инструментов (рис.3 В ). Однако мы надеемся прояснить, что мы не предполагаем, что мы можем локализовать лежащие в основе корковые генераторы регистрируемой активности кожи головы, используя методы, которые мы использовали здесь; поэтому мы обратились к декодированию.

Наш анализ декодирования убедительно подтверждает утверждение о том, что внимание модулирует альфа-топографии в зависимости от категории объекта и согласуется с временными курсами различий в альфа-образцах, наблюдаемых на графиках топографических различий скальпа.В нашем анализе декодирования статистически значимая точность декодирования с высокой вероятностью обеспечивает прямое свидетельство того, что альфа-топография содержит информацию о выбранной категории объекта, и, следовательно, что внимание, основанное на нисходящем объекте, модулирует альфа-топографию в соответствии с категорией объекта с указанием (сопровождаемым) . Мы наблюдали, что статистически значимое декодирование происходило в диапазоне 500-800 мс после спасения / предварительной цели, что указывает на то, что паттерны альфа-топографии на коже черепа надежно модулировались нашим манипулированием вниманием в этом временном диапазоне (рис.4). Важно отметить, что диапазон 500–800 мс соответствует периодам на графиках альфа-топографических разностей, где изображения стабилизировались.

Чтобы проверить, были ли наши результаты декодирования специфичными для альфа-диапазона, мы выполнили ту же процедуру декодирования SVM для мощности в тета-, бета- и гамма-диапазонах и не обнаружили значительного превосходного декодирования в период ожидания для этих полосы частот (рис. 5). Этот результат согласуется с гипотезой о том, что осцилляторная нейронная активность в альфа-диапазоне механически участвует в упреждающем внимании, тогда как активность в других частотных диапазонах ЭЭГ не модулируется в соответствующих целевых визуальных областях ЭЭГ человека.

В двух последующих экспериментах мы непосредственно оценили две альтернативные интерпретации наших результатов декодирования из эксперимента 1. Во-первых, различия в альфа-топографии скальпа после спасения могут отражать чисто сенсорную обработку, связанную с каждым сигналом (например, треугольник против круга). Это должно быть применимо только к декодированию с повышенной вероятностью (хотя и не значимым в наших тестах), наблюдаемому в ранний период после спасения (∼0–200 мс) на рисунке 4, а не к декодированию с более длительной задержкой.Действительно, мы проверили это в эксперименте 2, в котором участники выполняли ту же задачу и видели те же сигналы и цели, что и в эксперименте 1, но форма сигнала не предсказывала предстоящую категорию объекта. Мы наблюдали статистически значимое декодирование в период после спасения / перед целью от 0 до 200 мс, связанное с физическими функциями реплики (Bae and Luck, 2018), но не наблюдали значимого декодирования позже в интервале от реплики к цели.

Второе альтернативное объяснение наших результатов декодирования из эксперимента 1 состоит в том, что они были вызваны различиями в наборах задач в зависимости от условий объекта.Задача для лиц, например, заключалась в различении пола, в то время как для сцен — различать городские сцены и природные сцены, оставляя открытой возможность того, что наше декодирование в конце периода после спасения отражало различия в поставленных задачах (Hubbard et al., 2019 ), а не контроль внимания над выбором объекта, как мы предлагаем. Мы можем отклонить эту альтернативу на основе результатов эксперимента 3, в котором реплики предсказывали соответствующий целевой объект, но задача распознавания была одинаковой для всех категорий объектов: различать, был ли объект, на который подведена подсказка, был в фокусе или размыт.Таким образом, мы смогли воспроизвести подготовительные эффекты внимания, связанные с альфа-альфа с большей задержкой, о которых сообщалось в эксперименте 1, при одновременном контроле факторов набора задач.

Наши результаты показывают, что альфа-модуляция ЭЭГ связана с избирательным вниманием на основе объектов, расширяя предыдущие выводы о том, что альфа-модуляция связана с вниманием к пространственным местоположениям и визуальным особенностям низкого уровня. Используя подход к декодированию SVM, мы выявили различия в топографических паттернах мощности альфа-канала во время выборочного внимания к разным категориям объектов.Кроме того, мы связали временной диапазон, в течение которого было достигнуто статистически значимое декодирование, с топографическими картами с усилением альфа-канала и наблюдали, что альфа-модуляция согласуется с временным ходом подготовительного внимания, наблюдаемым в предыдущих исследованиях. В целом, эти результаты подтверждают модель, согласно которой нейронная активность в альфа-диапазоне функционирует как модулятор внимания сенсорной обработки как для зрительных функций низкого уровня, так и для нейронных репрезентаций высокого порядка, таких как репрезентации объектов.

