Decodificação de imagens auditivas com análise de padrão multivoxel

Fonte: Laboratórios de Jonas T. Kaplan e Sarah I. Gimbel - Universidade do Sul da Califórnia

Imagine o som de um sino tocando. O que está acontecendo no cérebro quando conjuramos um som como este no "ouvido da mente"? Há evidências crescentes de que o cérebro usa os mesmos mecanismos de imaginação que usa para a percepção. ¹ Por exemplo, ao imaginar imagens visuais, o córtex visual se torna ativado, e ao imaginar sons, o córtex auditivo é engajado. No entanto, até que ponto essas ativações de cortices sensoriais são específicas para o conteúdo de nossa imaginação?

Uma técnica que pode ajudar a responder a essa pergunta é a análise de padrões multivoxel (MPVA), na qual imagens funcionais do cérebro são analisadas usando técnicas de aprendizagem de máquina. ^2-3 Em um experimento de MPVA, treinamos um algoritmo de aprendizagem de máquina para distinguir entre os vários padrões de atividade evocados por diferentes estímulos. Por exemplo, podemos perguntar se imaginar o som de um sino produz diferentes padrões de atividade no córtex auditivo em comparação com imaginar o som de uma motosserra, ou o som de um violino. Se nosso classificador aprender a diferenciar os padrões de atividade cerebral produzidos por esses três estímulos, então podemos concluir que o córtex auditivo é ativado de forma distinta por cada estímulo. Uma maneira de pensar nesse tipo de experimento é que, em vez de fazer uma pergunta simplesmente sobre a atividade de uma região cerebral, fazemos uma pergunta sobre o conteúdo da informação daquela região.

Neste experimento, baseado em Meyer et al., 2010,⁴ vamos deixar os participantes imaginarem vários sons apresentando-os com vídeos silenciosos que provavelmente evocarão imagens auditivas. Uma vez que estamos interessados em medir os padrões sutis evocados pela imaginação no córtex auditivo, é preferível que os estímulos sejam apresentados em completo silêncio, sem interferência dos ruídos altos feitos pelo scanner fMRI. Para isso, usaremos um tipo especial de sequência funcional de ressonância magnética conhecida como amostragem temporal esparsa. Nesta abordagem, um único volume de ressonância magnética é adquirido de 4 a 5 s após cada estímulo, cronometrado para capturar o pico da resposta hemodinâmica.

1. Recrutamento de participantes

1. Recrute 20 participantes.
   1. Os participantes devem ser destros e não ter histórico de distúrbios neurológicos ou psicológicos.
   2. Os participantes devem ter uma visão normal ou corrigida para o normal para garantir que eles possam ver as pistas visuais corretamente.
   3. Os participantes não devem ter metal em seu corpo. Este é um importante requisito de segurança devido ao alto campo magnético envolvido na ressonância magnética.
   4. Os participantes não devem sofrer de claustrofobia, uma vez que o fMRI requer estar no pequeno espaço do furo do scanner.

2. Procedimentos de pré-digitalização

1. Preencha a papelada pré-digitalizada.
2. Quando os participantes entrarem para a varredura de ressonância magnética, instrua-os a primeiro preencher um formulário de tela metálica para garantir que não tenham contraindicações para ressonância magnética, um formulário de achados incidentais que dá consentimento para que seu exame seja examinado por um radiologista e um formulário de consentimento detalhando os riscos e benefícios do estudo.
3. Prepare os participantes para ir ao scanner removendo todo o metal de seu corpo, incluindo cintos, carteiras, telefones, grampos de cabelo, moedas e todas as joias.

3. Forneça instruções para o participante.

1. Diga aos participantes que eles verão uma série de vários vídeos curtos dentro do scanner. Esses vídeos ficarão em silêncio, mas podem evocar um som no "ouvido da mente". Peça ao participante para se concentrar e incentivar essas imagens auditivas, para tentar "ouvir" o som da melhor maneira possível.
2. Estresse para o participante a importância de manter a cabeça parada durante todo o exame.

4. Coloque o participante no scanner.

1. Dê aos participantes protetores de ouvido para proteger seus ouvidos do ruído do scanner e dos fones de ouvido para que eles possam ouvir o experimentador durante a varredura, e tê-los deitados na cama com a cabeça na bobina.
2. Dê ao participante a bola de aperto de emergência e instrua-os a espremê-la em caso de emergência durante a varredura.
3. Use almofadas de espuma para fixar a cabeça dos participantes na bobina para evitar o excesso de movimento durante a varredura, e lembre ao participante que é muito importante ficar o mais quieto possível durante a varredura, pois até mesmo os menores movimentos desfocam as imagens.

5. Coleta de dados

1. Colete varredura anatômica de alta resolução.
2. Comece a digitalização funcional.
   1. Sincronize o início da apresentação de estímulos com o início do scanner.
   2. Para alcançar a amostragem temporal esparsa, defina o tempo de aquisição de um volume de ressonância magnética para 2 s, com um atraso de 9 s entre as aquisições de volume.
   3. Apresente os vídeos silenciosos através de um laptop conectado a um projetor. O participante tem um espelho acima dos olhos, refletindo uma tela na parte de trás do furo do scanner.
   4. Sincronize o início de cada clipe de vídeo de 5 s para começar 4 s após o início da aquisição anterior da Ressonância Magnética. Isso garantirá que o próximo volume de ressonância magnética seja adquirido 7 s após o início do videoclipe, para capturar a atividade hemodinâmica que corresponde ao meio do filme.
   5. Apresentar três vídeos silenciosos diferentes que evocam imagens auditivas vívidas: um sino balançando para frente e para trás, uma motosserra cortando uma árvore, e uma pessoa tocando violino.
   6. Em cada varredura funcional, apresente cada vídeo 10 vezes, em ordem aleatória. A cada ensaio com duração de 11 s, isso resultará em uma varredura de 5,5 min de comprimento.
   7. Realize 4 exames funcionais.

