Parte 1: Modulação Direcionada a Objetivos de Padrões de Memória Neural: Implicações para Detecção de Memória Baseada em FMRI

Contato: Audrey Huaudrey.hu@wecistanche.com

Pls clique aqui para a Parte 2

Melina R. Uncapher,1* J. Tyler Boyd-Meredith,1* Tiffany E. Chow,3 Jesse Rissman,3 e X Anthony D. Wagner1,2

1Departamento de Psicologia e 2Programa de Neurociências, Universidade de Stanford, Stanford, Califórnia 94305, e 3Departamento de Psicologia, Universidade da Califórnia, Los Angeles, Los Angeles, Califórnia 90095

Lembrar de um evento passado elicia padrões neurais distribuídos que podem ser distinguidos de padrões eliciados ao encontrar novas informações. Esses padrões diferentes podem ser decodificados com precisão diagnóstica relativamente alta para memórias individuais usando análise de padrão multi-voxel (MVPA) de dados de fMRI. A detecção de memória baseada no cérebro – se válida e confiável – teria uma utilidade clara além do domínio da neurociência cognitiva, no campo do direito, do marketing e além. No entanto, uma condição limite significativa na validade da decodificação da memória pode ser a implantação de "contramedidas": estratégias usadas para mascarar os sinais da memória. Aqui testamos a vulnerabilidade da detecção de memória baseada em fMRI para contramedidas, usando um paradigma que se assemelha à identificação de testemunhas oculares. Os participantes foram escaneados durante a execução de duas tarefas em faces previamente estudadas e novas:(1) tarefa de memória de reconhecimento padrão; e (2) uma tarefa em que eles tentaram esconder seu verdadeiro estado de memória. Análises univariadas revelaram que os participantes foram capazes de modular estrategicamente as respostas neurais, a média entre os ensaios, em regiões implicadas na recuperação da memória, incluindo o hipocampo e o giro angular. Além disso, regiões associadas a mudanças de atenção direcionadas a objetivos e substituição de pensamento apoiaram a ocultação de memória, e aquelas associadas à geração de memória apoiaram a ocultação de novidades. Criticamente, enquanto o MVPA permitiu a classificação confiável dos estados de memória quando os participantes relataram a memória com veracidade, a capacidade de decodificar a memória em tentativas individuais foi comprometida, até mesmo revertendo, durante as tentativas de ocultar a memória. Juntas, essas descobertas demonstram que os objetivos estratégicos da Tate podem ser implantados para mascarar padrões neurais relacionados à memória e frustrar a tecnologia de decodificação de memória, colocando uma condição de limite significativa em sua utilidade no mundo real.

Palavras-chave: contramedidas; recuperação episódica; ressonância magnética funcional; neurolei; classificação de padrões

Cistanche pode melhorar a memória

Introdução

Evidências crescentes indicam que é possível decodificar a presença ou ausência de memória para um estímulo ou evento a partir de padrões distribuídos de atividade cerebral humana, medidos por ressonância magnética funcional (fMRI) e análise de padrões multivoxel (MVPA; Johnson et al., 2009; McDuff et al., 2009; Chadwick et al., 2010; Quamme et al., 2010; Rissman et al., 2010; Polyn et al., 2012; Poppenk e Norman, 2012; Rissman e Wagner, 2012). A literatura emergente sobre a decodificação de memória baseada em fMRI não apenas informa as teorias neurocognitivas da memória, mas também tem implicações para a lei, o marketing e além (Meegan, 2008). Por exemplo, um método confiável e validado para detectar a memória pode melhorar a capacidade forense do sistema de justiça criminal para determinar se um suspeito tem conhecimento culpado de informações relevantes para o crime (Greely, 2011) ou se uma testemunha ocular reconhece um evento crítico elemento. Dada a alta precisão diagnóstica observada em alguns estudos de decodificação de memória baseados em fMRI (até 70-90 por cento; Rissman et al., 2010), pode ser tentador concluir que essas abordagens têm utilidade forense para descobrir os estados de memória de um indivíduo e talvez também sua história experiencial com informações do evento.

