パート1：神経記憶パターンの目標指向変調：FMRIベースの記憶検出への影響
Mar 19, 2022
連絡先：オードリー・フーaudrey.hu@wecistanche.com
Melina R. Uncapher、1 * J. Tyler Boyd-Meredith、1 * Tiffany E. Chow、3 Jesse Rissman、3およびX Anthony D. Wagner1,2
1心理学部および2神経科学プログラム、スタンフォード大学、スタンフォード、カリフォルニア94305、および3心理学部、カリフォルニア大学ロサンゼルス校、ロサンゼルス、カリフォルニア90095
過去の出来事を思い出すと、新しい情報に遭遇したときに誘発されるパターンと区別できる分散神経パターンが誘発されます。 これらの異なるパターンは、fMRIデータのマルチボクセルパターン分析（MVPA）を使用して、個々のメモリに対して比較的高い診断精度でデコードできます。 脳ベースの記憶検出は、有効で信頼できる場合、認知神経科学の領域を超えて、法律、マーケティング、およびそれを超えて明確な有用性を持っているでしょう。 ただし、メモリデコードの有効性に関する重要な境界条件は、「対策」の展開である可能性があります。これは、メモリ信号をマスクするために使用される戦略です。 ここでは、目撃者の識別に類似したパラダイムを使用して、対抗策に対するfMRIベースのメモリ検出の脆弱性をテストしました。 参加者は、以前に研究された新しい顔で2つのタスクを実行しながらスキャンされました。（1）標準の認識記憶タスク。 （2）彼らが彼らの本当の記憶状態を隠そうとしたタスク。 単変量解析により、参加者は、海馬や角回など、記憶の回復に関係する領域で、試行全体の平均である神経応答を戦略的に調整できることが明らかになりました。 さらに、注意の目標指向のシフトと思考置換に関連する領域は記憶の隠蔽をサポートし、記憶の生成に関連する領域は新規性の隠蔽をサポートしました。 重要なことに、MVPAは、参加者が記憶を正直に報告したときに記憶状態の信頼できる分類を可能にしましたが、個々の試行で記憶をデコードする機能は、記憶を隠そうとしたときに、逆にさえも損なわれました。 総合すると、これらの調査結果は、戦略的目標であるTateを展開して、メモリ関連の神経パターンをマスクし、メモリのデコードテクノロジを無効にして、実際のユーティリティに重要な境界条件を設定できることを示しています。
キーワード：対策; エピソード検索; 機能的MRI; 神経法; パターン分類
序章
増大する証拠は、機能的MRI（fMRI）およびマルチボクセルパターン分析（MVPA; Johnson et al。、2009; McDuff et al。、2009; Chadwick et al。、2010; Quamme et al。、2010; Rissman et al。、2010; Polyn et al。、2012; Poppenk and Norman、2012; Rissman and Wagner、2012）。 fMRIベースの記憶の解読に関する急速に出現している文献は、記憶の神経認知理論に情報を与えるだけでなく、法律、マーケティング、およびそれ以降にも影響を及ぼします（Meegan、2008年）。 たとえば、記憶を検出するための信頼性が高く検証された方法は、容疑者が犯罪関連情報について有罪の知識を持っているかどうか（Greely、2011）、または目撃者が重大な出来事を認識しているかどうかを判断する刑事司法制度の法医学能力を向上させる可能性がありますエレメント。 一部のfMRIベースのメモリデコード研究で観察された高い診断精度（最大70〜90％; Rissman et al。、2010）を考えると、これらのアプローチには個人のメモリ状態を明らかにするための法医学的有用性があると結論付けたくなるかもしれません。また、イベント情報を含む彼らの経験の歴史。