6. Análise de dados

1. Definir uma Região de Interesse (ROI).
   1. Utilize a varredura anatômica de alta resolução de cada participante para traçar os voxels que correspondem ao córtex auditivo inicial(Figura 1). Isso corresponde à superfície do lobo temporal, chamado planum temporale. Use as características anatômicas do cérebro de cada pessoa para criar uma máscara específica ao seu córtex auditivo.

Figura 1: Região de rastreamento de interesse. A superfície do planum temporale foi traçada na imagem anatômica de alta resolução deste participante, e é mostrada aqui em azul. Em verde está a máscara de controle do polo frontal. Estes voxels serão usados para análise de MVPA.

2. Pré-processe os dados.
   1. Execute a correção de movimento para reduzir os artefatos de movimento.
   2. Realize a filtragem temporal para remover derivas de sinal.
3. Treine e teste o algoritmo de classificação.
   1. Divida os dados em conjuntos de treinamento e testes. Os dados de treinamento serão usados para treinar o classificador, e os dados de teste de esquerda serão usados para avaliar o que aprendeu. Para maximizar a independência dos dados de treinamento e teste, deixe de fora os dados de uma varredura funcional como o conjunto de testes.
   2. Treine um algoritmo de Máquina vetorial de suporte nos dados de treinamento rotulados do córtex auditivo em cada assunto. Teste a capacidade do classificador de adivinhar corretamente a identidade do conjunto de testes não rotulados e regise a precisão do classificador.
   3. Repita este procedimento 4 vezes, deixando de fora cada varredura como dados de teste cada vez. Esse tipo de procedimento, no qual cada seção dos dados é deixada de fora uma vez, é chamada de validação cruzada.
   4. Combine as precisão do classificador nas 4 dobras de validação cruzada, em média.
4. Testes estatísticos
   1. Para determinar se o classificador está tendo um desempenho melhor do que o acaso (33%), podemos comparar resultados no nível do grupo com o acaso. Para isso, reúna as precisão de cada assunto e teste que a distribuição é diferente do acaso usando um teste de Classificação Assinada Wilcoxon não paramétrico.
   2. Também podemos perguntar se o classificador está tendo um desempenho melhor do que o acaso para cada indivíduo. Para determinar a probabilidade de um determinado nível de precisão nos dados de chance, crie uma distribuição nula treinando e testando o algoritmo MVPA em dados cujos rótulos foram embaralhados aleatoriamente. Permute os rótulos 10.000 vezes para criar uma distribuição nula dos valores de precisão e, em seguida, compare o valor real de precisão com esta distribuição.
   3. Para demonstrar a especificidade das informações dentro do córtex auditivo, podemos treinar e testar o classificador em voxels de um local diferente no cérebro. Aqui, usaremos uma máscara do polo frontal, tirada de um atlas probabilístico e deformada para caber no cérebro individual de cada indivíduo.

A precisão média do classificador no planum temporale entre todos os 20 participantes foi de 59%. De acordo com o teste de Classificação Assinada de Wilcoxon, isso é significativamente diferente do nível de chance de 33%. O desempenho médio na máscara do polo frontal foi de 32,5%, o que não é maior que o acaso (Figura 2).

Figura 2. Desempenho de classificação em cada participante. Para a classificação tricolor, o desempenho de chance é de 33%. De acordo com um teste de permutação, o nível alfa de p < 0,05 corresponde a 42%.

O teste de permutação constatou que apenas 5% das permutações obtiveram precisão superior a 42%; assim, nosso limiar estatístico para indivíduos é de 42%. Dezenove dos 20 sujeitos apresentaram desempenho de classificação significativamente maior do que o acaso usando voxels do planum temporale, enquanto nenhum teve desempenho maior do que o acaso usando voxels do polo frontal.

Assim, somos capazes de prever com sucesso a partir de padrões de atividade no córtex auditivo que dos três sons que o participante estava imaginando. Não fomos capazes de fazer essa previsão com base em padrões de atividade do polo frontal, sugerindo que a informação não é global em todo o cérebro.

O MVPA é uma ferramenta útil para entender como o cérebro representa informações. Em vez de considerar o curso de tempo de cada voxel separadamente como em uma análise de ativação tradicional, esta técnica considera padrões em muitos voxels ao mesmo tempo, oferecendo maior sensibilidade em comparação com técnicas univariadas. Muitas vezes, uma análise multivariada revela diferenças onde uma técnica univariada não é capaz de. Neste caso, aprendemos algo sobre os mecanismos do imaginário mental sondando o conteúdo da informação em uma área específica do cérebro, o córtex auditivo. A natureza específica do conteúdo desses padrões de ativação seria difícil de testar com abordagens univariadas.

Há benefícios adicionais que vêm da direção de inferência neste tipo de análise. No MVPA começamos com padrões de atividade cerebral e tentamos inferir algo sobre o estado mental do participante. Esse tipo de abordagem de "leitura cerebral" pode levar ao desenvolvimento de interfaces cérebro-computador, e pode permitir novas oportunidades de comunicação com aqueles com fala ou movimento prejudicados.