Γνωσιακή Νευροεπιστήμη, 31/5/17 Μαρία Κουτρομάνου Ένα πλεονέκτημα της multivariate analysis είναι ότι αντίθετα με την univariate όπου υπολογίζεται ένα μοντέλο GLM για κάθε voxel ξεχωριστά, με multivariate αναλύσεις μπορεί να υπολογιστεί το σήμα από πολλά voxels. Αυτό συμβαδίζει με τις επικρατέστερες θεωρίες για τον τρόπο επεξεργασίας ερεθισμάτων στον εγκέφαλο, βάσει τον οποίων η επεξεργασία είναι κατανεμημένη και overlapping (Haxby et al . 2001). Η τοπογραφία δεν αφορά μία λειτουργικά προσδιορισμένη περιοχή αλλά μικρότερα τμήματα εντός τέτοιων περιοχών. Επιπλέον παρόλο που η ανάλυση voxel προς voxel μπορεί να μην αποκαλύψει διαφορετική δραστηριότητα σε διαφορετικές συνθήκες, η ταυτόχρονη ανάλυση πολλών voxels μπορεί να αποκαλύψει. Πχ οι Kitamini και Tong (2005), ήθελαν να βρουν αν τα μοτίβα ενεργοποίησης σε οπτικές περιοχές μπορούν να προβλέψουν τι προσανατολισμό κοιτούσε το άτομο απ’ το οποίο πάρθηκε το scan. Ωστόσο επειδή κάθε voxel περιλαμβάνει πολλές στήλες με orientation selectivity, η επιλεκτικότητα ενός μεμονωμένου voxel σε έναν προσανατολισμό θα ήταν πολύ μικρή, γι’ αυτό χρησιμοποιήθηκαν ανιχνευτές για κάθε προσανατολισμό που καθένας λάμβανε ως input τις ενεργοποιήσεις όλων των voxels απ τις οπτικές περιοχές που επιλέχθηκαν αλλά είχε μέγιστη ενεργοποίηση όταν το input του περιλάμβανε τα σημαντικότερα voxels (με το μεγαλύτερο w). Τα βάρη των συνδέσεων κάθε ανιχνευτή με κάθε voxel μαθεύτηκαν με έναν αλγόριθμο στατιστικής μάθησης (SVM) . Το SVM έκανε linear classification. Ένα πλεονέκτημα των linear classifiers έναντι των non linear, είναι ότι αποφεύγουν το overfitting (ο αλγόριθμος γίνεται κατάλληλος για την ταξινόμηση μόνο των συγκεκριμένων δεδομένων και χάνεται η ικανότητα γενίκευσης-ταξινόμησης σε νέα δεδομένα, βλ. Γ). Α Β Γ

Γενικά με τις multivariate αναλύσεις θεωρείται ότι έχει γίνει μετατόπιση από activation-based απεικόνιση (στόχος να βρεθεί ποιες εγκεφαλικές περιοχές σχετίζονται με ένα έργο) σε information-based, καθώς με αλγορίθμους μάθησης πουν έχουν ως input τη δραστηριότητα πολλών voxels, μπορεί να βρεθεί αν διαφέρει το μοτίβο ενεργοποίησης για κάθε συνθήκη και κάθε νέα ενεργοποίηση μπορεί να ταξινομηθεί ως ανήκουσα σε μία από τις συνθήκες (“mind reading”). Ωστόσο ο όρος “mind reading” δεν είναι πολύ ακριβής για έρευνες που χρησιμοποιούν μοντέλα encoding, όπου το input είναι μοτίβα ενεργοποίησης και το output είναι προβλέψεις για τη δραστηριότητα μεμονωμένων voxels (πχ Kay et al., 2008, όπου είχε υπολογιστεί το receptive field model κάθε voxel σε κάθε νέα εικόνα και έπρεπε να προβλεφθεί ποια εικόνα κοίταζε το άτομο κάθε φορά από ένα πεπερασμένο σύνολο). Ίσως περιγράφει καλύτερα έρευνες όπως των Miyawaki (2008), όπου ο αλγόριθμος αξιοποιούσε μοτίβα ενεργοποίησης από πολλά voxels και μπορούσε να προβλέψει τις ιδιότητες κάθε εικόνας (ανακατασκευή εικόνων). Αναφορές Allefeld, C., & Haynes, J. D. (2015). Pattern Analysis. In Toga, A. W. (Ed.), Brainmapping. An encyclopedic reference (pp. 641-646). Haynes, J.-D., & Rees, G. (2006). Decoding mental states from brain activity in humans. Nature Reviews Neuroscience,7(7), 523–534 Muller, Anderson, & Birch. (2003). Linear and nonlinear methods for brain-computer interfaces. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 11(2), 165–169. http://neuro.hut.fi/~vanni/data/varia/fMRI-kurssi2013.pdf