Rajoja ja Psykologia

Johdanto

hermo käsittely kasvoja on laajalti tutkittu aihe kognitiivinen tiede. Perusteella toiminnallinen kuvantaminen tutkimukset, yksisoluiset tallenteita, ja neuropsykologinen tutkimus on ehdotettu, että face-käsittely suoritetaan hajautettu verkosto, jossa on mukana useita aivokuoren alueet nisäkkäiden aivot (Liley et al., 2000; Marotta ym., 2001; Rossion et al., 2003a; Avidan et al., 2005; Sorger ym., 2007)., Kun laajuus face-käsittely-verkko on tällä hetkellä kiihkeää keskustelua (Ishai, 2008; Wiggett ja Downing, 2008) useimmat tutkijat ovat yhtä mieltä siitä, että on olemassa lukuisia aivokuoren alueet aktivoituvat kasvot ärsykkeitä. Vaikutusvaltaisin malli kasvot käsitys, joka perustuu alkuperäisen mallin Bruce ja Nuori, 1986; Young ja Bruce, 2011) ehdottaa, että ero edustus invariantti ja variantti näkökohtia kasvot käsitys suhteellisen riippumattomasti, jaettu ”ydin” ja ”laajennettu” osa (Liley et al., 2000)., ”Ydinverkon” tärkeimmät alueet ovat takaraivon ja lateraalisen fusiform Gyrin (FG) alueet. Alueet nämä kaksi anatomiset alueet näyttävät olevan erikoistunut eri tehtäviin: kun takaraivo kasvot-ala (OFA), joka sijaitsee huonompi takaraivo gyrus (LOKI) näyttää olevan mukana rakenne-käsittely kasvoja, fusiform kasvojen alueella (FFA) prosessien kasvot korkeampi-tasolla tavalla, joka edistää esimerkiksi käsittely-identiteetti (Kersantti et al., 1992; George ym., 1999; Ishai ym., 1999; Hoffman and Haxby, 2000; Rossion et al., 2003a, b; Rotshtein ym.,, 2005). Lisäksi vaihteleva näkökohtia kasvot (kuten ilmeet, suunta eye–katse, ilme, huulten liikkeitä (Escalona et al., 1985, 1990), tai lip-reading (Campbell, 2011) näyttäisi olevan käsitellään superior ajallinen sulcus (STS; Puce ym., 1998; Hoffman and Haxby, 2000; Winston ym., 2004). Kolmen edellä mainituilla aloilla (FFA, OFA, STS) muodossa niin sanottu ”ydin” havaintojärjestelmän face-käsittely (Liley et al., 2000; Ishai ym., 2005)., Kun perustiedot kasvot on käsitelty tämän järjestelmän ytimen monimutkainen tietoa toisten mieliala, mielenkiinnon, houkuttelevuus, tai suuntaa huomiota myös lisää tietoa kasvot käsitys ja käsitellään ylimääräinen, ns. ”extended” – järjestelmä (Liley et al., 2000). Tämä järjestelmä sisältää aivojen alueita, joilla on monenlaisia kognitiivisia toimintoja, jotka liittyvät muuttuvien kasvojen näkökohtien käsittelyyn (Haxby et al., 2000; Ishai ym., 2005) ja ovat alueita, kuten mantelitumaketta, insula, huonompi edestä gyrus sekä orbitofrontal cortex (Liley et al.,, 2000, 2002; Fairhall ja Ishai, 2007; Ishai, 2008).

