Репрезентативные системы восприятия: 404 ошибка, но мы всё исправим

² Это связано с тем, что экземпляры категории создаются путем искажения прототипа путем добавления независимого и одинаково распределенного шума к каждому измерению стимула (например, Ashby & Gott, 1988).

³ Эти предсказания правдоподобия следуют, потому что мы создали элементы категории A, искажая горизонтальное и вертикальное положение каждой точки в прототипе, добавляя выборки из независимых и одинаково распределенных нормальных распределений (со средним значением, равным нулю).

⁴ Модель, основанная на примерах, которая будет более согласовываться с чистой стратегией PRS, заменит суммарное подобие в уравнении. 4 с суммарным сходством предъявленного стимула со всеми ранее увиденными образцами, независимо от их принадлежности к категории (т. е., а не только со всеми ранее увиденными образцами категории А). Это связано с тем, что PRS не включает записи о принадлежности к категории ранее просмотренных стимулов. Обратите внимание, что эта сумма должна быть примерно одинаковой для нетипичного экземпляра категории А, который был очень похож на какого-то ранее замеченного представителя категории А, и для экземпляра «не А», который был очень похож на какого-то ранее замеченного представителя «не А».

⁵ Можно выбрать оптимальное решение, такое как соответствие, которое минимизирует евклидово расстояние между двумя образами. Однако у этого подхода есть две проблемы. Во-первых, нет эмпирических доказательств того, что такой выбор лучше отражает воспринимаемое сходство, чем другие варианты, и, во-вторых, существует множество различных способов определить оптимальное решение (например, минимизировать изгиб, необходимый для согласования двух шаблонов).

^{6 901:00 Под этим мы подразумеваем, что ничего не сделали. Поэтому для паттернов категории А мы предполагали, что каждая точка соответствует точке в паттерне-прототипе, из которого она была искажена. Для паттернов «не А» мы случайным образом помечали каждую точку.}

⁷ Обратите внимание, что это крайне неинтуитивное свойство многомерных пространств снижает важность проблемы точечного соответствия. В частности, у членов категории «не А» многие стимулы будут примерно на равном расстоянии друг от друга, независимо от того, какой выбор распределения точек сделан.