No entanto, técnicas de detecção de memória baseadas em fMRI ainda estão em desenvolvimento, com muitos desafios significativos remanescentes antes de determinar sua adequação para uso em campo (Brown e Murphy, 2010; Verschuere et al., 2011). Uma das questões em aberto mais significativas é se a decodificação da memória é vulnerável a "contramedidas": estratégias empregadas para mascarar mem ou sinais e testes de detecção de "batidas" (Farah et al., 2014). Rissman et ai. (2010) relataram evidências indiretas sugerindo uma vulnerabilidade a estados de objetivos estratégicos, porque a capacidade de detectar rostos novos encontrados anteriormente foi reduzida ao acaso quando a memória dos participantes foi investigada de forma implícita, em vez de explicitamente. No entanto, outros dados sugerem que a falta de atenção ao estado mnemônico de uma pessoa nem sempre pode impedir a classificação da memória. Por exemplo, Kuhletal. (2013) foi capaz de decodificar detalhes da memória mesmo quando os participantes não foram instruídos a recuperar esses detalhes. Juntas, essas descobertas revelam a necessidade de identificar as condições sob as quais os estados objetivos estratégicos alteram os padrões de memória neural: em particular, os participantes podem ocultar intencionalmente seus estados de memória por meio do uso de contramedidas que parecem cooperativas? Abordar essa questão não só tem implicações para delinear as condições de contorno dos métodos de fMRI para detectar memória, mas também para entender a dinâmica dos processos de recuperação direcionados a objetivos.

Aqui investigamos uma situação que se assemelha à identificação de testemunhas oculares e contramedidas necessárias que parecem cooperativas em um teste de identificação de testemunhas oculares. Os participantes viram uma série de rostos, e sua memória para esses rostos foi então sondada de duas maneiras durante a ressonância magnética funcional. No primeiro teste, os participantes tomaram decisões de reconhecimento explícitas sobre rostos novos e previamente encontrados. No segundo teste, os participantes tentaram esconder sua memória para os rostos encontrados anteriormente e fingir memória para os novos rostos. Usando os dados de memória explícita, treinamos classificadores para discriminar padrões de atividade associados às experiências subjetivas de reconhecimento e novidade. Em seguida, testamos se os classificadores podiam decodificar os estados de memória dos participantes quando eles se engajavam em contramedidas.

Materiais e métodos

Participantes. Vinte e quatro participantes do sexo masculino saudáveis ​​e destros foram recrutados na Universidade de Stanford e nas comunidades vizinhas. Os participantes tinham idades entre 18 e 31 anos, com média de DP de 23 4 0,29 anos, eram falantes nativos de inglês sem histórico de complicações neurológicas e eram afro-americanos (AA; n 8) ou europeus americanos (EA; n 16), de acordo com para auto-relato. Os participantes deram consentimento informado por escrito, de acordo com os procedimentos do Conselho de Revisão Institucional da Stanford University, e foram selecionados para compatibilidade com fMRI.

Experimentar. O experimento incluiu duas sessões de varredura realizadas com 24 h de intervalo e levou aproximadamente 5 h em ambas as sessões de varredura. Cada participante foi recompensado com $20 por cada hora de participação. Dados de dois participantes adicionais foram coletados, mas omitidos das análises subsequentes devido ao desempenho inadequado ou incompleto: um foi omitido porque d estava por acaso (0,08) e o outro porque o participante desistiu da varredura antes de concluir o experimento.

Estímulos. Os estímulos faciais consistiam em 400 fotografias coloridas de rostos masculinos, dos quais metade eram AA e metade eram EA (os dados que examinam os efeitos da corrida serão relatados separadamente). Os estímulos faciais foram padronizados para expressão facial neutra e iluminação de fundo e incluíram apenas cabeça e pescoço. Os estímulos foram apresentados contra um fundo cinza com uma mira de fixação central preta. Para cada participante, os estímulos faciais foram divididos em duas amostras usando amostragem aleatória estratificada por raça para atribuir estímulos a serem apresentados durante a fase de codificação (itens OLD; 100AA,100EA) ou para servir como itens de folha na recuperação (NEWitems;100AA, 100 EA ).

