规范模板跟踪:测量特定的神经表征的激活状态

1。介绍

自2000年代初以来,多元分析的大脑认知神经科学数据已经成为一个强大的工具(诺曼et al ., 2006;Naselaris et al ., 2011;Haxby et al ., 2014;斯托克斯et al ., 2015;Cichy腾,2017)。在这些技术的引入,传统方法在神经影像研究(也称为activation-based框架;Kriegeskorte et al ., 2006;墙et al ., 2009)采用空间聚合激活方法来描述神经的相关专业认知过程。因此,心理功能可能与增加功能性磁共振成像(fMRI)血流动力学信号在大规模的地区或增加意味着电压振幅在磁/注册脑电图(M / EEG)。与此形成鲜明对比的是,多元(或信息化)方法强调空间分布式活动模式包含或代表(但看到卡尔森et al ., 2018;里奇et al ., 2020)- - -信息使用和被认知过程(海恩斯里斯,2006;墙et al ., 2009)。这些技术,分组下的术语多元模式分析(MVPA,请参阅表1相关专业术语),而不是平均信号,结合跨空间活动注册单位能够以有意义的方式来揭示神经模式。激活和信息化视角并不排斥,但补充(Hebart贝克,2018)。尽管如此,后者明显影响了研究问题的解决与神经影像学和导致更多的机械解释大脑功能。因此,方法论这一领域的进步呈指数级增长在过去几年。在这里,我们的目标是扩展这些努力,集中在一个特定的多元技术,规范模板跟踪(总部),它试图确定的存在和力量具体的表现在认知任务的完成。当前工作动力,一方面,通过理论的相关性结论框架,另一方面,由于缺乏明确的指导方针这种技术在以前的文献。接下来,我们首先描述CTT的环境中更常见的多元分析,实施后提供一步一步的教程。

所有MVPA方法离开假设信息编码在跨空间单元的分布式模式激活(fMRI体素,M /脑电图频道,等等)。在这种情况下,神经模式(可能与我们的实验条件下,刺激,试验等)被认为是点在高维空间表征(海恩斯里斯,2006),其轴空间单元定义的活动被认为是(图1一个)。每个多元技术探讨了由此产生的表征空间不同,神经编码提供了一个独特的见解。解码分析(诺曼et al ., 2006;Haxby et al ., 2014),第一个推广多元方法(海恩斯里斯,2005;神谷之康和通,2005;Haxby 2012),采用机器学习分类器地址是否可以分两个或两个以上的条件”表示在这个空间(图1 b)。这些分类器算法训练建立边界之间多维引发的神经活动模式不同的实验条件。分类器对新数据后测试,即。,not used in the training phase, to estimate how accurately they can predict the experimental condition of unlabeled activity patterns. Significant above-chance decoding performance informs us of the内容大脑的表示。例如,如果一个分类器可以成功区分两类不同的刺激引发的活动模式,它提供了证据支持的神经表示类别信息。实验设计在严格控制之下,精度值也可以反映这种表示的强度,即。,多大的条件之间的差异的神经模式(尽管看Hebart贝克,2018)。

尽管如此,解码分析,分类器的缺点依然不可知论者有关的结构表征导致一个重要的分类。因此,这种方法降低了索引的对比情况如何(即可辨别的。,解码精度),但没有指定如何神经模式之间的关系。这是事实,以几种不同的表征空间仍然可以提供类似的分类器性能(Kriegeskorte Kievit, 2013)。这种动机的规范化表征相似性分析(RSA;Kriegeskorte et al ., 2008 a;Kriegeskorte Kievit, 2013),另一种流行的MVPA技术,旨在估计和描述结构(或几何表征空间的)。这种技术计算(多么相似,或者如何不同或遥远的)的模式对条件的活动空间。这些相似性度量转达了神经表征相似矩阵(图1 c),它捕捉组织表征维度空间。虽然这些矩阵可以直接使用数据可视化技术研究(Kriegeskorte et al ., 2008 a),他们也可以对理论模型相比,灵活使用预测从生成理论、计算模型、行为表现,深层神经网络等等。这种比较是由计算额外的二阶神经和理论之间的相似性度量相似性矩阵(Kriegeskorte et al ., 2008 a;Nili et al ., 2014),它提供了见解和理论模型在多大程度上解释神经数据的方差。

旨在扩大这两个一般方法,在这里,我们描述一个第三MVPA实现解码和RSA相结合方面,嵌入他们的功能定位器逻辑。为了一致性与先前的研究(Wimber et al ., 2015;加西亚et al ., 2021),我们称这种技术为研究结论。本地化人员的就业萨克斯et al ., 2006)是常见的做法在activation-based透视图孤立大脑区域参与认知过程(例如,脸本地化人员目标识别与梭状回;坎维舍et al ., 1997)。同样,CTT使用定位器任务从多元的角度来看,每个定位器的任务是为了引起特定的神经表征。从本地化人员的数据,一系列规范神经模板估计的标准的神经表征特定类型的信息(图1 d较低的面板)。然后,CTT检测是否以及在多大程度上这些模板存在认知任务中。,规范模板比较反对活动模式诱发的主要实验范式(图1 d,上半部分)。比较,结论包含解码分析和RSA提供的分析工具。一种可能性是训练机器学习算法与本地化人员的活动模式和测试它们对主要任务数据,评估是否存在的编码信息(例如,阿卜杜拉的逮捕令et al ., 2016;Kok et al ., 2017;刘et al ., 2019)。此外,相似性措施来源于RSA (沃尔特et al ., 2016)也可以计算之间的本地化人员”和通知的主要范式的活动模式的激活强度单个模板的表示(Wimber et al ., 2015;加西亚et al ., 2021)。

为了更好地理解总部的程序,我们将描述实验进行的Wimber et al。(2015)的优势,这说明了内包括定位器任务MVPA逻辑。在他们的研究中,作者旨在审问retrieval-induced遗忘的现象。,how retrieving certain information from long-term storage leads to the adaptive forgetting of competing memories. To do so, they first trained their participants to learn a series of associations among words and pairs of images. Then, inside the fMRI scanner, the participants saw the words and were instructed to remember only one of the associated images. That induced a poorer recall of the second image, which acted as a competitor in this task. To test previous theoretical accounts of retrieval-induced forgetting, the main goal of the study was to estimate the activation strength of both retrieved and forgotten image representations while the associated word was on the screen. To do so, the authors conducted a localizer task to estimate the activity patterns (i.e., the canonical templates) linked to all the images used in the experiment, including both target and competing stimuli. Then, they computed the similarity (using correlations) between templates of both experimental conditions and the activity patterns maintained during the retrieval-induced forgetting phase. Their findings evidenced a greater reinstatement of target image representations, together with a greater de-activation of competing image templates.