Сноски

• Эта работа была поддержана грантом Mh217991 на имя G.R.M. и M.D. S.N. поддерживался T32EY015387. Мы благодарим Майкла Дж. Тарра, Центр нейронных основ познания и Департамент психологии Университета Карнеги-Меллона (http://www.tarrlab.org/) за изображения стимулов для лица при финансовой поддержке премии Национального научного фонда 0339122. Мы также благодарим Стивена Дж. Лака и Ги-Йеул Бэ за советы по анализу с использованием методов декодирования, а также Атиша Кумара и Тамима Хассана за помощь в сборе данных.

• Авторы заявляют об отсутствии конкурирующих финансовых интересов.

• Корреспонденция должна быть адресована Джорджу Р. Мангуну на grmangun {at} ucdavis.edu

Страница не найдена

К сожалению, страница, которую вы искали на веб-сайте AAAI, не находится по URL-адресу, который вы щелкнули или ввели:

https://www.aaai.org/papers/aaai/2008/aaai08-193.pdf

Если указанный выше URL заканчивается на «.html», попробуйте заменить «.html:» на «.php» и посмотрите, решит ли это проблему.

Если вы ищете конкретную тему, попробуйте следующие ссылки или введите тему в поле поиска на этой странице:

• Выберите Темы AI, чтобы узнать больше об искусственном интеллекте.
• Чтобы присоединиться или узнать больше о членстве в AAAI, выберите «Членство».
• Выберите «Публикации», чтобы узнать больше о AAAI Press и журналах AAAI.
• Для рефератов (а иногда и полного текста) технических документов по ИИ выберите Библиотека
• Выберите AI Magazine, чтобы узнать больше о флагманском издании AAAI.
• Чтобы узнать больше о конференциях и встречах AAAI, выберите Conferences
• Для ссылок на симпозиумы AAAI выберите «Симпозиумы».
• Для получения информации об организации AAAI, включая ее должностных лиц и персонал, выберите «Организация».

Помогите исправить страницу, которая вызывает проблему

Интернет-страница

, который направил вас сюда, должен быть обновлен, чтобы он больше не указывал на эту страницу. Вы поможете нам избавиться от старых ссылок? Напишите веб-мастеру ссылающейся страницы или воспользуйтесь его формой, чтобы сообщить о неработающих ссылках. Это может не помочь вам найти нужную страницу, но, по крайней мере, вы можете избавить других людей от неприятностей. Большинство поисковых систем и каталогов имеют простой способ сообщить о неработающих ссылках.

Если это кажется уместным, мы были бы признательны, если бы вы связались с веб-мастером AAAI, указав, как вы сюда попали (т. Е. URL-адрес страницы, которую вы искали, и URL-адрес ссылки, если таковой имеется). Спасибо!

Содержание сайта

К основным разделам этого сайта (и некоторым популярным страницам) можно перейти по ссылкам на этой странице. Если вы хотите узнать больше об искусственном интеллекте, вам следует посетить страницу AI Topics. Чтобы присоединиться или узнать больше о членстве в AAAI, выберите «Членство».Выберите «Публикации», чтобы узнать больше о AAAI Press, AI Magazine, и журналах AAAI. Чтобы получить доступ к цифровой библиотеке AAAI, содержащей более 10 000 технических статей по ИИ, выберите «Библиотека». Выберите Награды, чтобы узнать больше о программе наград и наград AAAI. Чтобы узнать больше о конференциях и встречах AAAI, выберите «Встречи». Для ссылок на программные документы, президентские обращения и внешние ресурсы ИИ выберите «Ресурсы». Для получения информации об организации AAAI, включая ее должностных лиц и сотрудников, выберите «О нас» (также «Организация»).Окно поиска, созданное Google, будет возвращать результаты, ограниченные сайтом AAAI.