مروری بر زیبایی شناسی عصبی محاسباتی: پلی میان زیبایی شناسی عصبی و علوم کامپیوتر (ترجمه بخش چهارم)

مروری بر زیبایی شناسی عصبی محاسباتی:

پلی میان زیبایی شناسی عصبی و علوم کامپیوتر (ترجمه بخش چهارم)

در مغز انسان، تعامل بین نواحی گسترده ی پراکنده و تغییرات زمانی فعالیت مغزی یک سیستم پیچیده را شکل می دهد. این سیستم پیچیده در طول مراحل مختلف پردازش شناختی درک زیبایی شناختی دستخوش تغییرات پویایی می شود. برای مطالعه ی چنین سیستمی، شبکه های عملکردی مغز، که در آن ها گره ها نشان دهنده ی موقعیت مکانی نواحی مغزی و لبه ها نشان دهنده ی ارتباطات عملکردی بین این نواحی هستند، از داده های تصویربرداری عصبی ساخته می شوند.

پس از ایجاد این شبکه های عملکردی، نظریه ی گراف ابزارهای مفیدی برای اندازه گیری ویژگی های شبکه ارائه می دهد. با استفاده از نظریه ی گراف، یکپارچگی محلی که نشان دهنده ی ماژول های عملکردی خاصی است که توسط اتصالات بین نواحی محلی مغز شکل گرفته اند، یکپارچگی جهانی که توانایی شبکه در ادغام اطلاعات توزیع شده بین نواحی یا ماژول های دوردست را نشان می دهد، و تعادل بین هزینه ی فعالیت و کارایی پردازش اطلاعات در مغز را می توان با ویژگی های شبکه ای مانند ضریب خوشه بندی، میانگین کوتاه ترین مسیر، و شاخص دنیای کوچک نشان داد. تغییرات این ویژگی های شبکه ای می توانند دیدگاه هایی را درباره ی نحوه ی عملکرد مغز به عنوان یک سیستم عصبی پویا در طول پردازش شناختی درک زیبایی شناختی فراهم کنند.

با استفاده ازfMRI و تحلیل همبستگی پیرسون، Lin و همکارانش تاثیر آموزش هنری طولانی مدت را بر شبکه های اتصال عملکردی در حالت استراحت بررسی کردند. آن ها دریافتند که تجربه ی طولانی مدت هنری، کارایی ارتباط، اتصال کوتاه برد و بلند برد، و ماژول بندی را تغییر نمی دهد. با این حال، ماژول های واقعی، به ویژه در مخچه ی دوطرفه، تفاوت معناداری بین هنرمندان حرفه ای و افراد غیرهنرمند نشان دادند. این تفاوت نشان داد که حتی در حالت استراحت، آموزش طولانی مدت می تواند یک سیستم شبکه ی عصبی را ایجاد کند که در آن نواحی مغزی به صورت عملکردی و توپولوژیکی، هم در سطوح عمومی و هم خاص، ماژول بندی شده اند. همچنین، نتایج به انعطاف پذیری مقاوم مغز ما اشاره داشت.

در سال ۲۰۱۸، Pollick و همکارانش نیز با استفاده از fMRI تجربه ی زیبایی شناختی هنگام پردازش ورودی های حسی متنوع را بررسی کردند. آن ها با تحلیل همبستگی بین شرکت کنندگان، چندین ناحیه ی مغزی را شناسایی کردند که هنگام تماشای یک ویدئوی رقص همراه با موسیقی به طور مداوم فعال بودند. این نواحی مغزی و ارتباطات عملکردی آن ها یک شبکه را تشکیل دادند که از هشت زیرشبکه تشکیل شده بود. شش زیرشبکه با پردازش جنبه های حسی و حرکتی در مشاهده مرتبط بودند، در حالی که دو زیرشبکه ی باقی مانده در فعالیت های شناختی پیچیده مشارکت داشتند. به طور خاص، یکی از این هشت زیرشبکه با شبکه ی پیش فرض مغز(DMN) همپوشانی داشت، که برای پردازش اطلاعات داخلی اهمیت دارد.

با اینکه این مطالعات مبتنی برfMRI اطلاعات مفیدی ارائه می دهند، ماهیت پویا ی درک زیبایی شناختی را نمی توان به طور کامل با دقت زمانی پایین سیگنال های fMRI نشان داد. در مقابل، MEG و EEG دارای دقت زمانی بالاتری هستند و اخیرا برای تحلیل شبکه های عملکردی مغز در درک زیبایی شناختی استفاده شده اند.