本研究强调的主要好处将定位器的任务逻辑:总部特异性。像其他MVPA方法,利用了总部内容大脑的表示。尽管如此,而普通解码这样做更系统一般通过识别活动模式是否在实验条件不同,研究结论确定存在的神经表征与更多限制的认知结构。在实验的情况下Wimber et al。(2015),它允许识别个人刺激的表征签名评估和比较他们的激活强度。在这方面,尽管解码已经被证明是一个强大的技术来捕捉整体结构感知信息的类(例如,Haxby et al ., 2001;Reddy和坎维舍,2007),这种程度的规范更难以实现。最常用metric-i.e性能。,the classification accuracy—would not inform on the status of individual representations, but rather, about the overall distance among categories. In contrast, RSA, especially in combination with condition-rich designs (i.e., using a wide number of conditions, sparsely sampled), can capture fine-grained encoding structures computing dissimilarities among pairs of specific stimuli or experimental material (e.g.,Connolly et al ., 2012)。然而,这种方法会导致估计的标准实现整体编码的结构,计算从整个数据集(或块,如独立扫描会话)。因此,提取的刺激(或条件)在某方面表征状态阻碍了这种方法(尽管看Nili et al ., 2020)。相反,它是在上述研究Wimber et al。(2015)的就业定位器任务和相似性度量可以促进个人访问表征的激活强度。

此外,增加特异性通过总部让我们探索不仅内容编码,但也在其中格式。的表征形式,构成了一个关键的维数理论框架(例如,Jeannerod 2001;Barsalou 2008),指的是代码的类型(如知觉、运动、文摘等)的信息保持在不同的认知操作。这个属性是更加难以识别与其他多元分析由于显示某些信息是成功地分类(解码)或遵循一个特定的组织(RSA)不一定通知底层的表征形式。例如,两个条件(例如,有生命和无生命的目标)同样可以隔离无关地的格式(例如,知觉或语义)。同等情况下可能发生关于发现的相似结构条件(例如,在两个表征格式,更高的距离可以从不同类别之间的比预期中刺激刺激来自同一类别)。相比之下,实施不同的任务要求在封装独立本地化人员可以帮助表征格式规范模板(加西亚et al ., 2021)。此外,使用重叠的材料在不同任务要求在定位器任务可以进一步帮助理清之间的编码内容和格式(见加西亚et al ., 2021)。这是为图1 d,两个本地化人员见下小组的目标是目标重叠刺激的表示(在示例:猫、章鱼、狗)在不同的编码格式(感官和语义模板)通过操作任务的要求。因此,由于定位器的深思熟虑的设计任务,研究结论可以是一个强大的技术来评估的激活具体的下内容具体的格式。

研究结论可以进一步有利更多特定的研究问题。首先,它可以超越传统解码在描述表征内容地面实况仍不确定研究员。有认知范式之间不存在一一对应的大脑数据和实验条件。例如,目标认知过程可能需要同时编码数表示,虽然每个信息激活强度的可能性仍然未知。这是案例研究Wimber et al。(2015),单个活动模式可以反映增强和抑制信息编码。在这种情况下,每个活动模式不能被一个独特的和真正的标签。因此,传统的解码过程无法进行:分类器无法训练和测试在缺乏适当的标签。相比之下,CTT绕过这个问题,因为它允许全谱的估计(即候选人表示。,as many as we include in our localizer), and then directly computes which ones are being instantiated, and to what extent (as inWimber et al ., 2015)。与此相关的话题,感兴趣的认知过程可以激活一个许多表示,尽管其身份无法实验操作。例如,在双稳态知觉,内容被参与者自发波动,除非需要响应,研究人员是不可知的信息(Sterzer et al ., 2009)。一个更极端的场景发生在自发活动的内容模式研究(刘et al ., 2022),比如在天马行空或做梦(例如,Horikawa et al ., 2013)。即使参与者的报告可以通知内容与大脑的不同时间点的数据收集,潜在的多样性进行交涉,加上缺乏控制的实验环境,会妨碍标准解码协议的实现。在这方面,就业的本地化人员最近被确认为一种适当的方法来研究自然和自发脑功能(刘et al ., 2022)。

第二,也可以是一个强大的技术总部询问表征几何的情况下理论上驱动预测很难建立。在RSA已成功用于估计从神经影像数据的结构信息编码,其中最频繁的实现,基于模型的RSA,取决于理论预测正式描述表征空间的可用性。虽然也有更多的RSA数据驱动的版本直接探讨了编码几何,基于模型的形态会阻碍当我们关于表征结构无关。而实质上与RSA(即总部。,by using RSA-derived similarity measurements to compare multiple canonical templates), it can be particularly advantageous in such circumstances. Thanks to the acquisition of independent localizer blocks, where the task demands are explicitly manipulated, this framework enables the direct estimation of empirically-obtained representational spaces emphasizing different cognitive dimensions. Moreover, model-based RSA could be also difficult to apply in circumstances where we aim to address the impact on representational geometry of latent variables that were not explicitly manipulated in the experimental design. The work by加西亚等人。(2021年)演示了这种情况。在这项研究中,作者旨在描述小说刺激反应关联的编码格式,理清程序和声明式之间的映射表示。重要的是,添加一个显式的编码格式因素研究的设计可能扭曲所涉及的认知过程的主要模式,因此,不帮助解决研究问题。因此,即使这两个编码格式的表征几何可以预测,共享相同的相似结构理论模式。具体来说,这两个理论RDMs预测更高的相似性相同条件下试验(例如,协会之间涉及相同的刺激类别和反应条件)比在不同条件下试验协会之间(例如,涉及不同的刺激类别或反应条件)。因此,程序之间的相似结构无法解开和声明格式,即使底层多元活动模式可能会有所不同。相反,CTT允许诱导两种编码格式在不同的本地化人员,然后跟踪本地化人员的活动模式(或规范模板)而不是相似的结构。然而,同样重要的是要强调,更复杂的实验设计,如condition-rich设计(Kriegeskorte et al ., 2008 b;Connolly et al ., 2012;纳et al ., 2017),可以使潜在的正交化维度(如内容和格式)并为这个问题提供一个解决方案。然而,尽管这些设计可以很容易地结合在视觉感知等领域(例如,Kriegeskorte et al ., 2008 b),他们的使用在其他上下文可以更具挑战性的研究中,对于高阶认知过程(Freund et al ., 2021)。所有上述情况,包括定位器任务旨在传达另一种表征几何图形可能是一个有趣的选择。总体而言,尽管方法论的RSA及CTT重叠,后者进一步允许表征空间的评估描述神经编码,以及直接与模板的活动模式。

最后,另一个是总部的核心方面普遍性它的结果(Varoquaux波特拉克,2019),由于活动模式的比较独立的任务。从这个意义上说,结论是高度相似cross-decoding(卡普兰et al ., 2015),一个变体解码分析,评估是否一个算法训练在一个给定的任务成功分类活动模式不同,证明一个共同的神经代码。CTT和cross-decoding目的在上下文推断表征空间更好的描述。然而,cross-decoding通常受雇于single-paradigm研究,从不同的实验条件比较活动模式。执行结果,比较之间的一组有限的任务:在大多数情况下,两个上下文。包括定位器任务在这个逻辑可以是有益的,有两个原因。首先,它可以促进更多的估计的约束表示兴趣,第二,使用本地化人员提供了一个更灵活的框架的贡献几个模板(来自相同或不同定位器任务)可以同时被考虑。此外,研究结论不仅会通知是否表征空间概括cross-decoding表现机会(如上所述)。通过计算相似度的测量,可以为每个模板的推广提供进一步的证据包括在分析中。因此,虽然两个技术紧密相关,研究结论可能克服标准cross-decoding在某些研究领域。

