다변량 디코딩 분석 최적화
다변량 패턴 분석(MVPA)은 조건별 활성화 패턴을 구별하는 데 널리 사용되는 기법으로, 신경영상 데이터에서 통계적으로 유의미한 정보를 식별하여 단변량 방법으로는 놓칠 수 있는 부분을 포착합니다. 그러나 MVPA 디코딩 결과는 여러 분석 선택에 의해 영향을 받으며, 이러한 선택들의 복합적인 효과는 충분히 평가되지 않았습니다. 특히, MVPA 분류기 훈련 전 여러 시행(trial)의 데이터를 평균하는 접근법이 인기를 얻고 있으나, 평균화 정도에 대한 결정은 임의적이며 이 매개변수 변화의 효과는 문서화되지 않았습니다. 본 연구에서는 CoSMoMVPA 및 SEREEGA 두 가지 도구 상자를 사용하여 시뮬레이션된 데이터에 대해 시행 평균화(trial averaging) 및 재샘플링(resampling)이 디코딩 정확도와 통계적 결과에 미치는 영향을 체계적으로 평가했습니다. 분류기와 교차 검증 방식에 따라 최적 매개변수는 달랐지만, 조건당 전체 시행 수의 5~10% 범위 내에서 적절한 시행 평균화를 적용했을 때 디코딩 정확도와 t-통계량이 향상됨을 발견했습니다. 또한, 소량의 재샘플링이 t-통계량과 분류 성능을 개선할 수 있었으나 항상 필수적인 것은 아니었습니다. 이 연구는 MVPA 분석의 핵심 선택 사항들을 최적화할 수 있는 실질적인 가이드라인을 제공합니다. 연구자들은 제공된 코드를 활용하여 자신의 데이터 매개변수에 맞는 최적의 분석 선택을 할 수 있을 것입니다.