Cela-Conde و همکارانش ازMEG برای ثبت داده های تصویربرداری عصبی هنگام تصمیم گیری شرکت کنندگان درباره ی زیبایی یک محرک استفاده کردند. آن ها با استفاده از مقدار قفل شدگی فازی، شبکه های عملکردی مغز را برای تحلیل اتصال عملکردی بین نواحی مختلف مغزی از داده های MEG ایجاد کردند. آن ها دریافتند که تجربه ی زیبایی شناختی به دو شبکه ی متمایز در طول زمان وابسته است:
۱) شبکه ی اولیه، که در آن قشر اوربیتوفرنتال (OFC) نقش مهمی دارد و با درک سریع زیبایی مرتبط است.
۲) شبکه ی تاخیری دیگر، که شامل نواحی مغزی است که تا حدی باDMN همپوشانی دارند، در پردازش شناختی محرک های زیبا نقش داشته و در نهایت منجر به درک زیبایی شناختی می شود.

با استفاده از روش های محاسباتی برای اندازه گیری تعامل بین نواحی مغزی در مقیاس مزو (ناحیه های قشری) و مقیاس ماکرو (سطح مغز)، مطالعات پیشین تغییرات اتصال عملکردی و همچنین شبکه های مغزی را در طول درک زیبایی شناختی بررسی کرده اند. این مطالعات شواهدی ارائه داده اند که نشان می دهد مغز ما چگونه ورودی حسی را با وضعیت داخلی ادغام می کند تا تجربه ی زیبایی شناختی را ایجاد کند. با این حال، از آنجا که این حوزه ی پژوهشی هنوز جوان است، مطالعات کنونی تنها به طور دقیق تعامل بین بخش های کوچکی از کل مغز را شناسایی کرده اند. تعامل بین بخش های وسیع تری از مغز که در سه سیستم عصبی دخیل در تجربه ی زیبایی شناختی نقش دارند، همچنان نامشخص است. تحقیقات بیشتری لازم است و یافته های مقیاس مزو و ماکرو باید یکپارچه شوند تا درک کاملی از تغییرات اتصال در کل مغز در طول مراحل مختلف پردازش زیبایی شناختی ارائه شود.

2.4.یادگیری ماشین در نوروزیباشناسی محاسباتی:

پیش بینی ترجیح زیبایی شناختی بر اساس داده های تصویربرداری عصبی

از دیدگاه زیبایی شناسی محاسباتی، ارزیابی میزان زیبایی شناختی توسط افراد یک چالش دشوار است، زیرا اشیای زیبایی شناختی بصری تنها ویژگی های عینی را بازتاب می دهند. نمره ی رتبه بندی افراد، نتیجه ی ذهنی مجموعه ای پیچیده از فرآیندهای شناختی روی اشیای زیبایی شناختی بصری است. برای درک ذهنیت ترجیح زیبایی شناختی، داده های تصویربرداری عصبی که فعالیت مغزی را در طول پردازش شناختی زیبایی شناختی نشان می دهند، ضروری هستند. با استفاده از الگوریتم های یادگیری ماشین روی این داده های تصویربرداری عصبی، می توان ویژگی های زیستی مرتبط با پردازش شناختی زیبایی شناختی را استخراج کرد. تغییرات این ویژگی ها از یک سو اطلاعات اضافی برای ارزیابی ذهنیت ترجیح زیبایی شناختی فراهم می کند و از سوی دیگر یافته های مطالعات نوروزیباشناسی را تایید می کند.

برای مطالعه ی پیش بینی ترجیح زیبایی شناختی در موسیقی، Stelios و همکارانش سیگنال هایEEG را از شرکت کنندگان هنگام گوش دادن به موسیقی جمع آوری کردند و با استفاده از روش تحلیل زمان-فرکانس ویژگی هایی را از داده های EEG استخراج کردند. این ویژگی ها به طبقه بند KNN داده شد تا ترجیح موسیقی شرکت کنندگان را پیش بینی کند. مطالعه ی آن ها دقت طبقه بندی خوبی به دست آورد و نشان داد که باندهای بتا و گاما نقش مهمی در پیش بینی ترجیح موسیقی دارند.

