Kanizsa Figure Formationに独立して寄与する面のフィリングインと輪郭の補間

Surface Filling-In and Contour Interpolation Contribute Independently to Kanizsa Figure Formation
S. Chen, S. Glasauer, H.J. Muller and M. Conci
Journal of Experimental Psychology: Human Perception and Performance, vol. 44, no. 9, p.1399, 2018

本実験は,物体の統合のメカニズムを探るために,主観的輪郭および表面の完成が標的プローブの局在化の感度をどのように調節するかを調べた.被験者は,簡単に提示されたドットプローブが,主観的なKanizsa型の図形の変形を形成するためにグループ分けされた誘導要素によって画定された領域の内側または外側に位置するかどうかを判定した.得られた心理測定機能から,被験者の弁別閾値を感度測定値として決定した.実験1は,所定の構成によって与えられた表面および輪郭の補完度によって,感度が系統的に調節されることを示した.実験2および3は,明確に定義された境界輪郭を有さない遮蔽された物体を誘導する刺激変形を提示し,これは表面変動に対する相対感度増加を独自に生じさせた.実験4および5は,これらの性能変調が,重要な局所誘導器間の可変距離または遮蔽された輪郭の処理におけるコストに起因するものではないことを除外するために実施された.まとめると,これらの結果は,表面のフィリングインおよび輪郭補間を独立して行うフィードフォワード処理およびこれらの出力を完全な全体の図形に統合するフィードバックループによって補完がインスタンス化されるオブジェクト統合のモデルをサポートする表面と輪郭処理の間の分離の証拠を提供した.

多発性硬化症における機能統合の障害:グラフ理論研究

Impaired functional integration in multiple sclerosis: a graph theory study
Maria A. RoccaPaola ValsasinaAlessandro MeaniAndrea FaliniGiancarlo ComiMassimo Filippi
Brain Structure and Function, vol. 221, no. 1, Pages 115–131, 2016

この研究の目的は大規模な多発性硬化症(MS)患者群における機能的な脳ネットワーク接続性のトポロジカルな組織を探究し,その破壊が疾患の臨床症状に寄与するかどうかを評価することであった.グラフ理論解析は246 人のMS 患者および55 人の健常対照(HC)のレスティングステイトのfMRI データに適用された.116 の皮質および皮質下の脳領域間の機能的接続性は二変量相関分析を用いて推定された.MS 患者とHC との間にはグローバルなネットワーク特性(ネットワーク度数,全体効率,階層,経路長および組み合わせ)に異常があり,HCから認知障害のMS 患者(34%)を区別することに寄与した.HC と比較してMS 患者は(1)左半球の上前頭回,楔前部および前帯状回のハブの喪失; (2)基底核ハブの異なる側方化(主にHC の左半球およびMS 患者の右半球に位置); そして(3)HC では見られない左側頭極および小脳におけるハブの形成を示した.またMS 患者は両側の尾状核および右小脳においてノードの度数の低下を見せた.このような領域的なネットワーク特性の改変はMS の認知障害および表現型の変動に寄与した.グローバル統合の障害(遠い脳領域間の情報交換能力の低下を反映する可能性がある)はMS において起こり,認知障害と関連する.ネットワーク特性の局所的再配分はこれらの患者の認知状態および表現型変動に寄与する.

マインドフルネス訓練はInsula networkにおける構造的な結合変化を引き起こす

Mindfulness training induces structural connectome changes in insula networks
P.B. Sharp, B.P. Sutton, E.J. Paul, N. Sherepa, C.H. Hillman, N.J. Cohen, A.F. Kramer, R.S. Prakash, W. Heller, E.H. Telzer, et al.
Scientific reports, vol. 8, no. 1, p.7929, 2018.

