Partie 2 :Modulation dirigée par un objectif des modèles de mémoire neuronale : implications pour la détection de mémoire basée sur FMRI

Contact : Audrey Hu Whatsapp/hp : 0086 13880143964 E-mail :audrey.hu@wecistanche.com

Veuillez cliquer ici pour la partie 1

Modèle de processus et hypothèses

Compte tenu de la reconnaissance standardMémoireinstructions dans la tâche explicite, il est probable qu'après avoir rencontré chaque visage dans cette tâche, les participants aient évalué la force de laMémoirepreuve suscitée par le visage et l'a endossé comme "ancien" s'il dépassait un certain seuil d'"ancienneté" ou "nouveau" s'il dépassait un seuil différent de "nouveauté" ou s'il ne suscitait que de faiblesMémoirepreuves [nous ne savons pas si les participants ont adopté un modèle à deux seuils élevés (Ratcliff, 1978 ; Snodgrass et Corwin, 1988) ou un modèle de détection de signal (Green et Swets, 1966) deMémoiredécisions car cela ne change pas nos prédictions ou nos interprétations].

Dans la tâche masquée, les participants devaient faire unMémoiredécision de déterminer laquelle des deux stratégies de contre-mesure déployer (« feindre la mémoire » ou « feindre la nouveauté »). Ainsi, les participants ont probablement initialement suivi un processus similaire à celui décrit pour la tâche explicite, suivi du déploiement de l'une des deux stratégies de contre-mesure. Nous avons intentionnellement exigé que l'arbre de décision des participants inclue une attention àMémoiresignaux pour maximiser la possibilité de détecter la mémoire face aux contre-mesures.

Ce modèle de processus a suggéré trois scénarios plausibles concernant la capacité d'un classificateur à décoderMémoirependant les tentatives de dissimulation de l'état de la mémoire :

(1) Un classificateur formé pour détecter les vraisMémoire(coups explicites) de la vraie nouveauté (RC explicites) est suffisamment sensible pour détecter la décision de mémoire initiale sur les essais cachés (encore une fois, cette décision de mémoire a été prise pour déterminer laquelle des deux stratégies de contre-mesure déployer). Dans ce scénario, des schémas de succès explicites prédiraient systématiquement des essais de réussite masqués, et des schémas de CR explicites prédiraient des essais de CR masqués. Par conséquent, les performances de classification seraient au-dessus du hasard.

(2) Les opérations cognitives engagées pour feindreMémoireet la nouveauté sont qualitativement différentes des opérations engagées lors de véritablesMémoireet nouveauté. Dans ce scénario, les schémas discriminant les touches et les CR dans la condition explicite n'aideraient pas à discriminer les touches et les CR dans la condition masquée. Ici, les modèles de succès explicites ne prédisent pas de manière cohérente les modèles de succès cachés ou de CR et donc la performance de classification serait une chance.

(3) Les opérations cognitives engagées pour feindreMémoiresusciter des modèles suffisamment similaires aux modèles obtenus lors de la mémoire vraie, de sorte que les modèles de mémoire simulés (RC cachés) sont systématiquement classés comme vraisMémoiremodèles (hits explicites). De même, les modèles de nouveauté simulés (hits cachés) sont systématiquement classés comme de véritables modèles de nouveauté (CRS explicites). Dans ce cas, le classificateur produirait systématiquement des suppositions de classe B en réponse aux modèles de classe A (et vice versa) et présenterait donc des performances de décodage nettement inférieures au hasard.

Pour trancher entre les scénarios précédents, nous avons formé des classificateurs pour discriminer les résultats des RC lors des essais lorsque les réponses des participants étaient représentatives de leurMémoiredécisions (la tâche explicite). Pour établir d'abord les performances de décodage de base, nous avons testé la capacité de ce classificateur à discriminer les résultats des CR sur les essais en attente de la tâche explicite. Nous avons ensuite testé la capacité du classificateur à discriminer les correspondances des RC lors d'essais lorsque les participants dissimulaient leurMémoireétat (tâche cachée).

