Functional neuroimaging: Classifiers.

¿Qué es el análisis basado en clasificadores?

Los clasificadores son modelos de aprendizaje automático que permiten predecir a qué categoría pertenece una observación en función de sus características. En neuroimagen, se usan habitualmente para determinar si la actividad cerebral en un ensayo contiene suficiente información para distinguir entre distintas condiciones experimentales (por ejemplo, si el estímulo visto era rojo o verde).

Este enfoque se enmarca dentro de lo que se conoce como decodificación o análisis multivariado. A diferencia del análisis univariado tradicional (que estudia diferencias medias en cada voxel), los clasificadores aprovechan patrones distribuidos de actividad para identificar información relevante.

Características principales:

  • Entrenamiento y testeo: Se entrena el modelo con un conjunto de datos y se evalúa en ensayos nuevos.
  • Generalización: El rendimiento del clasificador refleja cuán bien se puede generalizar a datos no vistos.
  • Sensibilidad multivariada: Detecta patrones sutiles que pueden no ser evidentes univariadamente.

Representación de un clasificador separando clases

Ejemplo en neurociencia cognitiva

Imagina que presentamos estímulos visuales que varían en color y forma, y queremos saber si el área visual primaria (V1) contiene información sobre esas características. Entrenando clasificadores sobre los patrones de activación podemos comprobar si se puede predecir el color o la forma a partir de la señal cerebral.

Descripción del dataset

El conjunto de datos simula mapas beta estimados a partir de una señal BOLD de un único participante expuesto a 16 estímulos visuales (formas rojas o verdes; círculos o triángulos). La actividad se ha estimado voxel a voxel usando un modelo GLM con un enfoque LSS.

Estructura:

  • beta_maps.npy: matriz (16 ensayos, 73×94×76) de mapas beta cerebrales
  • trial_labels.csv: etiquetas de cada ensayo: color (g=verde, r=rojo), forma (c=círculo, t=triángulo)
  • v1_mask.npy: índice de 1138 voxeles correspondientes a la corteza visual primaria (V1)

Propiedades de la tarea:

  • Estímulos presentados durante 2 segundos
  • Intervalos entre ensayos aleatorios entre 3 y 15 segundos

Challenge de la sesión

Queremos comprobar si V1 contiene información suficiente para discriminar entre las condiciones experimentales mediante clasificadores.

Objetivos:

  1. Extraer los patrones de activación en V1 por ensayo.

  2. Entrenar clasificadores para predecir:

    • El color (rojo vs. verde)
    • La forma (círculo vs. triángulo)

  3. Comparar el rendimiento para color vs. forma.

  4. Explorar si los resultados coinciden con análisis univariados.

Preguntas clave:

  • ¿Puede el clasificador predecir el color o la forma por encima del azar?
  • ¿Qué condición (color o forma) se representa mejor en V1?
  • ¿Cómo se comparan los análisis univariado vs. multivariado?