edellä mainittujen alueiden yhteisvaikutukset mallinnetaan tässä tutkimuksessa käyttämällä menetelmiä, joilla lasketaan tehokas yhteys aivokuoren alueiden välillä. Dynamic kausal modeling (DCM) on laajalti käytetty menetelmä tehokkaiden yhteyksien tutkimiseksi aivoalueiden välillä. Se on yleinen lähestymistapa mallinnettaessa eri aivoalueiden keskinäistä vaikutusta toisiinsa fMRI: n toiminnan (Friston et al., 2003; Stephan et al., 2010) ja arvioimaan aivokuoren alueiden liittymäkuviota., DCMs on generatiivinen malleja hermo vastauksia, jotka tarjoavat ”a posteriori”, arvioi yhteyksiään keskuudessa hermoston populaatiot (Friston et al., 2003, 2007). Olemassaolon hajautetun verkon face-käsittely oli ensimmäinen vahvistanut toiminnalliset yhteydet analyysi Ishai (2008), joka väitti, että keski-solmu face-käsittely on sivusuunnassa FG, yhteydessä alemman asteen alueilla LOGGAA sekä STS, amygdala, ja etuosan alueilla. Ensimmäinen yritys paljastaa kasvojenkäsittelyverkko realististen dynaamisten ilmeiden varalta oli Foley et al. (2012)., He vahvistivat rooli TUKKIA, STS, ja FG-alueilla ja todettiin, että yhteyden vahvuus jäsenten välillä core network (OFA ja STS) ja laajennettu järjestelmä (amygdala) on suurentunut käsittelyyn vaikuttaa kuormattuna eleitä. Tällä hetkellä, useita tutkimuksia, laadittu ymmärrystä kasvot-processing network ja paljasti suora yhteys amygdala ja FFA ja rooli tässä yhteydessä käsitys pelokkaita kasvoja (Morris et al., 1996; Marco ym., 2006; Herrington ym., 2011)., Myös korkeampien kognitiivisten toimintojen vaikutusta kasvojen hahmottamiseen mallinnettiin testaamalla orbitofrontaalisen aivokuoren yhteyksiä ydinverkkoon (Li et al., 2010). Se löytyi (Li et al., 2010), että orbitofrontal aivokuori on vaikutusta VAATE, joka edelleen säätelee tietojen käsittely FFA.

Vaikka ennen tehokkaat yhteydet tutkimukset paljasti yksityiskohtia kasvot-käsittely verkkoon liittyviä eri näkökohtia kasvot käsitys, ne huomiotta yksinkertainen tosiasia, että kasvot voidaan pitää myös visuaalisia objekteja., Me tiedämme, suuri määrä kokeita, jotka visuaalisia objekteja käsitellään hajautetun aivokuoren verkkoon, mukaan lukien varhainen visuaalinen alueilla, occipito-temporal, ja vatsa–ajallinen cortices, suurelta osin päällekkäisiä kanssa face-käsittely verkko (Liley et al., 1999, 2000, 2002; Kourtzi and Kanwisher, 2001; Ishai et al., 2005; Gobbini ja Liley, 2006, 2007; Liley, 2006; Ishai, 2008). Yksi tärkeimmistä toiminta-aloista visuaalisen objektin käsittely on sivusuunnassa takaraivo aivokuori (LOC), joka voidaan jakaa kahteen osaan: etu–vatsanpuoleinen (PF/LOa) ja pyrstö–selkä-osa (LO; Grill-Spector et al.,, 1999; Halgren ym., 1999). Lokuksen kuvasi ensimmäisenä Malach et al. (1995), joka mittasi lisääntyvää aktiivisuutta esineille, myös kuuluisille kasvoille, verrattuna munakokkeliin (Malach et al., 1995; Grill-Spector ym., 1998 a). Sittemmin sivusuunnassa takaraivo (LO) pidetään ensisijaisesti kohde-valikoiva-alue, joka on kuitenkin poikkeuksetta todettu olevan koholla aktivointi kasvoja sekä (Malach et al., 1995; Puce et al., 1995; Lerner ym., 2001), erityisesti ylösalaisin käännetyille (Aguirre et al., 1999; Haxby ym., 1999; Epstein ym.,, 2005; Yovel and Kanwisher, 2005).

Näin, se on melko yllättävää, että vaikka useat tutkimukset ovat käsitelleet tehokas liitettävyys face-käsittely alueilla, yksikään niistä ei pidetä rooli LO verkossa. Aiemmassa fMRI-tutkimuksessa havaittiin, että LO: lla on ratkaiseva rooli kasvoärsykkeiden aistikilpailussa (Nagy et al., 2011)., Toiminnan LO väheni esittäminen samanaikaisesti esitetään samanaikaisia ärsykkeitä ja tämä vastaus vähentäminen, joka heijastaa aistien kilpailu ärsykkeitä, oli suurempi kun ympäristön ärsyke oli kohdata verrattuna Fourier-vaiheen satunnaistetussa, melu kuva. Tämä tulos tuki myös ajatusta siitä, että LO: lla voi olla erityinen rooli kasvojen hahmottamisessa. Siksi, täällä me tutkia erikseen, käyttäen menetelmiä tehokas liitettävyys, miten LO liittyy FFA ja OFA, jäsenet ehdotetun core network kasvot käsitys (Liley et al., 1999, 2000, 2002; Ishai et al., 2005).,