Cistanche peut améliorer la mémoire

Décodage de mémoire lors de jugements de mémoire explicites

Sur la base de résultats antérieurs utilisant une approche explicite similaireMémoiretâche (Rissman et al., 2010), nous nous attendions à ce que le classificateur "explicite ¡ explicite" fonctionne bien. Conformément à cette attente, l'ASC moyenne était de 0,67 (Fig. 4A, bleu ; ASC de distribution nulle de 0,50, déterminée par des analyses de permutation ; ASC moyenne vs nulle, t(23) 8,97, p 5.74 10 9). Cette performance correspond à une précision moyenne de 63 % lors de l'examen de tous les choix effectués par le classificateur, avec une précision moyenne atteignant 73 % sur les essais lorsque le classificateur était le plus confiant (c. figure 5A, bleu).

Les analyses précédentes interrogéesMémoiredécodage à l'aide de données regroupées sur plusieurs points de temps pré-stimulus (TR3-TR5 ; voir Matériels et méthodes). Étant donné qu'une décision de mémoire se déroule dans le temps, un ensemble de classificateurs entraînés et testés à chaque instant pendant la récupération peut fournir des informations de diagnostic supplémentaires (en particulier sur les essais de mémoire cachée ; voir ci-dessous). La figure 4B (bleue) illustre que les performances de classification sur chaque TR dans le schéma explicite ¡ explicite ont augmenté jusqu'à TR4 (6 à 8 s après le début du stimulus), lorsqu'il a atteint une ASC maximale de 0.66. ; TR4, p 9.44 10 10 ; TR5, p 2.52 10 7 ; TR6, p 6.{{20}}), survivant à la correction de Bon-Ferroni pour les comparaisons multiples (partie 0,0083 pour six comparaisons TR).

Les cartes illustrant la valeur diagnostique de chaque voxel pour le classificateur ("cartes d'importance" ; Fig. 4C) révèlent que plusieurs régions importantes ont biaisé le classificateur vers un choix CR. VLPFC. Un tel modèle est cohérent avec une riche littérature de récupération et suggère que le classificateur s'est appuyé collectivement sur des signaux qui représentaient des informations sur le visage en mémoire, ainsi que sur des régions censées soutenir l'attention et l'évaluation de l'accumulation de preuves mnémoniques (IPS et VLPFC). À l'inverse, les régions qui biaisaient les prédictions de CR comprenaient l'hippocampe gauche et le gyrus supramarginal (SMG) et les champs oculaires frontaux bilatéraux (FEF). Collectivement, les signaux dans ces régions reflètent probablement l'échantillonnage de l'espace perceptuel au service du traitement des signaux de récupération (FEF et SMG) et du codage de nouvelles informations perceptives (hippocampe).

Décodage de la mémoire lors des tentatives de dissimulation Bien que les résultats univariés aient démontré que les participants étaient capables de moduler avec succès leur signal moyen lors de la tâche dissimulée dans les régions traditionnellement associées à la récupération

(Fig. 2), cela ne signifie pas que la précision du décodage essai par essai sera affectée par les tentatives de dissimulationMémoireet nouveauté. Nous avons ensuite déterminé si un classificateur formé sur les données du test de mémoire explicite pouvait être utilisé pour discriminer les résultats des CR lorsque les participants tentaient de dissimulerMémoirestatut (c'est-à-dire explicite ¡ masqué). Encore une fois, le fait que la performance de classification se révèle supérieure, égale ou inférieure au hasard peut donner un aperçu de la relation entre les modèles de mémoire/nouveauté vrais et simulés (voir les hypothèses ci-dessus). Nous avons constaté que le classificateur formé de manière explicite n'a pas été différent du hasard dans la discrimination des résultats par rapport aux CR dans la tâche de mémoire cachée (AUC moyenne de 0.51 vs AUC de distribution nulle de 0.5{{ 6}}, tel que déterminé par des analyses de permutation ; t(23) 0.33, p 0,75 ; Fig. 4A, vert). Compte tenu de ces performances médiocres, il était particulièrement important de déterminer si les suppositions les plus sûres du classificateur pouvaient distinguer de manière fiable les deux classes. Pour identifier la limite supérieure de la performance, nous avons pris en compte les 10 % d'essais avec les preuves de classificateur les plus solides. Dans ce cas, la précision n'était à nouveau pas différente du hasard (moyenne de 52 % ; Fig. 5A, cercles verts). Ces résultats suggèrent que la mémoire simulée et la nouveauté suscitent principalement des modèles qualitativement différents de la vraie mémoire et de la nouveauté.

