Personalized Neural State Segmentation: Validating the Greedy State Boundary Search Algorithm for Individual-level Functional Magnetic Resonance Imaging Data
Notice bibliographique
Résumé
Humans segment experience into a nested series of discrete events, separated by neural state transitions that can be identified in fMRI data collected during passive movie viewing. Current neural state segmentation techniques manage the noisiness of fMRI data by modeling groups of participants at once. However, the perception of event boundaries is itself idiosyncratic. As such, we developed a denoising pipeline to separate meaningful signal from noise and validated the Greedy State Boundary Search algorithm for use in individual participants. We applied the Greedy State Boundary Search to publicly available (1) young adult and (2) developmental fMRI data sets. After extensive denoising, we confirmed that personalized young adult neural state transitions exhibited a canonical temporal cortical hierarchy and were related to normative behavioral boundaries across time in key regions such as posterior parietal cortex. Furthermore, we used machine learning to show that the strongest neural transitions from across cortex could be used to predict the timing of normative boundary judgments. Results from the developmental data set also demonstrated important boundary conditions for estimating personalized neural state transitions. Nonetheless, some brain-behavior relations were still apparent in individually modeled developmental data. Finally, we ran two individual differences analyses demonstrating the utility of our method. These validations pave the way for applying personalized fMRI modeling to the study of event segmentation; what meaningful insights could we be missing when we average away what makes each of us unique?
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».