Materiaalit ja Menetelmät

Aiheita

Kaksikymmentä-viisi terve osallistujat osallistuivat kokeiluun (11 naaraat, mediaani: 23 vuotta, min. 19 vuotta, max.: 35 vuotta). Kaikilla oli normaali tai korjattu normaali näkö (self reported), kenelläkään heistä ei ollut neurologisia tai psykologisia sairauksia. Tutkittavat antoivat kirjallisen suostumuksensa Regensburgin yliopiston eettisen komitean hyväksymien pöytäkirjojen mukaisesti.,

Ärsykkeitä

Aiheet olivat keskeisellä esittämä harmaa-asteikon kasvot, non-sense esineitä, ja Fourier-satunnaistettu versioita näistä ärsykkeitä, luotu algoritmi (Nasanen, 1999), joka korvaa vaihe taajuuksien satunnaisia arvoja (jotka vaihtelevat 0° … 360°), jolloin amplitudi spektri kuva ehjä, kun poistat minkä tahansa muodon tiedot. Kasvot olivat täysrintamalla digitaalisia kuvia 20 nuoresta uroksesta ja 20 nuoresta naaraasta. Ne sopivat takana pyöreä muoto maski (3.5° halkaisijaltaan) poistaa uloimmat ääriviivat kasvot (ks. näyte kuva Kuva 1)., Esineet olivat aistimattomia, renderoituja esineitä (n = 40), joilla oli sama keskikoko kuin kasvonaamiolla. Luminanssi ja kontrasti (eli keskihajonta luminanssi jakelu) ja ärsykkeitä oli rinnastaa sovittamalla luminanssi histogrammit (keskimääräinen luminanssi: 18 cd/m2) käyttäen Photoshop. Ärsykkeet olivat takaisin-ennustettu kautta LCD-video-projektori (JVC DLA-G20, Yokohama, Japani, 72 Hz, 800 x 600 resoluutio) päälle läpikuultava pyöreä näyttö (app. Halkaisija 30°), joka on sijoitettu skannerin sisään 63 cm: n päähän havaitsijasta., Elvytysesitystä ohjattiin E-prime-ohjelmistolla (Psychological Software Tools, Pittsburgh, PA, USA). Kasvoja, esineitä, ja Fourier melua kuvia esiteltiin seuraavina korttelin 20 s, interleaved 20 s tyhjiä aikoja (yhtenäinen harmaa tausta, jossa luminanssi 18 cd/m2). Ärsykkeitä esitettiin 300 ms: lle ja niitä seurasi satunnaisessa järjestyksessä 200 ms (2 Hz): n ISI. Jokainen lohko toistettiin viisi kertaa. Osallistujia pyydettiin keskittymään jatkuvasti keskitetysti esitettyyn kiinnitysmerkkiin., Nämä funktionaaliset localizer-ajot olivat osa kahta muuta kasvonäkemyksen kokeilua, jotka julkaistiin muualla (Nagy et al., 2009, 2011).

Datan Hankinta ja Analyysi

Kuvantaminen suoritettiin käyttäen 3-T ARVOISA Pää skannerin (Siemens Allegra, Erlangen, Saksa). Toiminnallinen sarja olemme jatkuvasti hankkinut kuvia (29 viipaleiksi, 10° kallellaan suhteessa aksiaali -, T2 – * painotettu EPI järjestyksessä, TR = 2000 ms, TE = 30 ms; flip-kulma = 90 astetta; 64 × 64 matriisit; in-plane tarkkuus: 3 mm x 3 mm, palan paksuus: 3 mm). Korkean resoluution sagittal T1-painotetut kuvat hankittiin magnetointi-EPI-sekvenssillä (MP-RAGE; TR = 2250 ms; TE = 2.,6 ms; 1 mm isotrooppinen voxel-koko) 3D-rakennekuvauksen saamiseksi (lisätietoja Nagy et al., 2011).

Toiminnallinen kuvat oli korjattu hankinta viivytystä oikaista, normalisoitu MNI tilaa, resampled 2 × 2 mm x 2 mm: n resoluutio ja alueellisesti tasoitetaan, jossa on Gaussin ydin 8 mm FWHM (SPM8, Tervetuloa Department of Imaging Neuroscience, Lontoo, iso-BRITANNIA; lisätietoja data-analyysi, ks Nagy et al., 2011).

