Résumé
Dans le domaine des neurosciences, deux des questions fondamentales sont: comment l’information est distribuée au travers de différentes structures cérébrales, et comment cette information se modifie au cours du temps. Divers outils, tels que l’Imagerie par Résonance Magnétique (IRM) et la Tomographie par Émission de Positon (TEP), ont été développés au cours de ces dernières décennies pour enregistrer l’activité cérébrale et répondre à ces deux questions. En particulier, l’IRM fonctionnelle (IRMf) mesure les modifications du niveau d’oxygénation du sang (signal BOLD [Blood Oxygenation Level-Dependent]) qui est un bon indicateur de l’activité cérébrale (1), avec une résolution spatiale de quelques millimètres cube et une résolution temporelle typiquement de l’ordre de la seconde. Jusqu’à récemment, les méthodes généralement utilisées pour analyser des données IRMf ou TEP se concentraient sur la caractérisation de la relation individuelle entre un état cognitif ou perceptuel et chaque voxel1, suivant une approche statistique massivement univariée. Ce type d’approche permet notamment la construction d’une cartographie paramétrique statistique (2), reposant sur un modèle linéaire général (3), permettant de détecter les voxels qui présentent une réponse statistiquement significative à la condition expérimentale d’intérêt (ou une combinaison de celles-ci). Cependant, le fait d’examiner les voxels un par un individuellement contraint ce qui peut être inféré à propos de la représentation cérébrale de l’information. Par exemple, il est possible que plusieurs voxels distribués spatialement soient évalués individuellement comme non significativement activés par une condition expérimentale selon une analyse univariée, alors que la considération de l’ensemble de leurs signaux pourrait caractériser la présence (ou l’absence) de cette condition expérimentale. De plus, les approches classiques voxel-par-voxel sont principalement conçues pour comparer des différences entre conditions ou groupes de sujets, et ne permettent donc pas d’évaluer ou de prédire l’évolution d’une maladie ou l’état de conscience d’un seul sujet. D’autre part, les techniques d’analyse de formes multi-voxel (ou Multi-Voxel Pattern Analysis) (4–6) permettent d’augmenter la sensibilité de détection d’une représentation mentale particulière. Ces approches multivariées, connues aussi sous les noms de décodage cérébral (brain decoding) ou lecture de l’esprit (mind reading), visent à relier un état cognitif, perceptuel, comportemental ou médical, à une distribution spécifique de l’activité des voxels. L’application de ces méthodes a permis de décoder, à partir de l’activité cérébrale mesurée par imagerie, la catégorie d’un objet présenté visuellement (7–9) ou l’orientation d’un ensemble de lignes vues par un sujet (10, 11). L’évolution des algorithmes de reconnaissance de formes a aussi permis le décodage d’activité cérébrale moins contrôlée, telle que des tâches de récupération mnésique (12, 13).
Preview
Unable to display preview. Download preview PDF.