Dia 1: codificação. Os participantes foram escaneados enquanto codificavam intencionalmente 200 rostos masculinos (100 rostos AA e 100 rostos EA). Cada face foi apresentada por 2 s, com um intervalo interestímulo de 8 s (ISI) para um total de 10 s por tentativa. Cada face foi mostrada duas vezes durante a fase de codificação: após a apresentação do conjunto completo de 200 estímulos, as mesmas faces foram apresentadas novamente em uma ordem diferente. Os participantes receberam uma estratégia de codificação elaborativa para memorizar os estímulos, por meio da qual foram instruídos a gerar histórias imaginativas envolvendo os indivíduos retratados nos estímulos. Para confirmar que os participantes estavam atendendo aos estímulos e se engajando na tarefa, eles foram instruídos a pressionar o botão do dedo indicador direito em uma caixa de resposta após cada face aparecer. Os estímulos foram apresentados em oito corridas, com 50 faces por corrida. As primeiras quatro corridas consistiram na primeira apresentação dos estímulos de estudo, e as quatro segundas corridas consistiram na segunda apresentação dos estímulos de estudo. No final de cada corrida (tanto para o dia 1 quanto para o dia 2), os participantes foram encorajados a fazer uma pausa tão longa quanto desejassem, encerrando a pausa por meio de um botão. Os intervalos variaram entre 10 e 55 s entre os participantes.

Especificamente, para rostos pensados ​​para serem estudados anteriormente, os participantes foram instruídos a indicar uma "nova" resposta e a mudar rapidamente para uma estratégia cognitiva para ocultar os correlatos neurais de seu reconhecimento: eles foram solicitados a se concentrar nos aspectos técnicos e/ou fotográficos do estímulo ao qual não haviam atendido anteriormente, como exposição, iluminação, bordas de linha, etc. rosto, eles deveriam — com o melhor de sua capacidade — tentar evitar que a memória do rosto venha à mente, prestando atenção aos aspectos perceptivos das fotografias. Por outro lado, para estímulos percebidos como não estudados, os participantes foram instruídos a indicar uma resposta "antiga" e usar estratégias cognitivas para eliciar os correlatos neurais de recuperação, ou seja, trazer à mente um indivíduo conhecido que se assemelhasse ao rosto e reviver quaisquer memórias associadas. com o indivíduo. Mais uma vez, foi enfatizado que o algoritmo do computador era sensível o suficiente para detectar sinais de novidade, então eles deveriam mudar rapidamente para gerar memórias para o rosto que eles determinaram ser novo. Tanto para os rostos antigos quanto para os novos, os participantes foram instruídos a usar a estratégia cognitiva apropriada durante toda a duração do teste (10 s). Os experimentadores confirmaram que todos os participantes entenderam a tarefa de memória oculta antes de prosseguir com o experimento.

Análises univariadas de RMf. O Mapeamento Paramétrico Estatístico (SPM8; Wellcome Department of Cognitive Neurology, Londres, Reino Unido; http://www.fil.ion.ucl.ac.uk/spm/software/spm8), executado em MATLAB 7.7 (R2008b; MathWorks), foi usado tanto para pré-processamento de dados quanto para análise univariada.

Procedimentos padrão de pré-processamento foram aplicados aos dados. Todos os volumes funcionais foram corrigidos no tempo de corte para levar em conta as diferenças de tempo de aquisição entre os cortes, com o corte do meio no tempo usado como referência. Todos os volumes funcionais foram corrigidos por movimento e realinhados espacialmente ao primeiro volume, seguido de realinhamento ao volume médio da sessão. O volume anatômico ponderado em T2- da sessão do dia 2 (recuperação) foi co-registrado para o volume funcional médio, o volume anatômico ponderado em T1- foi então co-registrado para este volume ponderado T2-co-registrado , e, em seguida, o volume ponderado em T1-foi segmentado em substância cinzenta, substância branca e LCR, com as imagens resultantes normalizadas para modelos no espaço do Montreal Neurological Institute (MNI). Os volumes funcionais foram normalizados no espaço padrão com base nos parâmetros de transformação obtidos durante a segmentação e reamostrados em voxels de 4 mm 3. Todas as imagens foram então suavizadas espacialmente com um kernel gaussiano de 8 mm de largura total na metade do máximo (FWHM).

Para todos os esquemas de classificação, as contagens de tentativas foram balanceadas entre as classes (por meio de subamostragem aleatória) dentro dos compartimentos de treinamento e teste antes da classificação para garantir uma taxa de precisão de classificação de hipótese nula teórica de 50 por cento e uma área sob a curva (AUC; ver abaixo) de 0,50; análises com rótulos de classe embaralhados confirmaram que o desempenho da classificação ao acaso convergiu em torno desses níveis ("distribuição nula"). Após o balanceamento, os dados de cada voxel foram pontuados novamente, de modo que o nível médio de atividade de cada voxel para ensaios de Classe A fosse o inverso de seu nível de atividade médio para ensaios de Classe B. Para cada análise, todo o processo de classificação foi executado 10 vezes para obter estimativas estáveis ​​de desempenho (análises independentes confirmaram que 10 iterações foram suficientes para obter estimativas de desempenho estáveis).

