Wielowymiarowa Analiza Wzorców
Wielowymiarowa Analiza Wzorców (MVPA) to podejście uczenia maszynowego w funkcjonalnym rezonansie magnetycznym (fMRI), które dekoduje stany poznawcze, bodźce lub zachowania na podstawie przestrzennych wzorców aktywności neuronalnej w całym mózgu. Zapoczątkowana przez Haxby'ego i współpracowników w 2001 roku, MVPA traktuje fMRI jako problem klasyfikacji: czy wytrenowany dekoder może przewidzieć, co osoba postrzega lub myśli, bazując wyłącznie na wzorcu aktywności jej mózgu?
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Norman, K. A., Polyn, S. M., Detre, G. J., & Haxby, J. V. (2006). Beyond mind-reading: multi-voxel pattern analysis of fMRI data. Trends in Cognitive Sciences, 10(9), 424–430. DOI: 10.1016/j.tics.2006.07.005 ↗
- Haxby, J. V., Gobbini, M. I., Furey, M. L., et al. (2001). Distributed and overlapping representations of faces and objects in ventral temporal cortex. Science, 293(5539), 2425–2430. DOI: 10.1126/science.1063736 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Multivariate Pattern Analysis (MVPA). ScholarGate. https://scholargate.app/pl/neuroimaging/multivariate-pattern-analysis
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Analiza sieci mózgowych oparta na grafachNeuroobrazowanie↔ compare
- Analiza Podobieństwa ReprezentacyjnegoNeuroobrazowanie↔ compare
- Morfometria oparta na wokselachNeuroobrazowanie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →