在人类上角上进行了亚特拉斯分片的定量比较
Brandon C Hackney1, John A Pyles2, Emily D Grossman1
1Department of Cognitive Sciences, University of California, Irvine, 2201 Social & Behavioral Sciences Gateway, Irvine, CA 92697, United States.
Brain research
|July 10, 2024
概括
自动化大脑图谱有效地识别上时 (STS) 中的社会认知任务,即使是随机分片. 这表明粗的STS功能映射是可行的,尽管精确的地形需要进一步研究.
科学领域:
- 神经科学是一个神经科学.
- 认知神经科学 认知神经科学
- 脑部成像 脑部成像
背景情况:
- 用传统方法来描述上突 (STS) 的功能地形具有挑战性.
- 自动化大脑图谱为尺寸缩小和对感兴趣的区域进行标准化提供了潜力,但显示了各种各样的边界定义.
- 评估不同地图集对STS功能分析的有用性至关重要.
研究的目的:
- 评估机器学习分类器在识别社会认知任务中的有效性,使用STS激活模式减少了四个流行的大脑图谱.
- 为了确定尺寸缩小到包裹是否会影响STS内部的功能指纹.
- 为了比较不同地图集和数据总结指标的分类性能.
主要方法:
- 使用机器学习 (支持矢量机器) 分类器进行分类任务.
- 应用于STS激活模式的离开一个主体的交叉验证.
- 使用四个流行的地图集 (Glasser,Gordon,Power,Schaefer) 缩小了功能数据的尺寸,并在包裹中总结了数据.
主要成果:
- 当STS数据使用四个图书馆中的任何一个进行分类时,分类器成功识别了社会认知任务.
- 平均激活是对右侧STS进行分类的最有效的指标,而所有指标在左侧STS中表现均.
- 即使使用基于随机分片方案的零地图集,也可以实现高分类准确度.
结论:
- 在STS中复杂的激活地图可以使用自动化地图集在粗略的水平上进行区分.
- 将尺寸缩小为地块本身不会损害STS内部的功能识别.
- 需要进一步的研究来完善阿特拉斯的实用性,以取代STS中的功能定位器.