マインドフルネス瞑想は豊富な心理的利点を提供することが知られているが,これなの効果に関与する神経メカニズムはまだ十分に特徴づけられていない.中心的な疑問は,実験的介入の代替変化に起因しない構造的脳結合において,マインドフルネス訓練の観察される利益が特定の変化に起因しないかどうかである.マインドフルネス訓練によって誘発される全脳およびノードレベルの構造結合変化の測定を,大規模な複数群介入プロトコル(n=86)内の認知および体力トレーニングによって誘発されたものと比較した.全脳解析は,構造ネットワーク形態のグローバルなグラフ理論変化を調べた.マインドフルネス訓練を通して改善することが示されている,相互受容感覚スキルを仲介するために予測されたInsula内の接続性変化を調べるために,仮説主導のアプローチがとられた.全脳ネットワーク形態において全体的な変化は見られなかった.しかし,ノードレベルの結果は,すべての接続にわたって右Insulaの平均接続強度の有意な増加を示す先験的仮説を確認した.現在の所見は,マインドフルネスが内受容感覚を強化し,全体的なコネクトーム内の平均的なInsulaの接続強度としてここで操作されることを示唆している.この知見は,マインドフルネスメイスの神経メカニズムをさらに解明し,現代の認知的および身体的介入と比較して,マインドフルネス訓練のユニークな利点について新しい見方を動機づける.

FC-NIRS:NIRS のための機能的結合解析のツール

FC-NIRS:A Functional Connectivity Analysis Tool for Near-Infrared Spectroscopy Data
J. Xu, X. Liu, J. Zhang, Z. Li, X.Wang, F. Fang and H. Niu
BioMed research international, 2017

“有望な非侵襲イメージング装置である近赤外光分光法(fNIRS)は,近年,安静状態の脳の機能的結合(FC)研究においてますます普及している.しかし,機能的結合分析のためのソフトウェアパッケージはまだかけている.fNIRS に基づくヒト機能的結合解析を促進するために,我々は,「近赤外光データの為の機能的結合分析ツール(FC-NIRS)」と呼ばれるソフトウェアパッケージを開発した.このパッケージには,fNIRS データの前処理,品質管理,機能的結合の算出,ネットワーク解析の主な機能が含まれている.このソフトウェアはグラフィカルユーザーインターフェース(GUI)を備えているため,研究者はFC-NIRS を使用して,データ分析を簡単かつ迅速に実行可能である.さらに,FC-NIRS は,データ処理および分析中にバッチ処理を実行できるため,多数のデータセットに対処する時間コストを大幅に削減可能である.実際に人間の脳画像を用いた実験結果で,ツールボックスの実行可能性を確認する.この新しいツールボックスは,fNIRS データに基づいたヒト機能的結合研究を実質的に促進すると期待されている.

畳み込みニューラルネットワークを用いた支援学習による感情認識

Emotion recognition by assisted learning with convolutional neural networks
Xuanyu He, Wei Zhang
Journal of Neurocomputing, Volume 291, Pages 187-194, 24 May 2018

画像感情とは特定の画像から得られる,または画像に隠された感情の事である.この論文では,新たな畳み込み ニューラルネットワークが画像から感情を推定するため提案された.その提案モデルは快不快の二値分類ネット ワークと特定の感情を認識するためのディープネットワークの 2 つの部分から成る.ネットワークを学習させてい る間,支援学習手法は認識精度を向上させるために導入された.実験の結果,提案されたニューラルネットワー クは感情認識の精度において大きな発展を獲得し,アクティベーションマップの拡大が可能であると証明した.

GraphVar 2.0:機能的ネットワーク特徴量による機械学習用のユーザーフレンドリなツールボックス

GraphVar 2.0: A user-friendly toolbox for machine learning on functional connectivity measures L. Waller, A. Brovkin, L. Dorfschmidt,D. Bzdok,H. Walter,J.D. Kruschwitz
Journal of Neuroscience Methods, Volume 308:, Pages 21-33,1 October 2018

