1. परिचय बहुभिन्नरूपी पैटर्न विश्लेषण (MVPA) कार्यात्मक चुंबकीय अनुनाद इमेजिंग (fMRI) 1-4 डेटा का विश्लेषण करने की एक तेजी से लोकप्रिय तरीका है. आमतौर पर, विधि के लिए एक विषय के मस्तिष्क के कुछ क्षेत्रों में तंत्रिका गतिविधि से अवधारणात्मक अनुभव की पहचान करने के लिए प्रयोग किया जाता है. उदाहरण के लिए, यह करने के लिए दृश्य gratings के उन्मुखीकरण एक विषय जल्दी दृश्य 5 cortices में गतिविधि से या, तुलनात्मक रूप से, जल्दी श्रवण 6 cortices में गतिविधि से भाषण की सामग्री मानते की भविष्यवाणी करने के लिए नियोजित किया गया है. इस वीडियो लेख में, हम MVPA का एक उपन्यास आवेदन जो इस बुनियादी अंतर modal प्रतिमान के लिए एक अतिरिक्त मोड़ कहते हैं का वर्णन. इस दृष्टिकोण में, अवधारणात्मक उत्तेजनाओं के भीतर नहीं है, लेकिन संवेदी प्रणाली भर की भविष्यवाणी कर रहे हैं. 2. बहुभिन्नरूपी पैटर्न विश्लेषण हालांकि अब तक MVPA विधि न्यूरोइमेजिंग दायरे के भीतर अच्छी तरह से स्थापित है, तो हम pointi द्वारा शुरू कर देंगेMVPA और पारंपरिक, univariate fMRI विश्लेषण के बीच मुख्य अंतर के बाहर एनजी. यह अंत करने के लिए कैसे दो तरीकों एक साधारण दृश्य कार्य (के दौरान दृश्य प्रांतस्था में तंत्रिका गतिविधि की जांच के बारे में जाने के निम्नलिखित उदाहरण पर विचार वीडियो Clip 1): उदाहरण के लिए दो अलग दृश्य stimuli, एक नारंगी और एक सेब की एक छवि की एक छवि के साथ एक विषय प्रस्तुत किया है. दोनों उत्तेजनाओं प्राथमिक दृश्य प्रांतस्था में तंत्रिका गतिविधि के विशिष्ट पैटर्न, यहाँ छह प्राक्कल्पित voxels के सक्रियण के स्तर द्वारा प्रतीक प्रेरित. (बेशक, गतिविधि पैटर्न संतरे या सेब वास्तविकता में छवियों की एक एकल प्रस्तुति द्वारा प्रेरित बहुत शोर होगा, परीक्षणों की एक बड़ी संख्या से में जिसके परिणामस्वरूप औसत रूप सचित्र पैटर्न पर विचार करें.) पारंपरिक fMRI विश्लेषण में, वहाँ अनिवार्य रूप से दो मायनों में इन नमूनों का विश्लेषण किया जा सकता है. सबसे पहले, एक औसत leve पर ध्यान केंद्रित कर सकते हैंब्याज की पूरे क्षेत्र में गतिविधि के एल. दिए गए उदाहरण में, औसत गतिविधि के स्तर में अंतर महत्वपूर्ण नहीं है ताकि दो stimuli करने के लिए इसी पैटर्न को देखने के इस बिंदु से प्रतिष्ठित नहीं किया जा सकता है. एक और दो पैटर्न का विश्लेषण करने के लिए उन दोनों के बीच एक घटाव विपरीत स्थापित है: प्रत्येक voxel के लिए, "सेब" हालत के दौरान सक्रियण स्तर सक्रियण स्तर से "नारंगी" हालत के दौरान subtracted है. परिणामस्वरूप अंतर तो पूरे मस्तिष्क विपरीत छवि पर प्रत्येक voxel के लिए visualized किया जा सकता है. फिर, तथापि, इन