• Айзенштейн Х.Дж., Макдональд А.В., Стенгер В.А., Небес Р.Д., Ларсон Дж.К. Системы обучения дополнительных категорий, определенные с помощью функциональной МРТ, связанной с событием. Журнал когнитивной неврологии. 2000; 12: 977–987. [PubMed] [Google Scholar]
• Ashby FG, Casale MB. Когнитивная нейробиология неявного обучения категориям. В: Хименес Л., редактор. Внимание и имплицитное обучение. Издательская компания Джона Бенджаминса; Амстердам и Филадельфия: 2003. стр. 109–141. [Академия Google]
• Ashby FG, Alfonso-Reese LA, Turken AU, Waldron EM. Нейропсихологическая теория множественных систем в категориальном обучении. Психологический обзор. 1998; 105:442–481. [PubMed] [Google Scholar]
• Эшби Ф.Г., Элл С.В., Уолдрон Э.М. Процедурное обучение перцептивной категоризации. Память и познание. 2003; 31:1114–1125. [PubMed] [Google Scholar]
• Ashby FG, Gott RE. Правила принятия решений при восприятии и категоризации многомерных стимулов. Журнал экспериментальной психологии: обучение, память и познание. 1988;14:33–53. [PubMed] [Google Scholar]
• Ashby FG, Maddox WT. Отношения между прототипом, образцом и моделями категоризации, связанными с решением. Журнал математической психологии. 1993; 37: 372–400. [Google Scholar]
• Эшби Ф.Г., О’Брайен Дж.Б. Категорийное обучение и множественные системы памяти. ТЕНДЕНЦИИ в когнитивной науке. 2005; 2:83–89. [PubMed] [Google Scholar]
• Ashby FG, Queller S, Berretty PM. О доминировании одномерных правил в неконтролируемой категоризации. Восприятие и психофизика. 1999;61:1178–1199. [PubMed] [Google Scholar]
• Biederman I, Cooper EE. Инвариантность размера при праймировании визуальных объектов. Журнал экспериментальной психологии: человеческое восприятие и производительность. 1992; 18: 121–133. [Google Scholar]
• Biederman I, Gerhardstein PC. Распознавание повернутых по глубине объектов; Доказательства и условия инвариантности трехмерной точки зрения. Журнал экспериментальной психологии: человеческое восприятие и производительность. 1993;19:1162–1182. [PubMed] [Google Scholar]
• Брукс Л. Неаналитическое формирование понятий и память для примеров. В: Рош Э., Ллойд Б.Б., редакторы. Познание и категоризация. Эрльбаум; Хиллсдейл, Нью-Джерси: 1978. стр. 169–211. [Google Scholar]
• Пещера CB. Очень долговечная грунтовка в названии картинок. Психологическая наука. 1997; 8: 322–325. [Google Scholar]
• Cave CB, Bost PR, Cobb RE. Влияние цвета и узора на неявную и явную память образов. Журнал экспериментальной психологии: обучение, память и познание. 1996; 22: 639–653. [PubMed] [Google Scholar]
• Купер Л.А., Шактер Д.Л., Бальестерос С., Мур С. Подготовка и распознавание преобразованных трехмерных объектов: эффекты размера и отражения. Журнал экспериментальной психологии: обучение, память и познание. 1992;18:43–57. [PubMed] [Google Scholar]
• ДеКаро М.С., Томас Р.Д., Бейлок С.Л. Индивидуальные различия в обучении по категориям: иногда меньший объем рабочей памяти лучше, чем больший. Познание. 2008 г. в печати. [PubMed] [Google Scholar]
• Demb JB, Desmond JE, Wagner AD, Vaidya CJ, Glover GH, Gabrieli JDE. Семантическое кодирование и поиск в левой нижней префронтальной коре: функциональное МРТ-исследование сложности задачи и специфики процесса. Журнал неврологии. 1995; 15: 5870–5878. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Доббинс И.Г., Шнайер Д.М., Верфаэлли М., Шактер Д. Л. Снижение корковой активности во время прайминга повторения может быть результатом быстрого обучения реакции. Природа. 2004; 428:316–319. [PubMed] [Google Scholar]
• Дошер Б., Лу З.Л. Механизмы перцептивного обучения. Исследования зрения. 1999; 39:3197–3221. [PubMed] [Google Scholar]
• Estes WK. Модели массивов для изучения категорий. Когнитивная психология. 1986; 18: 500–49. [PubMed] [Google Scholar]
• Estes WK. Классификация и познание. Издательство Оксфордского университета; Нью-Йорк: 1994. [Google Scholar]
• Фале М., Поджио Т. Перцептивное обучение. Массачусетский технологический институт Пресс; Кембридж, Массачусетс: 2002. [Google Scholar]
• Gazzaniga MS, Ivry RB, Mangun GR. Когнитивная неврология: биология разума. 2-е изд. В. В. Нортон; Нью-Йорк: 2002. [Google Scholar]
• Gilbert CD, Sigman M, Crist RE. Нейронная основа перцептивного обучения. Нейрон. 2001; 31: 681–697. [PubMed] [Google Scholar]
• Hintzman DL. Абстракция схемы в модели памяти с несколькими трассами. Психологический обзор. 1986;93:411–28. [Google Scholar]
• Хома Д., Роудс Д., Чамблисс Д. Эволюция концептуальной структуры. Журнал экспериментальной психологии: обучение, память и познание. 1979; 5:11–23. [Google Scholar]
• Хома Д., Стерлинг С., Трепел Л. Ограничения обобщения на основе образцов и абстракции категориальной информации. Журнал экспериментальной психологии: человеческое обучение и память. 1981; 7: 418–439. [Google Scholar]
• Хопкинс Р.О., Майерс Э.К., Шохэми Д., Гроссман С., Глюк М. Нарушение обучения вероятностным категориям у субъектов с гипоксией и повреждением гиппокампа. Нейропсихология. 2004; 42: 524–535. [PubMed] [Академия Google]
• Джейкоби Л.Л., Hayman CAG. Специфический визуальный перенос в идентификации слов. Журнал экспериментальной психологии: обучение, память и познание. 1987; 13: 456–463. [Google Scholar]
• Кери С., Калман Дж., Рапсак С.З., Антал А., Бенедек Г., Янка З. Классификационное обучение при болезни Альцгеймера. Мозг. 1999; 122:1063–1068. [PubMed] [Google Scholar]
• Кери С., Келемен О., Бенедек Г., Янка З. Неповрежденное прототипное обучение при шизофрении. Исследования шизофрении. 2001; 52: 261–264. [PubMed] [Академия Google]
• Кирснер К., Данн Дж.К. Запись восприятия: общий фактор повторного прайминга и сохранения атрибутов. В: Познер М.И., Марин О.С., ред. Механизмы внимания: Внимание и производительность XI. Эрльбаум; Хиллсдейл, Нью-Джерси: 1985. стр. 547–566. [Google Scholar]
• Knowlton BJ, Squire LR. Изучение естественных категорий: параллельные системы памяти для запоминания предметов и знаний на уровне категорий. Наука. 1993; 262:1747–1749. [PubMed] [Google Scholar]
• Knowlton BJ, Squire LR, Gluck MA. Обучение вероятностной классификации при амнезии. Обучение и память. 1994;1:106–120. [PubMed] [Google Scholar]
• Колодный Ю.А. Процессы памяти при обучении классификации: исследование амнезии при категоризации точечных узоров и художественных стилей. Психологическая наука. 1994; 5: 164–169. [Google Scholar]
• Кутстал В., Вагнер А.Д., Ротте М., Марил А., Бакнер Р.Л., Шактер Д.Л. Специфичность восприятия при восприятии зрительных объектов: функциональная магнитно-резонансная томография свидетельствует о разнице в латеральности веретенообразной коры. Нейропсихология. 2001;39: 184–199. [PubMed] [Google Scholar]
• Ламбертс К. Информационно-аккумуляционная теория ускоренной категоризации. Психологический обзор. 2000; 107: 227–60. [PubMed] [Google Scholar]
• Logan GD. Прайминг повторения и автоматизм: общие механизмы? Когнитивная психология. 1990; 22:1–35. [Google Scholar]
• Maddox WT, Ashby FG, Ing AD, Pickering AD. Нарушение обработки обратной связи мешает обучению на основе правил, но не по категориям интеграции информации. Память и познание. 2004; 32: 582–9.1. [PubMed] [Google Scholar]
