Modulating subjective pain perception with decoded Montreal Neurological Institute-space neurofeedback: a proof-of-concept study
Notice bibliographique
Résumé
Pain is a complex emotional experience that still remains challenging to manage. Previous functional magnetic resonance imaging (fMRI) studies have associated pain with distributed patterns of brain activity (i.e. brain decoders), but it is still unclear whether these observations reflect causal mechanisms. To address this question, we devised a new neurofeedback approach using real-time decoding of fMRI data to test if modulating pain-related multivoxel fMRI patterns could lead to changes in subjective pain experience. We first showed that subjective pain ratings can indeed be accurately predicted using a real-time decoding approach based on the stimulus intensity independent pain signature (SIIPS) and the neurologic pain signature (NPS). Next, we trained participants ( n = 16) in a double-blinded decoded fMRI neurofeedback experiment to up- or downregulate the SIIPS. Our results indicate that participants can learn to downregulate the expression of SIIPS independently from NPS expression. Importantly, the success of this neurofeedback training was associated with the perceived intensity of painful stimulation following the intervention. Taken together, these results indicate that closed-loop brain imaging can be efficiently conducted using a priori fMRI decoders of pain, potentially opening up a new range of applications for decoded neurofeedback, both for clinical and basic science purposes. This article is part of the theme issue ‘Neurofeedback: new territories and neurocognitive mechanisms of endogenous neuromodulation’.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».