मतभेदों को छोटे हो सकता है और बहुत कुछ voxels के लिए ही आवश्यक सांख्यिकीय कसौटी तक पहुँच सकते हैं कर सकते हैं. यह जहां MVPA की निर्णायक लाभ खेलने में आता है: अपनी बेहतर शक्ति तथ्य यह है कि univariate विश्लेषण विधियों के विपरीत, यह एक साथ सभी voxels के सक्रियण के स्तर पर विचार और इस तरह उन्हें भीतर पैटर्न का पता लगाने में सक्षम है से व्युत्पन्न. जबकि mentione के रूप मेंघ, केवल सक्रियण मतभेद के कुछ महत्वपूर्ण हो जब अलगाव में विचार हो सकता है, दो पैटर्न, जब अपनी संपूर्णता में माना जाता है, सांख्यिकीय अलग द्वारा वास्तव में हो सकता है. वहाँ पारंपरिक fMRI विश्लेषण और MVPA (के के बीच एक दूसरे बड़ा अंतर है वीडियो Clip 2 ). पूर्व विधि आम तौर पर एक "आगे तरीके" में कुछ संवेदी उत्तेजनाओं कुछ मस्तिष्क गतिविधि पैटर्न के बीच एक सांख्यिकीय निर्भरता का प्रदर्शन करने का प्रयास करता है, दूसरे शब्दों में, यह इस प्रकार का सवाल पूछता है: "दो अलग अलग दृश्य stimuli, जैसे एक चेहरे की तस्वीर और एक घर की तस्वीर, ब्याज की एक विशेष क्षेत्र में अलग गतिविधि का स्तर के लिए नेतृत्व, तकली जैसा चेहरा क्षेत्र जैसे? " इसके विपरीत करके, MVPA की सफलता "रिवर्स निष्कर्ष" या "decoding" के मामले में आम तौर पर व्यक्त किया है, विशिष्ट प्रश्न के प्रकार के है: "एक विशिष्ट reg में तंत्रिका गतिविधि के पैटर्न के आधार पर ब्याज की आयन (जैसे प्राथमिक दृश्य प्रांतस्था), एक भविष्यवाणी कर सकते हैं कि एक विषय उत्तेजना, एक नारंगी, या उत्तेजना बी, जैसे एक सेब जैसे? "नोट मानते तथापि, कि जिस दिशा में अवधारणात्मक उत्तेजनाओं और बीच सहसंबंध मस्तिष्क गतिविधि मैप किया गया है को देखने के एक सांख्यिकीय बिंदु से बात नहीं करता है: यह कहना है कि दो उत्तेजनाओं दिया मस्तिष्क के क्षेत्र में विशिष्ट गतिविधि पैटर्न के लिए नेतृत्व और कहते हैं कि कि मस्तिष्क क्षेत्र में गतिविधि पैटर्न उत्प्रेरण उत्तेजना 11 की भविष्यवाणी परमिट बराबर है दूसरे शब्दों में, MVPA की संवेदनशीलता univariate विश्लेषण के लिए बेहतर है क्योंकि यह एक साथ कई voxels, और नहीं मानता है क्योंकि यह एक व्युत्क्रम दिशा में आय. निम्नलिखित चरणों का वर्णन कैसे एक ठेठ MVPA प्रतिमान है कि एक सेब देखने एक नारंगी देखने से प्राथमिक दृश्य प्रांतस्था में तंत्रिका गतिविधि की एक अलग पैटर्न लाती सवाल पता होगा (_upload/3307/3307_Meyer-Kaplan_Video_3.mov "वीडियो> 3 क्लिप): fMRI डेटा अर्जित कर रहे हैं, जबकि एक विषय सेब और संतरे उत्तेजनाओं की बड़ी संख्या को देखता है. अधिग्रहीत डेटा एक प्रशिक्षण डेटा सेट और एक परीक्षण डेटा सेट में विभाजित हैं. वर्तमान उदाहरण में विपरीत, प्रशिक्षण