• Maddox WT, Bohil CJ, Ing AD. Доказательства процедурной системы обучения в обучении категорий восприятия. Психономический бюллетень и обзор. 2004; 11: 945–952. [PubMed] [Google Scholar]
• Медин Д.Л., Шаффер М.М. Контекстная теория классификационного обучения. Психологический обзор. 1978; 85: 207–38. [Google Scholar]
• Одлызко А.М., Слоун, штат Нью-Джерси. Новые ограничения на количество единичных сфер, которые могут касаться единичной сферы в n-мерном пространстве. Журнал комбинаторной теории. 1979;26:210–214. [Google Scholar]
• Нософский Р.М. Внимание, сходство и отношение категоризации идентификации. Журнал экспериментальной психологии: Общие. 1986; 115: 39–57. [PubMed] [Google Scholar]
• Нософски Р.М., Йохансен М.К. Основанные на образцах описания явлений «множественной системы» в перцептивной категоризации. Психономический бюллетень и обзор. 2000; 7: 375–402. [PubMed] [Google Scholar]
• Нософски Р.М., Заки С.Р. Диссоциации между категоризацией и распознаванием у страдающих амнезией и нормальных людей: интерпретация на основе образцов. Психологическая наука. 1998;9:247–255. [Google Scholar]
• Петров А.А., Дошер Б.А., Лу З-Л. Динамика перцептивного обучения: пошаговая модель повторного взвешивания. Психологический обзор. 2005; 112: 715–743. [PubMed] [Google Scholar]
• Познер М.И., Голдсмит Р., Велтон К.Е. Воспринимаемое расстояние и классификация искаженных паттернов. Журнал экспериментальной психологии. 1967; 73: 28–38. [PubMed] [Google Scholar]
• Posner MI, Keele SW. О генезисе абстрактных идей. Журнал экспериментальной психологии. 1968;77:353–363. [PubMed] [Google Scholar]
• Posner MI, Keele SW. Сохранение абстрактных идей. Журнал экспериментальной психологии. 1970; 83: 304–308. [Google Scholar]
• Raichle ME, Fiez JA, Videen TO, MacLeod AMK, Pardo JV, Fox PT, Petersen SE. Связанные с практикой изменения функциональной анатомии человеческого мозга во время немоторного обучения. Кора головного мозга. 1994; 4:8–026. [PubMed] [Google Scholar]
• Reber PJ, Stark CEL, Squire LR. Противопоставление активности коры, связанной с памятью категорий и памятью узнавания. Обучение и память. 1998а;5:420–428. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Reber PJ, Stark CEL, Squire LR. Области коры головного мозга, поддерживающие обучение категориям, идентифицированы с помощью функциональной МРТ. Труды Национальной академии наук США. 1998b; 95: 747–750. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Reber PJ, Squire LR. Неповрежденное изучение искусственных грамматик и неповрежденное изучение категорий пациентами с болезнью Паркинсона. Поведенческая неврология. 1999; 113: 235–242. [PubMed] [Академия Google]
• Рид SK. Распознавание образов и классификация. Когнитивная психология. 1972; 3: 382–407. [Google Scholar]
• Roediger HL, Blaxton TA. Влияние различной модальности, поверхностных особенностей и интервала удержания на прайминг при завершении фрагмента слова. Память и познание. 1987; 15: 379–388. [PubMed] [Google Scholar]
• Roediger HL, Srinivas K. Специфика операций при перцептивном прайминге. В: Graf P, Masson MEJ, редакторы. Имплицитная память: новые направления в познании, развитии и нейропсихологии. Эрльбаум; Хиллсдейл, Нью-Джерси: 1993. С. 17–48. [Google Scholar]
• Рош Е. Естественные категории. Когнитивная психология. 1973; 4: 328–50. [Google Scholar]
• Рош Э. Когнитивные ориентиры. Когнитивная психология. 1975; 7: 532–47. [Google Scholar]
• Schacter DL. Системы перцептивного представления и неявная память: к разрешению споров о множественных системах памяти. В: Даймонд А, редактор. Развитие и нейронные основы высшей когнитивной функции. Анналы Нью-Йоркской академии наук . Том. 608. 1990. стр. 543–571. [PubMed] [Google Scholar]
• Schacter DL, Buckner RL. Прайминг и мозг. Нейрон. 1998; 20: 185–195. [PubMed] [Google Scholar]
• Schacter DL, Wig GS, Stevens WD. Снижение корковой активности во время прайминга. Текущее мнение в нейробиологии. 2007; 17: 171–176. [PubMed] [Google Scholar]
• Симон Дж. Г., Ганор-Штерн Д., Кроули М. Дж., Уилсон С. М. , Вебер В. Дж., О’Рурк К. М., Махони Дж. К. Простой эффект экспозиции для трансформированных трехмерных объектов: эффекты отражения, изменения размера или цвета на аффект и узнавание. Память и познание. 1997;25:367–374. [PubMed] [Google Scholar]
• Seger CA, Poldrack RA, Prabhakaran V, Zhao M, Glover G, Gabrieli JDE. Полушарные асимметрии и индивидуальные различия в обучении зрительным понятиям, измеренные с помощью функциональной МРТ. Нейропсихология. 2000;38:1316–1324. [PubMed] [Google Scholar]
• Шепард Р.Н. К универсальному закону обобщения для психологической науки. Наука. 1987; 237:1317–1323. [PubMed] [Google Scholar]
• Shin HJ, Nosofsky RM. Исследования масштабирования сходства классификации и распознавания точечных образов. Журнал экспериментальной психологии: Общие. 1992;121:278–304. [PubMed] [Google Scholar]
• Sinha RR. Нейропсихологические субстраты категорийного обучения. Международные рефераты диссертаций. 1999;60(5Б):2381. УМИ № AEH9^{0. [Google Scholar]}
• Smith JD, Minda JP. Прототипы в тумане: ранние эпохи изучения категорий. Журнал экспериментальной психологии: обучение, память, познание. 1998; 24:1411–30. [Google Scholar]
• Smith JD, Minda JP. Путешествие к центру категории: диссоциация при амнезии между категоризацией и узнаванием. Журнал экспериментальной психологии: обучение, память и познание. 2001;27:984–1002. [PubMed] [Google Scholar]
• Smith JD, Minda JP. Различение процессов, основанных на прототипах и образцах, в обучении по категориям. Журнал экспериментальной психологии: обучение памяти и познанию. 2002; 28:800–811. [PubMed] [Google Scholar]
• Squire LR, Knowlton BJ. Изучение категорий при отсутствии памяти. Труды Национальной академии наук. США. 1995; 92:12470–12474. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Wagner AD, Desmond JE, Demb JB, Glover GH, Gabrieli JDE. Подготовка семантического повторения к словесным и изобразительным знаниям: функциональное МРТ-исследование левой нижней префронтальной коры. Журнал когнитивной неврологии. 1997;9:714–726. [PubMed] [Google Scholar]
• Уолдрон Э.М., Эшби Ф.Г. Влияние одновременного вмешательства задач на обучение по категориям: доказательства для систем обучения с несколькими категориями. Психономический бюллетень и обзор. 2001; 8: 168–176. [PubMed] [Google Scholar]
• Wiggs CL, Martin A. Свойства и механизмы восприятия. Текущее мнение в нейробиологии. 1998; 8: 227–233. [PubMed] [Google Scholar]
• Zaki SR, Nosofsky RM. Эффекты ложного улучшения прототипа при классификации точечного рисунка. Память и познание. 2004;32:390–398. [PubMed] [Google Scholar]
• Заки С.Р., Нософски Р.М., Джессуп Н.М., Унверсагт Ф.В. Категоризация и эффективность распознавания группы с нарушениями памяти: свидетельство односистемных моделей. Журнал Международного нейропсихологического общества. 2003; 9: 394–406. [PubMed] [Google Scholar]
• Zeithamova D, Maddox WT. Вмешательство двойной задачи в обучение перцептивной категории. Память и познание. 2006; 34: 387–398. [PubMed] [Академия Google]