Chew وTeo پیش بینی ترجیح زیبایی شناختی در اشکال سه بعدی را بررسی کردند. ترکیبی از تحلیل زمان-فرکانس و طبقه بند KNN روی سیگنال هایEEG ثبت شده از شرکت کنندگان هنگام مشاهده ی اشکال سه بعدی اعمال شد. ویژگی هایی از ناحیه ی پیشانی در باندهای آلفا، تتا و دلتا استخراج شدند. با استفاده از این ویژگی ها همراه با KNN، دقت طبقه بندی دودویی ترجیح اشکال سه بعدی تا ۸۰٪ به دست آمد.

در سال ۲۰۱۸، Teo و همکارانش با جذب شرکت کنندگان بیشتر، پیش بینی ترجیح زیبایی شناختی برای اشکال سه بعدی را بررسی کردند. این بار، آن ها مجموعه ای از طبقه بندها از جملهSVM، جنگل تصادفی، Adaboost، KNN و شبکه ی عصبی عمیق را برای طبقه بندی دودویی به کار بردند. نتایج نشان داد که ترکیبی از ویژگی ها از الکترودهای گسترده و باندهای فرکانسی مختلف، بالاترین دقت را ارائه می دهد و شبکه ی عصبی عمیق از سایر طبقه بندهای یادگیری ماشین عملکرد بهتری داشت.

شکل5. یک جریان کاری برای پیش بینی ترجیح زیبایی شناختی بر اساس داده های تصویربرداری عصبی. الف تصویر اصلی. ب داده های تصویربرداری عصبی توسط EEG، MEG یا fMRI در هنگام مشاهده تصاویر توسط شرکت کنندگان ثبت می شوند. ج ویژگی های زیستی از داده های تصویربرداری عصبی استخراج شده و الگوریتم های یادگیری ماشین برای پیش بینی ترجیح زیبایی شناختی اعمال می شوند.

علاوه بر این، Guo و همکارانش هنگام مشاهده ی تصاویر چراغ های رومیزی با سبک های مختلف، داده هایEEG و حرکت چشم کاربران را برای پیش بینی ترجیح زیبایی شناختی ثبت کردند. توان نسبی آلفا، توان نسبی گاما و میانگین زمان تثبیت نگاه از داده هایEEG و حرکت چشم استخراج شدند. آن ها دریافتند که میانگین مدت تثبیت نگاه به طور معنی داری بین چراغ های با زیبایی کم و زیاد متفاوت بود. چراغ های با زیبایی کم باعث کاهش توان نسبی آلفا و افزایش توان نسبی گاما شدند. با استفاده از طبقه بندهایSVM، KNN، جنگل تصادفی و XGBoost، آن ها به دقت ۸۲٪ برای طبقه بندی دودویی (زیبایی کم در برابر زیاد) و دقت ۷۳٪ برای طبقه بندی سه کلاسه (زیبایی کم، متوسط و زیاد) دست یافتند.

Qu و همکارانش از EEG برای بررسی پیش بینی ترجیح زیبایی شناختی در تایپ فیس های چینی استفاده کردند. چندین ویژگی EEG از باندهای فرکانسی مختلف استخراج شد و همبستگی آن ها با استفاده از حداقل سازی چندرتبه ای تانسوری تحلیل شد. سپس، ترجیح زیبایی شناختی تایپ فیس های چینی با استفاده از خوشه بندی خودنمایی چندمنظری بر اساس ویژگی های انتخاب شده پیش بینی شد. آن ها دریافتند که داده های EEG از مکان های مختلف الکترودها با پیش بینی دقیق ترجیح زیبایی شناختی تایپ فیس های چینی مرتبط بود. به ویژه، الکترودهای مرکزی و جداری با تایپ فیس های چینی ناپسند مرتبط بودند، در حالی که الکترودهای پیشانی با تایپ فیس های چینی محبوب ارتباط داشتند.