डेटा सेट अक्सर परीक्षण डेटा सेट की तुलना में बड़ा हो सकता है, क्लासिफायरफ़ाइल के प्रदर्शन के रूप में प्रशिक्षण परीक्षणों की संख्या के साथ वृद्धि की उम्मीद की जा सकती चुना है. प्रशिक्षण सेट से डेटा एक पैटर्न क्लासिफायरफ़ाइल में प्रवेश कर रहे हैं. कई संभव गणितीय एल्गोरिदम का प्रयोग, क्लासिफायरफ़ाइल तंत्रिका पैटर्न है कि एक दूसरे से दो प्रोत्साहन प्रकार भेद में सुविधाओं का पता लगाने का प्रयास है. क्लासिफायरफ़ाइल का एक प्रकार आमतौर पर इस्तेमाल किया (हमारे खुद के पिछले अध्ययनों में भी) समर्थन वेक्टर मशीनों तो कहा जाता है, और आगे विस्तार के लिए, पाठक परिचय में उल्लेख किया है की समीक्षा के लिए भेजा है. बाद क्लासिफायरफ़ाइल प्रशिक्षण परीक्षणों पर प्रशिक्षित किया गया है, यह provid हैपरीक्षण डेटा के साथ एड. परीक्षण डेटा सेट से अलग – अलग परीक्षण unlabeled हैं, दूसरे शब्दों में, क्लासिफायरफ़ाइल नहीं "पता" है कि एक पैटर्न एक "सेब" या एक "नारंगी" परीक्षण से आता है. Consistencies यह प्रशिक्षण डेटा सेट में पता लगाने में सक्षम था के आधार पर, क्लासिफायरफ़ाइल परीक्षण परीक्षण के प्रत्येक के लिए सबसे अधिक संभावना लेबल गुण. प्रत्येक पैटर्न के लिए, क्लासिफायरफ़ाइल "लगता है" सही प्रोत्साहन लेबल के साथ तुलना की जा सकती है. अगर क्लासिफायरफ़ाइल दो stimuli द्वारा प्रेरित पैटर्न के बीच कोई सुसंगत मतभेदों का पता लगाने में असमर्थ था, इसके प्रदर्शन को मौका स्तर पर होना चाहिए, उदाहरण में दिए गए दो तरह से भेदभाव के लिए, यह 50% सही लेबल के अनुरूप होगा. इस मूल्य में काफी ऊपर एक भविष्यवाणी प्रदर्शन का संकेत देता है कि वहाँ वास्तव में उत्तेजनाओं के दो प्रकार के बीच लगातार मतभेद हैं. ध्यान दें कि यह महत्वपूर्ण है कि प्रशिक्षण और परीक्षण डेटा सेट एक anoth से स्वतंत्र होएर. सिर्फ अगर इस मामले में कोई निष्कर्ष प्रशिक्षण सेट से प्राप्त पैटर्न के generalizability के रूप में तैयार किया जा सकता है. MVPA अध्ययन अक्सर क्लासिफायरफ़ाइल एक प्रतिमान पार सत्यापन (का उपयोग कर प्रदर्शन का आकलन वीडियो क्लिप 4 ). मान लें कि एक MVPA प्रयोग कार्यात्मक आठ रन के होते हैं. पहला कदम पार सत्यापन, एक क्लासिफायरफ़ाइल 1 से 7 के माध्यम से चलाता है और 8 रन से डेटा पर परीक्षण किया गया डेटा पर प्रशिक्षित किया जाता है. दूसरे चरण में, क्लासिफायरफ़ाइल तो 6 के रूप में के रूप में अच्छी तरह से 8 चलाने के माध्यम से एक रन पर प्रशिक्षित किया जाता है, और बाद में 7 रन पर परीक्षण किया गया. इस स्कीमा के बाद आठ कदम पार सत्यापन किया जाता है प्रत्येक रन परीक्षण चलाने के रूप में वास्तव में एक बार सेवा के साथ. कुल