Cependant, l'analyse de l'évolution temporelle (classificateurs spécifiques au TR) a démontré une légère élévation des performances au-dessus du hasard à un moment donné. La classification basée sur TR3 (4 à 6 s après le début du stimulus) était modeste mais nettement au-dessus du hasard (AUCof0.55vs null AUC of 0.50 ; t(23) 3,35, p 0,003, survivant à la correction de Bonferroni ; Fig. 4B, vert) et les 10 % des meilleurs essais de preuve de classificateur, basés sur TR3, ont donné une précision moyenne de 59 % (Fig. 5A, triangles verts). Ce constat indique que certainsliés à la mémoiredes signaux peuvent avoir été présents même lorsque des contre-mesures sont utilisées, mais que ce signal est transitoire.

Les performances de classification sur les essais TR3 suggèrent de manière préliminaire que le classificateur peut être en mesure de détecter les transitoiresMémoiremodèles dans la tâche cachée (c'est-à-dire, offrant un support préliminaire pour l'hypothèse 1 ci-dessus). Une telle interprétation prédirait en outre que les performances de classification devraient évoluer à mesure que les participantsMémoirela force augmente. Pour tester cette prédiction, nous avons examiné si les différences individuelles dans les performances de classification sur TR3 pour les essais masqués étaient corrélées avec la force de la mémoire (d) dans les essais masqués. En effet, la classification avait tendance à être meilleure pour les participants ayant la mémoire la plus forte (r 0.46, p 0.025 ; Fig.5B), ce qui suggère que le décodage léger et transitoire au-dessus du hasard à TR3 peut reflètent la détection de signaux de mémoire transitoires qui ont émergé avant les tentatives des participants de dissimuler ces signaux (ramenant le classificateur à des niveaux aléatoires).

Notre modèle de processus postule que les essais cachés contiennent de vraisMémoire/modèles de nouveauté suivis de modèles de mémoire/nouveauté feints parce que les participants se sont d'abord occupés de leur état mnémonique avant de déterminer quelle contre-mesure déployer. Dans la mesure où ces modèles de mémoire/nouveauté simulés n'émergent qu'après de vrais modèles de mémoire/nouveauté, nous prédisons qu'un classificateur formé pour détecter l'émergence de modèles de mémoire vrais mais testé à l'émergence de modèles de mémoire simulésMémoireles modèles afficheraient des performances inférieures au hasard (c. Pour tester cette prédiction, nous avons formé des classificateurs sur TR3 d'essais explicites et les avons testés séparément à chacun des TR4 à TR6 sur des essais masqués. Cela nous a permis de déterminer si les premiers signaux de mémoire seraient détectables lors de tentatives de mémoire simulées ultérieures. Notez que cela est différent du classificateur spécifique au TR rapporté dans la figure 4B parce que ces données reflètent les classificateurs formés et testés sur le même TR. De plus, bien que nos prédictions soient pertinentes pour TR4 à TR6, nous rapportons les six TR dans la figure 5C pour fournir un profil temporel complet des performances de classification.

Étonnamment, ces classificateurs croisés cachés ¡ explicites ont eu des performances légèrement mais significativement inférieures au hasard sur TR5 (Fig. 5C, vert ; AUC de 0.43 contre AUC nulle de 0.5{{1{{ 13}}}} ; t(23) 3,74,p 0.001) et effectué légèrement en dessous du hasard à TR6 (AUC de 0,44 contre AUC nulle de 0,50 ; t(23) 2,19,p 0,038). Les performances sur TR5 mais pas sur TR6 ont survécu à la correction de Bonferroni. La découverte d'un décodage nettement inférieur au hasard sur TR5 suggère que (1) l'émergence précoce de vraisMémoireles modèles dans l'état caché peuvent être masqués par la suite (c'est-à-dire lors des TR ultérieurs) en s'occupant de la nouveauté, en "trompant" un classificateur en lui faisant deviner que le modèle a été obtenu en étant des éléments reconnus de la classe de nouveauté, et (2) de vrais modèles de nouveauté émergeant tôt peut ensuite être masqué en feignant la mémoire, "dupant" un classificateur en lui faisant deviner que le modèle suscité par un nouvel élément provient de la classe reconnue. Le modèle de résultats informe nos prédictions mécanistes en indiquant que le classificateur a exposé certains modèles neuronaux partagés (transitoires) entre la mémoire/nouveauté feinte et vraie. Cependant, il convient de noter qu'ils placent une condition limite importante sur l'utilisation sur le terrain des décodeurs de mémoire basés sur l'IRMf, car ils suggèrent que les participants sont en effet capables de confondre volontairement et systématiquement un décodeur de mémoire.