مطالعاتی که از الگوریتم های یادگیری ماشین بر روی داده های تصویربرداری عصبی استفاده می کنند، می توانند نشان دهند که کدام ویژگی زیستی برای تمایز اشیای ترجیح داده شده از نظر زیبایی شناختی از سایر اشیا مهم است. این ویژگی ها به درک فعالیت عصبی مرتبط با قدردانی زیبایی شناختی از منظر علوم کامپیوتر کمک می کنند. با این حال، این مطالعات عمدتا از ویژگی های طراحی شده ی دستی و طبقه بندهای کلاسیک یادگیری ماشین بر روی سیگنال های EEG برای پیش بینی ترجیحات زیبایی شناختی استفاده کرده اند. از آنجا که داده های تصویربرداری عصبی ثبت شده از پردازش شناختی ترجیح زیبایی شناختی در طول زمان متغیر هستند، برای استخراج ویژگی های زیستی از این داده ها، مدل های جدید یادگیری ماشین که مناسب استخراج ویژگی از سیگنال های متغیر در زمان هستند، مانند شبکه های عصبی بازگشتی(RNN)، باید در نظر گرفته شوند. همچنین، ویژگی هایی که بر اساس مطالعات تجربی در نورو زیباشناسی طراحی شده اند، مانند اتصال عملکردی مغز، می توانند بهبود دقت را فراهم کرده و پشتیبانی نظری ارائه دهند.

۵. چالش ها و چشم اندازهای نوظهور آینده ی نورو زیباشناسی محاسباتی

در نورو زیباشناسی محاسباتی، چندین مطالعه انجام شده اند تا دیدگاه های جدیدی برای درک ما از قدردانی زیبایی شناختی فراهم کنند. از آنجایی که این حوزه هنوز در مراحل ابتدایی خود قرار دارد، داده ها و یافته های کافی برای ایجاد یک تصویر کامل از چگونگی پردازش زیبایی جهت ایجاد یک نتیجه ی زیبایی شناختی وجود ندارد. برای ایجاد یک حوزه ی تحقیقاتی میان رشته ای که بتواند شکاف بین نورو زیباشناسی و زیباشناسی محاسباتی را پر کند، کارهای زیادی باید انجام شود و چندین مسئله در نورو زیباشناسی محاسباتی باید مورد بررسی قرار گیرند.

1.5. اندازه گیری جریان اطلاعات پویا در طی فرآیند قدردانی زیبایی شناختی

برای ارائه ی یک درک جامع از قدردانی زیبایی شناختی در نورو زیباشناسی محاسباتی، یکی از چالش ها اندازه گیری جریان اطلاعات پویا بین نواحی دقیق مغزی در طول این فرآیند است. قدردانی زیبایی شناختی تحت تاثیر عوامل متعددی قرار دارد، از جمله ویژگی های حسی اشیای بصری مانند پیچیدگی و تقارن، نحوه ی نمایش ویژگی های اشیای بصری در سیستم ادراکی ما، زمینه و تجسم اشیای بصری در سیستم شناختی ما، زمینه ی خارجی، وضعیت درونی، انتظارات بالا به پایین و غیره. این عوامل اتصال بین نواحی مغزی را در سه سیستم عصبی در مراحل مختلف پردازش زیبایی شناختی تغییر می دهند.

تا به امروز، چندین مطالعه آغاز شده اند تا تاثیر این عوامل را بررسی کنند، اما همچنان فاصله زیادی با توصیف تعاملات پویا بین نواحی مغزی در طی فرآیند قدردانی زیبایی شناختی داریم. برای مثال، هنوز اطلاعات کمی درباره ی نحوه ی فعال سازی مدار پاداش توسط برون ریزی های پویا از سیستم های حسی و شناختی برای ایجاد انواع مختلف قدردانی و احساسات داریم. علاوه بر این، در مراحل مختلف پردازش زیبایی شناختی، تغییرات پویا در جریان اطلاعات بین نواحی مغزی خاص همچنان ناشناخته بوده و بررسی آن دشوار است.

وضوح مکانی پایین و اثر هدایت حجمی در فناوری EEG، تشخیص جریان اطلاعات بین نواحی مغزی دقیق را دشوار می کند. همچنین، وضوح زمانی پایین fMRI نمی تواند تغییرات زمانی اتصال عملکردی بین نواحی مغزی را با دقت نشان دهد. برای اندازه گیری جریان اطلاعات پویا بین نواحی مغزی دقیق در طی فرآیند قدردانی زیبایی شناختی، لازم است داده های چندوجهی از EEG و fMRI جمع آوری شوند تا تغییرات شبکه ی مغزی را با وضوح بالای زمانی و مکانی آشکار کنند. همچنین، مدل های محاسباتی بیشتری باید توسعه داده شوند تا تغییرات اتصال مغزی را از داده هایEEG و fMRI ادغام کرده و تحلیل کنند که چگونه جریان اطلاعات تحت تاثیر عوامل مختلف قرار می گیرد.