VOI Selection

ensin valittiin kiinnostuksenkohteiden volyymit (VOI) aktiivisuuden ja anatomisten rajoitteiden perusteella (mukaan lukien peittäminen merkityksellisillä aivoalueilla)., Kasvoselektiivisiksi alueiksi määriteltiin alue, jolla on suurempi aktivaatio kasvoilla verrattuna Fourier-melukuviin ja-esineisiin. FFA määriteltiin sivusuunnassa Fusiform Gyrus, kun taas OFA sisällä IOG. LO määriteltiin objektista Fourier-kohina ja kasvokuvien kontrasti, keskellä takaraivon Gyrus. VOI valinta perustui T-kontrasteja säätää F-kontrasti (p < 0.005 korjaamaton vähintään klusterin koko 15 voxels)., VOIs olivat pallomainen säde 4 mm noin huippu aktivointi (yksittäisten koordinaatit, katso Taulukko A1, Liite). Lihavoitujen signaalien ensimmäisen eigenvariaatin selittämän varianssi oli kaiken kaikkiaan yli 79 prosenttia. Nykyisessä DCM-analyysissä käytettiin vain oikeita pallonpuoliskoalueita, sillä useat tutkimukset viittaavat tämän pallonpuoliskon hallitsevaan rooliin kasvojen hahmottamisessa (Michel et al., 1989; Sergent ym., 1992).,

Tehokas Yhteydet Analyysi

Tehokas yhteydet testattiin DCM-10, toteutetaan SPM8 toolbox (Wellcome Department of Imaging Neuroscience, Lontoo, iso-BRITANNIA), käynnissä alle Matlab R2008a (The MathWorks, Natick, MA, USA). Malleja DCM on määritelty endogeenisen yhteydet, eli kytkentä aivojen alueilla (matriisi A), moduloivat yhteydet (matrix B), ja ajo-tulo (matriisi C). Täällä matriisi määritelty yhteyksiä kasvot-valikoiva alueilla (FFA ja OFA) ja LO., Kuvia kasvoja ja esineitä toiminut ajo-tulo (matriisi C) ja tässä analyysin vaiheessa me ei sovelleta mitään moduloivat vaikutukset yhteyksiä.

mallin estimoinnilla pyrittiin maksimoimaan mallien (F) negatiiviset vapaan energian estimaatit tietylle datasetille (Friston et al., 2003). Tämä menetelmä varmistaa, että malli fit käyttää parametreja parsimonious tavalla (Ewbank et al., 2011). Arvioitu malleja verrattiin perustuva malli todisteita p(y|m), joka on todennäköisyys p saadaan havaittu data y antama tietyn mallin m (Friston et al., 2003; Stephan et al., 2009)., Tässä tutkimuksessa sovellamme negatiivista vapaan energian approksimaatiota (variational free-energy) log-näyttöön (MacKay, 2003; Friston et al., 2007). Bayesilainen Mallivalinta (BMS) toteutettiin sekä satunnaisten (RFX) että kiinteiden (FFX) vaikutusmallien (Stephan et al., 2009). BMS RFX kestää enemmän poikkeamia kuin FFX, eikä se oleta, että sama malli selittäisi funktion jokaiselle osallistujalle (Stephan et al., 2009). Toisin sanoen RFX on vähemmän herkkä melulle., RFX-lähestymistavassa analyysin ulostulo on malliavaruuden ylitystodennäköisyys, jonka laajuus yksi malli selittää mitattua dataa muita malleja todennäköisemmin. Toinen lähtö RFX-analyysi on odotettavissa posterior todennäköisyys, joka heijastaa todennäköisyys, että malli syntyy havaittu tiedot, jolloin eri jakaumat eri malleja. Molemmat parametriarvot pienenevät malliavaruuden laajenemisella (ts.,, lisäämällä mallien määrää), siksi ne käyttäytyvät suhteellisesti ja mallit, joilla on yhteisiä ominaisuuksia ja implausible mallit voivat vääristää analyysin tuotosta. Siksi, lisäksi suora vertailu 28 luotu malleja meidän osioitu malli tilaa perheille, joilla on samanlaiset yhteydet kuvioita, käyttämällä menetelmiä Penny ym. (2010).