Problèmes potentiels affectant le décodage de la mémoire

Nous avons ensuite cherché à déterminer si le schéma général des résultats - que les succès et les CR des essais de mémoire cachée ne pouvaient pas être différenciés de manière robuste par un classificateur formé sur les succès et les CR explicitement signalés - pouvait s'expliquer par (1) des différences de performances de la mémoire entre les tâches, (2) une mauvaise mémoire sur la tâche explicite, (3) une mauvaise classification des succès par rapport aux RC même dans les données d'entraînement (c'est-à-dire des essais explicites), ou (4) des confusions temporelles ou motrices.

Premièrement, il est possible que les mauvaises performances du classificateur caché explicite ¡ soient attribuables au sous-ensemble de participants dont les performances de mémoire différaient considérablement entre les tâches de mémoire explicite et cachée. Pour tester cette possibilité, nous avons répété toutes les analyses sur la répartition médiane des participants montrant les meilleures correspondances entre les tâches de mémoire explicites et cachées (différence moyenne des participants les mieux assortis 0.17, allant de 0. 02 à 0.29). Ces analyses ont révélé que le schéma global des résultats était retenu lors de l'examen de ces 12 participants (ASC moyenne : explicite ¡ explicite, 0 0,66 ; explicite ¡ masqué, 0,52).

De même, il est important d'exclure que la faible précision moyenne sur le classificateur caché explicite ¡ soit attribuable à une mauvaise classification pour les participants ayant une mauvaise mémoire. En conséquence, nous avons recalculé toutes les analyses sur une répartition médiane des participants ayant les meilleures performances de mémoire sur la tâche explicite (moyenne des 12 meilleurs participants 1,74, allant de 1,26 à 2,31). Encore une fois, le schéma général des résultats retenus sur ce sous-ensemble de participants (AUC moyennes : explicite ¡ explicite, 0.69 ; explicite ¡ masqué, 0.48).

Il est également concevable que le classificateur masqué explicite ¡ ait mal fonctionné parce que la distinction entre les succès et les CR dans les données d'apprentissage (c'est-à-dire les essais explicites) n'a pas été bien méritée par le classificateur. Nous avons testé cette possibilité en réexécutant des analyses sur une répartition médiane de participants, en utilisant les 12 participants chez lesquels le classificateur explicite ¡ explicite a obtenu les meilleurs résultats (AUC moyenne des 12 meilleurs participants, 0.74 ; allant de {{4} }.69 à 0.82). Le schéma général des résultats retenus sur ce sous-ensemble de participants, en ce sens que la performance cachée explicite ¡ ne différait toujours pas du hasard chez ces participants (AUC moyenne de 0.48).

Une préoccupation supplémentaire concernant les mauvaises performances du classificateur caché explicite ¡ est la possibilité de confusions temporelles. Des confusions temporelles peuvent avoir surgi parce que les exécutions de tâches de mémoire cachée ont toujours suivi les exécutions de tâches de mémoire explicites, et ainsi le classificateur peut avoir souffert en raison de facteurs qui ont dérivé ou différé simplement en fonction du temps. Par exemple, les participants peuvent avoir ressenti de la fatigue cognitive ou des interférences lors d'essais précédents qui ont servi à réduire les performances de classification lors d'essais ultérieurs (mémoire cachée). La fatigue cognitive ou les interférences pourraient servir à (1) introduire un bruit stochastique dans les essais ultérieurs ou (2) réduire la capacité des participants à différencier les anciens et les nouveaux éléments lors des essais ultérieurs. Les deux possibilités réduiraient la capacité des classificateurs à identifier des modèles cohérents associés aux résultats et aux CR lors de ces essais ultérieurs. Cependant, comme indiqué ci-dessous, nous avons plutôt constaté que les classificateurs formés et testés lors des essais ultérieurs (dissimulés) donnaient des performances très élevées, en fait, meilleures que celles des classificateurs formés et testés lors des essais antérieurs (explicites). De plus, les participants ont signalé que la tâche de mémoire cachée était plus engageante sur le plan cognitif que la tâche de mémoire explicite précédente, car les participants avaient l'impression qu'ils essayaient de "battre" un algorithme informatique. Ces observations atténuent en partie la crainte que ces essais ultérieurs comprenaient des essais fatigués sur le plan cognitif - et donc bruyants ou plus variables - qui réduisent la capacité globale à classer les essais.