2.5. پیش بینی امتیاز ذهنی قدردانی زیبایی شناختی: تفاوت های بین گروهی و درون گروهی

چالش دیگر، پیش بینی امتیاز زیبایی شناختی ذهنی اشیای بصری است. اگرچه مطالعات در زیباشناسی محاسباتی توانسته اند عملکرد خوبی در پیش بینی امتیاز زیبایی شناختی از یک گروه شرکت کننده به دست آورند، این مطالعات هنوز به اندازه ی کافی توانایی پیش بینی امتیاز زیبایی شناختی از افراد را ندارند. دلیل این امر آن است که هنگام پیش بینی امتیاز زیبایی شناختی از افراد، هم ذهنیت و هم عینیت باید در نظر گرفته شوند. ذهنیت ارتباط نزدیکی با تفاوت های فردی دارد، که شامل ویژگی هایی مانند شخصیت، فرهنگ، تخصص و جنسیت مشاهده کننده می شود.

تفاوت های فردی عامل مهم دیگری در تاثیرگذاری بر احساسات و قدردانی زیبایی شناختی است. این تفاوت ها نحوه ی درک ما از اشیای بصری را شکل می دهند، احساسات زیبایی شناختی منحصربه فردی ایجاد می کنند و نتایج قدردانی زیبایی شناختی ذهنی را تعیین می کنند. بنابراین، پیوند دادن ویژگی های عینی اشیای بصری با ویژگی های ذهنی مشاهده کننده، برای پیش بینی دقیق نتایج زیبایی شناختی فردی ضروری است. این موضوع، راهی کلیدی برای بررسی تاثیر چندین عامل بر قدردانی زیبایی شناختی است.

با این حال، شناسایی تفاوت های فردی در قدردانی زیبایی شناختی دشوار است. اگرچه چندین مطالعه در زمینه ی نورو زیباشناسی تاثیر تخصص، فرهنگ و تفاوت های جنسیتی بر قدردانی زیبایی شناختی را بررسی کرده اند، اما این مطالعات عمدتا بر روی نمونه های بزرگ انجام شده و یافته های آن ها عمدتا از طریق تحلیل های آماری بر اساس مقایسه ی بین گروهی به دست آمده اند.

مطالعات مبتنی بر یادگیری ماشین و داده های تصویربرداری عصبی در نورو زیباشناسی محاسباتی می توانند این وضعیت را تغییر دهند، اما این مطالعات هنوز در استخراج ویژگی های مربوط به تفاوت های فردی و امتیاز ذهنی، دقیق نیستند. برای پیش بینی دقیق امتیاز زیبایی شناختی از افراد، یکی از راه های ممکن، یافتن نشانگرهای زیستی (بیومارکرها) مرتبط با قدردانی زیبایی شناختی ذهنی است.

مطالعات قبلی در زمینه ی پیش بینی تفاوت های فردی در خلاقیت و توجه می توانند ایده های مفیدی در این زمینه ارائه دهند. این مطالعات، تحلیل های همبستگی بر روی رابطه ی بین فعالیت زیرلایه های عصبی و نتایج فردی در خلاقیت یا توجه انجام داده اند. تغییرات در زیرلایه های عصبی که به طور قوی نتایج فردی را منعکس می کردند، به عنوان بیومارکر در نظر گرفته شده و برای پیش بینی نتایج در افراد جدید مورد استفاده قرار گرفته اند.

اخیرا، با استفاده از ترکیب یادگیری ماشین و بیومارکرها، Vessel و همکارانش، کدگذاری خاص دامنه و عمومی دامنه ی جذابیت زیبایی شناختی را در شبکه ی حالت پیش فرض (DMN) و قشر اکسیپیتوتemporal شکمی (VOT) بررسی کرده اند. داده های fMRI زمانی جمع آوری شدند که شرکت کنندگان در حال قضاوت زیبایی شناختی درباره ی تصاویری از هنر، معماری و مناظر طبیعی بودند. سپس، الگوهای پاسخ fMRI چندوکسلی از DMN و VOT برای آموزش طبقه بندها به منظور پیش بینی قضاوت زیبایی شناختی شرکت کنندگان (جذابیت بالا در مقابل جذابیت پایین) از همان نوع تصاویر یا از انواع مختلف تصاویر استفاده شدند.

