[论文解读] An introduction to time-resolved decoding analysis for M/EEG

Thomas A. Carlson, Tijl Grootswagers+1 more|arXiv (Cornell University)|May 13, 2019

Neural Networks and Applications被引用 10

一句话总结

本文提出了一种时间解析解码分析方法，作为脑磁图（MEG）和脑电图（EEG）数据的多变量模式分析（MVPA）方法，实现了对认知过程中神经表征的高时间分辨率映射。通过在时间上解码神经模式，该方法以毫秒级精度揭示了从感觉处理到高级认知的动态表征变化。

ABSTRACT

The human brain is constantly processing and integrating information in order to make decisions and interact with the world, for tasks from recognizing a familiar face to playing a game of tennis. These complex cognitive processes require communication between large populations of neurons. The non-invasive neuroimaging methods of electroencephalography (EEG) and magnetoencephalography (MEG) provide population measures of neural activity with millisecond precision that allow us to study the temporal dynamics of cognitive processes. However, multi-sensor M/EEG data is inherently high dimensional, making it difficult to parse important signal from noise. Multivariate pattern analysis (MVPA) or "decoding" methods offer vast potential for understanding high-dimensional M/EEG neural data. MVPA can be used to distinguish between different conditions and map the time courses of various neural processes, from basic sensory processing to high-level cognitive processes. In this chapter, we discuss the practical aspects of performing decoding analyses on M/EEG data as well as the limitations of the method, and then we discuss some applications for understanding representational dynamics in the human brain.

研究动机与目标

• 为研究人员提供一份实用指南，以将解码分析应用于高维M/EEG数据。
• 解决从噪声大、高维的M/EEG记录中提取有意义神经信号的挑战。
• 展示如何利用解码方法映射认知任务中神经表征的时间进程。
• 阐明MVPA在M/EEG研究中的方法论考量与局限性。
• 说明该方法在理解人类大脑中表征动力学方面的应用。

提出的方法

• 利用多变量模式分析（MVPA）在M/EEG数据的时间点上解码神经活动模式。
• 应用分类器（例如线性判别分析或支持向量机）基于M/EEG信号的空间-时间模式来区分不同实验条件。
• 通过在每个时间点计算解码准确率，采用时间解析方法追踪神经表征的演化过程。
• 结合交叉验证以确保在高维数据中的稳健性并防止过拟合。
• 使用置换检验评估解码性能在时间上的统计显著性。
• 将解码准确率可视化为时间的函数，以识别神经表征何时以及如何出现和演化。

实验结果

研究问题

• RQ1 如何将解码分析应用于M/EEG数据，以追踪神经表征的时间动力学？
• RQ2 在高维M/EEG数据中使用MVPA的关键方法论考量与局限性是什么？
• RQ3 不同认知状态的神经表征在哪些时间点变得可区分？
• RQ4 感觉、运动和高级认知过程中的表征动力学有何差异？
• RQ5 多变量解码在揭示单变量方法无法检测到的神经过程方面起到什么作用？

主要发现

• 时间解析解码能够精确定位不同条件的神经表征变得可区分的时间窗口。
• 解码准确率可揭示认知过程的时间展开，例如早期感觉编码和后期与决策相关的活动。
• 该方法成功映射了涉及感知、记忆和决策任务的神经表征的动态变化。
• 置换检验证实，解码性能在特定时间点显著高于随机水平，验证了结果的可靠性。
• MVPA在检测与认知状态相关的细微、分布式神经模式方面优于单变量方法。
• 该方法在不同M/EEG数据集中均表现稳健，可广泛应用于各类认知神经科学研究问题。