“背景:
我々はこれまでGraphVarを脳機能ネットワーク解析の包括的なグラフ理論解析のための使いやすいMATLABツールボックスとして提示した.ここでは,ツールボックスの包括的な拡張機能を紹介する.これにより,ユーザーは機能的な接続方法や追加機能を介して、簡単にカスタマイズ可能なデコードモデルをシームレスに探索できる.
新たな手法 :
GraphVar 2.0 は機械学習モデル構築,検証,探索を提供する.
機械学習はグラフ理論特徴量と追加変数の任意の組み合わせを使用して実行することができ,ニューロイメージングに柔軟性をもたらす.
結果:
高速一般線形モデル(general linear model : GLM)による脳機能ネットワークの構築やグラフ理論的解析などの以前に統合された機能に加えて,ユーザはconnectivity matrices,graph measuresおよびインポートされた追加変数にわたってカスタマイズ可能な機械学習を実行できるようになった.
新しい拡張機能は,分類と回帰の性能におけるパラメトリック,ノンパラメトリックなテスト,データのエクスポート,図の生成と高品質のエクスポートも提供する.
既存手法との比較:
GraphVar 2.0は,他の既存のツールボックスと比較して,
(1)包括的なカスタマイズ,(2)オールインワンのユーザーフレンドリーなインターフェイス,(3)カスタマイズ可能なモデルデザインおよび手動のハイパーパラメータの入力(4)インタラクティブな結果の探索とデータのエクスポート (5)同じセッション内で複数の結果変数をモデリングするための自動キューシステム,(6)簡単な入門説明書に従う.
結論:
GraphVar 2.0は,機能的ネットワーク解析に基づいた測定法でのエンコード(GLM)およびデコード(ML)モデリングアプローチの包括的で使いやすい探索を可能にし,神経科学のビッグデータをより広範囲のニューロイメージング研究者に容易に扱うことができるようにする.

単一の個人においても,単一の機能的アトラスは存在しない:ヒトの脳の分割は状態に依存する

There is no single functional atlas even for a single individual Parcellation of the human brain is state dependent
Mehraveh Salehi, Abigail S. Greene, Amin Karbasi, Xilin Shen, Dustin Scheinost, R. Todd Constable Constable
bioRxiv, Posted October 1, 2018.

長い間,ヒトの脳のマッピングの目標は,脳の機能的な領域を定義し,これらの脳領域のそれぞれの機能的役割を解明することであった.近年の研究では,これらの領域を決定し,機能的なアトラスを作成するために,fMRIデータの全脳解析に焦点を当てている.機能的結合は,ネットワークワークラベルで脳を理解するためのアプローチであり,ネットワークの特性の抽出のために,ノード間の接続の解析を行う.そのために,機能的アトラスが必要とされる.現時点では,標準的とされる単一の機能アトラスは存在しないにも関わらず,そのような機能アトラスが存在するという根本的な前提が存在している.本研究は,高頻度でサンプリングされた被験者のfMRIデータ,および2つの独立したデータセットを用いて,脳の状態に応じて妥当な機能的なアトラスが再構成されることを実証する.

機能的結合性を用いた機能的核磁気共鳴画像による画像分類

Image categorization from functional magnetic resonance imaging using functional connectivity
ChunyuLiu, SutaoSong, Xiaojuan Guo, Zhiyuan Zhu, Jiacai Zhang
Journal of Neuroscience Methods, Volume 309, Pages 146-158, 1 November 2018

“先行研究では,画像閲覧中に記録された機能的核磁気共鳴画像(fMRI)データからの刺激画像内の物体のカテゴリを推測しようと試みた.多くの研究は,所与の領域内または複数のボクセルにわたる活動パターンを抽出し,ボクセル間の関係を利用して刺激画像のカテゴリを解読することに焦点を当てている.しかし,画像カテゴリに応じた関心領域にわたる機能的結合性(FC)パターン,およびカテゴリ分類への潜在的な寄与はほとんど知られていない.

健康な成人ボランティアでfMRIを用いた4つの画像カテゴリ刺激(ネコ,顔,住居,車両)に対応した全脳FCパターンを機械学習フレームワーク(Support Vector Machine [SVM]とランダムフォレスト)を用いて調査した .我々はさらに,FCのロバスト性と,ニューラル復号のためのFCパターンに対するウィンドウ長の影響を調べた.

