Imaginez essayer d'entendre un ami chuchoter dans une pièce bondée—c'est ce que vivent les scientifiques lorsqu'ils tentent de détecter les signaux cérébraux au milieu du bruit d'un scanner IRMf. Une nouvelle étude menée par des chercheurs du MIT et de Georgia Tech offre une façon plus intelligente de capter ces chuchotements, révélant les réseaux cérébraux qui s'activent lorsque nous suivons une histoire.
La recherche
Dans l'article « Independent-Component-Based Encoding Models of Brain Activity During Story Comprehension », Kamya Hari et ses collègues du MIT et de Georgia Tech ont analysé des données d'IRMf de personnes écoutant une histoire naturaliste. Ils ont utilisé une technique appelée analyse en composantes indépendantes (ICA) pour décomposer l'activité cérébrale en composantes distinctes—certaines liées à l'histoire, d'autres au bruit. Ensuite, ils ont entraîné des modèles d'encodage pour prédire ces composantes à partir de caractéristiques linguistiques extraites de l'histoire à l'aide d'un grand modèle de langage.
Ils ont constaté qu'un sous-ensemble de composantes était hautement prédictible chez tous les sujets. Ces composantes étaient cohérentes à la fois dans leur localisation spatiale et leur synchronisation, et correspondaient à des réseaux cognitifs bien connus, notamment les zones de traitement auditif et langagier. La série temporelle de la composante auditive était fortement corrélée aux caractéristiques acoustiques de l'histoire, montrant que la méthode capture des signaux significatifs liés au stimulus. En revanche, les composantes identifiées comme du bruit ou des artefacts de mouvement par un outil standard (ICA-AROMA) ont montré une performance prédictive uniformément médiocre, confirmant que les composantes hautement prédites reflètent un traitement neuronal authentique, non des facteurs de confusion.
Cette approche basée sur les IC offre plusieurs avantages par rapport aux modèles d'encodage voxel par voxel traditionnels. En se concentrant sur les composantes au niveau des réseaux, elle s'adapte à la variabilité de l'anatomie cérébrale entre les individus, réduit l'impact du bruit de mesure et produit des résultats plus faciles à comparer entre les personnes.
Pourquoi c'est important
Cette recherche pourrait conduire à des interfaces cerveau-machine plus précises et à une meilleure compréhension des troubles du langage. Pour le grand public, elle souligne que le cerveau traite les histoires grâce à une activité coordonnée dans des réseaux distribués, et non dans des régions isolées. La capacité de la méthode à séparer le signal du bruit est cruciale pour améliorer l'analyse de l'IRMf, ce qui pourrait déboucher sur de meilleurs outils de diagnostic pour des affections comme l'aphasie ou l'autisme.
Ce que vous pouvez faire
Bien que vous ne puissiez pas effectuer une ICA sur votre propre cerveau, vous pouvez stimuler vos compétences linguistiques et de compréhension en vous engageant dans des histoires complexes—lisez des romans, écoutez des podcasts ou ayez des conversations profondes. Ces activités sollicitent les mêmes réseaux cognitifs identifiés dans l'étude, favorisant la neuroplasticité.
Source : arXiv q-bio.NC
Curieux de connaître votre cerveau ? Passez notre test de QI adaptatif gratuit ou essayez 306 niveaux d'entraînement cérébral.