Il convient en outre de noter que les performances des schémas de classification précédents (explicite ¡ explicite et explicite ¡ masqué) n'étaient pas corrélées (r {{0}}.30, p 0,15), ce qui donne encore plus de poids à la conclusion selon laquelle décodable les signaux de mémoire dans une tâche de récupération traditionnelle étaient essentiellement indétectables lorsque des contre-mesures cognitives étaient déployées.

Enfin, il est important de noter que les mauvaises performances de décodage explicite ¡ caché n'étaient pas attribuables à une faibleMémoiresignaux dans la tâche cachée, en particulier dans les régions associées àMémoirerécupération, comme l'hippocampe et AnG (Fig. 1B, couleurs froides).

Analyses de projecteurs

La précision du décodage du cerveau entier peut être complétée par des approches de projecteur qui fournissent des précisions de décodage locales (Krieges-Korte et al., 2006). Il était particulièrement intéressant de savoir si les régions dans lesquelles le signal moyen BOLD (univarié) était modulé de manière significative par des contre-mesures (Fig. 2A) présentaient également une précision de décodage essai par essai qui s'écartait considérablement du hasard. Par conséquent, nous avons effectué la classification critique (coups cachés explicites ¡ vs CR) sur des masques sphériques locaux centrés individuellement sur chaque voxel du masque du cerveau entier (à l'exclusion des voxels du cortex moteur et prémoteur et du cervelet). Chaque masque sphérique comprenait tout voxel qui touchait le bord du voxel central ; ainsi, les sphères résultantes contenaient 19 voxels, sauf lorsque la sphère s'étendait au-delà du masque du cerveau entier. Pour déterminer si les précisions de décodage locales ont évolué au cours de l'essai (comme on pouvait s'y attendre si les participants s'intéressaient initialement aux signaux de la mémoire, puis tentaient de dissimuler ces signaux), nous avons mené ces projecteurs séparément pour chacun des six TR.

Ces analyses au projecteur ont révélé plusieurs régions des cortex frontal et pariétal médial qui présentaient un décodage léger mais nettement supérieur au hasard à des moments précoces (0 -4 s ; Fig. 6), lorsque les participants effectuaient vraisemblablement leurMémoirejugement. Le cortex pariétal médian est fortement impliqué dans les tâches de mémoire épisodique, que ce soit en considérant des données univariées (pour les méta-analyses, voir McDermott et al., 2009 ; Spaniol et al., 2009 ; Kim, 2010 ; Hutchinson et al., 2014), multi -données variables (Fig. 4C ; Rissman et al., 2010), ou données EEG intracrâniennes (Foster et al., 2015). Ainsi, ce décodage au-dessus du hasard démontre que certains modèles d'activité régionaux peuvent être transitoirement détectables et reflète probablement l'exigence pour les participants de récupérer d'abord des informations mnémoniques avant de déployer des contre-mesures.

Ces résultats peuvent aider à trancher entre des données antérieures potentiellement contradictoires sur la décodabilité desMémoiresous divers états de but. D'une part, Kuhl et al. (2013) ont montré que les informations mnémoniques pouvaient être décodées lorsque les participants n'avaient pas reçu l'instruction de s'occuper de leur état mnémonique, mais qu'ils l'avaient peut-être fait accidentellement. D'autre part, lorsque les participants ont reçu l'instruction explicite d'effectuer une tâche orthogonale àMémoiretâche (faire une note d'attractivité sur les anciens et les nouveaux visages au lieu d'un jugement de mémoire explicite), le décodage de la mémoire a été réduit à des niveaux de chance ou presque (Rissman et al., 2010). En outre, des données récentes suggèrent que les participants peuvent apprendre à adopter une stratégie globale dans laquelle ils évitent de prêter attention aux signaux de mémoire suscités par des signaux de récupération saillants et fictifs liés au crime, obscurcissant ainsi les indices potentiels de culpabilité liés à l'événement.

connaissances (Bergstrm et al., 2013). L'objectif de la présente étude était de déterminer si les signaux de la mémoire peuvent être rendus indétectables même après y avoir initialement assisté, ce qui peut être inévitable dans les scénarios du monde réel qui utilisent des indices de récupération très saillants, tels que les représentations d'une scène de crime. Les projecteurs montrant des performances inférieures au hasard prolongent les découvertes de Bergstrom et al. en montrant que, lorsque la mémoire est assistée, la détection de la mémoire peut encore être obscurcie à des moments ultérieurs grâce à la modulation ciblée des régions liées àMémoirerécupération et perception (voir AnG et groupes occipitaux sur la Fig. 6).