A regressão logística regularizada (RLR) foi utilizada para todos os procedimentos de classificação. Isso foi determinado anteriormente como uma escolha vantajosa neste paradigma de classificação por Rissman et al. (2010). Esse algoritmo implementou uma função de regressão logística multiclasse usando uma transformação softmax de combinações lineares dos recursos (Bishop, 2006) com um termo de penalidade de crista adicional como um Gaussiano antes dos pesos dos recursos. Este termo de penalidade proporcionou regularização L2, impondo pesos pequenos. Durante o treinamento do classificador, o algoritmo RLR aprendeu o conjunto de pesos de recursos que maximizaram a probabilidade de log dos dados; os pesos dos recursos foram inicializados em zero e a otimização foi implementada com a função de minimização de gradiente conjugado de Carl Rasmussen (http://www.gatsby.ucl.ac.uk/Edward/code/minimize/) usando o gradiente do log-likelihood combinado com a penalidade L2.

A penalidade L2 foi definida como metade do inverso aditivo de um parâmetro especificado pelo usuário, multiplicado pelo quadrado da norma L2 do vetor de peso para cada classe, somado sobre as classes. Optamos por definir esse parâmetro livre para um valor fixo de 10 para todas as análises relatadas neste estudo.

Avaliando o desempenho do classificador. Depois de ajustar os parâmetros do modelo RLR usando os dados do conjunto de treinamento, cada padrão de atividade cerebral (ou seja, tentativa) do conjunto de teste foi então inserido no modelo e gerou uma estimativa da probabilidade desse exemplo ser da Classe A ou Classe B (por construção, esses dois valores sempre somam um). Esses valores de probabilidade foram concatenados em todas as dobras de teste de validação cruzada e, em seguida, classificados. A taxa de verdadeiro positivo (acerto) e a taxa de falso positivo (FA) do classificador foram calculadas em 80 limites de corte fixos ao longo do continuum de probabilidade para gerar curvas de características de operação do receptor (ROC). Os valores de AUC associados a essas curvas foram calculados conforme descrito por Fawcett (2004) e podem ser interpretados formalmente como a probabilidade de que um membro escolhido aleatoriamente de uma classe tenha uma probabilidade estimada menor de pertencer à outra classe do que tem um membro escolhido aleatoriamente da outra classe. Dito de outra forma, a AUC indexa a precisão média com a qual um par de tentativas de Classe A e Classe B escolhidos aleatoriamente pode ser atribuído à sua classe correta (0,5 é desempenho aleatório; 1,0 é um desempenho perfeito). Se o objetivo é alta especificidade na rotulagem de exemplos de Classe A e não está disposto a tolerar muitos falsos positivos, pode-se interrogar as suposições mais confiantes do classificador. Aqui, arbitrariamente, definimos esse limite como os 10% superiores das suposições de classificação. Observe que relatamos precisão em vez de valores de AUC ao relatar os ensaios mais confiáveis ​​dos classificadores.

Mapas de importância. Para cada esquema de classificação, mapas de importância foram construídos seguindo o procedimento descrito em estudos anteriores do MVPA (Johnson et al., 20{{10}}9; McDuff et al., 2{{16 }}09). O valor de importância de um voxel fornece um índice de quanto seu sinal aumenta ou diminui influencia as previsões do classificador. Após o treinamento, o procedimento de classificação de regressão logística produz um conjunto de valores de peso refletindo o valor preditivo de cada voxel (com valores positivos indicando que os aumentos de atividade geralmente estão associados a um resultado de Classe A e valores negativos indicando que os aumentos de atividade geralmente estão associados a um ClassBoutcome). Esses pesos foram então multiplicados pelo nível médio de atividade de cada voxel para ensaios de Classe A (que, devido ao nosso balanceamento de ensaios e procedimento de pontuação z, é o inverso aditivo de seu nível de atividade médio para ensaios de Classe B). Os voxels com valores positivos para atividade e peso receberam valores de importância positivos, voxels com atividade e peso negativos receberam valores de importância negativos e voxels para os quais a atividade e o peso tiveram sinais opostos receberam valores de importância zero (Johnson et al., 2009; McDuff et al., 2009). Os mapas de resumo em nível de grupo foram criados pela média dos mapas de importância dos participantes individuais e são exibidos nas figuras em limites arbitrários: mapas renderizados em 3D com limites entre 0,02 e 0,5 e mapas renderizados em 2D entre 0,05 e 0,5 (consulte a Fig. 4) ou entre 0,15 e 0,5 (ver Fig. 7). Como nota final, embora os mapas de importância sejam uma ferramenta útil para avaliar quais voxels foram usados ​​pelo classificador, esses mapas não devem ser interpretados como fornecendo uma avaliação exaustiva de quais voxels são individualmente informativos sobre a distinção de interesse.