मिलाकर क्लासिफायरफ़ाइल व्यक्तिगत पार सत्यापन कदम पर प्रदर्शन के औसत प्रदर्शन के रूप में गणना की है. हालांकि इस प्रक्रिया को स्वतंत्र और हर कदम पर प्रशिक्षण, परीक्षण डेटा सेट की गारंटी देता है, यह भी समग्र संख्या अधिकतमपरीक्षण परीक्षण है, जो लाभ हो सकता है जब क्लासिफायरफ़ाइल प्रदर्शन का सांख्यिकीय महत्व का आकलन कर सकते हैं. आज़ादी MVPA प्रदर्शन के लिए इंटरनेट पर उपलब्ध सॉफ्टवेयर संकुल रहे हैं;, दो उदाहरण PyMVPA 12 (Python पर आधारित हैं http://www.pymvpa.org और प्रिंसटन तंत्रिका विज्ञान संस्थान (Matlab पर आधारित द्वारा की पेशकश की toolbox ) ; http:/ code.google.com / / / p प्रिंस्टन / – mvpa-Toolbox के ). 3. पार मोडल MVPA और कनवर्जेन्स विचलन जोन के फ्रेमवर्क परिचय में उल्लेख किया है, बस वर्णित एक तरह प्रयोगात्मक मानदंड सफलतापूर्वक इस्तेमाल किया गया है इसी संवेदी cortices में तंत्रिका गतिविधि से अवधारणात्मक उत्तेजनाओं की भविष्यवाणी करने के लिए, दूसरे शब्दों में, श्रवण cortices में गतिविधि के आधार पर दृश्य दृश्य cortices और श्रवण उत्तेजनाओं में गतिविधि के आधार पर उत्तेजनाओं . यहाँ हम,इस बुनियादी अवधारणा के एक एक्सटेंशन उपस्थित थे. विशेष रूप से, हम धारणा है कि यह संभव हो सकता है न केवल के भीतर, लेकिन रूपरेखा भर अवधारणात्मक उत्तेजनाओं की भविष्यवाणी करना चाहिए है. संवेदी धारणा जटिल यादों की याद से जुड़ा हुआ है, उदाहरण के लिए, एक दृश्य उत्तेजना है कि ऐसी जमीन पर एक गिलास टूट फूलदान की दृष्टि के रूप में एक मजबूत श्रवण निहितार्थ,, स्वचालित रूप से हमारे मन के कान "छवियों में ट्रिगर किया जाएगा कि शेयर समानताएँ श्रवण छवियों के साथ हम कांच तोड़ने के साथ पिछले मुठभेड़ों पर अनुभवी. Damasio 9,10 पहले से अधिक दो दशकों के द्वारा शुरू की रूपरेखा के अनुसार, फूलदान की दृष्टि और इसी ध्वनि छवियों के बीच स्मृति संघ तथाकथित कनवर्जेन्स विचलन क्षेत्रों (; CDZs में संग्रहीत किया जाता है वीडियो 5 क्लिप ). CDZs संघ cortices जो नीचे converging प्राप्त विभिन्न जल्दी cortical से अनुमानों में न्यूरॉन ensemblesreas (कई पदानुक्रमित स्तरों के माध्यम से) और जो, बारी में, एक ही cortical साइटों के लिए वापस मुक़्तलिफ़ ऊपर से नीचे अनुमानों भेज. संसृत नीचे ऊपर के अनुमानों के कारण, CDZs एकाधिक रूपरेखा में अवधारणात्मक प्रतिनिधित्व द्वारा सक्रिय किया जा सकता है – उदाहरण के लिए, दोनों टूट फूलदान की दृष्टि और ध्वनि द्वारा, मुक़्तलिफ़ शीर्ष नीचे के अनुमानों के कारण, वे तो पुनर्निर्माण को बढ़ावा कर सकते हैं अतिरिक्त रूपरेखा के प्रारंभिक cortices वापस संकेत छवियों जुड़े. Damasio उत्तरार्द्ध