ОПЫТ КАК ПРЕДСТАВИТЕЛЬСТВО

ОПЫТ ПРЕДСТАВИТЕЛЬСТВА

by

Fred Dretske

That перцептивные убеждения являются репрезентативными, в наши дни это мало оспаривается. Более спорной является идея о том, что перцептивные переживания тоже. Даже более спорным является утверждение, что перцептивные переживания не только репрезентативный, но их феноменальный характер — качества, которые определить, что значит иметь опыт — полностью дано посредством свойств опыт представляет то, что нужно иметь. Вот тот тезис, который я хочу исследовать (и защищать) здесь.

Говоря о перцептивном опыте как репрезентативный, можно было бы означать только то, что эти переживания (обычно) из вещи. Они обладают преднамеренностью в философском техническом смысле этого слова. Мы видим книги, слышим колокольчики и чувствуем запах чеснока. Если они достоверны, то визуальные, слуховые и обонятельные переживания связаны с (или о) книгами, колокольчиками и чесноком. Если все это подразумевается под репрезентативным теории опыта, трудно понять, как избежать репрезентативной теории. Я имею в виду больше, чем это. Я имею в виду, что опытные качества, способ вещи кажутся феноменальными (когда, например, кто-то видит или галлюцинирует оранжевая тыква), есть— все из них — свойства, которые представляет опыт вещи как имеющие. Поскольку качества объекты представляются как обладающие качествами, которыми они иногда — на самом деле (учитывая немного реализма) качества, которыми они обычно обладают, черты, определяющие на что похоже переживание — это свойства объектов, которые мы опыт (не наш опыт их) есть. Если понимать квалиа (как я их понимаю) как качества, которые в имея опыт, человек сознательно осознает эти качества (поэтому) которые, с точки зрения первого лица, различают один тип опыта от другого, то квалиа являются подмножеством объективных физических свойств.

Тот это полный рот, поэтому я разобью его на более удобоваримые куски. Сначала несколько слов о представлении.

1. Что такое представления?

В Говоря о репрезентациях, я руководствуюсь знакомыми примерами (того, что я называю) обычные представления — инструменты, датчики, рассказы и изображения. Термометры показывают температуру, спидометры скорость. Картинки и истории представляют объекты и события, изображениями и историями которых они являются. о. Некоторые представления изобразительный, другие нет. я называю таких репрезентации конвенциональны, потому что их способность репрезентировать так или иначе другой, основанный на наших коллективных целях и намерениях. Измените то, как мы используем или относимся к этим артефакты, и вы меняете (возможно, даже устраняете) их значение, то, что они говорят или представлять об остальном мире. Если опыт является репрезентативным, он, по-видимому, не обычным в этом смысле. их натуральный или оригинал (Haugeland 1981) репрезентации, репрезентации, чья сила сказать, как обстоят дела в некоторых другая часть мира не происходит от агентов, которые (имея намерения и цели) уже обладают этой властью. Однако помимо этого различия репрезентативная теория утверждает, что переживания напоминают обычные представления в важных отношениях. Если бы они этого не сделали, я бы не видел большого смысла в называя их репрезентациями. Что следует является кратким каталогом этих важных аспектов.

Есть представительские автомобили — объект, событие или состояние, которое представляет — и репрезентативное содержание — состояние или ситуацию транспортного средства представляет как таковой. Говоря о репрезентациях, то нам должно быть ясно, говорим ли мы о содержание или средство, о том, что представлено или представление сам. Это имеет большое значение. В случае мысленных представлений транспортное средство (убеждение или опыт) находится в голове. Содержание — то, во что верят и переживают — это (обычно) нет. То же самое и с обычными, знакомые представления. Это история в книге? Сюжет-автомобиль есть, но не содержание. Вот почему мы не можем сделать такой вывод, потому что в игре есть драконы. история и история в книге, что драконы в книге. Когда я говорю о репрезентациях, я буду всегда имел в виду представительский автомобиль. Если я имею в виду контент, я так и скажу.