因此,尽管解码和RSA都是强大的方法来描述的内容和几何神经表征,研究结论也应视为一种互补的方法,扩展了理论以前记录的大脑多变量数据分析的范围。然而,尽管方法类似于CTT以来文学中最早开始信息化方法(Polyn et al ., 2005),没有工作到目前为止试图提供一个全面的方法描述的这种技术。我们相信,提供明确的指导方针如何实现这种分析还需要用这种方法有助于更好的实践(MVPA的发生与其他方面;例如,看到Gorgolewski et al ., 2016)。旨在填补这一差距在文献中,这里我们在总部提供一步一步的教程。我们将首先专注于重要的设计问题的性质定位器任务,后来公开相关分析决策过程中应。在这一过程中,我们覆盖问题影响空间解决(fMRI)和时间分辨(M / EEG)数据集。我们进一步提供一系列的脚本,兼容最流行的一种多元分析软件,解码工具箱(TDT);Hebart et al ., 2014),来实现这一分析。最后,我们得出结论,说明一些例子,CTT认知神经科学方法帮助测试假说和突出研究领域研究结论可能特别相关的在未来的研究。

2。设计注意事项

在设计实验,总部一系列关键决策问题的性质定位器任务(s)。本地化人员应该唤起感兴趣的表示,关于内容和格式。想象一下,比如,我们的目标是评估感官刺激信息的存在在一个给定的认知范式。在这种情况下,定位器将引发这些表示通过使用一个任务,需要视觉感知(格式)的刺激感兴趣的(内容)。定位器任务的多样性被用在先前的研究框架内,总部主要受最受欢迎的功能或单变量的方法。例如,捕捉知觉或感觉表征(主要是在视觉领域),本地化者工作带来被动的观看刺激(例如,刘et al ., 2019),歧视的任务,关注物理(例如,威默et al ., 2020)或概念(例如,Treder et al ., 2021)刺激的属性,或n - back任务(例如,Wimber et al ., 2015)。同样,感觉运动表征与本地化人员隔离,参与者执行响应与感兴趣的效应器(例如,亨德森et al ., 2022)。更抽象的注意力或任务级别的表示也有针对性的使用复杂的本地化人员把任务目标相关的维度(例如,柯林斯et al ., 2014;加西亚et al ., 2021)。在临床情况下,方法类似于总部一直跟着隔离神经指纹的痛苦和评估他们的预测价值赌et al ., 2013)。总的来说,这种多样性说明了这个框架固有的灵活性,同时也强调缺乏共识如何最好地捕捉规范化表示在不同的领域。旨在提供一些指导在未来总部的设计研究中,在接下来我们将解决三个主要的决策,包括(1)定位器的任务要求;(2)定位器(实验和控制)条件;和(3)的总体时间结构的实验。

2.1。定位器的任务要求

的任务要求,定位器块(s)通常会确定规范的编码格式模板。关键步骤来定义他们将仔细分解的主要实验范式和初步定位器任务进入他们的认知过程,以确保定位器(s)重叠在流程感兴趣的(但也看到Friston et al ., 1996)。尽管如此,而引发的认知过程可以在研究中非常不同,我们仍然可以选择本地化人员分享更多或更少的任务组件的主要范式。一边,使用定位器(s)非常类似于主范式(例如,使用类似的感知特性,电机响应,和/或认知要求)将增加的可能性找到共同的表征。然而,实现成本的失去的特异性(即总部。,constraining the activity patterns), leading to more general results induced by other processes common among tasks but outside the focus of the research question. For instance, if we aim to track perceptual representations, but similar motor responses are required in both the main paradigm and in the localizer (as it happens, for instance, when the localizer requires a response in every trial), finding overlapping activity patterns could reflect motor preparation or execution, or stimulus-response binding. Similarly, in the motor domain, keeping similar visual displays between a motor response localizer and the main paradigm could also contaminate the generalization. On the other side of the spectrum, however, the localizer(s) can be very different from the main paradigm, which would maximize the generalizability of the findings (Varoquaux波特拉克,2019)。尽管如此,它还可以调用其他过程可能扭曲了规范模板,实施更严格的测试。例如,使用一个n - back任务(如Wimber et al ., 2015)后与罕见的重复n试验将确保高百分比的观察,没有执行的反应。,使知觉表征避免上述问题的隔离与不必要的汽车混淆。反过来,这将增加额外的工作记忆的要求(维护过去的n - back项),这可能污染估计模板和贫困泛化。之间的权衡的结果,敏感性和特异性诱导的主要范式之间的相似性和本地化人员应该是经过深思熟虑的设计阶段。调整这个平衡将是特别重要的如果多个本地化人员包括在设计,确保它们是等价的关于他们的相似的主要范式。同样,行为表现和任务难度应该尽可能保持恒定在定位器块。

2.2。航道条件

第二组决定将清楚地识别不同的实验条件,将转换成个人的标准模板,以及将基线或控制的条件。

感兴趣的条件将定义模板的内容,应包括的全部频谱表示,我们的目标跟踪的主要范式。因此,这些条件(即的身份。,the perceptual, motor, or cognitive information) should be clearly defined. Regarding that, a key aspect to consider is how fine or coarse-grained these representations are. We may aim to capture canonical templates of particular exemplars (for instance, of a specific face identity or a left index flexion movement) or broader categories (for instance, female faces or left-hand responses). Connecting with the previous section, and especially in localizers that include active demands, it is important to consider the alignment between the experimental conditions and the dimensions that are behaviorally relevant to the participants. The tasks employed should emphasize the features that differentiate the target templates that we aim to estimate. For instance, using a localizer with a discrimination task where the relevant behavioral dimension is stimulus category (e.g., categorizing between animate and inanimate stimulus) would benefit the estimation of coarse-grained, categorical neural templates, while it could not be optimal for the estimation of finer-grained stimulus representations. Instead, the latter could be more accessible using an alternative task requiring the processing of exemplar-wise attributes. Overall, the likelihood of finding an activation of these templates during the main paradigm will depend on whether the demands align (following the previous example, it will depend on whether the stimulus category is a relevant dimension both during the main task and the localizer).

至关重要的是,实现总部也将取决于每个定位器任务中定义控制条件,将作为基线评估每个标准模板的影响。即使经过精心设计定位器的要求,找到一个系统的特定规范的模板和主范式之间的关系数据可能反映了激活模板的内容,但也更一般的任务处理(见加西亚et al ., 2021)。例如,如果我们估计规范模板不同的有生命和无生命的刺激和评估每个人的恢复在另一个任务,我们可能捕获个人刺激的编码,但也更普遍的感知处理机制。排除这些副作用,确保内容特异性的结果,总部的模板比较适当的控制条件。因此,相对(而不是绝对)活化指标解释(见3.5节)。此外,控制条件的使用也是很重要的对于某些测量包括在CTT框架(见3.3节),不能解释以绝对的方式和需要控制条件来评估他们的相对变化。根据定位器,可以设计不同的基线条件。一个简洁的方法包括使用trial-irrelevant模板作为基线条件。例如,如果我们估计模板有生命和无生命的刺激,我们可以计算之间的区别他们的激活试验的主要范式,只有一个模板条件(例如,动画)是相关的,采用其他条件(例如,无生命的)为基准(见所提供的脚本演示这种方法)。然而,更复杂的设计选项也可以,比如使用中性的条件(例如,呈现刺激,没有出现在主范式),使解决增量和模板的激活强度衰减(如Wimber et al ., 2015)。总的来说,这些相对测量将提供严格的证据支持的存在一个单独的模板。