बिंदु पर बल दिया: संघ cortices में CDZs सक्रिय स्मृति से एक छवि के प्रति सचेत याद करने के लिए पर्याप्त नहीं होगा, केवल एक बार CDZs जल्दी संवेदी cortices में स्पष्ट तंत्रिका अभ्यावेदन पुनर्निर्माण होगा छवि होशपूर्वक अनुभव होगा. इस प्रकार, ढांचे (विशुद्ध) दृश्य उत्तेजना है कि ध्वनि का तात्पर्य के जवाब में तंत्रिका प्रसंस्करण की एक विशिष्ट अनुक्रम भविष्यवाणी ( वीडियो क्लिप6): प्रोत्साहन पहले तंत्रिका गतिविधि के विशिष्ट पैटर्न (लाल आयत) जल्दी दृश्य cortices में लाती है. संसृत नीचे ऊपर अनुमानों के माध्यम से, जल्दी दृश्य cortices में न्यूरॉन्स CDZs (1 CDZ एस) के पहले के स्तर तक आगे परियोजना. कनेक्टिविटी के संसृत पैटर्न CDZ 1 s जल्दी दृश्य cortices में गतिविधि के कुछ पैटर्न का पता लगाने के लिए परमिट. सटीक पैटर्न के आधार पर, एक CDZ सकता है या सक्रिय नहीं हो सकता. CDZs इस तरह सुविधा extractors के रूप में कार्य. इस उदाहरण में, दो CDZ सक्रिय एस 1 (के रूप में लाल रंग से संकेत) हो जाते हैं, जबकि तीसरे जल्दी दृश्य cortices के इसी क्षेत्र में विशिष्ट गतिविधि पैटर्न के द्वारा ट्रिगर नहीं है. CDZ 1 CDZ s 2 संसृत नीचे ऊपर अनुमानों भेजते हैं, इसलिए, बस के रूप में CDZ 1 का पता चला जल्दी दृश्य cortices में गतिविधि के कुछ पैटर्न, CDZ 2 1 CDZ के बीच में गतिविधि के पैटर्न का पता लगाने में सक्षम हैं </sub> के एस कई CDZ दो सक्रिय CDZ एक के विशिष्ट विन्यास के द्वारा सक्रिय हो सकता है, सादगी के कारणों के लिए, केवल एक ही दो CDZ यहाँ दिखाया गया है. उदाहरण में, CDZ 1 एस के बीच गतिविधि पैटर्न इस CDZ 2 को सक्रिय करने के लिए पर्याप्त है. विशेष रूप से, CDZ 1 एस केवल CDZ एस 2 के लिए आगे नहीं परियोजना लेकिन जल्दी cortices (नीले तीर) को वापस भी. ये ऊपर से नीचे संकेतों (संभवतः शोर) गतिविधि शुरू में उत्तेजना (नीला आयत) द्वारा प्रेरित पैटर्न को पूरा कर सकते हैं. आम तौर पर, लाल रंग के नीचे अप सक्रियकरण अर्थ, जबकि नीले रंग का प्रतिनिधित्व करता है ऊपर – नीचे सक्रियकरण. CDZs के कई अतिरिक्त स्तर वाया CDZ 2 परियोजना आगे CDZ n एस के लिए उच्च आदेश संघ cortices में (तीर धराशायी). एक या कई CDZ n एस प्रश्न (केवल एक ही दिखाया गया है) में विशिष्ट दृश्य उत्तेजना का जवाब हो सकता है. फिर, यह ध्यान दिया जाना चाहिए कि CDZ 2 एस ए एल एस ओ संकेत पिछड़े CDZ एक जो, बारी में, आगे मूल रूप से जल्दी दृश्य cortices में प्रेरित पैटर्न को संशोधित कर सकता है. CDZ एस एन सभी तौर तरीकों की CDZ s 2 के लिए वापस संकेत. दृश्य cortices में, इस गतिविधि पैटर्न के निचले स्तर CDZs में पूरा करने के लिए नेतृत्व कर सकते