Discussion

Les progrès récents des méthodes de neuroimagerie sont prometteurs pour faciliter la détection des souvenirs individuels. La présente étude a testé si une technique de détection de mémoire basée sur l'IRMf serait capable de décoder la mémoire même lorsque les participants tentent de dissimuler leurs états de mémoire tout en semblant coopératifs. Nous rapportons plusieurs résultats clés. Premièrement, des analyses univariées ont démontré que les contre-mesures modulaient l'activité neuronale, de sorte que les effets du succès de la mémoire dans une tâche de récupération standard s'inversaient lorsque les participants déployaient des contre-mesures. Notamment, les participants présentant des souvenirs plus forts avaient plus de difficulté à inverser les effets univariés du succès de la mémoire. Deuxièmement, les classificateurs MVPA décodaient de manière fiable les souvenirs individuels lorsque les participants rapportaient fidèlement leur mémoire. Troisièmement, cette capacité à décoder la mémoire a généralement échoué et même légèrement inversé, lorsque les participants ont utilisé des stratégies cognitives simples pour contrecarrer les classificateurs formés sur des réponses de mémoire véridiques. Enfin, des états d'objectifs stratégiques ont été engagés pour permettre de dissimuler l'état de la mémoire dans le signal moyen, ainsi que sur une base essai par essai. Les mécanismes de contrôle frontopariétal ont permis de dissimuler la mémoire en réorientant l'attention loin des souvenirs indicés et vers de nouvelles caractéristiques perceptives, tandis que les mécanismes MTL-AnG ont permis de dissimuler la nouveauté en générant et en conservant des souvenirs antérieurs en ligne. Ensemble, ces résultats démontrent le pouvoir que les états d'objectifs stratégiques exercent sur les schémas cérébraux, car ils peuvent principalement masquer les souvenirs individuels de la détection.

Le premier indice révélant l'influence profonde que les contre-mesures exercent sur les opérations mnémoniques a été révélé dans les résultats univariés. Ici, nous avons observé des effets de réussite de la mémoire (hitsCR) lorsque les participants rapportaient fidèlement leurs états de mémoire, qui s'inversaient (CR hits) lorsque les participants généraient des souvenirs en réponse à de nouveaux visages ou se concentraient sur de nouveaux aspects des visages étudiés. Notamment, ces inversions d'activité se sont produites dans des régions impliquées de manière cohérente dans la récupération de la mémoire, en particulier l'hippocampe bilatéral et l'Ang gauche (pour les méta-analyses, voir McDermott et al., 2009 ; Spaniol et al., 2009 ; Kim, 2010 ; Hutchinson et al., 2014). Dans la mesure où le signal hippocampique et AnG BOLD reflète le contenu mnémonique récupéré, la découverte de l'inversion des effets entre les tâches suggère que les participants ont effectivement été capables d'engager délibérément les stratégies de contre-mesures recommandées dans les essais. En effet, des comparaisons univariées des deux tâches de contre-mesure ont révélé les régions qui ont probablement médié cette modulation stratégique de l'activité liée à la mémoire (Fig. 7A): (1) pour la dissimulation de la mémoire - nécessitant une réorientation de l'attention des informations mnémoniques vers de nouveaux aspects perceptuels des stimuli — les régions associées à l'attribution de l'attention et aux représentations perceptives axées sur les buts ont été engagées ; et (2) pour la dissimulation de la nouveauté - nécessitant la génération de souvenirs en réponse à de nouveaux visages - les régions liées à la récupération ont été engagées.