ただし、fMRIベースのメモリ検出技術はまだ開発中であり、フィールドでの使用に適しているかどうかを判断する前に、多くの重要な課題が残っています（Brown and Murphy、2010; Verschuere et al。、2011）。 最も重要な未解決の質問の1つは、メモリのデコードが「対策」に対して脆弱かどうかです。つまり、メモリまたは信号をマスクするために展開された戦略と「ビート」検出テストです（Farah et al。、2014）。 Rissmanetal。 （2010）参加者の記憶が明示的にではなく暗黙的に調査された場合、新しい顔から以前に遭遇したものを検出する能力がほぼ偶然に低下したため、戦略的目標状態に対する脆弱性を示唆する間接的な証拠を報告しました。 ただし、他のデータは、ニーモニック状態への注意の欠如が必ずしも記憶分類を妨げるとは限らないことを示唆しています。 たとえば、Kuhletal。 （2013）参加者がそれらの詳細を取得するように指示されていない場合でも、メモリの詳細をデコードすることができました。 一緒に、これらの調査結果は、戦略的目標状態が神経記憶パターンを変える条件を特定する必要性を明らかにします：特に、参加者は協力的であるように見える対抗策の使用を通して彼らの記憶状態を故意に隠すことができますか？ この質問に対処することは、メモリを検出するためのfMRIメソッドの境界条件を描くだけでなく、目標指向の検索プロセスのダイナミクスを理解することにも影響します。
ここでは、目撃者の識別に似た状況を調査し、目撃者の識別テストで協力的に見えるような対策が必要でした。 参加者は一連の顔を見て、fMRIを受けている間、これらの顔の記憶を2つの方法のいずれかで調べました。 最初のテストでは、参加者は以前に遭遇した新しい顔について明確な認識の決定を行いました。 2番目のテストでは、参加者は以前に遭遇した顔の記憶を隠し、新しい顔の記憶を装おうとしました。 明示的記憶データを使用して、認識と新規性の主観的経験に関連する活動パターンを識別するために分類器を訓練しました。 次に、参加者が対抗策を講じたときに、分類器が参加者の記憶状態をデコードできるかどうかをテストしました。
材料および方法
参加者。 24人の健康な右利きの男性参加者がスタンフォード大学とその周辺のコミュニティから募集されました。 参加者は18〜31歳で、平均SDageは23 4。29歳で、神経学的合併症の病歴のないネイティブの英語話者であり、アフリカ系アメリカ人（AA; n 8）またはヨーロッパ系アメリカ人（EA; n 16）のいずれかでした。自己申告する。 参加者は、StanfordUniversityInstitutionalReviewBoardの手順に従って、書面によるインフォームドコンセントを行い、fMRIの互換性についてスクリーニングされました。
実験。 実験には、24時間間隔で実施された2つのスキャンセッションが含まれ、両方のスキャンセッションで約5時間かかりました。 各参加者には、参加時間ごとに2ドル0の報酬が支払われました。 2人の追加参加者からのデータが収集されましたが、パフォーマンスが不十分または不完全であったため、後続の分析から除外されました。1つはdが偶然（0.08）であったために省略され、もう1つは参加者が実験を完了する前にスキャンを中止したためです。
刺激。 顔の刺激は男性の顔の400枚のカラー写真で構成され、そのうちの半分はAA、半分はEAでした（レースの影響を調べるデータは別途報告されます）。 顔の刺激は、ニュートラルな表情と背景の照明のために標準化され、頭と首だけが含まれていました。 刺激は、黒い中央固定十字線で灰色の背景に対して提示されました。 参加者ごとに、顔の刺激を人種ごとの層化ランダムサンプリングを使用して2つのサンプルに分割し、エンコードフェーズ中に提示される刺激（OLDアイテム; 100AA、100EA）または取得時にフォイルアイテムとして機能する（NEWitems; 100AA、100 EA） ）。
