文献 | Stroop任务中认知控制过程的表征相似性分析

这次的内容是一篇文献分享，是2020年挂到BioRxiv预印本平台上还未发表的一篇文章：

很有幸的是路同学和一作Michael有机会一起探讨过相关问题，包括关于这篇文章以及未来的研究计划。

以下内容是路同学自己进行的翻译与整理，省略了一些内容（主要是一些技术细节和模型比较部分）。

背景

牢记于心的目标可以用来克服行为习惯。理解人脑如何实现这种能力（通常称为，认知控制，cognitive control）已经成为基础和转化认知神经科学领域的主要兴趣。为此，使用反应冲突（response conflict）任务是很有帮助的。反应冲突任务中包含那种不那么自动但与目标相关的行动过程的试次，必须面对一个习惯性的但与目标无关的选项。典型的例子就是一个颜色-单词Stroop任务：在每个试次中，必须命名单词的颜色，尽管单词表达出来的是潜在的冲突，即不一致（incongruent）颜色（如图1C所示）。诸如Stroop之类的反应冲突任务的认知神经科学研究的一个主要目标是使用任务诱发的神经活动的度量来测试认知控制的理论模型。

一个广泛的、神经计算层面的模型认为，不同的额顶叶区域在克服反应冲突方面扮演着特殊的角色。这个观点的核心是认为这些区域编码着不同的任务信息的类型。背内侧额叶皮层（dorsomedial frontal cortex, DMFC）包括背侧前扣带回（dorsal anterior cingulate, DACC）和前辅助运动区（pre-supplementary motor area, pre-SMA）被提出通过编码不一致性相关信息（incongruency-related information）来“评估”认知控制需求。这个评估计算被提出来发出信号通知在当前的选择策略何时（以及如何）不是最优的。根据这一观点，背外侧前额叶皮层（dorsolateral prefrontal cortex, DLPFC）和外侧后顶叶皮层（lateral posterior parietal cortex, LPPC）共同利用这些信息，通过编码目标和目标相关信息来“实现”控制。这一实现过程目的是在干扰反应中引导目标的选择。总的来说，这个模型根据各个区域编码的信息类型及其行为相关性预测了内侧和外侧额顶叶皮层之间的关键分离。然而，尽管这一观点具有影响力，但在进行标准颜色-单词Stroop任务时直接建立这种分离是很困难的。

这种困难的根源是由于Stroop任务本身造成的。测试这些分离的关系需要将目标和不一致信息的神经编码彼此分开，并与干扰物信息的编码相互分离。但是由于这个实验设计，这些信息源在标准Stroop范式中的呈现是时空相关的。在这种情况下，传统的功能性神经影像技术对这些来源进行单独抽离的能力有限。虽然某些头皮脑电图方法已被证明可有效区分早期目标与干扰物编码，但这样做缺乏必要的解剖精度。此外，标准的Stroop由于其语言性质和对响应能力的非空间操作而无法使用更精细的非人类灵长类动物神经生理学方法来做。

迄今为止，在混合任务切换的Stroop实验中，通过fMRI设计分离任务规则与不一致性相关信息的表征已经获得对于该问题的最大关注。其中，每次Stroop试次之前就对被试需要执行的任务进行了指导（颜色命名或单次阅读）。尽管这些研究通常都发现了支持关键主张的证据，但结果受到三个显著的限制点的影响。第一，这些研究都似乎没有最大化发挥fMRI 的作用（比如2010年Floden等人的研究只有12个被试，2000年MacDonald等人的研究只有9个被试），仅这一点就值得后续研究。第二，尚不清楚假设的框架能否扩展到更标准的Stroop任务设计中，在更标准的Stroop实验里，任务规则在内部维持而在每个试次前不明确指示。因此，我们不清楚可靠的目标相关的DLPFC目标编码是不是取决于每个试次前的明确的规则指令的。第三，先前的结果并不能说明单个Stroop试次中的干扰是经验性的还是解决掉的功能上的分离。因此可能在Stroop中DLPFC（或其他额顶叶区域）的主要作用是一种准备，而在实际干扰分离过程中不那么关键。

为了解决这个问题，需要一种不依赖时间分离但可以同时读出单个人脑ROI编码多个任务信息源的神经解剖上精准的技术。fMRI的多体素模式分析（multivariate pattern analysis, MVPA）在十多年的广泛应用中正是为了实现这一目的。然而令人惊讶的是，这些方法还没有涉及到解决Stroop冲突时内侧和外侧额叶皮质之间的功能分离问题。这里用过表征相似度分析的方法来填补文献中的空白，以测试Stroop任务执行过程中额顶编码的分离（见图1C）。研究者的目标是一个原理论证：证明RSA在诸如Stroop之类的认知控制任务中具有测试神经编码的理论区分的巨大潜力。