हैं. श्रवण cortices में एक तंत्रिका पैटर्न का निर्माण किया जाएगा – CDZ 2 s और CDZ एस 1 के स्तर पर प्रथम, अंततः जल्दी श्रवण cortices में – जो एक श्रवण नेत्रहीन प्रस्तुत उत्तेजना के साथ जुड़े छवि के प्रति सचेत अनुभव परमिट . नोट है कि वहाँ भी ऊपर से नीचे श्रवण साधन के लिए की तुलना हद तक कम करने के लिए हालांकि somatosensory साधन संकेत है. यह तथ्य यह है कि लगभग किसी भी दृश्य उत्तेजना यह कुछ स्पर्श संघ दर्शाता है. के रूप में मौजूदा उदाहरण में दृश्य उत्तेजना के लिए विशेष रूप से ध्वनि का मतलब माना जाता है, तथापि, ऊपर से नीचे श्रवण cortices संकेत अधिक व्यापक है. "ove_content> तंत्रिका प्रसंस्करण के प्रस्तावित अनुक्रम के आधार पर, रूपरेखा एक विशिष्ट भविष्यवाणी करता है: दृश्य वस्तुओं और घटनाओं है कि दृढ़ता से ध्वनि मतलब युक्त उत्तेजनाओं जल्दी श्रवण cortices में तंत्रिका गतिविधि आह्वान इसके अलावा, श्रवण गतिविधि पैटर्न उत्तेजना – विशिष्ट होना चाहिए; दूसरे शब्दों में, एक टूट फूलदान के एक वीडियो क्लिप एक गरजना कुत्ते की एक क्लिप की तुलना में एक अलग पैटर्न प्रेरित अगर यह भविष्यवाणी सही थे, तो हम वास्तव में प्रदर्शन MVPA पार रुप से करने में सक्षम होना चाहिए चाहिए: उदाहरण के लिए, हम करने में सक्षम होना चाहिए. भविष्यवाणी करने के लिए, जल्दी श्रवण cortices में तंत्रिका गतिविधि फिंगरप्रिंट है कि एक व्यक्ति एक टूट फूलदान या एक गरजना कुत्ता (देख रहा है के आधार पर विशेष रूप से वीडियो क्लिप 7) स्वाभाविक रूप से, अनुरूप अन्य संवेदी तौर तरीकों के बीच जानकारी का स्थानांतरण लागू मानदंड भी सफल होना चाहिए. लिए उदाहरण के लिए, अगर वीडियो क्लिप एक विषय गर्भित बजाय स्पर्श करने के लिए दिखायाध्वनि, हम गतिविधि पैटर्न है वे जल्दी somatosensory प्रांतस्था में बटोर से उन क्लिप की भविष्यवाणी करने में सक्षम होना चाहिए. 4. उत्तेजनाओं एक MVPA अध्ययन के सामान्य प्रतिमान धारा 2 में वर्णित किया गया था. हमारा दृष्टिकोण पिछले अध्ययनों कि यह संवेदी प्रणाली भर में MVPA प्रदर्शन करने का प्रयास है और इसलिए उत्तेजनाओं है कि विशेष रूप से एक संवेदी जिसमें वे प्रस्तुत कर रहे हैं के अलावा अन्य साधन में निहितार्थ डिज़ाइन कर रहे हैं का उपयोग करता है से अलग है. एक पिछले एक अध्ययन में, उदाहरण के लिए, हम प्राथमिक somatosensory प्रांतस्था से तंत्रिका गतिविधि दर्ज की है जबकि विषयों 5 सेकंड हर रोज किया जा रहा है मानव 8 हाथ (से छेड़छाड़ वस्तुओं की वीडियो क्लिप देखा वीडियो क्लिप 8 और वीडियो क्लिप 9). एक अन्य अध्ययन में, हम जल्दी श्रवण cortices whi में तंत्रिका गतिविधि की जांचले विषयों वीडियो क्लिप देखी गयी कि चित्रित वस्तुओं और घटनाओं है कि दृढ़ता से 7 ध्वनि (गर्भित 10 वीडियो क्लिप और वीडियो क्लिप 11 ). हालांकि, CDZ ढांचे के अनुसार, सभी रूपरेखा का संवेदी उत्तेजनाओं संभावित यह सामान्य प्रतिमान में नियोजित किया जा सकता है, के रूप में लंबे समय के रूप में वे अतिरिक्त रूपरेखा में निहितार्थ है. 