高解像度fMRIを使用して、人間の時間皮質の複数のサウンドカテゴリをデコードする

健全なカテゴリの知覚は、聴覚認識の重要な側面です。脳の健全なカテゴリの表現が特殊なサブ領域でエンコードされるか、聴覚皮質全体に分布する程度は不明のままです。脳の活性化の多変量パターン分析（MVPA）を使用した最近の研究は、脳が知覚情報をどのように解読するかについての重要な洞察を提供しています。MVPAメソッドを使用した脳のデコードに関する既存の大規模な文献では、聴覚ドメインでのマルチクラスの分類に関して比較的少数の研究が行われています。ここでは、高解像度のfMRIおよびMVPAメソッドを使用して、人間の側頭皮質内の聴覚カテゴリの表現と処理を調査しました。さらに重要なことは、MVPAツールとしてマルチクラスサポートベクターマシン再帰機能除去（MSVM-RFE）を使用して、複数のサウンドカテゴリを同時にデコードすることを検討しました。結果は、すべての分類で、モデルMSVM-RFEが複数のサウンドカテゴリと対応する誘発空間パターンとの間の機能的関係を学習し、チャンスを大きく上回る非標識音声誘発パターンを分類できることを示しています。これは、被験者内だけでなく、被験者全体で複数のサウンドカテゴリを解読する可能性を示しています。ただし、被験者全体のバリエーションは、被験者間分析の精度が大幅に低いため、被験者内の変動よりも分類パフォーマンスに影響します。音のカテゴリ選択的脳マップは、マルチクラス分類に基づいて特定され、上側頭回および中間側回における脳活動の分布パターンが明らかになりました。これは以前の研究と一致しており、空間的に分散されたパターンの情報が、音カテゴリのより抽象的な知覚レベルの表現レベルを反映している可能性があることを示しています。さらに、同じサウンドカテゴリの異なるアイテム間の無関係なバリエーションが減少し、サウンド分類に関連する信号の割合が増加するため、項目上のfMRI画像を平均することで、被験者間の分類パフォーマンスを大幅に改善できることを示します。

Perception of sound categories is an important aspect of auditory perception. The extent to which the brain's representation of sound categories is encoded in specialized subregions or distributed across the auditory cortex remains unclear. Recent studies using multivariate pattern analysis (MVPA) of brain activations have provided important insights into how the brain decodes perceptual information. In the large existing literature on brain decoding using MVPA methods, relatively few studies have been conducted on multi-class categorization in the auditory domain. Here, we investigated the representation and processing of auditory categories within the human temporal cortex using high resolution fMRI and MVPA methods. More importantly, we considered decoding multiple sound categories simultaneously through multi-class support vector machine-recursive feature elimination (MSVM-RFE) as our MVPA tool. Results show that for all classifications the model MSVM-RFE was able to learn the functional relation between the multiple sound categories and the corresponding evoked spatial patterns and classify the unlabeled sound-evoked patterns significantly above chance. This indicates the feasibility of decoding multiple sound categories not only within but across subjects. However, the across-subject variation affects classification performance more than the within-subject variation, as the across-subject analysis has significantly lower classification accuracies. Sound category-selective brain maps were identified based on multi-class classification and revealed distributed patterns of brain activity in the superior temporal gyrus and the middle temporal gyrus. This is in accordance with previous studies, indicating that information in the spatially distributed patterns may reflect a more abstract perceptual level of representation of sound categories. Further, we show that the across-subject classification performance can be significantly improved by averaging the fMRI images over items, because the irrelevant variations between different items of the same sound category are reduced and in turn the proportion of signals relevant to sound categorization increases.