Developing a non-human primate model to dissect the neural mechanisms of facial emotion processing relevant in autism spectrum disorder
Notice bibliographique
Résumé
Understanding facial expressions is crucial for human social interaction as they convey emotions and intentions. Autistic adults often show marked differences (compared to neurotypically developed adults) in interpreting these cues, impacting communication and empathy. To aid autistic individuals, it’s essential to comprehend the neural basis behind these differences. However, the diverse nature of behavioral reports in autism impedes efficient study design. Current models for interpreting facial emotion judgments overlook individual image-level sensory representations, pivotal in understanding differences between neurotypical and autistic adults. In a recent study by Kar (2022), behavioral disparities between these groups were more evident at the image level rather than through broad categorical descriptors like “happiness” or “fear.” To investigate this further, we established an image-level framework using 360 diverse facial expression images from the Montreal Set of Facial Displays of Emotion (MSFDE). Through binary emotion discrimination tasks, we observed subtle yet significant differences in image-level behavioral error patterns between neurotypical and autistic individuals. Addressing the challenge of heterogeneity, we pinpointed shared variances in our developed image-level metrics, serving as a critical behavioral benchmark. To delve into the neural underpinnings, we conducted extensive neural recordings in the inferior temporal (IT) cortex of rhesus macaque monkeys. Initial findings align with previous predictions (Kar 2022), indicating stronger correlations between macaque IT-based decodes of facial emotion responses and neurotypical behavior compared to autistic behaviour. Our study aims to create an innovative framework merging non-human primate neural investigations with the autistic behavioral phenotype. By focusing on shared variances in image-level behavioral metrics, we aim to identify more sensitive neurobehavioral markers
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».