Представительства не обязательно должен быть о конкретном объекте (пространственно-временной частности) для того, чтобы иметь содержание. После справедливо Согласно стандартному каузальному мышлению, я беру объект(ы) репрезентации за объект(ы), которые находятся в правильном причинном отношении к нему. Если нет объекта, стоящего в правильное причинно-следственное отношение к R (представительному транспортному средству), то R не относится к объект. R, тем не менее, все еще имеет содержание — что он сказал бы об объекте, если бы у него был объект. Думать о радар искажает информацию о самолете, приближающемся с востока. Есть медленно движущаяся вспышка, которая… когда все работает правильно — такой сигнал производит самолет. Но в данном случае такого самолета нет. существуют. Радар все еще «говорит» есть. Что он говорит об этом несуществующем самолете если что он приближается с востока. Рисунок на экране примерно (или, если тебе не нравится этот язык, говорит шаблон) что-то в том же роде вымышленные истории о вещах (или говорят о них). Речь идет о приближающемся самолете, как в пьесе Шекспира, 9.1019 Гамлет , о нерешительном датском принце. Представления, лишенные объекта, имеют содержание, зафиксированное способами, которыми они (неверно) представляют мир. быть.[2] С репрезентативной точки зрения на опыт феноменальный характер нашего опыт определяется не объектами, которые мы переживаем, — они могут изменяться или быть несуществующим, в то время как переживание субъективно остается точно таким же своего рода опыт, но, судя по тому, как опыт представляет то, что должно быть, свойств, которые он представляет объектам (если таковые имеются). Говоря о содержании, мы всегда должны пониматься как атрибутивное содержание, то, что репрезентация говорит или представляет о возможно несуществующем объекте. Как Дэвис (1996) содержание перцептивного представительство нет объект — участие.

Это важно различать свойство, которое объект представлен как обладающий (назовем это М) и свойство представлять объект как М, назовем это М _r . Если перцептивный опыт представляет собой движущимся объектом, М, то, если представление достоверно, объект, который является M, в то время как опыт является M _r . Если квалиа свойства, которые человек осознает, имея перцептивные переживания, — свойства объекты (если есть) феноменально кажется иметь — тогда это М, движение, свойство (если опыт достоверный) объект переживаемый, а не М _r , свойство опыта, что это качество.[3] Согласно репрезентативному мнению Таким образом, перцептивный опыт, квалиа — это свойства, которыми обладают физические объекты, те, которые мы испытываем, обычно имеют. Они не являются свойствами, которыми обладает опыт. Мы осознаем движение, М, а не М _r . Я понятия не имею, что такое свойство изображая что-то движущееся, M _r , внешний вид (запах, осязание, звучит как. подозреваю, что нет выглядеть, звучать, пахнуть или ощущаться как угодно и примерно по той же причине, по которой означает собака (свойство слова «собака») не выглядит, не звучит и не чувствовать себя как угодно. Конечно не нравится собака. Или слово «собака.»

Один последний пункт, прежде чем приступить к делу. Некоторые люди думают обо всех мысленных представлениях как о концептуальный. Мысленно представить x как М означает подводить х под понятие М, верить, судить или думать, что х есть М. Если человек не знает или понять, что такое М, не имеет понятия М, то ни S, ни что-либо в S (например, перцептивный опыт) может представлять что-то как М. Вы не можете испытать движение, если вы не понять, что такое движение.

я не спорю с концептуальными представлениями — я думаю о перцептивных верованиях таким образом я сам — но кажется ясным, что если опыт следует понимать в репрезентативные термины, репрезентации не могут быть концептуальными. Наблюдение за движением стрелки часов отличается от считая, что он движется. Вам не нужно видеть, как он движется, чтобы поверить, что это движется, и вы можете видеть, как оно движется, не веря, что оно движется. Даже птицы, пчелы и человеческие младенцы испытывают движение, и им не нужна концепция движение , чтобы сделать это. Концепция движение нужна не больше, чем человеку, чтобы испытать движение. нуждается в числовых понятиях, чтобы испытать множественность. Опыт пяти объектов отличается от одного из четырех (шести, восьми и т. д.) объектов, и отличается даже для животных (включая детей) которые не умеют считать и поэтому неспособны верить или считая, что перед ними пять объектов. Если не хватает концепции пять , никто не сможет описать пять пальцев, которые человек видит, как пять пальцев, но мы — эти которые обладают необходимыми понятиями, — несомненно, могут описать вещи таким образом для тех, кто не может сделать это сам. Возможно, они тоже не могут назвать себя голодными, но мы Можно. Репрезентативная теория опыт говорит, что визуальный опыт может представлять пальцы на своих рука как пять (не как четыре или шесть) даже когда переживание происходит у человека (или животного), лишенного способности сказать или подумать, что именно так все и происходит.[4]

Я не пытайтесь сказать, в чем разница между эмпирическим и концептуальным представление. я пытался это сделать в другом месте. В «Дрецке» (1981) я сделал различие с точки зрения аналогового и цифрового кодирования информации. В «Дрецке» (1995) заложена та же идея. понятия системной (филогенетическое происхождение) и приобретенной (онтогенетическое происхождение) форм представительства. Но это не тот место для разработки или обзора этих усилий. Достаточно, если мы согласимся с тем, что репрезентативная теория опыта должны различать в репрезентативных терминах опыт свойства предмета — в случае зрения его движение, цвет, ориентация, форма, размер, текстура и т. д., а также суждение (вера, знание), что некоторые объект имеет эти свойства. Если эти оба являются репрезентациями, это разные виды репрезентации, и репрезентативная теория сознания должна, в конечном счете, быть в состоянии учитывать эту разницу. Впрочем, это проект для другого раза. Пока нас интересует вопрос насколько правдоподобно думать об опыте исключительно в репрезентативные термины любые оказывается окончательный анализ репрезентации.

2. Опыты как представления.

