文献 | 表征领域一般性/特殊性信息的脑区：10年MVPA研究总结

fMRI数据的多体素模式分析(Multivoxel pattern analysis，MVPA)是一种功能强大且日益流行的人脑信息解码（decoding）的技术。在当跨体素的激活模式能够可靠地区分两个或多个事件(如不同的刺激、任务规则或参与者的反应)时，就可以利用机器学习等分类器来推断出其信息编码。

信息的编码和解码

所以，MVPA有时被称为“读心术”，实际上这和心理学上的回归分析的结果被称为“预测”是差不多的意思。MVPA好在他不是单纯告诉你大脑哪里“激活”，而是可以告诉你这些脑区所表征的信息。其原理本质上依然是通过“学习”（或者叫“训练”），得到一个分类器，然后利用这个分类器对没学习过的样本进行分类（或者叫“预测”）。通常，MVPA也是基于经典机器学习的分类器，如支持向量机SVM、线性判别LDA等，随着发展，现在也已经有了基于深度学习的dMVPA(Kuntzelman et al., 2021)。

关于MVPA，nature网站上有一个非常生动的视频讲解，有兴趣的可以观看(https://www.nature.com/news/brain-decoding-reading-minds-1.13989），这里不更多叙述。

MVPA原理示意图

除了针对给定的一些感兴趣脑区（ROI）使用MVPA，还有一种更为数据驱动的方法叫“探照灯”（searchlight）分析，利用这种方法可以在全脑进行一些不受先验假设限制的探索性的分析。因此，经过多年的文献积累，作者准备在已有研究基础上来总结一下大脑不同区域所编码的信息。

在文献里，大多数认知任务包括视觉和/或听觉输入、任务规则和运动输出，因此我们重点分析这些任务特征的编码。这里探索了五个脑网络的信息编码，分别是：视觉网络、听觉网络、运动网络、额顶的多重需要网络（MD；简而言之就是做任务时激活的网络）、默认网络（DMN；简而言之就是不做任务时激活的网络）。

本文搜集了2014年12月之前十年内的使用searchlight MVPA的文章，最后筛选得到57篇论文共100项独立searchlight decoding分析，这些分析涉及的解码特征包含视觉、听觉、运动（反应）、规则。

本文研究目的是，一方面想看一下这些不同类别的信息加工是在哪些脑区/网络进行的，另一方面，则是探索MD脑区内部是否存在功能分离。因此根据以往静息态功能连接的分类，作者将MD脑区划分为额顶网络（frontal-parietal, FP；主要包括dlPFC, IP等）和带状盖网络（cingulo-opercular, CO；主要包括ACC/preSMA/AI/FO等区域）两个子网络，从而来比较两个子网络的信息编码差异。

对于任务特征的分类，作者采用了一种宽松的分类方法和一种严格的分类方法。因变量则是一种基于换算过后的计数数据（相当于是利用该网络中解码后显著的点的数目除以网络的volume和对任务特征分析的次数），之后利用一系列卡方检验（单向卡方+独立性检验）来探索该脑区是否表征某类信息以及比较信息编码在不同网络的差异。

结果表明，如下图，A图是基于宽松分类方法的结果，B是基于严格分类方法的结果（两者很像，所以只有B做了统计分析）。总体的结果表明，视觉网络、听觉网络、运动网络都分别很好的表征了视觉、听觉和运动信息，MD区域几乎表征了所有这些信息，而DMN几乎没有显著表征信息。

各类信息在各网络上的表征（bar内部的星号代表各自是否显著表征某一信息；bar上方的星号表示组间的差异，这一组的编码点是否显著比别的多）

将MD网络区分为FP和CO子网络后发现，FP网络主要编码视觉、规则、听觉等信息，而CO网络似乎更多地编码运动信息。也就是说，MD内部似乎确实存在一些分离。

MD网络内部的分离（额顶网络FP/带状盖网络CO），同样这里只统计了右图（严格标准）

最后，作者构建了一个针对各项不同任务特征的全脑decoding maps，这个结果和我们以往见到的模式很相似，比如视觉集中在枕叶区域，而规则编码涉及的脑区更广泛而分散。

全脑各类信息编码地图

总结这些结果，作者认为大脑的功能是以一种平衡的模式来组织的，既具有高度特异的模块性，又具有相当的灵活性。感觉和运动网络主要负责编码它们对应领域的信息，而额顶MD网络可以编码各种不同的任务信息。相对而言，认知默认网络的贡献较小。

这一结果首先支持了MD的适应性编码假说（Duncan, 2001, Nat. Rev. Neurosci.），即MD网络具有高度的适应性，可以根据任务需要灵活编码任务相关信息，从而支持目标导向行为/智力活动。此外，对MD内部子网络的功能分离发现，FP（额顶网络）和CO（带状盖网络）子网络确实有一定区别，FP编码的视觉信息多于CO编码，而CO编码的运动信息多于FP编码。为什么会有这样的差异还需要进一步的工作。

尽管感觉和运动网络主要编码自己领域的信息，但结果发现他们也会编码一些其他信息，例如视觉网络可以编码规则信息（尽管原因可能是多样化的，比如很多规则也是视觉呈现，或者这种编码反映了一些准备的信号）。相似地，运动区也适当编码了一些视觉信息。虽然我们可以用许多不那么强的理由来解释这些现象，但是要真的理解背后的原因，还需要进一步的探索。

文献：Woolgar, A., Jackson, J., & Duncan, J. (2016). Coding of Visual, Auditory, Rule, and Response Information in the Brain: 10 Years of Multivoxel Pattern Analysis. J Cogn Neurosci, 28(10), 1433-1454. doi:10.1162/jocn_a_00981

END