2.3。时间的结构

时间结构的主要模式和定位器提出了块(s)也应该被考虑。最简单的选择将是所有定位器任务分组和呈现的主要范式首先定位器块(s)结束时(例如,加西亚et al ., 2021)或其他方式(如刘et al ., 2019)。这个选项可以优化如果接触的主要范式或本地化人员可以偏见性能,或者当本地化人员定义的内容后验,根据参与者的执行。此外,如果使用几个定位器的任务,定位器也应该控制在我们的设计。在这方面,我们建议平衡序列在参与者,虽然这种方法的效率将取决于执行的推理(托德et al ., 2013)。最后,虽然定位定位器(s)在实验的开始或结束会话容易实现,可以受到污染的影响,随时间而变化,如参与者的疲劳或实践,从神经成像技术采用低频噪声。为了防止这种情况的出现,主要范式块可以交替与定位器(s)在实验期间(例如,Penalver et al ., 2022)。在这种情况下,进一步控制任务(定位器,主要范式)应该实现。

最后,缓慢漂移的工件也可以与时间在任务上面蒙羞。在这方面,功能磁共振成像允许把本地化人员分成独立的扫描运行(因为它已经完成解码分析实验设计;岬et al ., 2010;Coutanche Thompson-Schill, 2012),它可以减轻这个工件的效果。这不是技术,如脑电图、与主要范式块混合定位器可以是一个合适的选择。考虑到这一切,我们进一步压力相对测量的使用在CTT减轻更普遍的影响,干扰引起的块,疲劳或实践。

总而言之,四个核心原则应遵循总部的设计研究。首先,特异性和选择性之间达到一个最佳的平衡,我们建议使用本地化人员相同的主要范式只有关方面(知觉、运动或认知需求)感兴趣的表征形式的关键,同时保持其他尽可能节俭(即定位器任务。,避免额外的、不必要的流程)。第二,我们建议定义模板的实验条件不仅通过参与者提供的材料(例如,知觉刺激),但也关注相关行为维度在任务(即。期间,将处理本地化者)。第三,也是至关重要的是,适当的基准或控制条件应考虑在研究设计,以确保结论的特异性的结果。第四,序列的主要模式和定位器(s)块(s)定义了应该考虑,在其他方面,认知过程(即目标。,无论是否受到本地化人员的表示顺序)和神经影像技术工作。

更特定的设计考虑有关的主要范式将取决于CTT过程作为一个扩展实现RSA或解码(见3.3节)。在前者情况下,condition-rich设计更合适的(Kriegeskorte et al ., 2008 a),使调查更细粒度的表示。相反,如果分类器被用于模板跟踪的首选设计涉及很少,更广泛的条件下,最大化数量的观测条件。然而,缺少以前的方法研究复杂估计一个先天的本地化人员所需的最小数量的观察(无论是其比率对观测的主要范式的号码)。在这方面,我们建议广泛定位器的驾驶任务,结合相关检查或控制的识别分析,可以进行试验数据处理的可靠性规范模板(见3.5节)。最后,更一般的适应症MVPA同样适用于总部的框架,如分裂的主要范式到单独的(相当于)运行时旨在模板跟踪测量计算(沃尔特et al ., 2016),或者仔细控制,所有麻烦变量之间平衡的条件(Hebart贝克,2018)。

3所示。一步一步的教程CTT的实现

所有结论实验至少提供两个独立的每个参与者的数据集:一个主要的实验范式,另一个用于定位器。在开始CTT协议之前,将原始数据预处理后多元分析的一般建议。在功能磁共振成像数据的情况下,根据标准,我们建议不规范也不平滑的数据分析前避免失真的活动模式(Kriegeskorte et al ., 2006;墙et al ., 2009,但看到Op de Beeck 2010;Gardumi et al ., 2016)。对于时间序列数据(EEG、MEG)我们将以前的工作评估的影响不同的预处理步骤对分布式活动模式(Grootswagers et al ., 2017;参与et al ., 2021)。尽管如此,预处理管道超出当前工作的范围,我们将把重点放在分析和统计推断,其步骤进行了总结图2。代码来实现本教程中描述的分析可以在GitHub库如下:https://github.com/AnaPalenciano/Canonical_Template_Tracking。

3.1。提取的主要范式活动模式

的第一步是常见的总部其他MVPA技术,由活动模式的提取数据从主范式。这个过程产生的一系列conditions-wise N-length向量,其中N对应于空间的数量单位(压、通道等),包含每一个空间单元的活动水平。目前,有几种方法来提取这些活动模式。虽然原则上都是有效的空间和时间分辨技术,不同的方法已经被使用在fMRI和脑电图/梅格文学(墙et al ., 2009;佩雷拉et al ., 2009;Grootswagers et al ., 2017)。

在fMRI,最简单的方法是直接使用原始图像和提取voxel-wise Blood-Oxygen-Level-Dependent变化(粗体)信号(Polyn et al ., 2005;佩雷拉et al ., 2009)。然而,最常见的做法是估计一般线性模型(全球语言监测机构;Friston et al ., 1994,1995年),分解各体素的信号方差根据不同任务条件下和讨厌的解释变量,并使用估计β权重生成活动模式。目前两种主要形式的glm用于多元模式提取。最传统的崩溃在试验在扫描运行并生成一个β地图(因此,单个活动模式)/实验条件和运行,而最近的一个实现,进一步控制模型共线性(芒福德et al ., 2012,2014年;Arco et al ., 2018),使trial-by-trial活动模式评估。这两个选项之间的决定将取决于实验设计和模板跟踪方法跟踪。前估计更少但更稳定的活动模式,更适合用更少的但高度采样条件设计。后者大幅增加的数量生成的活动模式,可以有利于condition-rich设计和密集的分类器训练和测试程序。至关重要的是,虽然run-wise活动模式更健壮,他们不允许探索更具活力trial-by-trial神经表征的变化。

此外,另外两个噪声提出了校正方法来优化fMRI活动模式(岬et al ., 2010;沃尔特et al ., 2016)。单变量噪声归一化,它需要使用tβ值与每一个重量,分别控制各个像素点的方差。它已经被证明可以改善活动的辨别力模式(岬et al ., 2010)。最近,多元噪声归一化一直还建议作为一个潜在的战略,减轻空间分布的噪声(沃尔特et al ., 2016,但看到里奇et al ., 2021)。该方法使用GLM估计残差的协方差在像素点及其计算最近添加到可用的软件多变量分析(Hebart et al ., 2014)。

与fMRI文献相比,活动模式估计已经大幅减少记录temporally-resolved录音技术,如脑电图和梅格。符合传统的单变量与事件相关电位(erp),时间序列数据被分割为试验,然后提取trial-wise电压幅值或频率(时间)(例如,昆汀et al ., 2019;阿卜杜拉的逮捕令et al ., 2020)频道,独立对每个时间点取样。尽管如此,它已经建议执行某种试验平均(也称为supertrials),大大提高了信噪比(Isik et al ., 2014;Grootswagers et al ., 2017;Hebart et al ., 2018;阿卜杜拉的逮捕令et al ., 2020)。尽管没有一个明确的共识之前关于supertrial一代文学,平均在这两套(小至4试验)已经提供了显著改进模式辨别力(Grootswagers et al ., 2017)。此外,活动模式,进一步减弱噪音,可以暂时的平滑(Larocque et al ., 2012;Hebart et al ., 2018;洛佩斯-加西亚et al ., 2022)在被送入主要分析。噪声归一化技术,提出了功能磁共振成像领域也一直延伸到temporally-resolve数据集(Guggenmos et al ., 2018)。

