Dans une étude récente publiée dans Nature Communicationsles chercheurs étudient si le cortex occipito-temporal humain (OTC) co-représente le contenu sémantique et affectif des stimuli visuels pour guider le comportement.
Étude: L'adaptation corticale occipito-temporale aux caractéristiques sémantiques et affectives des images naturelles prédit les réponses comportementales associées. Crédit photo : patrice6000 / Shutterstock.com
Sommaire
La neuropathophysiologie de la réponse aux stimuli
Reconnaître et répondre aux stimuli émotionnellement importants est essentiel au succès de l'évolution, car cela favorise les comportements de survie et de reproduction. Les réponses adaptatives varient selon le contexte, comme les différentes stratégies d'évitement pour un gros ours par rapport à un animal faible, ou les différentes réponses d'approche pour les nourrissons et les partenaires potentiels.
Bien que les stimuli émotionnels activent diverses régions du cerveau, notamment l’amygdale et l’OTC, les mécanismes neuronaux qui contribuent à ces choix comportementaux restent flous. Des recherches supplémentaires sont donc nécessaires pour clarifier comment la représentation intégrée des caractéristiques sémantiques et affectives dans l’OTC se traduit par des réponses comportementales spécifiques et dépendantes du contexte.
À propos de l'étude
Le protocole d'étude actuel a été approuvé par le comité de protection des sujets humains et de consentement éclairé de l'Université de Californie à Berkeley. Les données ont été recueillies auprès de six adultes en bonne santé, d'un âge moyen de 24 ans et ayant une vision normale ou corrigée.
Les participants à l’étude ont visionné 1 620 images naturelles classées en 23 catégories sémantiques par quatre évaluateurs et obtenues à partir de l’International Affective Picture System (IAPS), de l’ensemble d’images Lotus Hill et de recherches sur Internet.
La cohorte étudiée a également réalisé six séances d'imagerie par résonance magnétique fonctionnelle (IRMf), dont une pour obtenir des examens de rétinotopie et cinq pour la tâche principale, tout en visualisant des images projetées sur un écran. Toutes les images ont été présentées pendant une seconde avec un intervalle de trois secondes. Les examens d'estimation impliquaient des présentations d'images pseudo-aléatoires avec des essais nuls, tandis que les examens de validation utilisaient des séquences contrôlées.
Après l'examen, les participants à l'étude ont évalué la valence de l'image comme négative, neutre ou positive et leur excitation par l'image sur une échelle de neuf points. De plus, les données IRMf ont été collectées sur un scanner Siemens Total Imaging Matrix Trio 3T Tesla (scanner Siemens TIM Trio 3T) et prétraitées à l'aide de MATrix LABoratory (Matlab) et de Statistical Parametric Mapping version 8 (SPM8), y compris la conversion des images au format Neuroimaging Informatics Technology Initiative (NIFTI), le nettoyage des données de séries chronologiques, le réalignement et la correction du timing des coupes.
Des matrices de conception ont été construites pour la modélisation des données, avec une régression pénalisée L2 utilisée pour l'estimation du poids des caractéristiques. La validation du modèle a utilisé la précision de prédiction par voxel, tandis que l'analyse en composantes principales (PCA) a identifié des modèles de co-réglage des caractéristiques de l'image.
Résultats de l'étude
L'étude actuelle a utilisé une approche de modélisation de codage multi-caractéristiques pour étudier la manière dont les caractéristiques sémantiques et affectives des images naturelles sont représentées dans le cerveau. Les stimuli expérimentaux comprenaient 1 620 images très variées en termes de catégories sémantiques et de contenu affectif.
La régression de crête a été utilisée pour adapter les modèles de codage multi-caractéristiques aux données IRMf acquises pendant que les sujets regardaient ces images. Six sujets ont chacun effectué cinquante examens IRMf au cours de six séances de deux heures, avec trente examens d'entraînement utilisés pour l'estimation du modèle et vingt examens de test pour la validation.
Le modèle sémantique, valence et éveil combiné (CSVA) décrit chaque image à l'aide d'une combinaison de catégories sémantiques, de valence, de jugements d'éveil et de caractéristiques composées supplémentaires. De plus, les données IRMf issues des estimations du modèle ont été concaténées et une régression de crête a été utilisée pour adapter le modèle CSVA aux données dépendantes du niveau d'oxygène dans le sang (BOLD) de chaque sujet.
Les pondérations par voxel ont été estimées pour chaque caractéristique du modèle et appliquées aux valeurs des régresseurs de caractéristiques pour les images visualisées pendant les analyses de validation afin de générer des courbes temporelles BOLD prédites pour chaque voxel. Ces courbes temporelles prédites ont été corrélées avec les courbes temporelles BOLD de validation observées afin d'obtenir des estimations de la précision de prédiction du modèle.
Le modèle CSVA a permis de valider avec précision les courbes temporelles BOLD dans l'OTC. De plus, le modèle a surpassé les modèles plus simples contenant uniquement des caractéristiques sémantiques ou de valence et d'éveil.
La comparaison à l'aide d'une procédure bootstrap a révélé que le modèle CSVA surpassait les modèles de valence par éveil et sémantique uniquement, tant au niveau du groupe qu'au niveau individuel. La supériorité du modèle CSVA était particulièrement apparente dans les régions OTC dont la sélectivité sémantique était connue, comme la zone occipitale du visage (OFA) et la zone fusiforme du visage (FFA).
Les techniques de partitionnement de la variance ont montré que de nombreux voxels sensibles au modèle CSVA complet conservaient une précision de prédiction significative lorsque seule la variance expliquée par la catégorie sémantique par les interactions de caractéristiques affectives était conservée. De plus, il a été constaté que le codage des caractéristiques affectives des stimuli améliorait différemment l'ajustement du modèle pour les stimuli animés par rapport aux stimuli inanimés, avec une augmentation significativement plus importante pour les stimuli animés.
L'ACP des pondérations des caractéristiques du modèle CSVA a révélé des schémas cohérents de réglage de l'OTC en fonction de l'animation, de la valence et de l'éveil du stimulus chez tous les sujets. Les trois principales composantes principales (PC) représentaient une variance significativement plus importante que les caractéristiques du stimulus seules, et leur structure était cohérente chez tous les sujets. Ces PC représentaient des dimensions telles que l'animation, l'éveil et la valence du stimulus, avec des transitions spatiales dans le réglage chez tous les sujets montrant des zones corticales distinctes répondant de manière sélective.
L'accord OTC sur les caractéristiques affectives et sémantiques des images émotionnelles a prédit les réponses comportementales, ce qui a expliqué plus de variance dans les comportements que la structure de l'image de bas niveau ou les modèles plus simples.
Conclusions
En utilisant une modélisation voxel par voxel de données IRMf de sujets visualisant plus de 1 600 images émotionnelles, les chercheurs de l'étude actuelle ont découvert que de nombreux voxels OTC représentaient à la fois des catégories sémantiques et des valeurs affectives, en particulier pour les stimuli animés. Un groupe distinct a identifié les comportements adaptés à chaque image.
Les analyses de régression ont montré que le réglage de l'OTC sur ces caractéristiques combinées prédisait mieux les comportements que le réglage sur l'une ou l'autre des caractéristiques seules ou sur des structures d'image de bas niveau, suggérant ainsi que l'OTC traite efficacement les informations pertinentes sur le plan comportemental.