Références
Ogawa S, Lee TM, Kay AR, Tank DW (1990) Brain magnetic resonance imaging with contrast dependent on bloodoxygenation. Proc NatI Acad Sci USA 87: 9868–72
Friston KJ, Ashburner JT, Kiebel SJ et al. (2007) Statistical Parametric Mapping: the analysis of functional brain images. Elsevier Academic Press
Holmes A, Poline JB, Friston KJ (1997) Characterizing brain images with the general linear model. In: Human Brain Function. Academic Press USA: 59–84
Norman KA, Polyn SM, Detre GJ, Haxby JV (2008) Beyond mind-reading: multi-voxel pattern analysis of fMRI data. TRENDS in Cognitive Sciences 10: 424–30
Friston K, Chu C, Mourão-Miranda J et al. (2008) Bayesian decoding of brain images. NeuroImage 39: 181–205
Haynes JD, Rees G (2006) Decoding mental states from brain activity in humans. Nat Rev Neurosci 7: 523–34
Spiridon M, Kanwisher N (2002) How distributed is visual category information in human occipito-temporal cortex? An fMRI study. Neuron 35: 1157–65
Cox DD, Savoy RL (2003) Functional magnetic resonance imaging (fMRI) brain reading: detecting and classifying distributed patterns of fMRI activity in human visual cortex. NeuroImage 19: 261–70
Shinkareva S, Mason RA, Malave VL et al. (2008) Using fMRI brain activation to identify cognitive states associated with perception of tools and dwellings. PLoS one 3(3): 1394
Kamitani Y, Tong F (2005) Decoding the visual and subjective contents of the human brain. Nature Neuroscience 8: 679–85
Haynes J, Rees G (2005) Predicting the orientation of invisible stimuli from activity in human primary visual cortex. Nat Neurosci 8: 686–91
Polyn S, Natu V, Cohen J, Norman K (2005) Category-specific cortical activity precedes retrieval during memory search. Science 310: 1963–6
Chadwick M, Hassabis D, Weiskopf N, Maguire E (2010) Decoding individual episodic memory traces in the human hippocampus. Current Biology 20: 1–4
Pitt MA, Myung IJ (2002) When a good fit can be bad. TRENDS in Cognitive Sciences 6: 421–5
Bishop CM (2006) Pattern Recognition and Machine learning. Springer
Müller KR, Mika S, Rätsch G et al. (2001) An introduction to kernel-based learning algorithms. IEEE Trans. Neural Netw 12: 181–202
Burges C (1998) A Tutorial on Support Vector Machines for Pattern Recognition. Data Mining and Knowledge Discovery 2: 121–67
Tipping ME (2001) Sparse Bayesian learning and the relevance vector machine. J Mach Learn Res 1: 211–44
Rasmussen CE, Williams CKI (2006) Gaussian Processes for Machine Learning. The MIT Press
Mitchell TM, Hutchinson R, Niculescu RS et al. (2004) Learning to Decode Cognitive States from Brain Images. Machine Learning 57: 145–75
Neal RM (1996) Bayesian Learning for Neural Networks
Vemuri P, Gunter JL, Senjem ML et al. (2008) Alzheimer’s disease diagnosis in individual subjects using structural MR images: Validation studies. NeuroImage 39: 1186–97
Phillips C, Bruno MA, Maquet P et al. (2011) Relevance vector machine consciousness classifier applied to cerebral metabolism of vegetative and locked-in patients. NeuroImage 56: 797–808
Chan AM, Halgren E, Marinkovic K, Cash SS (2011) Decoding word and category-specific spatiotemporal representations from MEG and EEG. NeuroImage 54: 3028–39
Knopman DS, DeKosky ST, Cummings JL et al. (2001) Practice parameter: diagnosis of dementia (an evidence-based review). Report of the Quality Standards Subcommittee of the American Academy of Neurology. Neurology 56: 1143–53
Kloppel S, Stonnington CM, Chu C et al. (2008) Automatic classification of MR scans in Alzheimer’s disease. Brain 131: 681–9
Monti MM, Vanhaudenhuyse A, Coleman MR et al. (2010) Willful modulation of brain activity in disorders of consciousness. N Engl J Med 362: 579–89
Sorger B, Dahmen B, Reithler J et al. (2009) Another kind of ‘BOLD Response’: answering multiple-choice questions via online decoded single-trial brain signals. In: Progress in Brain research (Elsevier) 177: 275–92
Mitchell TM, Shinkareva SV, Carlson A et al. (2008) Predicting Human Brain Activity Associated with the Meanings of Nouns. Science 1191–5
Rights and permissions
Copyright information
© 2011 Springer-Verlag France
About this chapter
Cite this chapter
Schrouff, J., Phillips, C. (2011). Analyse multivariée par reconnaissance de formes : Décodage cérébral. In: Coma et états de conscience altérée. Springer, Paris. https://doi.org/10.1007/978-2-8178-0127-8_5
Download citation
DOI: https://doi.org/10.1007/978-2-8178-0127-8_5
Publisher Name: Springer, Paris
Print ISBN: 978-2-8178-0126-1
Online ISBN: 978-2-8178-0127-8
eBook Packages: MedicineMedicine (R0)