5. ब्याज क्षेत्रों आम तौर पर, एक न्यूरोइमेजिंग अध्ययन के लिए ब्याज के क्षेत्रों में या तो कार्यात्मक या anatomically निर्धारित किया जा सकता है. हम मानते हैं कि प्रयोगात्मक प्रतिमान हम यहाँ वर्णन में, संरचनात्मक localizers दो कारणों के लिए अधिक उपयुक्त हैं. सबसे पहले, यह कार्यात्मक एक दिया संवेदी साधन (प्राथमिक दृश्य प्रांतस्था के संभावित अपवाद के के साथ) के प्राथमिक या जल्दी cortices को परिभाषित करने के लिए तुच्छ नहीं है के रूप में पे के प्रसंस्करणrceptual उत्तेजनाओं कि साधन में विषय के लिए प्रस्तुत आम तौर पर इन क्षेत्रों के लिए सीमित नहीं होगा. उदाहरण के लिए, यह मुश्किल हो सकता है एक विषय के हाथ को छूने आवेदन, के रूप में गतिविधि इस प्रक्रिया द्वारा प्रेरित, सभी संभावना में, somatosensory संघ cortices के लिए के रूप में अच्छी तरह से फैल द्वारा प्राथमिक somatosensory प्रांतस्था को परिभाषित है. दूसरा, एक कार्यात्मक localizer सभी voxels कि संभवतः क्लासिफायरफ़ाइल प्रदर्शन के लिए योगदान कर सकता लेबल नहीं हो सकता है: यह दिखाया गया है कि क्षेत्रों में है कि शास्त्रीय अर्थों में संवेदी उत्तेजनाओं (यानी, उस पर प्रकट नहीं करते क्षेत्रों के जवाब में शुद्ध सक्रियण नहीं दिखा विपरीत छवि [उत्तेजना बनाम बाकी]) फिर भी 13,14 उत्तेजनाओं के बारे में जानकारी शामिल कर सकते हैं. इन दो कारणों के लिए, हम ब्याज, जब भी macroscopic स्थलों इस के लिए अनुमति के anatomically से परिभाषित क्षेत्रों का उपयोग वकील, उदाहरण के लिए, postcentral गाइरस के सकल शरीर रचना विज्ञान प्राथमिक somatosensory प्रांतस्था का एक उचित सन्निकटन का प्रतिनिधित्व करता है, और हम इस प्रयोग के लिए हमारे somatosensory 8 अध्ययन (चित्रा 1) में ब्याज के क्षेत्र को परिभाषित . 6. प्रजा MVPA अध्ययन में विषय के नमूने पारंपरिक fMRI अध्ययन में की तुलना में छोटे हो, के रूप में विश्लेषण एकल विषय स्तर पर किया जा सकता है है करते हैं. बेशक, यह बाद में समूह स्तर पर अलग – अलग विषयों के परिणाम के रूप में अच्छी तरह से विश्लेषण करने से experimenter को रोकने नहीं करता है. दो अध्ययनों में उल्लेख किया है पहले, उदाहरण के लिए, हम व्यक्तिगत विषय परिणामों पर टी परीक्षण का आयोजन किया क्रम में समूह स्तर पर उनके महत्व का आकलन. प्रत्येक अध्ययन में आठ विषयों शामिल है, हालांकि यह पैरामीट्रिक परीक्षण के लिए एक बहुत छोटा नमूना विषय विचार किया जाना चाहिए, हम भेदभाव हम महत्वपूर्ण हो (नीचे देखें) मूल्यांकन के कई मिला. 