fMRI解析の基礎 (13)：エンコーディング

エンコーディングとは？
$\to$ 刺激に関する知識を用いて特定のROIのBOLD反応を予測すること¹。

エンコーディングには次のような特徴があります。

• 特定の属性に敏感な領域を特定できる
• 認知過程・神経活動の仮説を検証できる。
• Computational Neuroscience, model-based fMRI

１. ボクセルベースのエンコーディング

基本的なモデルは、線形エンコーディングモデルです。

線形エンコーディングモデル：刺激をいくつかのチャンネルに分け、それぞれフィルターをかけて表現を得て、それらを線形結合することでBOLD信号が生成する。パラメータ推定はGLMと同様に行える。

例）

• Naselaris et al. (2009): Structural Encoding Model

• Guclu and van Gerven (2015): DNN-based Encoding Model

Encoding Model は、チャンネルの応答という仮定を利用して、刺激に選択的な脳領域を同定するのにも使えます。また、認知システムの階層構造や成り立ちを推測できます。

２. デコーディングへの反転

デコーディングモデルには次のような利点があるため、デコーディングモデルに変換して考察することも度々行われています。

• パフォーマンスを直接比較できる。
• マインドリーディングという観点でみれる。

$f(X_{train})$ と $f(X_{test})$ で重みが共通と仮定して、$X_{test}$ を推定することができます。ただし、行列の反転は、仮定したノイズに影響されるので気を付ける必要があります。

３. モデルベースのエンコーディング

fMRIデータに対する、行動データの計算論モデルの有効性を検証します。

例）

• O'Doherty et al. (2004): Reward Prediction Error (RPE)

次のような手順で、行動データとfMRIデータの対応付けをします。

1. 行動データに計算論モデルをフィッティング。
2. モデルのパラメータをいくつか選択し、fMRIデータに回帰させる。
3. 回帰係数から、行動に有意に相関している脳領域を同定する。

４. 計算論的認知神経科学

行動データ無しで、認知モデリングを行います。つまり、人工的な神経回路網をモデル化します。

神経回路のパラメータは、fMRIデータからは推定できません。しかし、経験的なパラメータを用いることで神経回路モデルを設計し、それによりBOLD反応を生成することで、相関法などから妥当性を検証できます。

---

Reference

• Ashby, F. G. (2019). Statistical analysis of fMRI data. MIT press. url
• Naselaris, T., Prenger, R. J., Kay, K. N., Oliver, M., & Gallant, J. L. (2009). Bayesian reconstruction of natural images from human brain activity. Neuron, 63(6), 902-915. url
• Güçlü, U., & van Gerven, M. A. (2015). Deep neural networks reveal a gradient in the complexity of neural representations across the ventral stream. Journal of Neuroscience, 35(27), 10005-10014. url
• O'Doherty, J., Dayan, P., Schultz, J., Deichmann, R., Friston, K., & Dolan, R. J. (2004). Dissociable roles of ventral and dorsal striatum in instrumental conditioning. science, 304(5669), 452-454. url