Análises de holofotes. Os mapas de importância revelam quais voxels fornecem informações de diagnóstico para os classificadores de todo o cérebro. No entanto, eles não revelam se os dados de regiões anatômicas individuais podem ser usados ​​por conta própria para discriminar acertos de CRs. Conduzimos análises de holofotes para fornecer precisão de decodificação local (Kriegeskorte et al., 2006) em todo o cérebro. De particular interesse foi se as regiões nas quais o sinal médio dependente do nível de oxigênio no sangue (BOLD; univariado) foi modulado significativamente por contramedidas (ver Fig. 2A) também permitiram a precisão da decodificação tentativa a tentativa que se afastou significativamente do acaso. Realizamos a classificação crítica (acertos ocultos explícitos vs RCs) em máscaras esféricas locais centradas individualmente em cada voxel na máscara de cérebro inteiro (excluindo voxels no córtex motor e cerebelo). Cada máscara esférica incluía qualquer voxel que tocasse a borda do voxel central; assim, as esferas resultantes continham 19 voxels, exceto quando a esfera se estendia além da máscara de todo o cérebro. Para determinar se a precisão da decodificação local evoluiu ao longo do teste (como seria esperado se os participantes inicialmente atendessem aos sinais de memória e depois tentassem ocultar esses sinais), conduzimos esses holofotes separadamente para cada um dos seis TRs.

Avaliamos a significância em cada uma de nossas esferas de holofote como nas análises de decodificação anteriores: as AUCs foram calculadas primeiro para 10 iterações de classificação e, em seguida, uma distribuição nula foi simulada pelo cálculo de 10 iterações de classificação adicionais usando regressores embaralhados. Geramos mapas t de nível de grupo mostrando esferas que discriminavam de forma confiável acertos de CRs, realizando um teste t pareado do valor médio de AUC embaralhado versus não embaralhado de cada participante em cada voxel, em todas as 10 iterações. Esses mapas foram limitados em p 0,05 (corrigido) pela aplicação de um limite de tamanho de cluster derivado de simulações de Monte Carlo (Xiong et al., 1995) conforme implementado no programa AFNI (Automated Functional Neuro-Imaging) 3dClustSim. A suavidade do Monte

A simulação de Carlo foi estimada separadamente para cada participante e cada ponto de tempo usando o programa AFNI 3dFWHMx a partir das AUCs médias alcançadas nas iterações da classificação embaralhada. A suavidade foi calculada em média entre os participantes e pontos de tempo para calcular um único valor de suavidade para cada dimensão. Um limite de altura voxelwise de p 0.01 resultou em um tamanho de cluster de 22 voxels para atingir uma significância em nível de cluster de p {{10}}.{{15} }5 (FWE) em um determinado ponto de tempo. Para corrigir comparações múltiplas em nossos seis pontos de tempo, aplicamos uma correção de Bonferronini, computando o limite de extensão necessário para alcançar uma significância em nível de cluster de p 0.0083 (ou 0,05/6; FWE) em cada ponto de tempo ou p 0,05 (FWE) no espaço e no tempo. Usando esse método, determinamos que uma extensão de cluster de 29 voxels era necessária para alcançar uma significância em nível de cluster de p 0,05 (FWE) no espaço e nos seis pontos de tempo.