7. प्रतिनिधि परिणाम: के रूप में उल्लेख किया है, पिछले दो अध्ययनों में हम ध्वनि जिसका अर्थ वीडियो क्लिप की भविष्यवाणी करने के उद्देश्य सेजल्दी श्रवण cortices में तंत्रिका गतिविधि 7 पर आधारित है (इस अध्ययन में इस्तेमाल मुखौटा के लिए चित्रा 2 देखें) और स्पर्श जिसका अर्थ वीडियो क्लिप प्राथमिक somatosensory 8 cortices में गतिविधि पर आधारित है. यह प्रयास सफल रहा था: दोनों अध्ययनों में, एक MVPA क्लासिफायरफ़ाइल प्रोत्साहन जोड़े के बीच सभी संभव दो तरह से भेदभाव के लिए 50% का मौका स्तर से ऊपर प्रदर्शन (n = श्रवण अध्ययन में 36, वहाँ दिया 9 विभिन्न उत्तेजनाओं थे, n = 10 के लिए somatosensory अध्ययन, वहाँ दी 5 अलग) उत्तेजनाओं थे. श्रवण अध्ययन में, 36 भेदभाव के बाहर 26 सांख्यिकीय महत्व पर पहुंच गया, somatosensory अध्ययन में यह 8 के लिए 10 भेदभाव का मामला था (दो – पुच्छ टी परीक्षण, n = 8; दोनों अध्ययनों में चित्रा 3). चित्रा 1 प्राथमिक somatosensory प्रांतस्था anatomically परिभाषित मुखौटा का विस्तार, के रूप में मेयेर एट अल, 2011 में इस्तेमाल किया. एक क्लासिफायरफ़ाइलएल्गोरिथ्म भविष्यवाणी करने में सक्षम था स्पर्श सीमांकन क्षेत्र के लिए प्रतिबंधित मस्तिष्क गतिविधि पैटर्न से वीडियो क्लिप जिसका अर्थ है. ऑक्सफोर्ड यूनिवर्सिटी प्रेस से अनुमति के साथ Reproduced. चित्रा जल्दी श्रवण cortices के anatomically से परिभाषित मुखौटा के सीमा 2, के रूप में मेयेर एट अल में इस्तेमाल किया. 2010 . एक क्लासिफायरफ़ाइल एल्गोरिथ्म भविष्यवाणी करने में सक्षम था ध्वनि (मूक) जिसका अर्थ सीमांकन क्षेत्र के लिए प्रतिबंधित मस्तिष्क गतिविधि पैटर्न से वीडियो क्लिप. प्रकृति प्रकाशन समूह से अनुमति के साथ Reproduced. चित्रा 3 हमारे पिछले पार मोडल MVPA अध्ययन के परिणामों का सारांश. एक क्लासिफायरफ़ाइल दृश्य stimuli कि या तो ध्वनि या गतिविधि से जल्दी श्रवण या प्राथमिक somatosensory cortices में संपर्क निहित, क्रमशः की भविष्यवाणी करने के लिए इस्तेमाल किया गया था. शीर्ष पैनल: दोनों संवर्धन मेंएँ, भविष्यवाणी प्रदर्शन उत्तेजनाओं के जोड़े के बीच भेदभाव के लिए सभी तरह से दो 0.5 का मौका स्तर से ऊपर था. नीचे पैनल: श्रवण अध्ययन में, क्लासिफायरफ़ाइल प्रदर्शन 26 36 भेदभाव के लिए सांख्यिकीय महत्व पर पहुंच गया, somatosensory अध्ययन में यह 8 10 भेदभाव के लिए मामला था. प्रकृति प्रकाशन समूह और ऑक्सफोर्ड यूनिवर्सिटी प्रेस से अनुमति के साथ Reproduced.