Codificación Mental Y Neural Decodificación De Categorías Abstractas Cognitivas: Un Comentario Y La Simulación

Codificación mental y neural decodificación de categorías abstractas cognitivas:
Un comentario y la simulación

La premisa del análisis de patrones multi-voxel (AFMV) de imagen de resonancia magnética funcional (fMRI) de datos es que las codificaciones mentales o estados dan lugar a patrones de activación neuronal, que a su vez, dan lugar a patrones de
nivel de oxígeno en la sangredependientes (BOLD) respuestas distribuidos a través de grupos de voxels. aprendizaje estadístico algoritmos entonces se puede utilizar para detectar las relaciones entre las codificaciones mentales y respuestas BOLD, típicamente a través de la clasificación de patrones. Entre otras muchas aplicaciones, esta técnica se ha utilizado para evidencia representación de la categoría abstracta en una variedad deáreas del cerebro ya través de una amplia gama de dominios cognitivos. En este comentario, dirigimos una crítico de dominio general advertencia para inferir la representación categoría abstracta de MVPA, que ha sido en parte pasado por alto en la literatura reciente: en concreto, la distinción entre representando ejemplos específicos dentro de las categorías, y que representa las categoríasabstractas propias. uso
una simulación, se demuestra que ciertas formas de la formación MVPA y pruebas no constituyen una suficiente evidencia de la representación categoría, e ilustrar posibles y novedosas retrospectivos resoluciones para esta tema.

Introduction

Un cambio de paradigma que está ocurriendo en la neuroimagen de los procesos cognitivos. Una vez que se limitan a preguntas de asignaciónde estructura-función, la resonancia magnética funcional (fMRI) se utiliza actualmente para hacer frente a preguntas acerca de la representación de la estructural de las poblaciones neuronales. Este nuevo enfoque, ampliamente conocida como Análisis de patrones multi-voxel (MVPA), abarca un conjunto de técnicas de decodificación o patrón de clasificación utilizados para evaluar el contenidoinformativo de los datos neuronales (para una introducción técnica general, vea Mur et al., 2009) . Técnicas de aprendizaje estadístico han sido utilizados para descubrir patrones abstractos en los conjuntos de datos de alta dimensión, y ahora se está desatando en los datos generados por las poblaciones neuronales.

El montaje experimental requerido para este método suele ser simple: un participante,humano o animal, experimenta una variedad de fichas (visual, auditivo, auditivos imaginar, etc), mientras que las señales neuronales (valores en negrita respuesta
o las tasas de disparo de células procedentes de regiones particulares del cerebro) se registran. En muchos investigaciones, la caída de fichas en diferentes clases abstractas, como la visual categorías de objetos (por ejemplo,herramientas frente los alimentos en Reddy et al, 2009) categorías de objetos (por ejemplo, los gatos frente a las guitarras en Staeren et al, 2009), naturales categorías de escena (por ejemplo, playas frente a edificios en Walther, et al., 2009), categorías emocionales de tono (por ejemplo, la ira frente a la alegría en Ethofer et al., 2009), numerosidad (por ejemplo, 2 vs 4 vs 6 contra 8 en Eger et al.,2009), y el número paridades (por eje los números pares frente a impares, más adelante). Una vez recopilados, el análisis de estos datos son de dos etapas: (1) un ajuste del modelo o de la etapa de formación, y (2) modelo de predicción, o fase de pruebas. En primer lugar, el algoritmo de aprendizaje (comúnmente pero no exclusivamente, una Support Vector Machine, o SVM) trata de encontrar lafunción que cada vector mejores mapas de alta dimensión de las respuestas neuronales a una clase o categoría. La función resultante es una modelo de la relación entre las señales neuronales y estímulo categorías. Muchos de los algoritmos de aprendizaje, dada una función lo suficientemente grande espacio, puede generar modelos de clasificación sin ningún tipo de errores de entrenamiento en esta...