材料与方法

代码、数据与任务获取：

分析代码见一作的GitHub：https://github.com/mcfreund/stroop-rsa

任务的脚本见DMC项目网址：http://pages.wustl.edu/dualmechanisms/tasks

更多关于项目的信息见项目的OSF页面：https://osf.io/xfe32/

被试：

采集了66个被试（39女，26男，1“prefer not to answer”）Stroop任务的核磁和行为学数据。66个被试中，17对同卵双胞胎，32名被试无关系。研究者把被试分成了两组：一个主要的分析集（49个被试）用于所有的分析和一个验证集（17个被试）用于评估所选大脑-行为模型的预测准确率。

任务：

被试执行了口头的颜色-单词Stroop任务，颜色的名字在视觉上以不同颜色呈现出来，被试被要求“尽可能快和准确地说出颜色的名字而不要读这个单词”。

刺激集由两组颜色刺激的内部混合子集组成：大部分不一致的（mostly incongruent）和无偏向的（unbiased）集合。通过两个集合内四个颜色的对应单词和对应色调配对创建刺激集，每个集合内形成16个唯一的颜色-单词刺激。在大部分不一致的集合中的四种颜色：“蓝色”（RGB = 0，0，255），“红色”（255，0，0），“紫色”（128，0，128），和“白色”（255，255，255）；无偏向的集合中的四种颜色：“黑色”（0，0，0），“绿色”（0，128，0），“粉红色”（255，105，180）和“黄色”（255，255，0）。在大部分不一致组中，每个block中25%的试次为单词和色调一致的情况；在无偏向的组中，每个block中50%的试次为一致的情况。

每个试次以都在灰色背景（RGB=191，191，191）的中央十字注视点开始，显示300ms。100ms的注视点消失后，空白屏幕呈现2000ms的颜色-单词刺激。试次间的间隔为900ms、2100ms或3300ms随机（概率均匀）（见图1C）。每个被试要经历两次扫描（2个runs），每个run包含3个blocks，每个blocks内有36个试次，并与四个静息固定blocks（30s的十字注视点）。这样就构成了mixed block-event设计。两个runs中均显示了16个mostly incongruent的刺激中的每一个刺激，即唯一的颜色-单词刺激（比如：以红色色调显示的“蓝色（BLUE）”）。每个被试的每个run中，每一个block中的mostly congruent刺激试次数相等，且每个block中的刺激顺序是完全随机的。

数据选择：

这里fMRI模式分析的重点放在Stroop任务的mostly congruent试次上，这是处于方法学上的原因：这部分数据中各种Stroop刺激（16种）都刚好被展示了9次，构成了一个平衡的设计。

ROI的选择：

研究的主要假设涉及6个解剖区域（见图1D）：两个半球的DMFC、DLPFC和LPPC。根据MMP模板得到，“DMFC”被定义为覆盖SMA-pre-SMA和DACC的四个区域，“DLPFC”被定义为覆盖额中回（比如中部DLPFC）的四个区域，“LPPC”被定义为从枕叶到初级体感皮层的所有IPS区域。

编码强度β的估计：

为了估计对目标、干扰和不一致编码的区域强度，研究者使用了表征相似性分析（RSA）框架。RSA框架包括使用一组理论特定的模型相似性结构与观察到的激活模式相似性结构进行建模。对于给定被试及皮层区域，使用16个条件的fMRI GLM系数得到对应的活动模式矩阵，计算对应的表征不相似性矩阵（RDM）。

构建对于目标、干扰和不一致编码的模型（见图1E）：目标模型的假设是具有相同色调的条件（刺激）将引起相同的模式，而不论单词与颜色匹配与否；干扰模型的假设是相同单词的条件会引起相同的模式，而与颜色是否一致无关；不一致编码模型的假设是只有单词-颜色不匹配的条件才会引起相同的模式，而与单独颜色或单词无关。以及还构建了一个一致编码模型，即单词与颜色匹配时会引起相同的模式。

通过对每个被试分别进行多元回归（最小二乘），将四种理论模型拟合到每个脑区的观察到的激活模型中。因此RSA回归产生的3个感兴趣的系数：βtarget、βdistr和βincon。这些系数可以被理解为在只有一个任务维度共享的情况下与没有任务维度共享的情况下的活动模式相关性的对比。

图1 框架与假设的示意图。A：概念框架；B：假设；C-E：分析框架。

结果

背内侧前额叶和背外侧前额叶皮层表现出不同的编码特征。这些结果主要见图2，详细RSA结果见文章表A1-A3。

图2 群体水平的结果。A：RSA结果；B：MDS结果。

DMFC与反应冲突任务（如Stroop任务）中的不一致性信息编码有很强的关联，而RSA方法被用来直接检验了该假设的特异性，该脑区确实编码了Stroop任务的incongruency维度。并且，左侧DMFC对incongruency维度具有更强的偏好，对不一致性信息的编码比对目标或干扰物信息的编码更强。同时不一致性编码在神经解剖层面是分离的，因为这种编码模式在左侧DMFC比DLPFC反应的更强烈。