Есть два — может быть (в зависимости от того, как считать) даже три — веские причины для размышлений опыта в репрезентативных терминах.

Прежде всего, это тот факт, что свойства, которые индивидуализируют опыта, которые отличают один тип опыта от другое — короче говоря, квалиа — не являются (по крайней мере, не должны быть) качествами что-либо в голове переживающего и, следовательно, учитывая, что переживания происходят в голове, а не качества опыта. На самом деле они не должны быть качества чего-либо. Ничего не нужно обладают свойствами, которые мы испытываем (по крайней мере, не в то время, когда мы испытываем их). Не должно быть ничего оранжевого и в форме тыквы — конечно, не в голове в то время, когда происходит переживание. происходит — для нас, чтобы иметь опыт оранжевой тыквы. Как это возможно? Точно так же можно иметь истории ( Золушка , например) о (вагонах, превращающихся обратно в) тыквы при этом в книге (транспортном средстве) не было ничего похожего на волшебное тыквы. Свойства и ситуации человек осознает, имея опыт, точно так же, как свойства и ситуации, описанные в рассказах: интенциональные. Мир не должен содержать их, чтобы быть представленным как содержащий их.

Этот интенциональный аспект репрезентации очевиден даже в таких знакомые измерительные приборы, как спидометры. Ничто не должно разгоняться до 100 миль в час для моего (неисправного) спидометр, чтобы показать, что я еду так быстро. Даже если представление достоверно, это ( представление) не обязательно должны иметь свойства, которыми, по его словам, обладает транспортное средство. Обычно, конечно, спидометр (находится в автомобиле, скорость которого он представляет) имеет ту же скорость, которую он представляет автомобиль как имеющий, но у полиции есть стационарные устройства, которые могут представлять собой машина как едет 100км/ч. Согласно репрезентативная теория, опыт таков. Репрезентативное транспортное средство, вещь в вашей голове, не (или не обязательно) обладают свойствами, которыми он представляет мир. То, что у вас в голове представляет объект там как движущийся не обязательно должен двигаться. Вот почему заглянув в голову человека (или летучей мыши), вы не обнаружите качества, которые испытывает человек (летучая мышь), в чью голову смотрят. Что я испытываю (вижу), когда смотрю в головы другого человека являются репрезентативными транспортными средствами — электрическими химическими события в сером, сыром, мозговом веществе; что человек переживает (видит), на с другой стороны, репрезентативное содержание — ярко-оранжевая тыква.

я не знаю ни одной другой теории о природе чувственного опыта, это удовлетворяющая история о аспектах первого и третьего лица опыт. Если мы согласны, что переживания оранжевых тыкв существуют в мозгу человека, видящего тыквы, почему другие люди не могут сказать, на что похожи эти переживания, по смотреть в мозг, на переживания, на человека, который их испытывает? По той же причине я не могу сказать, какая история рассказывается, глядя в книгу, написанную на китайском языке. Насколько я могу судить, это может быть связано с тренерами. превращаются в тыквы. я вижу представления достаточно ясно, но без понимания кода (в этом случае, язык), я не понимаю их смысла (содержания). Вы не можете идентифицировать репрезентативный контент глядя на объекты (транспортные средства), у которых он есть.

С, насколько я могу судить, репрезентативная теория — единственная материалистическая теория, которая объясняет эти загадочные факты об опыте, только репрезентативная теория успешно устраняет пробел в объяснении. Репрезентативная теория опыта не решает, я признаю, «сложную» проблему сознания. Он устраняет только этот пояснительный пробел . открывать не менее загадочный пробел в другом месте: как электрические и химические явления в серой сырой мозговой массе умудряются представлять ярко-оранжевые тыквы? Мы все понимаем, как следы на бумаге, а именно, слова «яркий оранжевая тыква» — успейте это сделать. Мы наделяем символы этой силой, заставляя их означать 9. 1019 яркий оранжевый тыква . Мы могли бы вместе, заставить эти слова означать что-то другое. Но никто, надо полагать, не придавал событиям, происходящим в нашем мозгу, значение. Если это представления, они не являются, как слова, условными представлениями объектов, которые мы видим и слышать. Так откуда же мозг берет свою силу — эту первоначальную или природную силу — представляют (неконцептуально) то, что мы переживаем?

я иметь представление об этом (см. Дрецке 1995), но это не место для перетаскивания вне. Проблема, которую я решаю здесь не то, что дает мозгу способность представлять качества, составляющие опыта, но вопрос о том, дает ли репрезентативная история удовлетворительное описание феноменального опыта. Если это так, то мы можем перейти к следующему вопросу: что же такое удовлетворительный счет представительства? Но по одному. Давайте сначала разберемся, существуют ли аспекты опыта, то, как мы видим и чувствуем мир, которые не могут быть интерпретируются как способы представления мира? Если есть, то даже если опыт репрезентативен, он не только репрезентативный. Так что даже если у нас есть адекватная теория репрезентации, способная отметить различие между концептуальной (вера) и неконцептуальной (опыт) формами представления, нам, в конце концов, понадобится что-то еще, нечто большее, чтобы получить полную теорию опыта.

До обращаясь к вопросу о том, обеспечивает ли репрезентативная теория полный отчет о феноменальном опыте, позвольте мне закончить объяснение причин думаю, что это, по крайней мере, часть рассказа. Вторая причина в пользу репрезентативного анализа опыт может быть не чем иным, как повторением первой причины, но я думаю, что это дает достаточно иной взгляд на вещи, чтобы оправдать упоминание Это. Как мы уже видели, квалиа, на репрезентативный вид, являются подмножеством обычных физических свойств, тех, что объекты представлены (в опыте) как имеющие. Когда представления достоверны, когда вещи на самом деле таковы, как они выглядят, объекты на самом деле обладают свойствами они представлены как имеющие. Площадь и , движущееся , например, являются двумя квалиа переживаний. (восприятие) движущихся квадратов. Эти являются свойствами объектов, которые мы видим, — движущегося квадрата. Они не являются (или не должны) быть свойствами наш опыт перемещения квадратов. Ваш опыт движущихся квадратов не является движущимися квадратами.

