Reconstructing mental images using Bubbles and electroencephalography
Notice bibliographique
Résumé
The exact nature of the visual features that are brought to consciousness when one is engaging in mental imagery is still difficult to study empirically. The few studies that have attempted to reconstruct mental images obtained poor quality results due in part to the extremely sparse coverage of the “scene space” (Shen et al., 2019). Hence, the aim of the present study was to reconstruct better quality mental images by increasing the sampling resolution of the visual features within the scene space using the Bubbles method (Gosselin & Schyns, 2001) and electroencephalography (EEG). So far, we have recorded the brain activity of four participants during two alternating tasks divided into 6 one-hour sessions. In the perception task, participants were presented with two scene images through different sets of randomly located Gaussian apertures or “bubble masks” (1,500 trials per image in total). In the mental imagery task, subjects were shown the two stimuli successively and asked to imagine either the first, or second one (300 trials per image in total). For each participant and for each scene, we correlated the EEG activity patterns between mental imagery and visual perception. Specifically, we correlated the EEG activity in each trial of the visual imagery task with the EEG activity elicited from partial presentation of the scenes through bubbles. Correlation-weighted sums of the associated bubble masks were computed in order to produce, for the first time, “classification images” of mental images.
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 | 0,002 |
| 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 ».