Resultados

Desempenho comportamental

Tarefa de memória explícita

Quando os participantes relataram com veracidade sua experiência mnemônica eliciada por cada face de teste, eles alcançaram uma taxa média de acertos SD (a taxa na qual imagens ANTIGAS foram julgadas com precisão como "antigas") de {{0}}.73 0. 12 e uma taxa de FA (a taxa na qual NOVAS imagens incorretamente julgadas como "antigas") de 0.27 0.10, resultando em uma média d de 1.27 0.56. Os tempos médios de resposta (RTs) foram mais rápidos para respostas corretas (acertos, 1.74 0.60 s; CRs, 2.10 0.75 s) do que para respostas incorretas (FAs, 2.{{16 }},01 s; faltas: 2.33 0,81 s; t(23) 5,15, p 3.22 10 5). As respostas de acerto foram mais rápidas do que as respostas de CR (t(23) 5,44, p 1.56 10 5).

Comparando tarefas de memória explícita e oculta

A média d foi significativamente maior na tarefa de memória explícita do que na tarefa de memória oculta (t(23) 2,99,p 6.6 10 3). Não houve diferenças de tarefa no RT médio para qualquer resultado de memória (todos os valores de p 0.05). No entanto, houve uma interação significativa entre tarefa e memória, em que a diferença média no RT para acertos e CRs foi maior na tarefa de memória explícita do que na tarefa de memória oculta (t(23) 6,25, p 2.22 10 6). Esse efeito diferencial da memória no RT em função da tarefa pode ser resultado da diferença em d entre as condições de memória explícita e oculta e é provavelmente uma consequência da natureza de tarefa dupla da condição de memória oculta: os participantes foram solicitados a determinar primeiro se os rostos eram antigos ou novos e, em seguida, mudam rapidamente para uma estratégia de ocultação de memória/novidade, ao mesmo tempo em que revertem suas respostas motoras.

Análises univariadas de fMRI

Nós primeiro investigamos a questão de saber se os participantes poderiam se envolver em contramedidas estratégicas para modular os sinais BOLD relacionados à memória em todos os ensaios (ou seja, respostas univariadas de fMRI). Para fazer isso, identificamos "efeitos de sucesso de memória" (CRs de acertos) para cada tarefa separadamente e, em seguida, determinamos onde os efeitos de sucesso de memória eram comuns entre as tarefas, bem como onde eles eram modulados por tarefa. Em seguida, investigamos se a capacidade de modular os efeitos do sucesso da memória foi influenciada pela força da memória.

Efeitos comuns de sucesso de memória

Dado que os participantes foram solicitados a determinar se um rosto era antigo ou novo em ambas as tarefas, procuramos determinar se havia alguma região que diferenciasse acertos de CRs em ambas as tarefas. Para fazer isso, mascaramos inclusive os contrastes de sucesso de memória anteriores (em p {{0}}.01each, para resultar em um limite conjunto de p 0,001). O resultado deste procedimento de mascaramento revelou efeitos no IPS esquerdo e VTC esquerdo (Fig. 1C).

menos provável de mostrar efeitos de sucesso de memória invertida no AnG esquerdo (r {{0}}.36, p 0.04). Em outras palavras, seus efeitos de sucesso de memória persistiram apesar das tentativas de esconder sua memória. Esse achado sugere que os participantes com memórias mais fortes tiveram maior dificuldade em modular sua atividade de AnG durante a tarefa oculta. Curiosamente, nenhum dos grupos hipocampais mostrou uma relação significativa entre a força da memória e a atividade (hipocampo direito,r0.{{10}}5,p 0.82; hipocampo esquerdo, r. . Juntos, esses achados sugerem que os participantes com memórias mais fortes foram menos capazes de exercer controle direcionado a objetivos sobre a atividade relacionada à memória no AnG esquerdo, mas isso parece não ser o caso no hipocampo bilateral.

Análises multivariadas de fMRI

Nossa questão central é se o uso de estratégias de contramedidas cognitivas (direcionadas a objetivos) permitiria aos participantes mascarar padrões neurais relacionados à memória, afetando assim a capacidade de técnicas multivariadas de ler seus estados de memória para eventos individuais. Assim, avaliamos a capacidade dos classificadores MVPA de decodificar o status da memória de tentativas de recuperação individuais (1) primeiro treinando e testando um classificador em dados da tarefa de memória de reconhecimento padrão (tarefa de memória explícita) e (2) avaliando se isso classificador também poderia decodificar a memória quando os participantes estavam tentando esconder seus estados de memória (tarefa de memória oculta). Nosso modelo de processo sugeriu três cenários alternativos para teste; começamos explicando nosso modelo de processo e depois descrevemos cada hipótese por vez.