由于低空间分辨率的脑电图和梅格,最常见的做法是生成活动模式使用的全部渠道注册。尽管如此,随着渠道数量的增加(特别是梅格记录),那么估计表征空间的维数,从而产生有害的影响进一步的分析。这种动机的降维技术的就业,主要是主成分分析(PCA),生成活动模式更少和更丰富的功能,而无需进一步收紧解剖假设(Hebart et al ., 2018)。提取的活动模式组件占99%的数据可变性已经证明可以显著提高信噪比(Grootswagers et al ., 2017)。

最后,正如发生在其他形式的多元分析,研究结论也可以执行在频域通过时频分解的实验M /脑电图活动。这允许获得活动模式(即。,sensor or source-reconstructed topographies) for each frequency/frequency band of interest, for instance, beta/mu activity reflecting motor processes (e.g.,墨菲et al ., 2021)。

3.2。评估的标准模板

总部的第二步是评估规范神经模板定位器的任务(s)。这个过程类似于模式提取数据上执行主要的实验范式。尽管如此,前者是更灵活,允许研究人员选择是否有多个(trial-wise)或单(run-wise)条件模式计算。在规范的情况下神经模板估计,首选的方法是获得更健壮和稳定的单一活动模式。因此,我们建议采用单一β估计每个航道条件的功能磁共振成像数据(可能改进的噪声与单变量或多变量校正)和平均condition-wise多渠道活动模式的M /脑电图记录(在时间、频率或时频域)。尽管如此,如果执行跟踪使用decoding-based方法(见3.3节),这一阶段应生成定位器数据适合训练机器学习分类器。因此,而不是一个单一的、健壮的标准模板,每个模板的几个原型条件应该估计从定位器数据(更类似于主范式活动模式提取)。

这一步尤为重要的决定是选择在大脑(在功能磁共振成像数据的情况下)或在时间(在时间序列数据的情况下)规范模板估计。在空间域,该地区(s)感兴趣的(roi)策略适应在CTT框架,因为它可以约束规范模板生成功能相关区域。在这种情况下,对于每一个ROI,模板估计使用的所有体素分配给区域(见图2离开上插图)。尽管如此,整个大脑分析,进行探照灯过程(Kriegeskorte et al ., 2006),也可以实现。这样做,一个球体(其比例,在体素或毫米,是预定义的先验)迭代所有的位置在大脑中提取典型模板和执行分析。在每个迭代中,分析的输出是分配给体素位于球体中心(见图2,左右插图)。而决定这两个选项之间将取决于研究假说,重要的是要强调,相同的体素选择标准应该也适用于主要的范式活动模式提取。虽然最近方法论领域的进步使得建立不同地区的活动模式之间的关系(Ito et al ., 2017;Karimi-Rouzbahani et al ., 2022),方法是目前限制总部地区比较。仍然需要进一步调查来验证其应用程序使用数据从不同的大脑区域。

关于时间域,最常见的方法在多元测试探索感兴趣的完整的时代,每次提取独立活动模式本采样。相同的逻辑可能紧随其后CTT,动态估计规范化在每个时间点(见模板图2,较低的插图)。在这方面,总部框架也可以延长时间归纳逻辑。开发解码,这种方法意味着训练一个分类器在一个时间点,并测试其性能在每个时间点t”,包括t = t”(2014年国王和学组)。同样,模板跟踪过程可以通过迭代执行定位器和主范式的垃圾箱(见图2,对上插图)。这允许采用一个不可知论者位置的时间剖面的影响(例如,Desender et al ., 2019;阿卜杜拉的逮捕令et al ., 2020)。尽管如此,模板估计也可以更多限制的方式进行。从这个意义上说,可以得到单模板,从理论上通知时间窗口崩溃数据,或专注于垃圾箱识别与数据驱动的方法寻求最大化模式辨别力。

3.3。模板跟踪

活动模式的评估后,规范模板跟踪的主要范式数据来评估是否以及在多大程度上他们被激活。为此,最有前途的方法包含相同的RSA中的相似性度量框架。这些措施有两个主要优势:他们在神经已经测试和验证,模拟数据(Nili et al ., 2014;沃尔特et al ., 2016),他们是非常灵活的关于规范模板的数量,同时可以考虑。

最简单的方法是计算皮尔逊相关系数之间的主要任务的活动模式和规范模板(s) (Wimber et al ., 2015)。更高的相关性将解释为目标的激活增加表示在范例。同样,欧几里得距离也可以用在这种情况下,距离较小的解释更有可能再活跃的模板。在这方面,重要的是要考虑到correlation-based测量不受变化模式扩展(例如,当一个特定的模板单变量信号高),而欧氏距离是最健壮的对基线的变化(如使用独立的不同定位器扫描时需要的任务)。尽管如此,仍然需要进一步的实证研究来解决的性能指标的结论(见Kriegeskorte Kievit, 2013;沃尔特et al ., 2016进一步细节之间的差异在RSA上下文相关性和欧几里得度量)。

同样重要的是,最近的研究强调,根据皮尔逊相关措施和欧几里得的高度敏感的噪音性倾向(即更不同。不相关或更遥远的)活动模式,他们也缺乏有意义的零值(沃尔特et al ., 2016),强调需要使用相对的而不是绝对的相似性度量。在这方面,旨在版本的这些距离度量防止这个积极的偏见,提供更可靠的估计(沃尔特et al ., 2016的上下文中),可能是有用的结论。其中,一个受欢迎的选择是Mahalanobis距离,计算从旨在欧几里得距离上执行多元噪声归一化后的活动模式。然而,这种方法可能会导致消极的距离值,很难解释为总部的框架内激活索引。另外,旨在相关距离会避免这个问题,提供更少的有偏见的估计,可以更容易地解释。尽管如此,重要的是要强调,实现交叉验证过程的上下文中直接CTT不如在常规single-paradigm设计。在后者,可以灵活地包含在不同的任务运行或试验k-fold或分析交叉验证方法。在结论的情况下,主要的范式和定位器的数据应被分别处理。一个选择将包括保持定位器模板固定在迭代期间交叉验证在不同的和独立的主要任务的数据块。然而,未来的研究需要正确地描述旨在从总部的角度测量的距离。

上述测量(相关性和欧氏距离)是特别有用,当我们的目标是解决特定模板的存在与否。然而,他们不是最优的研究旨在比较多个同时规范模板,获得来自相同或不同的本地化人员任务。计算每一个独立的相似性措施不会占方差之间共享它们,这样,不会解决每个人的特殊贡献。至关重要的是,其他方法如semi-partial相关性(例如,Hebart et al ., 2018;加西亚et al ., 2021)或多重回归(例如,纳et al ., 2017;Palenciano et al ., 2019)也可以包含在模板跟踪。这些方法正确划分任务变化,评估的独特贡献和共享多个模板,这样,是高度相关的结论分析。