آن ها دریافتند که الگوی فعالیت درDMN با پیش بینی جذابیت زیبایی شناختی در سراسر حوزه ها مرتبط است و رتبه بندی های شدیدتر تصاویر با پیش بینی های بهتر همبستگی دارد. شواهد حاصل از مطالعه ی آن ها از مدلی در قدردانی زیبایی شناختی حمایت می کند که در آن، DMN نمایانگر کدگذاری عمومی دامنه ی جذابیت زیبایی شناختی بصری است.

۶. نتیجه گیری

در نتیجه، نورو زیباشناسی محاسباتی به عنوان یک حوزه ی پژوهشی میان رشته ای نوظهور، نقش مهمی در پیوند دادن یافته های مربوط به زیرلایه های عصبی از نورو زیباشناسی و الگوریتم های محاسباتی از زیباشناسی محاسباتی ایفا می کند. با بهره گیری از پیشرفت های روش شناختی در زیباشناسی محاسباتی و پیشرفت های نظری در نورو زیباشناسی، این حوزه می تواند از هر دو زمینه یاد بگیرد و به رشد بیشتری دست یابد.

در سال های اخیر، مجموعه ای از مطالعات تلاش کرده اند تا قدردانی زیبایی شناختی را از منظر یادگیری ماشین و شبکه های عملکردی مغز بررسی کنند. یافته های به دست آمده از نورو زیباشناسی محاسباتی نه تنها می توانند درک ما از مکانیسم های عصبی ارزیابی زیبایی شناختی را افزایش دهند، بلکه می توانند عملکرد مدل های محاسباتی را در پیش بینی امتیاز زیبایی شناختی بهبود بخشند.

بااین حال، به دلیل فرآیند پیچیده و ماهیت ذهنی قدردانی زیبایی شناختی، هنوز چالش های متعددی در این حوزه وجود دارد. تعامل میان پردازش شناختی و احساسی در تولید قدردانی زیبایی شناختی همچنان مبهم است و معماری محاسباتی برای تقلید این فرآیند نیاز به پیشرفت های بیشتری دارد. بنابراین، بر اساس داده های چندوجهی، ایجاد پیوندی قوی بین روش شناسی محاسباتی و دانش نظری می تواند گامی موثر در پیشرفت این حوزه باشد.

به همین دلیل، تحقیقات بیشتری لازم است تا از مدل های محاسباتی جدید، مانند شبکه های عصبی گراف

(Graph Neural Network - GNN) ، برای تحلیل اتصال های مغزی و مدل سازی تغییرات این اتصالات در طول قدردانی زیبایی شناختی استفاده شود. یکی از مسیرهای آینده در این حوزه، ادغام اتصال گرایی مغزی در علوم اعصاب با شبکه های عصبی در یادگیری ماشین است. این مسیر می تواند روشن کند که چگونه زیبایی شناسی از تعامل بین نواحی مختلف مغز پدیدار می شود و منجر به توسعه ی مدل های محاسباتی الهام گرفته از مغز شود که قادر به تقلید واقعی از فرآیند ارزیابی زیبایی شناختی انسان باشند.

اختصارات

CNN: شبکه عصبی پیچشی (Convolutional Neural Network)
DCNN: شبکه عصبی پیچشی عمیق دو ستونه (Double-Column Deep Convolutional Neural Network)
DLPFC: قشر پیش پیشانی پشتی-جانبی (Dorsolateral Prefrontal Cortex)
DMN: شبکه پیش فرض مغز (Default Mode Network)
EEG: الکتروانسفالوگرافی (Electroencephalogram)
fMRI: تصویربرداری تشدید مغناطیسی کارکردی (Functional Magnetic Resonance Imaging)
KNN: نزدیک ترین همسایگان (K-Nearest Neighbors)
MEG: مغناطیس انسفالوگرافی (Magnetoencephalogram)
OFC: قشر اوربیتوفرنتال (Orbitofrontal Cortex)
PLV: مقدار قفل شدگی فاز (Phase Locking Value)
SCNN: شبکه عصبی پیچشی سبک محور (Style-Convolutional Neural Network)
SVM: ماشین بردار پشتیبان (Support Vector Machine)
VLPFC: قشر پیش پیشانی شکمی-جانبی (Ventrolateral Prefrontal Cortex)
VMPFC: قشر پیش پیشانی شکمی-میانی (Ventromedial Prefrontal Cortex)
VOT: قشر پس سری-گیجگاهی شکمی (Ventral Occipitotemporal Cortex)