1日目：エンコーディング。 参加者は、200人の男性の顔（100人のAA顔と100人のEA顔）を意図的にエンコードしながらスキャンされました。 各顔は2秒間提示され、刺激間間隔（ISI）は8秒間で、試行ごとに合計10秒間でした。 エンコードフェーズの過程で、各顔が2回表示されました。200の刺激のフルセットが提示された後、同じ顔が異なる順序で再び提示されました。 参加者は、刺激を記憶するための精巧なエンコーディング戦略を与えられ、それによって、刺激に描かれた個人を含む想像力豊かな物語を生成するように指示されました。 参加者が刺激に参加し、タスクに従事していることを確認するために、各顔が現れた後、応答ボックスの右手の人差し指ボタンを押すように指示されました。 刺激は、1回の実行につき50の顔で、8回の実行にわたって提示されました。 最初の4回の実行は、研究刺激の最初の提示で構成され、次の4回の実行は、研究刺激の2回目の提示で構成されました。 各実行の終わりに（1日目と2日目の両方）、参加者はボタンを押すことで休憩を自己終了し、好きなだけ休憩を取るように促されました。 休憩は参加者全体で10〜55秒の範囲でした。
具体的には、以前に研究されたと思われる顔について、参加者は「新しい」反応を示し、認知戦略に迅速に切り替えて、認識の神経相関を隠すように指示されました。技術的および/または写真的側面に焦点を当てるように求められました。ここでは、コンピュータアルゴリズムが記憶信号を拾うのに十分な感度があり、それが研究されたと判断した後、それが強調されました。顔、彼らは-彼らの能力の及ぶ限りでは-写真の知覚的側面に注意を払うことによって顔の記憶が頭に浮かぶのを防ぐように努めるべきです。 逆に、研究されていないと認識された刺激については、参加者は「古い」反応を示し、認知戦略を使用して検索の神経相関を引き出すように指示されました。つまり、顔に似た既知の個人を思い起こさせ、関連する記憶を追体験します。個人と。 繰り返しになりますが、コンピューターアルゴリズムは新規性信号を検出するのに十分な感度があるため、新規性があると判断した顔の記憶の生成に迅速に切り替える必要があることが強調されました。 新旧両方の顔について、参加者は、試験の全期間（10秒）にわたって適切な認知戦略を使用するように指示されました。 実験者は、実験を進める前に、すべての参加者が隠された記憶課題を理解していることを確認しました。
単変量fMRI分析。 統計的パラメトリックマッピング（SPM8;ウェルカム認知神経科、ロンドン、英国; http://www.fil.ion.ucl.ac.uk/spm/software/spm8）、MATLAB 7.7（R2008b; MathWorks）で実行されました。データの前処理と単変量分析の両方に使用されます。
標準的な前処理手順がデータに適用されました。 すべての機能ボリュームは、スライス間の取得時間の差を考慮してスライス時間補正され、時間の中央のスライスが参照として使用されました。 すべての機能ボリュームはモーション補正され、最初のボリュームに空間的に再調整され、続いてセッションの平均ボリュームに再調整されました。 2日目（検索）セッションからのT 2-加重解剖学的ボリュームは、平均機能ボリュームに同時登録され、T 1-加重解剖学的ボリュームは、この同時登録されたT2-加重ボリュームに同時登録されました。次に、T 1-加重ボリュームが灰白質、白質、およびCSFにセグメント化され、結果の画像がMontreal Neurological Institute（MNI）空間のテンプレートに正規化されました。 機能ボリュームは、セグメンテーション中に取得された変換パラメーターに基づいて標準空間に正規化され、4mm3ボクセルにリサンプリングされました。 次に、すべての画像を半値全幅（FWHM）のガウスカーネル8mmで空間的に平滑化しました。
すべての分類スキームで、分類前にトレーニングビンとテストビン内のクラス間で試行回数のバランスを取り（ランダムなサブサンプリングを介して）、5 0パーセントの理論的帰無仮説分類の正解率と曲線下面積（AUC;以下を参照）0.50; シャッフルされたクラスラベルを使用した分析により、チャンス分類のパフォーマンスがこれらのレベルの周りに収束することが確認されました（「ヌル分布」）。 バランスをとった後、クラスAトライアルの各ボクセルの平均活動レベルがクラスBトライアルの平均活動レベルの逆になるように、各ボクセルからのデータを再度zスコアリングしました。 分析ごとに、分類プロセス全体を10回実行して、パフォーマンスの安定した見積もりを取得しました（独立した分析により、安定したパフォーマンスの見積もりを取得するには10回の反復で十分であることが確認されました）。