在替代,classifier-based方法也可以用于模板跟踪,下面一个平行的过程如cross-decoding分析。在这种情况下,机器学习分类器训练定位器数据和测试任务活动模式。然而,这种方法可能会限制的标准实现的灵活性CTT框架。具体来说,如果只考虑分类器精度,它通常会显示在多大程度上模板泛化的主要范式数据而不是单个模板获取证据的复活(正好与上述方法)。额外的输出测量值可以计算丰富这种方法的结论。例如,我们还可以提取trial-wise距离超平面,与LDA分类器获得的d值(例如,Linde-Domingo et al ., 2019)。这些测量被分配到每个活动模式从主范式在分类器的测试阶段,不仅表明规范模板标签分配给审判,而且分类(与更高的信心d值表明审判是远离边界的决定,因此,更容易归类为相应的模板标签)。更复杂的解码实现已经使用在过去获得进一步证据的恢复特定规范的模板(例如,Kok et al ., 2017;刘et al ., 2019)。尽管如此,获得trial-wise索引为多个模板和比较其中直接从classifier-based不如RSA方法。此外,使用解码算法将进一步实施实验设计要求,如再定位器的任务提供足够的样本数据的分类器训练。话虽如此,同样重要的是要强调,解码结合本地化人员分类器也可以强大,成功地实施了,在以前的文献(例如,Kurth-Nelson et al ., 2016;刘et al ., 2019;威默et al ., 2020)。

选择测量的底层模板跟踪的核心决策之一是一个结论的实验。然而,尽管先前的研究已经记录了不同方法的优势和警告的RSA和解码分析,另外一项工作是失踪的上下文中使用独立的主要任务和定位器的数据。因此,指标的影响采用活化指数(不同的距离测量或分类精度)或随后的过程(有或没有交叉验证)部分不确定日期。我们的建议是选择中提到的选项根据推理研究的目标。概括地说,相关距离,当使用一个合适的基线比较,是最简单的,更直接的选择来解释。相关距离或分类精度合适的方法来解决特定的模板。然而,当研究问题需要比较在多个模板,基于相似性测量多个回归或semi-partial相关性可以帮助解决每个活动模式的贡献。话虽如此,进一步提供更健壮的方法论的工作将是关键在这方面的建议。

在这项工作提供的脚本,我们展示模板跟踪的两个实现模拟核磁共振数据(也可用的存储库中,模拟RSA工具箱;Nili et al ., 2014)。首先,我们计算correlation-based相似性指标,比较两个条件的标准模板(使用一个基线如2.2节所述)。其次,我们采用多元回归比较两个独立定位器模板。为简单起见,活动模式从传统的估计,beta-per-run的漠视,没有噪声归一化,使用一个ROI方法。因为生成的代码是基于解码工具箱的主要功能(Hebart et al ., 2014),我们读者参考其文档进一步包括上面提到的不同的活动模式估计选项。

3.4。统计推断

如果一个RSA-based模板跟踪之后,总部的过程将提供,为每个参与者,活化指数(相关性或距离测量或β重量)每规范模板,和空间(压或ROI)或时间(本)单元分析探索。或者,如果随后decoding-based的方法是,对于每一个参与者和空间或时间单位,我们将获得一个通用解码精度或一个或多个分类器输出与每个活动模式的主要范式。

对这些测量执行推理在集团层面,重要的是要考虑到大多数模板的跟踪测量不会遵循由参数测试的假设,通常和非参数的选择建议。最重要的是,如果模板执行跟踪使用non-cross-validated相似性度量(如标准皮尔逊相关性或欧氏距离),将积极偏见(即激活索引。,可能是人为地提高)。在这些情况下,而不是解决模板的活化指数大于零,是否应该进行推理的相对激活增加跨模板(见3.5节)。最后,它还值得注意的是,通常是神经影像数据分析一样,大量的统计测试将被执行,需要适当的多重比较校正的实现。

一种可能性是开展Wilcoxon符号秩测试(Wilcoxon 1945),non-parametrical替代one-sampled和配对t -测试工作在过去的多元分析EEG和fMRI数据(Nili et al ., 2014;Grootswagers et al ., 2017)。在这方面,paired-sample Wilcoxon测试可以用来评估相对增加目标模板的活化指数与预定义的模板基线或控制条件。一个示例Wilcoxon测试(比较激活指数对零)时才应该使用活化指数控制(即定义上面的正偏压。旨在测量)。第二个,更全面的选择是执行permutation-based测试,在真正的任务数据标签将被打乱,以估计激活值在零假设下的分布。有趣的是,这个零分布有助于积极的解释膨胀期间获取的距离度量模板跟踪阶段。此外,置换过程也使集群大小的空分布的估计(相邻像素点之间或时间点),可以进一步用来控制多个比较cluster-wise标准(本文作者et al ., 2013),实现Family-Wise-Error或错误发现率修正。这种方法考虑了神经影像数据,空间和时间依赖性,使平衡控制假阳性和假阴性的更少的不利影响。其实现多变量分析管道的功能磁共振成像和M /脑电图近年来一直推广(马里斯Oostenveld, 2007;本文作者et al ., 2013;洛佩斯-加西亚et al ., 2022)。

3.5。结论的解释结果

概括地说,可以进行执行总部的两大类型的推论:要么评估个人表现的存在与否或比较几个竞争模板的激活强度。将基于前找到一个系统的和特定的目标标准模板和主范式之间的关系的活动模式。后者将进一步需要适当的分区主要范式的方差来捕获每个模板的独特贡献。在这两种情况下,解释了活化指数作为证据存在或强度的编码信息,重要的是要考虑污染效应的影响可以偏见CTT的结果,主要是:检测一般(而不是内容特定的)影响活动模式和混杂的活化指数计算模板或定位器的可靠性。

关于混淆源于一般的效果,和独立研究推理的目标,将是至关重要的结论相对而非绝对模板激活索引,因为它已经强调在不同部分的工作。相比,目标模板应提供适当的控制或基准模板相同的定位器的任务。绝对相似性度量可以捕获方差的非特定的任务,而不是通知关于大脑表示的内容,可以反映出更一般的认知过程,如未指明的知觉加工、汽车准备或执行,或广泛的认知控制或注意力集。本教程中提到的相似度测量的本质(沃尔特et al ., 2016)进一步强调相对指标的必要性。

淡化了的第二个来源的可靠性活动模式相比,当多个模板或本地化人员尤其重要。发现增加标准模板的相似(或定位器)也可能是由更可靠或信息,或者,不吵闹,活动模式的条件。而有效的实验设计应该确保所有规范模板的来源是等价的,同样类似的主要范式,实验控制之外的其他来源可以影响模板的可靠性(基线变化在扫描时,噪声分布,参与者参与,等等)。因此,提供进一步的实验证据支持类似的模板可靠性可以帮助解释。在这方面,以往的研究(Wimber et al ., 2015;加西亚et al ., 2021)评估替代模板或本地化人员是否有等效信噪比(计算使用的意思t价值与相似性度量,除以标准差),信息内容(使用夏侬熵)以及他们是否与其余的模板相同的条件类似的程度(测量确定为“correlationability”)。

最后,解释也将取决于特定的模板进行比较的方法时跟踪。虽然大多数的建议给到目前为止与RSA-based相似性测量,机器学习分类器已经广泛应用于早期的研究也结合本地化人员和MVPA。因此,重要的是要考虑到RSA和decoding-based测量反映不同方面的表征几何来解决。一方面,RSA相似性测量更不知道底层机制,、显著提高这些指标只是国家标准模板和主要任务活动模式系统地接近估计多维表征空间(Kriegeskorte et al ., 2008 a;Kriegeskorte Kievit, 2013)。另一方面,decoding-based方法,当他们提供高于随机分类准确性,通知的主要范式的活动模式可以读出一个类似线性解码器的解释标准模板(然而,看到卡尔森et al ., 2018;里奇et al ., 2020)。然而,值得注意的是,当前MVPA研究还远未理解的影响这两种分析方法在神经编码,更重要的是,他们的认知影响。尽管如此,它仍然是相关的解释结论时要考虑这两种技术之间的差异的结果。

