Decoding emotions from brain activity and connectivity patterns

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Nummenmaa, Lauri, Prof., University of Turku, Finland
dc.contributor.advisor Jääskeläinen, Iiro P., Prof., Aalto University, Department of Neuroscience and Biomedical Engineering, Finland
dc.contributor.author Saarimäki, Heini
dc.date.accessioned 2018-01-31T10:02:51Z
dc.date.available 2018-01-31T10:02:51Z
dc.date.issued 2018
dc.identifier.isbn 978-952-60-7818-2 (electronic)
dc.identifier.isbn 978-952-60-7817-5 (printed)
dc.identifier.issn 1799-4942 (electronic)
dc.identifier.issn 1799-4934 (printed)
dc.identifier.issn 1799-4934 (ISSN-L)
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/29707
dc.description.abstract Emotions guide both human and animal behavior providing the means for survival in a constantly changing environment. Different emotions seem to be distinct from each other in several aspects, including physiological changes, bodily sensations, facial expressions, and subjective experience. Whether and how such emotion categories exist at the neural level remains however under debate. The goal of this dissertation was to employ pattern classification methods to investigate the neural underpinnings of different emotion states. Specifically, it was hypothesized that if different emotions have distinct neural bases, we should be able to reliably classify them from brain activity and connectivity patterns. Further, it was hypothesized that the classifier confusions presumably reveal which emotions have similar neural substrates. Multiple emotional states were induced in four studies with altogether 109 participants using emotional movies, mental imagery, and narratives while participants' brain activity was measured with functional magnetic resonance imaging (fMRI). Several approaches to the fMRI data analyses were employed: multivariate pattern classification to distinguish voxel activity and functional connectivity patterns underlying different emotions, representational similarity analysis to compare experienced and neural similarity of different emotions, functional connectivity analysis to reveal emotional modulations in brain connectivity, univariate methods such as general linear model (GLM) to visualize the neural substrates of different emotions, and correlation analyses to compare the relationship of different emotions at different emotion-related components. Results from these studies show that specific emotions can be classified from both voxel activity and functional connectivity patterns. Successful pattern classification of voxel activity across the whole brain shows that different emotions have distinct brain activity patterns that generalize across participants and across emotion induction techniques. Further, emotions that subjectively feel more similar also have more similar neural underpinnings. Functional connectivity is modulated by emotional content and shows distinct patterns for different emotions especially within the default mode network (DMN). DMN regions especially in the cortical midline, together with somatomotor, sensory, and subcortical areas, support most emotions. Finally, distinctness of emotions is related at the level of different components, including facial expressions, bodily sensations, emotional evaluations, subjective experiences, and neural substrates. To conclude, emotions have distinct brain activity and connectivity patterns that encompass large extent of the brain. Emotions can thus be viewed as systemic states that, at a given moment, facilitate and constrain other mental functions. en
dc.description.abstract Tunteet ohjaavat ihmisten ja eläinten käyttäytymistä tarjoamalla keinoja selviytyä jatkuvasti muuttuvassa ympäristössä. Eri tunteet eroavat toisistaan monin tavoin: eri tunnetiloihin liittyy erilaisia fysiologisia muutoksia, kehon tuntemuksia, kasvonilmeitä ja yksilöllisiä tunnekokemuksia. Tunnetutkimuksessa kuitenkin kiistellään siitä, miten eri tunnetilat eroavat toisistaan aivoissa. Tämän väitöskirjan tavoitteena oli hyödyntää koneoppimisen menetelmiä eri tunnetilojen hermostollisen perustan tutkimiseksi. Erityisesti oletettiin, että jos eri tunteilla on erillinen aivoperusta, ne pitäisi pystyä luokittelemaan aivojen aktiivisuuden ja yhteyksien muutosten perusteella. Lisäksi oletettiin, että käytetyn luokittelualgoritmin tekemät virheet paljastavat, millä tunteilla on keskenään samankaltaisempi hermostollinen perusta. Eri tunnetiloja tuotettiin neljässä tutkimuksessa (yhteensä 109 vapaaehtoista osallistujaa) tunnepitoisten elokuvien, eläytymistehtävän ja tarinoiden avulla samalla, kun osallistujien aivojen aktivaatiota mitattiin toiminnallisella magneettikuvantamisella (fMRI). Datan analyysissa käytettiin