随后重点研究的是额顶叶外侧区域对目标信息的编码。DLPFC确实编码目标信息，且强于对干扰信息的编码，但是DLPFC对目标信息和不一致信息的编码无偏好，也没有观察到DLPFC对目标信息的编码强于DMFC。即，在侧后顶叶皮层观察到的结果说明一个定性相似的模式：显著的对目标信息和不一致信息的编码，目标信息相较干扰信息的编码显著更强，但目标信息与不一致信息之间无显著差异，与DMFC对目标信息的编码也无差异。

因此，内侧和外侧额顶叶皮层之间存在单一而非双重的分离，其表现形式是左侧DMFC对不一致信息的敏感性要强于读目标信息的编码。然而，在所有ROIs中，对这两种任务信息的编码都要强于对干扰信息的编码。

表现更好的被试其外侧额顶叶对目标信息的编码更强。个体层面的结果如图3，详细

的结果见文章表A5-A7。

图3 个体水平的结果。

外侧额顶皮层（尤其是DLPFC）中目标相关信息的保真度被认为与个体在诸如Stroop等任务中解决反应冲突的效率密切相关。通过使用个体水平的目标编码估计（βtarget）和行为表现（RT)建模，相对直接地检验了这一基本预测。事实上，在右侧DLPFC和右侧LPPC中具有更强目标编码的被试更快地解决了Stroop干扰效应。受试者的目标编码估计在这两个侧额顶叶区域之间有中度相关，表明这些测量指标是个体变异性的共同组成部分。不一致性编码与Stroop干扰效应无显著相关，在右侧DLPFC中，目标编码比不一致编码的解释变量强得多。

相反，DMFC的不一致相关反应被认为与反应选择的不适应政策呈正相关。与此相一致的是，左DMFC中编码不一致信息较强的被试倾向于表现出更大的Stroop干扰，尽管这种交互作用不显著。同样，在该区域，不一致性编码比目标编码与Stroop干扰效应的关联更强，尽管不显著。虽然弱，但这种DMFC-Stroop关联明显出现在对不一致信息显示群体水平偏好的同一半球。

因此，研究结果支持假设：在右侧DLPFC和LPPC对目标信息的编码有联系，他们以某种方式共同实施控制的过程。这种联系反映了过程差异从（1）似乎（左侧）DMFC参与不一致性编码和（2）通过（右侧）DLPFC不一致性编码索引。

探索性分析

对每一个MMP脑区都进行了RSA，以更全面地确定目标、干扰和不一致编码在整个皮层中的分布方式。目标编码的脑区很普遍，覆盖了额叶和颞叶的大部分，包括许多外侧裂周区域。值得注意的是，在接受强烈感觉和运动性相关输入的脑区观察到了最强的目标编码。相反，不一致编码主要出现在前额叶和顶叶内沟小包中——包括DMFC，左侧LPPC，双侧上额回和左外侧额极皮层（rostral DLPFC），但在左后皮质和右侧枕骨皮层中也检测到了对不一致信息的编码。除了这个枕骨区域外，这些不一致编码的脑区还特别属于控制网络（额顶叶，扣带回，背侧注意）。最后，只在初级视觉皮层（左侧V1和V2）观察到干扰编码。

图4 目标、不一致、干扰编码的皮层贡献。

这些探索性结果共同证实并扩展了先前的发现。（1）与前面的脑行为关联一样，相对于其他任务维度的编码，目标编码得到了强调。（2）尽管强调了这一点，但在三种编码模型中仍发现了重要的且可预期的解剖学轮廓分离，这进一步表明这些模型在索引不同认知过程的神经相关性方面是成功的。

讨论

作者主要一方面总结了这个研究的结果，另一方面提出了利用RSA的方法可以在认知控制方面，尤其是Stroop任务中，进一步应用。对未来可以继续深入探究的问题提出了一些建议与展望，见图5。图5比较清晰明了了，路同学这里也不做过多赘述，详细内容也欢迎大家阅读原文。

图5 拓展的实验设计。

文章信息：

Freund, M.C., Rugg, J.M., Braver, T.S. (2020). A representational similarity analysis of cognitive control during color-word Stroop. Preprint.

https://doi.org/10.1101/2020.11.22.392704

写在后面：

一些个人的想法：（1）对于行为学与神经数据的比较部分，其实可以用RT通过计算欧氏距离的方式构造对应的行为学RDM来和核磁不同ROI的RDM做比较；（2）图5缺少了一个stimulus word model，因为在任务中除了有hue的信息也有word的信息可以探讨；（3）探究不同维度的加工过程，也许需要用EEG来做，再与核磁的结果结合分析来回答“when”；（4）作者的分析只用了mostly incongruent集合的被试数据，不知道unbiased集合的数据做出来的结果又是怎么样的，不同条件在实验中的比例也会对不一致性等等信息的编码产生影响。

感觉更新文献每次得花好久。。。

记得点关注、点在看哦！也欢迎打赏！

/END/

爱胡思乱想

渴望成为优秀学生的

路同学愿和你谈谈心。

路同学

zitonglu1996.github.io