Это означает, что свойства, которые мы используем для индивидуализации переживаний, являются объективными свойства объектов, которые мы переживаем, а не свойства переживаний сами себя. Мы различаем опыт не по свойствам, но с точки зрения свойств, которыми обладают их объекты (если они есть). Это удивительно похоже на репрезентативный способ классификации, удивительно похожий на то, как мы классифицируем, скажем, рассказы и картинки. А есть биография Оскара Уайльда, B а История гражданской войны в Испании. Мы разложить эти книги по разным библиотечным полкам не потому, что они — книги — обладают такими разными свойствами, но поскольку вещи, которые они описывают, такие разные. То же самое с картинки. C представляет собой изображение Турецкий бизнес-магнат, D фотография мэра Чикаго. Это разные картинки, несомненно, попадают в разные фотоальбомы или в разные музеи не потому, что они такие разные (они могли быть неразличимы; мэр мог быть брат-близнец), но потому что то, что они изображают, то, что они изображают, такие разные.

Один раз мы понимаем, что свойства, которые мы используем для классификации субъективных переживаний, не свойства, которыми они обладают, а общедоступные свойства, которые внешние объекты (те, которые обычно относятся к этим переживаниям), это становится — или я так думаю — непреодолимым препятствием для объяснения этой необычной классификационной процедура в представительских условиях. Переживания различаются, потому что объекты, которыми они (обычно) являются, отличаются друг от друга. эти экспериментально обнаруживаемые способы.

Говоря в пользу репрезентативного описания перцептивного опыта есть, наконец, тот факт, что он решает старую и очень тревожную философскую проблему. проблема. Хотя привлекательность этого рассмотрение ограничивается реалистами определенной масти, упомяну об этом тем не мение. Большинство людей воспринимают реалисты. Кроме того, поскольку решения для философские проблемы не растут на деревьях, это соображение должно нести некоторый вес.

По Перцептивный реализм Я имею в виду ту точку зрения, что в обычном восприятии мы непосредственно осведомлены о физических объектах и ​​событиях — вещах, которые существуют независимо от нашего восприятие их. Видеть дерево — это не следует понимать как осознание какого-либо ментальный посредник (изображение, чувственное данное), обладающее свойствами, которыми, по-видимому, обладает дерево. Почти все, в моменты беззащитности, и вне уроков философии верит в это. Однако перцептивный реализм такого рода всегда имел проблемы. с галлюцинациями. Что это один видит (переживает) при галлюцинациях розовую крысу? Конечно, не розовая крыса — в этом все согласны, — но так ли это, тем не менее нечто такое, что, как розовая крыса, розовый и в форме крысы? Это что-то, что иллюстрирует эти свойства? Вроде бы что-то есть, но если есть, то где это? розовая, крысиная, штучка? это не вышло там. Просто спросите своих друзей. Для материалистов это не в голове либо. Нет ничего розового и (вероятно) ничего крысиного в мозгу человека, галлюцинирующего розовыми крысами

Это трудности с ответом на этот вопрос вдохновили на довольно отчаянные шаги в философии — например, наречные теории перцептивного опыта. Репрезентативная теория обеспечивает счастливую спасать. В галлюцинирующих розовых крысах мы осознают что-то — свойства, розовый и крыса — форма что-то есть представлен как обладающий — но мы не знаем ни одного объекта, обладающего этими свойствами — розовый, крысовидный, объект. Мы предупреждены чистых универсалий, неконкретизированных свойств. Помните, что представлению не нужен объект, который имеет свойства представление представляет что-то иметь. Радару не нужен объект, внешний или внутренний, тем более самолет, приближающийся с востока для представления что-то на высоте 35 000 футов приближается с востока. Репрезентации – это, прежде всего, репрезентации свойства — высота, направление, температура, давление, форма, цвет, размер, твердость, расстояние, скорость, положение и так далее. Если ничто не находится в правильном причинно-следственном отношении к представление квалифицировать как представляемый объект, то представление, не связанное с собственным объектом, говорит, что что-то имеет эти — как выясняется — неконкретизированные свойства, хотя на самом деле ничто не имеет их. Нет необходимости изобретать внутренние объекты, чтобы иметь свойства несвязанного представления ошибочно атрибутирует объект. Подобно тому, как радар может «галлюцинировать» самолет, приближающийся с на востоке на высоте 35 000 футов визуальный опыт может представить розовую крысу на углу, где не было ничего — во всяком случае, ничего розового и крысиного. представляет таким образом. Есть не должен быть чем-то, что X представляет, чтобы иметь свойство Y для X представлять должно быть нечто, обладающее свойством Y. Задача решена.

3. Задачи: несколько примеров.

Это хорошая новость. Теперь плохие новости. Что говорит против этого описания перцептивного опыта?

Один вещь, которая могла бы (если бы это было правдой) свидетельствовать против репрезентативной теории, если бы не существовало правдоподобной теории оригинальной или естественной репрезентации, которая могла бы положить немного мяса на эти кости. Если мы не могу себе представить, как электрически-химическая активность в нервной системе могла представить розовую крысу в восьми футах от человека, то, несмотря на философские преимущества осмысления зрительного (слухового и т. д.) опыта в таким образом, теория никогда не выйдет за ворота. Было бы неплохо, если бы это было правдой, да, но мы не можем себе представить, как это могло быть правдой.