4所示。局限性和缺陷

到目前为止,这项工作已经强调了使用本地化人员与CTT方法的优势,促进其包含认知神经科学家MVPA工具之一。然而,同样重要的是要承认这个方法的一系列固有的缺点,可以限制它的实现。

4.1。需要适当的定位器(s)

结论研究的主要缺陷与定位器的设计任务。在这里,我们提供了一组一般建议在实验设计上,应实施以下具体的研究问题。然而,如何实现这一目标并不总是直截了当。找到定位器可以非常具有挑战性的任务,捕获感兴趣的过程没有重叠太多与主范式或包括额外的、不必要的认知计算。确保等价(在知觉、运动和认知水平)在所有标准模板和本地化人员包括在CTT分析阻碍,甚至更多,实验设计。假设获得类似的行为表现在条件相比,确保参与者的参与和任务难度。此外,选择合适的基线条件可以在某些情况下也有问题。因此,即使一些可靠性度量可以计算排除混淆(见3.5节),可怜的实验设计决策能够严重影响解释结论的结果。尽管如此,我们想强调,类似的设计问题也会影响其他MVPA技术,由于其灵敏度增加(Hebart贝克,2018)。因此,承认这种陷阱并不能否定结论的方法,而是鼓励进一步护理和谨慎设计本地化人员任务时MVPA测试。

4.2。额外的资源

即使有优雅的范式和定位器的任务设计,其他CTT限制出现在这个阶段。第一个自然来自一个或多个定位器的使用任务(s):他们将消耗更多的时间和参与者的努力。因为资源尤为关键的神经成像研究中,我们建议谨慎的成本和收益的考虑在研究的设计阶段。在这方面,我们鼓励使用CTT只有当感兴趣的研究问题可以更好的解决包括独立定位块有更多限制的任务要求。否则,更简洁的方法应该总是使用single-paradigm研究和其他MVPA技术者优先。在这方面,还有其他决策层面的设计(例如,condition-rich设计;Kriegeskorte 2009)和分析(例如,使用更复杂的RSA模型来源于生物启发深层神经网络;Kriegeskorte 2009;Ito et al ., 2022),可以实现绕过增加本地化人员的需要。尽管如此,如上所述的介绍,对一些研究问题和认知域,包含本地化人员(和相应的额外的资源投入)可能仍然是最优的策略。在这方面,同样重要的是要强调翻新心理学和认知神经科学的兴趣在增加从个体参与者(收集的数据量史密斯和小,2018年)。虽然这种方法不利于主导范式,关注实现统计权力通过更大的样本大小(波特拉克et al ., 2017),它已被证明是另一种路径检测相关和可靠的影响(例如,波特拉克et al ., 2015;纽伯尔德et al ., 2020)。考虑到资源需求与CTT和额外的定位器(s)任务(s)非常符合这个辩论。

4.3。考虑实验的时间结构

实验设计不仅增加了总部的总体时间要求也会导致进一步决定实验的时间结构,进而可能引发额外的混淆。特别是,顺序显示的主要范式和本地化人员可以与时间在任务上面蒙羞(反映在参与者的疲劳和专业知识),低频漂移工件,或一般的顺序影响(例如,可预见性的转换)。增加定位器设计中的任务的数量将进一步实施困难在控制这些污染影响。相比之下,基于与事件相关的设计和trial-by-trial single-paradigm研究条件随机化(戴尔1999)优化以减少系统的时态混淆的影响。因此,可以认为,而不是使用独立定位器块,更倾向于简单地添加定位器试验点缀在任务的主要范式。这种方法仍然会使定位器和主范式之间的比较试验的表征。然而,重要的是要考虑,在一些实验范式,将额外的本地化人员的要求或规则不仅会增加整个任务的复杂性和困难,但也会打乱感兴趣的认知过程的性能(邓肯et al ., 2008)。导致的结果是,分离的主要范式和本地化人员的要求独立的块也可以要求在某些情况下。因此,当解决总部设计的可行性,研究人员应该考虑增加难以控制时间混淆和感兴趣的认知过程的特性。

4.4。理论假设

最后,超出了实验设计的局限性,研究结论还征收额外的理论假设,可能会阻碍它的适用性。具体来说,模板跟踪定位器之间利用活动模式的普遍性任务和主要模式。因此,这种方法是高度相关的研究表示编码在一个通用的、抽象的神经认知语境的代码,它可以转移。这个属性也由cross-decoding共享分析(卡普兰et al ., 2015),远非一个限制本身普遍性,已被确定为一个关键方面MVPA扩大大脑功能和认知理论的(Varoquaux波特拉克,2019)。已经说过,重要的是要承认这个观点可能很难协调理论建议基于相反的假设:神经的non-generalizability或低抽象表示。尤其是高阶认知过程,先前的证据强调高维的存在,连接词表示非线性混合多种类型的信息灵活编码任务目标(Rigotti et al ., 2013;Kikumoto娃,2020)。这样表示很难捕获与结论,因为它们不会转移任务上下文。因此,总部不会一个优化工具以解决假设来自这些框架。至关重要的是,其他理论模型和可用的证据也支持抽象的存在,可概括的高阶认知表征(贝尔纳迪et al ., 2020;巴德雷et al ., 2021)。,我们想强调的是,总部可以是一个有价值的工具,用于研究不仅感觉运动过程也更加复杂,目标明确的认知。然而,为了应用这一技术,我们必须考虑假设神经表征的性质及其与由CTT理论假设。

5。讨论

尽管大脑多元数据分析的兴趣不断增加,到目前为止工作提供了方法论的总部的指导方针。有了这个工作,我们旨在说明这种技术的优势和讨论重要的设计和分析决策的正确实施。一方面,我们强调仔细考虑的重要性的任务要求和实验条件(s)定位器的任务。另一方面,尽管结论部分重叠(交叉)解码和RSA,我们强调了具体步骤和决策模板估计和跟踪。此外,我们提供了一个全面的教程覆盖时空上解决神经影像记录,连同一套脚本实现分析使用流行的多元模式分析工具箱(Hebart et al ., 2014)。在这一过程中,我们旨在统一以前的工作框架中使用的方法在研究结论并鼓励未来的研究将这种技术作为一个强大的工具来调查认知过程的信息化方法。

先前的文献证明结论的相关性,以及相关方法结合本地化人员和MVPA,认知神经科学的解决问题。这种技术的特异性,它允许针对特定刺激表示,导致更好的理解如何认知过程变换编码的信息。在记忆领域,例如,研究Wimber et al。(2015)显示如何的兴奋性和抑制性总部流程支撑自适应遗忘。因此,这种方法可能是高度相关的探索其他竞争过程,可能与优先级和抑制机制和受益于理清这两个影响。同样,可以用来调查联想总部流程绑定多个表征(阿卜杜拉的逮捕令et al ., 2016)。在更普遍的术语中,打开一个窗口总部探索认知操作的影响在特定的材料,而不是更广泛的分类条件(如有生命和无生命的刺激),很经常的与解码算法等技术。我们相信跟踪任务的要求如何改变个人刺激表示可以生成特定的和可测试的假设的关键,因此导致之间的通信理论框架和神经影像学研究。