Koska useat aiemmat DCM tutkimukset osoittavat, lähellä kaksisuuntainen yhteys FFA ja OFA (Ishai, 2008; Gschwind et al.,, 2012) analyysissa nämä kaksi alaa olivat aina sidoksissa toisiinsa ja LO oli kytketty jokainen biologisesti uskottava tapa. 28 relevanttia mallia jaettiin kolmeen malliperheeseen rakenteellisten erojen perusteella (Penny et al., 2010; Ewbank ym., 2011). Perhe 1 sisältää mallit, joissa on lineaarinen yhteydet joukossa kolme aluetta, oletetaan, että tieto kulkee LO, että FFA kautta VAATE. Perhe 2 sisältää malleja, joissa on kolmion muotoinen rakenne, jossa LO lähettää syöttää suoraan FFA ja VAATE on myös suoraan yhteydessä FFA., Perhe 3 sisältää malleja, joissa kolme aluetta ovat toisiinsa yhteydessä, olettaen kiertävän informaatiovirran (kuva 2). Tässä analyysivaiheessa mallien määrän rajoittamiseksi tuotantopanokset moduloivat ainoastaan tuloalueidensa toimintaa. Näitä kolmea perhettä vertaili satunnainen design BMS.

Toiseksi, malleja voittaja perhe laadittiin edelleen luomalla jokainen uskottava malli moduloivat yhteydet, soveltamalla kolme rajoitteet. Ensinnäkin sekä kasvot että esineet moduloivat vähintään yhtä alueiden välistä yhteyttä. Toiseksi kaksisuuntaisten linkkien tapauksessa modulaatiopanokset vaikuttavat molempiin suuntiin. Kolmanneksi, jos kasvot antaa suoran panoksen OFA sitten oletamme, että se aina moduloi OFA-FFA yhteys samoin (katso taulukko A2 lisäyksessä). Näistä malleista tehtiin toinen perheviisas random BMS-analyysi., Lopulta voittaja-aliperheen jäsenet pääsivät kolmannelle BMS: lle etsimään yhden mallin, jolla on suurin ylitystodennäköisyys.

tuloksia

Bayesilaista mallivalikoimaa käytettiin päätettäessä, mikä malliperhe selittää mitatut tiedot parhaiten. Meidän tulokset osoittavat, kolmas perhe-out-suorittaa muut kaksi, jonka ylittymisen todennäköisyys 0.995 verrattuna ensimmäisen perheen 0.00 ja toisen perheen 0.004 (Kuvat 3A,B)., Voittaja malli perhe (Perhe 3; Kuva 2, alla) sisältää 12 malleja, joilla on yhteyksiä LO ja FFA, VAATE-ja FFA, ja LO ja KATSELLUT yhtä hyvin, mutta eri suunta-yhteydet sekä paikka syöttää verkkoon.

toinen askel, kaikki mahdolliset moduloivat mallit olivat suunniteltu 12 malleja Perhe 3 (ks. Taulukko A2 Lisäyksessä; Materiaalit ja Menetelmät lisätietoja). Tämä johti 122 malleja, jotka olivat tulleet BMS perhe-viisas satunnainen analyysi, käyttäen 12 alaryhmään. Kuten se näkyy luvuista 4A, B, model sub-family 4 out-suorittivat muut aliperheet, joiden ylitystodennäköisyys on 0,79. Kolmantena vaiheena voittaja-aliperheen 4 mallit merkittiin satunnaisvaikutuksella BMS. Kuvassa 5 esitellään mallin 20 18 testattua variaatiota., Suurimman ylitystodennäköisyyden (p = 0,75) omaava malli oli malli 4 (ks.kuva 6). Tämä tarkoittaa sitä, että voittaja malli sisältää kaksisuuntaisen yhteydet kaikille alueille ja kasvot ja objektin tuloa, yllättävää kyllä, molemmat tulla LO. Lisäksi, kasvot on moduloivat vaikutus yhteys LO ja FFA, kun esineitä moduloida yhteys LO ja OBJEKTIIVISESTI.

analysointiin parametri arviot voittaja malli koko ryhmän aiheita satunnainen vaikutus lähentämisestä käytettiin. Kaikki kohde-erityisiä maksimi a posteriori (MAP) arvioi, tehtiin t-testi yhden keinoja ja testattu vastaan 0 (Stephan ym., 2010; Desseilles ym., 2011). Asteriskilla kuviossa 7 indeksoidut tulokset poikkesivat merkittävästi 0: sta (p < 0.,05).

