Underlying sources for decoding of oriented gratings in fMRI
Notice bibliographique
Résumé
Multivariate machine learning algorithms were applied to BOLD fMRI data obtained from human subjects for decoding the orientation of gratings, with voxels larger than the width of orientation columns. Contributions to this successful decoding using low-resolution BOLD fMRI can potentially be made by 1) functionally selective large blood vessels, 2) orientation bias in large-scale organization, and 3) local orientation irregularities. In order to examine this issue, we re-analyzed cerebral blood volume-weighted fMRI data from cat visual cortex (Fukuda et al., J. of Neurosci, 2006). To remove large vessel contributions, ferrous iron oxide contrast agent was injected into blood. The functional data were obtained with 0.156 x 0.156 x 1 mm3. Then, high-resolution data were down-sampled to low-resolution up to 3 mm (the average orientation cycle is 1.0-1.4 mm). Linear support vector machine analysis showed that the presented orientation can be predicted above the chance level, even at 3-mm voxel resolution. To separate contributions from local orientation irregularities and from large-scale organizations, data were band-pass filtered with center frequency of 0.4 cycles/mm (frequency range of local irregularities) and 0.1 cycles/mm (low frequency). In both conditions, the presented orientation can be predicted above the chance level, with slightly better accuracy for the spatial filter of higher frequencies. Our analysis indicates that 1) large vessel contribution is not essential, and 2) local orientation irregularities can contribute for decoding of orientations in low-resolution fMRI data. Meeting abstract presented at VSS 2013
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».