正則化ロジスティック回帰（RLR）は、すべての分類手順に使用されました。 これは、Rissmanetal。によってこの分類パラダイムで有利な選択であると以前に決定されました。 （2010）。 このアルゴリズムは、特徴の線形結合のソフトマックス変換（Bishop、2006）と、特徴の重みの前のガウス関数としての追加のリッジペナルティ項を使用して、マルチクラスロジスティック回帰関数を実装しました。 このペナルティ項は、L2の正則化を提供し、小さな重みを適用しました。 分類器のトレーニング中に、RLRアルゴリズムは、データの対数尤度を最大化する特徴の重みのセットを学習しました。 特徴の重みはゼロに初期化され、最適化は、対数尤度の勾配を組み合わせて使用する、Carl Rasmussenの共役勾配最小化関数（http://www.gatsby.ucl.ac.uk/Edward/code/minimize/）で実装されました。 L2ペナルティ。
L2ペナルティは、ユーザー指定のパラメーターの反数の半分に、クラスに追加された各クラスの重みベクトルのL2ノルムの2乗を掛けたものに設定されました。 この研究で報告されたすべての分析について、この自由パラメーターを10の固定値に設定することを選択しました。
分類器のパフォーマンスの評価：トレーニングセットデータを使用してRLRモデルパラメータを適合させた後、テストセットからの各脳活動パターン（つまり、試行）がモデルに入力され、その例がクラスAまたはクラスBからのものである確率の推定値が得られました（構造上、これら2つの値の合計は常に1になります）。 これらの確率値は、すべての交差検定テストフォールドにわたって連結され、ランク付けされました。 分類器の真陽性（ヒット）率と偽陽性（FA）率は、受信者動作特性（ROC）曲線を生成するために、確率連続体に沿った80固定カットオフしきい値で計算されました。 これらの曲線に関連付けられたAUC値は、Fawcett（2 0 04）によって記述されたように計算され、形式的には、あるクラスのランダムに選択されたメンバーが他のクラスに属する確率が他のクラスに属する確率よりも小さいと解釈できます。他のクラスのランダムに選択されたメンバーがいます。 別の言い方をすれば、AUCは、ランダムに選択されたクラスAとクラスBの試行のペアを正しいクラスに割り当てることができる平均精度を示します（0.5はランダムなパフォーマンス、1.0は完璧なパフォーマンスです）。 クラスAの例にラベルを付ける際の高い特異性が目標であり、多くの誤検知を許容したくない場合は、分類子の最も信頼できる推測を調べることができます。 ここでは、このしきい値を分類推測の上位10パーセントになるように任意に設定します。 分類器の最も信頼できる試行を報告するときは、AUC値ではなく精度を報告することに注意してください。
重要なマップ。 各分類スキームについて、重要度マップは、以前のMVPA研究で説明されている手順に従って作成されました（Johnson et al。、2 0 {{1 0}} 9; McDuff et al。、2 {{16 }} 0 9）。 ボクセルの重要度の値は、その信号がどれだけ増加または減少して分類器の予測に影響を与えるかを示す指標を提供します。 トレーニング後、ロジスティック回帰分類手順により、各ボクセルの予測値を反映する一連の重み値が生成されます（正の値は、アクティビティの増加が一般にクラスAの結果に関連付けられていることを示し、負の値は、アクティビティの増加が一般にClassBoutcomeに関連付けられていることを示します）。これらの重みは、クラスAトライアルの各ボクセルの平均アクティビティレベルで乗算されます（これは、トライアルバランシングとzスコアリング手順のため、クラスBトライアルの平均アクティビティレベルの反数です）。 活動と体重の両方に正の値を持つボクセルには正の重要度値が割り当てられ、負の活動と体重のボクセルには負の重要度値が割り当てられ、活動と体重の符号が反対のボクセルにはゼロの重要度値が割り当てられました（Johnson et al。