Probing the link between dynamics of “face-selectivity” in macaque IT cortex and facial emotion discrimination behavior
Notice bibliographique
Résumé
Recognizing facial emotions constitutes a core component of human social interactions. Previous research has discovered several cortical sub-regions ("face patches"), primarily localized in the primate inferior temporal (IT) cortex, that respond relatively selectively to faces. However, one can build algorithms that decode faces from the responses of more heterogenous samples of IT neurons. Here we test the link between psychophysical (behavioral) facial emotion discrimination ability and decoding models constructed from neurons with varying "face-selectivity". Adult human participants (n=12) discriminated the emotions (happy vs. fearful) in 80 images (8 identities) presented for 100 ms. We generated a hypothesis space linking IT activity and facial emotion behavior using convolutional neural network(CNN) models of primate vision (adapted to perform emotion discrimination). The estimate of "face-selectivity" for each model-IT neuron was proportional to the difference in its response to faces vs. other objects. We determined the goodness of a linking algorithm by correlating the CNN-IT-based emotional intensity predictions and the patterns of human behavioral discrimination. Interestingly, we observed that some CNNs (e.g., ResNets) generated stronger predictions when decoding algorithms contained more "face-selective" units (100 units per decoder). However, for many other models (e.g., Cornet-S), any random sample of their IT units demonstrated equally predictive decodes. To ask which of these hypotheses is consistent with primate visual processing, we performed large-scale recordings in the IT cortex of two macaques (~200 sites). Preliminary results show that macaque IT-based decodes incorporating more "face-selective" neurons better predict facial emotion discrimination. Interestingly, the predictions' strength and dependence on "face-selectivity" only prevailed during early (70-110ms) IT responses. In contrast, facial identity decodes were strongest during the late (150-200ms) IT responses. The high "face-selectivity" and early (putatively feedforward) IT response-based decoding that our results reveal, facilitate discriminating among and constraining the development of the next-generation brain models of facial emotion processing.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».