Narrative Movie fMRI Dataset

该数据集旨在研究叙事理解背后的脑部表征。我们测量了六名参与者在观看九部叙事电影（总计约9小时）时的fMRI BOLD反应。此外，在几个功能定位器运行期间也记录了BOLD反应。详细注释了电影内容。

This dataset is designed to investigate neural representations underlying narrative comprehension. We measured fMRI BOLD responses from six participants while they viewed nine narrative films, with a total duration of approximately 9 hours. Additionally, BOLD responses were recorded during several functional localizer runs. The content of each film was thoroughly annotated.

原始信息汇总

Multi-Annotation fMRI Dataset from Extensive Drama and Film Viewing

概述

该数据集旨在研究叙事理解背后的脑部表征。通过测量六名参与者在观看九部叙事电影（总计约9小时）时的fMRI BOLD响应，以及在多个功能定位器运行期间记录的BOLD响应。此外，还提供了电影内容的详细注释。

参与者与电影

• 参与者：六名参与者，编号为sub-S01至sub-S06。
• 电影：九部叙事电影，包括breakingbad, bigbangtheory, crown, heroes, suits, dreamgirls, glee, mentalist, gis。

数据目录

数据集包含以下六个子目录，存储用于分析过程的数据：

• preprocessed_data：预处理的fMRI BOLD响应。
• annotation：三种类型的注释。每个注释文件中的每一行对应每一秒的注释。
• feature：从注释中提取的GPT-2潜在特征，包括第6、12、18和24层的特征。
• pycortex_db：用于在皮质表面上可视化分析结果的Pycortex数据库。
• localizer：从九种功能定位器数据（视觉、听觉、运动和认知任务）中得出的统计数据和估计值，用于创建各种感兴趣区域（ROI）的脑掩码。
• accuracy：使用三种注释的潜在特征进行编码模型的预测准确性。

使用说明

详细的使用说明请参考GitHub页面（https://github.com/nkmjm/fMRI_Narrative_movie）。

注意事项

该数据集仅用于研究目的。数据已匿名化，用户不得进行旨在重新识别个体受试者的分析。

搜集汇总

数据集介绍

构建方式

Narrative Movie fMRI Dataset 由 Hiroto Q. Yamaguchi 及其同事构建，旨在探究叙事理解背后的脑部表征。该数据集通过记录六名参与者在观看九部叙事电影（总计约九小时）时的fMRI BOLD响应来实现。此外，在功能定位器运行期间也记录了BOLD响应。数据集还包括对电影内容的详细注释，这些注释用于提取大型语言模型（LLM）的潜在特征，并用于编码模型拟合和编码准确性的可视化。

特点

该数据集的显著特点在于其多维度的注释和丰富的功能定位器数据。具体而言，数据集提供了三种类型的注释，每种注释文件中的每一行对应每一秒的注释内容。此外，数据集还包括从注释中提取的GPT-2潜在特征，以及用于在皮质表面上可视化分析结果的Pycortex数据库。这些特征使得该数据集在研究叙事理解和脑部表征方面具有极高的应用价值。

使用方法

使用Narrative Movie fMRI Dataset时，用户应首先访问GitHub页面以获取详细的指导和数据处理流程。数据集的“derivatives”目录下包含预处理后的fMRI BOLD响应、注释、GPT-2潜在特征、Pycortex数据库、功能定位器数据以及编码模型的预测准确性。用户可以通过这些数据进行编码模型拟合和分析，并利用Pycortex数据库在皮质表面上可视化分析结果。请注意，该数据集仅供研究使用，用户不得进行旨在重新识别个体的分析。

背景与挑战

背景概述

Narrative Movie fMRI Dataset由Hiroto Q. Yamaguchi, Naoko Koide-Majima, Rieko Kubo, Tomoya Nakai, 和 Shinji Nishimoto共同创建，旨在深入研究叙事理解背后的脑部表征。该数据集记录了六名参与者在观看九部叙事电影（总计约9小时）时的fMRI BOLD反应，并提供了电影内容的详细注释。此数据集的构建不仅为神经科学领域提供了宝贵的资源，还为理解人类大脑如何处理和理解叙事信息开辟了新的研究路径。

当前挑战

Narrative Movie fMRI Dataset在构建过程中面临多项挑战。首先，确保fMRI数据的准确性和可靠性是关键，因为任何微小的误差都可能影响研究结果。其次，注释的复杂性和多样性增加了数据处理的难度，特别是从注释中提取大型语言模型（LLM）的潜在特征。此外，数据集的使用受到严格的伦理限制，要求用户不得进行旨在重新识别个体的分析，这为数据的安全性和隐私保护提出了更高的要求。

常用场景

经典使用场景

Narrative Movie fMRI Dataset的经典使用场景在于探究叙事理解背后的脑部表征机制。通过分析参与者在观看九部叙事电影时的fMRI BOLD响应，研究者能够深入研究大脑如何处理和理解复杂的叙事结构。数据集中的详细注释为每秒的内容提供了丰富的语言模型特征，使得研究者能够构建和验证叙事理解的神经编码模型。

解决学术问题

该数据集解决了神经科学领域中关于叙事理解的大脑表征机制这一核心学术问题。通过提供详细的fMRI数据和电影内容的注释，研究者能够精确地分析大脑在处理叙事信息时的活动模式，从而推动了对人类叙事理解机制的理解。这一研究不仅深化了我们对大脑功能的认识，还为未来的神经影像学研究提供了宝贵的数据资源。

衍生相关工作

基于Narrative Movie fMRI Dataset，研究者们开展了一系列相关工作，包括使用大型语言模型（LLM）提取注释中的潜在特征，以及通过这些特征构建神经编码模型。此外，数据集中的功能定位数据也被用于创建大脑感兴趣区域的掩码，进一步推动了神经影像学和认知科学的研究。这些衍生工作不仅丰富了数据集的应用范围，还为相关领域的研究提供了新的视角和方法。