、 2 0 09; McDuff et al。、2009）。 グループレベルの要約マップは、個々の参加者の重要度マップを平均することによって作成され、任意のしきい値で図に表示されます。0.02〜0.5のしきい値の3Dレンダリングマップと0.05〜0.5の2Dレンダリングマップ（図4を参照）または0.15から0.5の間（図7を参照）。 最後に、重要度マップは分類器によって使用されたボクセルを評価するための便利なツールですが、これらのマップは、どのボクセルが関心の区別について個別に有益であるかを網羅的に評価するものとして解釈されるべきではありません。
サーチライト分析。 重要度マップは、どのボクセルが全脳分類器に診断情報を提供するかを明らかにします。 ただし、個々の解剖学的領域からのデータを使用して、ヒットとCRを区別できるかどうかは明らかにされていません。 サーチライト分析を実施して、脳全体の局所的なデコード精度（Kriegeskorte et al。、2006）を提供しました。 特に興味深いのは、平均血中酸素レベル依存（BOLD;単変量）信号が対抗策によって大幅に変調された領域（図2Aを参照）が、偶然から大幅に逸脱した試行ごとのデコード精度も可能にするかどうかでした。 全脳マスクのすべてのボクセル（運動皮質と小脳のボクセルを除く）を個別に中心とする局所球形マスクで、クリティカル分類（明示的¡隠しヒットvs CR）を実行しました。 各球形マスクには、中央のボクセルの端に接触するボクセルが含まれていました。 したがって、球が全脳マスクを超えて拡張した場合を除いて、結果として得られた球には19個のボクセルが含まれていました。 ローカルデコードの精度が試験全体で進化したかどうかを判断するために（参加者が最初に記憶信号に注意を払い、次にそのような信号を隠そうとした場合に予想されるように）、6つのTRのそれぞれに対して個別にこれらのサーチライトを実行しました。
以前のデコード分析と同様に、各サーチライト球の有意性を評価しました。AUCは最初に1 0分類の反復に対して計算され、次にスクランブルされたリグレッサーを使用してさらに10回の分類の反復を計算することによってヌル分布がシミュレートされました。 10回の反復すべてにわたって、各ボクセルで各参加者の平均スクランブルAUC値と非スクランブルAUC値の対応のあるt検定を実行することにより、CRからヒットを確実に区別する球を示すグループレベルのtマップを生成しました。 これらのマップは、AFNI（Automated Functional Neuro-Imaging）プログラム3dClustSimに実装されているモンテカルロシミュレーション（Xiong et al。、1995）から導出されたクラスターサイズのしきい値を適用することにより、p 0.05（修正済み）でしきい値が設定されました。 モンテの滑らかさ
カルロシミュレーションは、スクランブル分類の反復全体で達成された平均AUCから、AFNIプログラム3dFWHMxを使用して、参加者ごとおよび各時点で個別に推定されました。 滑らかさは、参加者と時点全体で平均化され、各次元の単一の滑らかさの値が計算されました。 ボクセルごとの高さのしきい値p0。01の結果、クラスターサイズは22ボクセルになり、クラスターレベルの有意性p{{10}}に到達しました。{{15} } 5（FWE）特定の時点内。 6つの時点での多重比較を補正するために、ボンフェローニの補正を適用し、クラスターレベルの有意性p 0。0083（または0.05 / 6; FWE）を達成するために必要な範囲しきい値を計算しました。各時点または空間と時間にわたるp0.05（FWE）。 この方法を使用して、空間および6つの時点でクラスターレベルの有意性p 0.05（FWE）を達成するには、29ボクセルのクラスター範囲が必要であると判断しました。
結果
行動パフォーマンス
明示的記憶課題