2つの分類モデルの平均1対1分類精度は,被験者内で74%,被験者間で80%であり,チャンスレベル(50%)より高かった.ランダムフォレストの結果はSVMの結果より優れており,48秒のFC結果は24秒のFC結果よりも優れていた.

我々は,FCパターンの分類性能を,ブロック間およびブロック内の2つの他の既存の方法と時間的な情報を重複させずに比較した.

異なるウィンドウ長(24および48秒)の全脳FCパターンは,画像カテゴリを高い精度で予測することができる.これらの結果は,人間の脳における大規模なFCパターンにおけるカテゴリー情報の表現の根底にある新しいメカニズムを明らかにしている.

社会的な脳の解明: EmpaToMによって引き起こされる共感と心の理論に対する異なる神経ネットワークと行動の関係を明らかにする

Dissecting the social brain: Introducing the EmpaToM to reveal distinct neural networks and brain behavior relations for empathy and Theory of Mind
P. Kanske, A. Bockler, F.-M. Trautwein and T. Singer
NeuroImage, vol. 122, pp. 6-19, 2015

社会的相互作用の成功には,共感(empathy)と他人の精神状態の理解(Theory of Mind, ToM)の両方が必要である.これらの2つの機能は主に個々に調査されており,基礎となる神経ネットワークの特異性やこれらのネットワークとそれぞれの行動指数との関係は明らかにされていない.本研究では,共感とToMを独立して操作する新しいfMRIパラダイム(EmpaToM)を提案する.実験1 a/b(N=90)は,行動および神経レベルで確立された共感およびToMパラダイムを用いて検証した.実験2(N=178)では,EmpaToMを行い,ToMではventral temporoparietal junctionまた共感ではanterior insulaを含む明確に分離された神経ネットワークを明らかにした.これらの個々のネットワークは,タスクのないresting stateの機能的接続性において確認することができる.重要なことは,これらの2つのネットワークにおける脳活動は,それぞれの行動指数を予測したことである.すなわち,ToM関連の脳活動における個人間の差異は,ToMのパフォーマンスにおける個人間の差異を予測した.しかし,共感は予測されなかった.以上のことから,検証したたEmpaToMは,他人を理解する感情的経路と認知的経路を分離した.したがって社会的認知特有の構成要素の選択的な障害や改善の特定において,将来の臨床的,発達的および介在研究に利益をもたらす可能性がある.

HRV解析を用いた運転者ストレスレベルの検出

Driver stress level detection using HRV analysis
Nermine Munla, Mohamad Khalil, Ahmad Shahin, Azzam Mourad
Advances in Biomedical Engineering (ICABME), 2015 International Conference on. IEEE, pp.415-427, 2015

本稿では、実世界運転実験における運転者のストレスレベルの検出について検討した.この検出は,ECG信号から得られ,人体の自律神経系状態を反映する心拍変動(HRV)分析に基づいている.自律神経系の変化は運転操作中の運転者のストレスレベルを予測するため,早期警告によって安全な運転を可能にする.運転中に起こるストレスは,気分の変化,生物学的リズム,疲労,退屈またはドライバーが不適切な運転状態に至るのを防ぐ疾患などの多様な要因によって引き起こされる.本研究では,HRV解析を行うことを目的にドライバのECG信号を抽出して前処理を行った.この分析は,時間,周波数,時間 – 周波数またはWaveletおよびSTFT(短時間フーリエ変換)を含む非線形方法などのドメイン分析アプローチの1つが使用される. HRV分析の後,複数のパラメータが抽出され,分類フェーズの特徴のベクトルが構築される.本実験は,自動車ドライバデータベース(DRIVEDB)のストレス認識からの16の異なる被験者からのデータを用いて行われた.半径方向基底関数(SVM-RBF)カーネル、K最近傍(KNN)、およびラジアル基底関数(RBF)分類子を含むサポートベクトルマシンを含むいくつかの分類技術が調査された.本研究の結果は,ストレス検出がSVM-RBF分類器を用いて83%の精度で予測可能であることを示した.このことはまた,運転者状態の正確な生理的指標としてのECGバイオメトリックのロバスト性を示す.