Keskustelua

merkittävä tulos tämän tehokas yhteydet tutkimus ehdottaa, että (a) LO liittyy suoraan OFA–FFA face-käsittely järjestelmän kautta kaksisuuntaisia yhteyksiä molemmilla alueilla; (b) ei-kasvot ja kasvot tulot ovat sekoittuneen tasolla occipito-temporal-alueet ja anna järjestelmän kautta LO; (c) kasvot input modulatorinen vaikutus LO ja FFA-yhteys, kun taas objektin input moduloi LO ja OFA-yhteyttä merkittävästi.

rooli LO esine käsitys on tunnettu aikaisemmista tutkimuksista (Malach et al.,, 1995; Grill-Spector ym., 1998a, b, 2000; Lerner ym., 2001, 2008). Kuitenkin, huolimatta aiemmissa tutkimuksissa on yleensä todettu lisääntynyt aktiivisuus monimutkaisia esineitä, sekä kasvot LO, alue liittyy yleensä esineitä ja suhteellisesti vähemmän merkitystä on johtuu sen rooli face-käsittely. Tässä tutkimuksessa tehokkaat yhteydet analyysi sijoitettu LO core network kasvojen käsitys. OFA: n ja FFA: n suora yhteys on todistettu aiemmin sekä toiminnallisesti että anatomisesti (Gschwind et al., 2012)., Koska LO: n roolista tässä järjestelmässä ei kuitenkaan ole saatavilla tämänhetkistä tietoa, yhdistimme sen kahteen muuhun alueeseen monin mahdollisin tavoin.

ensimmäinen satunnainen BMS osoitti, että voittaja malli perhe-LO on yhdistetty sekä FFA ja OBJEKTIIVISESTI ja yhteydet ovat kaksisuuntaisia. Siksi, se korostaa, että LO voi olla suora rakenteellinen yhteys FFA., Mallinnus kaikki mahdolliset moduloivat vaikutukset huomasimme, että osa-perheen mallit eivät, jossa sekä kohteen ja kasvojen tuloa tulla järjestelmän kautta LO, oletetaan, että LO on yleistä ja tärkeää tietoa alueen rooli. Koska edellinen toiminnalliset yhteydet tutkimukset kaikki alkoi analyysi face-käsittely verkon tasolla TUKKIA, jotka vastaavat OFA (Fairhall ja Ishai, 2007; Ishai, 2008; Cohen Kadosh et al., 2011; Dima et al., 2011; Foley ym., 2012) ei ole yllättävää, että he sivuuttivat LO: n merkittävän roolin., Kuitenkin kasvot ovat todella eri luokkaan visuaalinen esineitä, mikä viittaa siihen, että hermosolut ovat herkkiä esineitä ja muotoja pitäisi olla aktivoitu, ainakin jossain määrin, kasvot sekä. Todellakin, yhden solun tutkimukset kädellisillä viittaavat siihen, että huonompi ajallinen cortex, ehdotettu homolog ihmisen LO makaki aivot (Denys ym., 2004; Sawamura ym., 2006) on neuronien reagoiva kasvot samoin (Perrett et al., 1982, 1985; Desimone et al., 1984; Hasselmo ym., 1989; Young and Yamane, 1992; Sugase ym., 1999)., Intiimi yhteys LO VAATE-ja FFA, ehdotti tämän tutkimuksen voisi korostaa sitä, että kasvoja ja esineitä ei käsitellä kokonaan erikseen vatsanpuoleinen visual pathway, johtopäätös tukee viime toiminnallinen kuvantaminen tiedot sekä (Rossion ym., 2012). Sitä moduloivat vaikutus kasvot tulo LO–FFA-yhteys viittaa siihen, että LO on rooli face-käsittely, todennäköisesti liittyy aikaisemmin, rakenteellinen käsittely kasvoja, tehtävä aiemmin laittaa alas lähinnä OFA (Rotshtein et al., 2005; Fox ym., 2009)., Lopuksi ryhmä-tason parametrit voittaja malli osoittaa, että yhteys LO, OFA, ja FFA ovat pääasiassa hierarkkinen ja palaute-yhteydet FFA kohti VAATE-ja LO pelata heikompi rooli järjestelmässä, ainakin aikana sovellettu korjaus tehtävä.

lopuksi, mallintamalla tehokas välistä yhteyttä face-asiaankuuluvilla aloilla ja LO suosittelemme, että LO on merkittävä rooli käsittelyyn kasvoja.,

eturistiriita Lausunto

kirjoittajat ilmoittavat, että tutkimus on tehty ilman mitään kaupallisia tai taloudellisia suhteita, jotka voitaisiin tulkita mahdollisia eturistiriitoja.

Kiitokset

Tämän työn tukivat Deutsche Forschungsgemeinschaft (KO 3918/1-1) ja University of Regensburg. Haluamme kiittää Ingo Keckiä ja Michael Schmitgeniä keskustelusta.