参加者が各テストフェイスによって誘発されたニーモニック体験を正直に報告したとき、彼らは{{0}}の平均SDヒット率（OLD画像が正確に「古い」と判断した率）を達成しました。73 0。 12およびFAレート（新しい画像が不正確に「古い」と判断されるレート）は0。27 0。10であり、平均dは1。27 0。56になります。 平均応答時間（RT）は、正解（ヒット、1。74 0。60秒、CR、2。10 0。75秒）の方が不正解（FA、2。{{16）よりも速かった。 }}。01s;ミス：2。33 0。81 s; t（23）5.15、p 3。22 10 5）。 ヒット応答はCR応答よりも速かった（t（23）5.44、p1。56 10 5）。
明示的および隠蔽された記憶課題の比較
平均dは、隠された記憶課題よりも明示的な記憶の方が有意に大きかった（t（23）2.99、p6。6 10 3）。 どのメモリ結果でも平均RTにタスクの違いはありませんでした（すべてのp値0。05）。 ただし、ヒットとCRのRTの平均差は、隠されたメモリタスクよりも明示的なメモリの方が大きかったという点で、タスクとメモリの間に有意な相互作用がありました（t（23）6.25、p2。22 10 6）。 タスクの関数としてのRTに対するメモリのこの差異のある効果は、明示的なメモリ条件と隠されたメモリ条件の間のdの違いに起因する可能性があり、隠されたメモリ条件のデュアルタスクの性質の結果である可能性があります。参加者は最初に決定する必要がありました。顔が古いか新しいかにかかわらず、その後、運動反応を逆転させながら、記憶/新規の隠蔽戦略に迅速に切り替えます。
単変量fMRI分析
最初に、参加者が試行全体で記憶関連のBOLD信号を調整するための戦略的対策（つまり、単変量fMRI応答）に従事できるかどうかの問題を調査しました。 そのために、各タスクの「メモリ成功効果」（CRにヒット）を個別に特定し、メモリ成功効果がタスク間で共通している場所と、タスクによって調整されている場所を特定しました。 次に、記憶の成功効果を調整する能力が記憶の強さによって影響を受けるかどうかを調査しました。
一般的な記憶の成功効果
参加者は両方のタスクで顔が古いか新しいかを判断する必要があることを考慮して、次に、両方のタスクでヒットとCRを区別する領域があるかどうかを判断しようとしました。 そうするために、前述のメモリ成功の対比を包括的にマスクしました（p {{0}}。01eachで、p 0.001のコンジョイントしきい値になります）。 このマスキング手順の結果は、左側のIPSと左側のVTCでの影響を明らかにしました（図1C）。
leftAnGで反転したメモリの成功効果を示す可能性は低い（r {{0}}。36、p0。04）。 言い換えれば、彼らの記憶を隠そうとしたにもかかわらず、彼らの記憶の成功効果は持続した。 この発見は、より強い記憶を持つ参加者が、隠されたタスクの間に彼らのAnG活動を調整するのがより困難であったことを示唆しています。 興味深いことに、どちらの海馬クラスターも記憶力と活動の間に有意な関係を示しませんでした（右海馬、r0。{{10}} 5、p 0。82;左海馬、 r0.22、p 0.29）、および相関の傾きは、AnGと右海馬の間で異なり（Williams t（21）2.49、p 0.021）、左海馬ではわずかに異なりました（Williams t（21）1.62、p 0.12） 。 一緒に、これらの調査結果は、より強い記憶を持つ参加者は、leftAnGの記憶関連活動に対して目標指向の制御を発揮することができなかったことを示唆していますが、これは両側海馬には当てはまらないようでした。
多変量fMRI分析
私たちの中心的な質問は、認知（目標指向）対策戦略の使用により、参加者が記憶に関連する神経パターンをマスクできるかどうかであり、したがって、個々のイベントの記憶状態を読み取る多変量技術の能力に影響を与えます。 したがって、次に、（1）最初に標準認識記憶タスク（明示的記憶タスク）からのデータで分類器をトレーニングおよびテストし、次にこれが参加者が自分の記憶状態を隠そうとしたときに、分類子は記憶をデコードすることもできました（隠された記憶タスク）。 私たちのプロセスモデルは、テストする3つの代替シナリオを提案しました。 まず、プロセスモデルを説明し、次に各仮説を順番に説明します。