Lorsque les participants rapportaient fidèlement la mémoire, les classificateurs MVPA décodaient de manière fiable l'état de la mémoire que chaque participant possédait pour chaque visage de test. Les régions qui ont fourni des signaux de diagnostic à ce classificateur étaient similaires à celles rapportées dans notre étude précédente (Rissman et al., 2010), avec les classifications PFC et de biais du cortex cingulaire postérieur et les classifications CR biaisant l'hippocampe antérieur. Contrairement à la présente étude, qui nécessitait de simples réponses « anciennes » ou « nouvelles » (pour faire correspondre les réponses à la tâche de mémoire cachée), Rissman et al. nécessitaient des décisions explicites quant à savoir si un détail de la rencontre précédente avec le visage avait été remémoré ou, en l'absence de détail remémoré, si le visage avait été récupéré avec une confiance élevée ou faible. Ainsi, la similitude des cartes d'importance entre les expériences suggère au préalable que les classificateurs s'appuient sur des signaux neuronaux similaires pour discriminer correctement les anciens des nouveaux visages lorsque des jugements de mémoire sont effectués, quelle que soit la nature précise du jugement de mémoire. Cependant, il est important de noter que la précision du décodage diminue considérablement au hasard lorsque les jugements de mémoire ne sont pas faits (Rissman et al., 2010, leur tâche implicite dans l'expérience 2) ou, comme le révèlent les présents résultats, lorsque les participants assistent à leurMémoireÉtats, mais déploient ensuite des contre-mesures pour les dissimuler.

Cette dernière découverte a des implications pour les théories neurobiologiques de la mémoire et les recommandations concernant la préparation à l'utilisation sur le terrain. Plus précisément, la découverte selon laquelle les informations mnémoniques pourraient être décodées même lorsque les participants ne sont pas invités à s'occuper de ces informations (Kuhl et al., 2013) soulève la question de savoir si les signaux de la mémoire peuvent être rendus indétectables même après s'être initialement occupés d'eux, comme cela peut être le cas. être le cas dans des scénarios du monde réel avec des indices de récupération très saillants, comme une scène de crime. Nous avons constaté que c'était principalement le cas, imposant ainsi une condition aux limites significative sur la validité des décodeurs de mémoire basés sur l'IRMf et suggérant que la méthode n'est pas encore prête pour une utilisation sur le terrain.

La découverte que les contre-mesures cognitives peuvent contrecarrer ou même inverser la capacité d'un classificateur à détecter avec précision les souvenirs individuels même lorsque la mémoire est assistée soulève la question de savoir si les signaux de mémoire transitoires peuvent être détectables face aux contre-mesures. Ici, dans le cachéMémoiredonnées, nous avons pu décoder faiblement les hits des CR à un moment donné seulement (Figs. 4B, 5A), et les hits ont été confondus de manière fiable avec les CR à un moment ultérieur (Fig. 5C). En particulier, la découverte que les performances de classification à ce moment variaient en fonction de la force de la mémoire justifie une enquête supplémentaire. Cette découverte suggère de manière préliminaire que, par exemple, les personnes ayant de bons souvenirs d'informations pertinentes peuvent avoir des difficultés à dissimuler leur mémoire. Les classifications du cerveau entier ont été complétées par des projecteurs montrant qu'une classification précoce au-dessus du hasard était possible en utilisant des données provenant des régions corticales frontales et pariétales médianes et que les modèles AnG gauches peuvent confondre de manière fiable les classificateurs de mémoire (résultant en un décodage nettement inférieur au hasard) à des moments ultérieurs. lorsque les participants déployaient vraisemblablement des contre-mesures. Des études futures utilisant des données plus résolues dans le temps (électroencéphalographie, EEG ou IRMf-EEG simultanée) pourraient en outre indiquer si des signaux de mémoire transitoires peuvent être détectés en présence de contre-mesures cognitives.

Références

Benoit RG, Anderson MC (2012) Des mécanismes opposés favorisent l'oubli volontaire de souvenirs indésirables. Neuron 76: 450–460.CrossRef Medline

Bergstrm ZM, Anderson MC, Buda M, Simons JS, Richardson-Klavehn A (2013) La suppression intentionnelle de la récupération peut dissimuler des connaissances coupables dans les tests de détection de mémoire ERP. Biol Psychol 94

Bishop CM (2006) Reconnaissance de formes et apprentissage automatique. New York : Springer.

Brown T, Murphy E (2010) À travers un scanner dans l'obscurité : la neuroimagerie fonctionnelle comme preuve des états mentaux passés d'un accusé. Loi de Stanford Rev 62: 1119-1208.Medline

Chadwick MJ, Hassabis D, Weiskopf N, Maguire EA (2010) Décodage des traces individuelles de mémoire épisodique dans l'hippocampe humain. Curr Biol 20:544–547.

Corbetta M, Patel G, Shulman GL (2008) Le système de réorientation du cerveau humain : de l'environnement à la théorie de l'esprit. Neurone 58 : 306–324.