useita eri lähestymistapoja: eri tunteisiin liittyviä vokselikohtaisia aktivaatioita ja funktionaalista konnektiviteettia eriteltiin koneoppimisen luokittelualgoritmeja käyttäen, eri tunteiden koettua ja hermostollista samankaltaisuutta vertailtiin samankaltaisuusanalyysia hyödyntäen, tunteiden aikaansaamia muutoksia aivojen konnektiivisuudessa tutkittiin funktionaalista konnektiivisuusanalyysia käyttäen, yksimuuttujamenetelmiä kuten lineaarista regressiota käytettiin eri tunteiden aivoperustan visualisointeihin ja korrelaatioanalyyseilla verrattiin tunnetilojen eroja tunteiden eri komponenteissa. Tulokset osoittavat, että tunteita voidaan luokitella sekä vokseliaktivaatioiden että funktionaalisen konnektiviteetin muutosten perusteella. Onnistunut koko aivojen aktivaatioon perustuva luokittelu osoittaa, että eri tunteilla on erillinen aivoperusta, joka yleistyy henkilöstä ja tunteiden herättämistekniikasta toiseen. Lisäksi tunteilla, jotka koetaan samankaltaisempina, on myös samankaltaisempi aivoperusta. Tunne muokkaa funktionaalista konnektiviteettia, jonka tunnekohtaiset erot ovat selvimpiä aivojen lepotilaverkostoissa (default mode network, DMN). Aivojen keskilinjan rakenteiden lisäksi erityisesti somatomotoriset, sensoriset ja subkortikaaliset alueet aktivoituvat useimpien tunteiden aikana. Tunteiden erillisyys ilmenee eri komponteissa, kuten kasvonilmeissä, kehon tuntemuksissa, tunnesisällön arvioinnissa, yksilöllisessä tunnekokemuksessa sekä aivoperustassa. Yhteenvetona voidaan todeta, että eri tunteisiin liittyy kullekin tunteelle tyypillinen aivojen aktivaatio ja konnektiviteetti, jotka kattavat suuren osan aivoista. Tunteita voidaan siis pitää aivojen tilana, joka kullakin ajanhetkellä vaikuttaa muihin mielen toimintoihin. fi
dc.format.extent 76 + app. 108
dc.format.mimetype application/pdf en
dc.language.iso en en
dc.publisher Aalto University en
dc.publisher Aalto-yliopisto fi
dc.relation.ispartofseries Aalto University publication series DOCTORAL DISSERTATIONS en
dc.relation.ispartofseries 17/2018
dc.relation.haspart [Publication 1]: Saarimäki H, Gotsopoulos A, Jääskeläinen IP, Lampinen J, Vuilleumier P, Sams M, Hari R, Nummenmaa L (2016). Discrete neural signatures of basic emotions. Cerebral Cortex 26: 2563-2573. DOI: 10.1093/cercor/bhv086
dc.relation.haspart [Publication 2]: Saarimäki H, Ejtehadian LF, Glerean E, Jääskeläinen IP, Vuilleumier P, Sams M, Nummenmaa L (under revision). Distributed affective space represents multiple emotion categories across the brain. Social cognitive and Affective Neuroscience.
dc.relation.haspart [Publication 3]: Nummenmaa L, Saarimäki H, Jääskeläinen IP, Glerean E, Gotsopoulos A, Hari R, Sams M (2014). Emotional speech synchronizes brain across listeners and engages large-scale dynamic brain networks. NeuroImage 102:498-509. DOI: 10.1016/j.neuroimage.2014.07.063
dc.relation.haspart [Publication 4]: Saarimäki H, Glerean E, Smirnov D, Mynttinen H, Jääskeläinen IP, Sams M, Nummenmaa L (under review). Classification of emotions from brain connectivity patterns. Journal of Neuroscience.
dc.relation.haspart [Publication 5]: Nummenmaa L, Saarimäki H (in press). Emotions as discrete patterns of systemic activity, Neuroscience Letters. DOI: 10.1016/j.neulet.2017.07.012
dc.subject.other Medical sciences en
dc.title Decoding emotions from brain activity and connectivity patterns en
dc.title Tunteiden luokittelu aivojen aktivaatiosta ja konnektiviteetista fi
dc.type G5 Artikkeliväitöskirja fi
dc.contributor.school Perustieteiden korkeakoulu fi
dc.contributor.school School of Science en
dc.contributor.department Neurotieteen ja lääketieteellisen tekniikan laitos fi
dc.contributor.department Department of Neuroscience and Biomedical Engineering en
dc.subject.keyword emotion en
dc.subject.keyword brain en
dc.subject.keyword pattern classification en
dc.subject.keyword functional connectivity en
dc.subject.keyword fMRI en
dc.subject.keyword MVPA en
dc.subject.keyword RSA en
dc.subject.keyword tunteet fi
dc.subject.keyword aivot fi
dc.subject.keyword koneoppiminen fi
dc.subject.keyword funktionaalinen konnektiviteetti fi
dc.identifier.urn URN:ISBN:978-952-60-7818-2
dc.type.dcmitype text en
dc.type.ontasot Doctoral dissertation (article-based) en
dc.type.ontasot Väitöskirja (artikkeli) fi
dc.contributor.supervisor Sams, Mikko, Prof., Aalto University, Department of Neuroscience and Biomedical Engineering, Finland
dc.opn Keysers, Christian, Prof., Netherlands Institute for Neuroscience, Netherlands
dc.contributor.lab Brain and Mind Laboratory en
dc.rev Adolphs, Ralph, Prof., California Institute of Technology, USA
dc.rev LaBar, Kevin S., Prof., Duke University, USA
dc.date.defence 2018-02-16


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

My Account