此外,研究结论也提供了宝贵的依据表征格式之间的区别。例如,在认知控制域,不同框架预测任务相关信息的格式(刺激、反应和它们之间的链接)表示最佳指导行为(例如,霍梅尔et al ., 2001;霍梅尔,2009;Rigotti et al ., 2013;巴德雷et al ., 2021)。一个流行的观点强调任务内容需要在一个行动导向(或过程)的代码功能不同于编码相同的信息在一个更象征性或声明式格式(黄铜et al ., 2017)。采用CTT,加西亚等人。(2021年)分任务表示形式之间重叠的内容(例如,相关的刺激反应协会)但不同格式(即。、程序和声明式)。通过使用不同的本地化人员的任务要求,这些作者估计过程和声明式模板,发现前者的影响更大的神经活动模式和性能。保持恒定的模板的内容,同时操纵他们的格式是一个关键的结论和扩展强度的结论,可以解码和RSA(特别是在上下文condition-rich设计不能合并)。除了认知控制,这种方法也可以与其他相关研究背景,理论预测特定的表征形式。是这样,例如,操作处理框架强调一个通用的编码格式在公开的性能、运动规划、甚至图像(Jeannerod戴西迪,1995;花岗岩碎砾,2004;Jeannerod 2004),或者体现语言建议预测的重叠引起的表示语言和感觉运动加工(Barsalou 2008)。因此,精心设计的定位器的任务可能是一个强大的工具来帮助解读编码格式基础不同的认知过程。此外,具象的描述格式可以进一步丰富与其他分析方法结合CTT针对这种编码维度。例如,在最近的一项研究中,夸克和柯蒂斯(2022)采用网膜代表映射和图像重建技术来描述抽象的格式特征表示在工作记忆举行。比较,重构网膜代表表示反对活动模式发现工作记忆保留间隔期间,以下类似的逻辑结论。这部小说的方法打开一个窗口,进一步扩大CTT框架,不仅包括估计也重建规范模板。

此外,特别适用于总部的指数增长的文献旨在描述信息编码在无约束或自发的大脑活动模式(Matusz et al ., 2019;Sonkusare et al ., 2019;刘et al ., 2022)。大部分的神经影像学研究认知神经科学依赖于实验控制精心设计提供了范例。尽管如此,最近的工作强调使用的局限性限制任务和刺激空间探索大脑功能,进化到处理复杂的、多维的信息(纳et al ., 2020)。就业动机的自然实验设置(Sonkusare et al ., 2019),其中包括电影可视化(哈森et al ., 2004),自然言语知觉(胡特et al ., 2016;汉密尔顿和胡特,2018年),自由回忆任务(陈et al ., 2016)等。与此同时,另一个前景看好的路径,需要分析的内容中自发活动静息状态的时期(刘et al ., 2019;金正日et al ., 2020)。虽然这些方法提供前所未有的生态效度,但这样做的代价使常见的实现多元分析更具挑战性。本地化人员已被证明是非常有用的在这种情况下,因为他们使孤立的目标陈述后用于识别内容在无约束或休息时,大脑活动(例如,Kurth-Nelson et al ., 2016;刘et al ., 2019;威默et al ., 2020)。尽管如此,大部分的研究开发从解码的角度来看,训练分类器和定位器数据和测试他们对自发活动模式。与我们的工作,我们的目标是扩大为此目的的方法论工具,它提供了一个灵活的框架,不同的指标可以适应的本质定位器和实验设置。

超出其潜力,同样重要的是要承认缺乏以前的方法论的出版物在CTT呼吁进行进一步的研究。例如,关于实验设计,以往的文献讨论了决策,优化多变量模式分析,用不同的建议为研究运用解码(墙et al ., 2009)和RSA (Kriegeskorte et al ., 2008 a)。尽管如此,从多元定位器的设计任务或信息化框架至今没有得到解决。与相当多的关注,这一问题收到activation-based透视图(Friston et al ., 2006;萨克斯et al ., 2006)。争论关于功能,单变量本地化人员已经包含抽象理论的影响(Friston et al ., 2006),具体的范例和刺激(例如,福克斯et al ., 2009;伯曼et al ., 2010)。而定位器的逻辑推断的多元框架,一个平行的讨论尚未发生在这一领域。因此,相似的任务中使用过去的功能定义感兴趣的区域现在被用来隔离底层的神经表征。在我们的工作中,我们旨在明确国家不同问题的选择定位器(s)任务要求和实验条件,以及他们的关系推理研究的目标。尽管如此,我们知道需要额外的工作来完善这项技术。我们考虑到一个关键的未来方向可能需要细化的分类定位器的任务可以用来唤起不同的表征格式和内容。这样的一个策略可能促进总部实验的实验设计,最大化结果的重现性,并促进协作数据共享。

同样,分析过程本身可以进一步优化。在这项工作中,我们旨在合成研究中使用的不同的方法之前类似CTT和扩展方法解码和RSA可以兼容这种技术。在这一过程中,我们强调两个步骤的核心结论:规范的评估模板和跟踪过程。前者利用提取的神经表征的鲁棒性和稳定性。灵感来自于之前的工作,我们建议采用传统run-wise GLM估计提取活动模式的功能磁共振成像数据和trial-averaging M /脑电图。对于后者步骤中,模板跟踪,我们建议的计算相似性度量(如correlation-based相似或多元回归权重β),源自RSA,最大化的灵活性在模式比较。我们相信我们提出循序渐进过程填补了文献中的空白和指导未来的研究将是有用的。尽管如此,我们也强调,未来的实证研究将是关键在更多的支持添加到模板估计和跟踪过程描述。例如,相似性度量包括验证RSA的上下文中,他们经常应用于相似的结构,而不是活动模式(例如,多重回归权重β)。未来的工作使用真实和模拟数据将提供一个更详尽的上下文中验证这些测量localizer-driven模板。

6。结论

多元分析的引入在认知神经科学打开了一扇窗更多的机械,具象的理解大脑功能。旨在扩展可用的方法,这里我们介绍第三个MVPA实现、结论,从定位器任务经验估计特定的神经表征,并评估其在独立的认知范式(重新)激活。虽然CTT解码和RSA紧密相关,我们强调如何补这些技术由于其特异性和其利用表征格式的能力。促进其实现在未来的研究中,我们提供了一个详细的教程中关于实验设计和数据分析和识别的主要局限性和缺陷与该技术有关。这些指导方针,我们旨在扩展空间和temporally-resolved数据集的分析。为了进一步促进实现总部,我们还提供了一系列的脚本进行分析磁共振成像数据。尽管未来的工作将进一步改善CTT的关键,我们相信其包容多元的工具用于神经成像的研究将大大有助于解决认知现象。

作者的贡献

美联社,女士、科幻和CG-G促成了当前工作的概念和方法。美联社写的第一个版本的手稿和发展提供的脚本。所有作者导致修订手稿、阅读和批准提交的版本。

资金

美联社由安达卢西亚人的自治政府(格兰特Ref。: PAIDI 21 _00207)。科幻小说是由德国研究基金会(德意志Forschungsgemeinschaft DFG)德国的卓越Strategy-EXC 2002/1,科学的智能(项目Ref。: 390523135)和柏林爱因斯坦的基础。由欧盟支持女士的地平线2020研究和创新计划,852570年授予协议,由格兰特bof17 -果阿- 004根特大学研究委员会的。CG-G支持由格兰特ijc2019 - 040208我和项目pid2020 - 116342 - ga - i00由MCIN AEI / 10.13039 / 501100011033,我由MCIN格兰特ryc2021 - 033536 / AEI / 10.13039 / 501100011033和由欧盟NextGenerationEU / PRTR。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用