其他
关注上方“功能磁共振”即可查看更多原创文章,文末浏览近期脑影像相关课程及服务。摘要:将价值和身份映射到我们所了解的对象上是基础的认知加工过程。然而,怎样的空间能够最好地嵌入这种映射尚不清楚。本研究开发了量化这种映射的工具,通过fMRI反映神经反应中该映射的空间和组织模式,为了表明快速学习者比慢学习者具有更高维的表征,因此更容易区分全脑对具有不同价值对象的反应。研究结果发现,快速学习者神经反应的嵌入更为紧凑,因此其刺激维度与其嵌入维度的比率更高,这与认知编码更高效一致。最后,研究了更小尺度的神经生理学驱动因素,并研究了全脑反应的互补可区分性。研究结果证明了学习过程中神经反应特征的空间组织,并提供了适用于识别高级认知加工中有效编码的几何度量方法。研究背景人类认知的关键是将刺激分类为有意义特征的能力,这种特征的出现伴随着映射的发展,该映射在神经回路的活动模式中被编码。究竟如何将有关对象的新信息映射到正确的组中,以便将有关的信息联系起来。并且,通常不知道这些组之间存在多大程度的分离,以及哪种空间能够有效地嵌入这种映射。这些概念和问题使人联想到对低级感觉刺激的神经反应编码效率的有关研究:在给定生物物理和代谢约束的情况下能够量化系统的信息加工。一个悬而未决的问题是,类似的效率原则是否在认知等更高层次的过程中发挥作用?必须平衡哪些目标和约束条件才能实现这种认知编码效率?这种效率如何支持准确的认知和决策?神经反应的可分维度和同配性(assortativity)对于任务相关的刺激神经反应如何分布?这种分布如何反映学习能力?fMRI的BOLD激活反应如下图ab所示,对数据进行二分类标签分配,区分该标签的线性分类表现能够测量神经反应的维度。直观地,当数据以更高维度的方式排列时,这些响应的给定空间排列将使得任何刺激更容易与其他刺激区分开。n个刺激有2^n种方式分配二元标签,当数据以一种低纬方式排列时,一些分配方式会导致可分性很低,但在更高的维度,这些分配方式平均可分性更高,如下图c所示。测量所有2^n-2(去除掉全部数据都被分配到一个标签的情况)种二元标记的选择,并记录可分离性,在该组合数量的分配上的平均分类表现得到刺激表征的可分离性维度。对被试学习过程中的激活神经反应应用上述方法,并且使用下图d所示的同配性方法,标签的同配性/一致性并不严格依赖于维度,如下图d所表示的不同维度标签同配性高低的示例。标签的协调性并不严格依赖于维度,可以测量相同数据的不同几何方面标签的协调性并不严格依赖于维度,可以测量相同数据的不同几何方面标签的协调性并不严格依赖于维度,可以测量相同数据的不同几何方面。图1