Parametric study of N170 sensitivity to diagnostic facial information during face identification
Notice bibliographique
Résumé
Studies have suggested that the face-sensitive N170 indexes a face or an eye detection process. However, such studies have often explored N170 sensitivity in a dichotomic way, to the presence or absence of different facial features, either alone or within a facial context (e.g Parkington & Itier, 2018). Other studies have proposed that the N170 could reflect in-depth integration of diagnostic information (Schyns et al., 2007). The objective of this study was to parametrically investigate whether the N170 reflects the quantity of diagnostic information integrated by the brain. To this end, we randomly created sparse facial stimuli with Bubbles, and used previously published classification images (Royer et al., 2018) to calculate the amount of available diagnostic information on a stimulus basis. Stimuli were then divided into ten bins covering a range from 0.01% to 80% information. Furthermore, a 0% (scrambled face) and 100% (whole face) bin were also adjoined at each extremity of the information spectrum. To equalize energy across stimuli, we applied discrete wavelet transform to unfiltered faces, and filtered the scrambled output with inverse bubbles. In other words, face regions hidden by bubbles were replaced by scrambled face information. EEG was collected from five participants as they each underwent 1,440 trials of a 10-identities recognition task. Using the 0% information condition as baseline, we then looked at the N170 peak amplitude and latency at PO8, in addition to behavioral responses. Results showed both parameters were sensitive to the amount of diagnostic information. As diagnostic information increased, amplitude linearly increased, and latency decreased. Interestingly, individual N170 amplitudes across information bins almost perfectly predicted corresponding recognition accuracies. Perhaps surprisingly, no other electrophysiological process (at PO8) seemed responsive to diagnostic information. Thus, it appears the N170 reflects in-depth processing of diagnostic information during face identification.
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 | 0,006 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».