Есть являются, конечно, философскими теориями репрезентации (включая мою собственную: см. Dretske 1995), целью которых является натуралистическое объяснение репрезентации, отчет, который описывает, как биологические системы на самом деле выполняют это чудесное подвиг. Но нет большого согласия (по крайней мере не много положительного согласия) о правдоподобности этих теории. Один из камней преткновения заключается в том, что любая правдоподобная теория репрезентации (точно так же, как любая правдоподобная теория смысла) является экстерналистским. Это находит репрезентативные способности системы в сети отношений (причинная, информационная, этиологическая) система несёт (или вынашивает) внешние дела. Это имеет последствие, что репрезентативное содержание (следовательно, согласно репрезентативной теории, качество опыт) не является супервентным в биологии системы. Биологически идентичные организмы (скажем, с разной историей) могут представлять свои среды совершенно по-разному. В соответствии с репрезентативной теорией перцептивного опыта они могут быть имеют очень различный опыт вещей, которые они видят. Но как могут биологически идентичные организмы иметь разный опыт?[5] Хотя многие философы были готовы принять этот результат за веру (один человек считает, что жидкость, которую он видит, это H ₂ О, его биологическая близнец считает, что это XYZ), меньше готовы принять это за человека восприятие жидкости. Какими бы ни были различия в их представлениях о жидкости, она должен выглядеть как для них обоих одинаково.

Возможно существуют (или будут существовать) правдоподобные теории репрезентации, которые (в отличие от моей собственное) избежать этого последствия, сделав репрезентативное содержание супервентным по отношению к текущее, внутреннее, состояние агента. Я не понимаю, как это можно сделать, но, возможно, мое воображение слишком слабый. Или, может быть (это мое собственное взгляд) это (для некоторых) невыносимое последствие может быть нейтрализовано более глубоким понимание того, что именно (т. е. феноменальный опыт) мы даем репрезентативной теории. Так как я уже сказал все, что могу с пользой сказать по этому поводу (Дрецке 1995: Глава 5; 1996), я оставляю этот вопрос здесь без дальнейших комментариев. Об этих делах — делах относительных Правдоподобность — люди должны судить сами.

я вместо этого обратимся к аспекту этой теории, который, вероятно, привлек больше всего критическое внимание. Это идея то, как вещи кажутся (феноменально) полностью дано репрезентативный характер опыта. Как только вы сказали, как переживание представляет вещи, сказал все об опыте, который субъективно доступен человек, имеющий опыт. Как мог бы ожидать от его бескомпромиссной общности, это утверждение привлекло поток контрпримеров. аргумент не в том, что существуют феноменальные качества, которые на самом деле нервная система человека не может представить. Это был бы аргумент о представительской способности биологических систем, и я не слышал, чтобы эмпирический аргумент приводился философы. Аргумент, скорее, что есть определенные качества, которые мы испытываем, которые нельзя понять как качествами что-либо представляется имеющим, и это по причинам, либо с характером самой репрезентации, либо со специфическим качеством в вопрос. Аргумент звучит так: имея опыт типа E, вещи кажутся нам F; но ничто в нас не может представлять что-то, чтобы быть F; следовательно, переживания типа Е не являются (вопреки к репрезентативности) полностью определяется их репрезентативностью характеристики.

Один раз так выражается диалектическая позиция, и как только мы оценим огромное разнообразие репрезентативных систем (например, рассказы, инструменты, картинки), понятно, что убедительные аргументы такой формы будут непростыми найти. Как найти недвижимость что ничто в нас не может представлять что-то как имеющее? Разве сам акт определения свойства не является способом представляет это? Разве не собственность что ничто не может быть представлено как абсолютно необнаружим? Если бы его можно было обнаружить, тогда мы могли бы построить инструмент для его обнаружения. Затем этот инструмент может представлять (возможно, искажать) объекты как обладающие свойством. Итак свойство, если оно поддается обнаружению, является свойством, которое мы можем вообразить инструментами (и если инструменты, почему не нервные системы?), представляющие объекты, которые нужно иметь. Таким образом, представляется, что контрпримеры к репрезентативная теория опыта будет вынуждена обращаться к необнаруживаемым свойства как те, которые теория не может объяснить.

Эти являются, признаюсь, первой реакцией — интуицией, если хотите — человека, к репрезентативной теории опыта. Это мой способ сказать, что я не понимаю, как репрезентативная теория опыта можно опровергнуть кабинетная философия. Как только мы ясно о том, что такое биологические репрезентации, возможно, это может быть опровергается научными фактами. Но не априори рассуждений. Все еще, стоит посмотреть на аргументы. Может быть, я что-то упускаю.

я не будет смотреть на все аргументы. Слишком много. я выберу и выбрать. Мой выбор, конечно, корыстный, но я думаю, что что-то может быть изучены, рассматривая два примера в частности. Они проявляют, каждый по-своему, общую склонность к неверно интерпретировать репрезентативную историю. Поэтому их неудача поучительна. Можно ли со всеми контрпримерами справиться так же легко, как это важный вопрос, на который я даже не буду пытаться ответить.

В критике моего репрезентативного отчета (Dretske 1995) чувственного опыта Кент Бах (1997: 467) приводит случай следующего рода:

Наиболее очевидное возражение против феноменального экстернализм заключается в том, что существуют некоторые феноменальные свойства, которые действительно связаны с самим опытом. . . . Например, зрительный опыт может стать размытым, например, когда человек снимает очки, при этом их объекты не выглядят размытыми. Их объекты выглядят по-разному, конечно, но не смотрите, чтобы изменились.

Возражение состоит в том, что хотя (снимая очки) переживает размытость, собственный опыт не отражает пережитого объект как размытый. Следовательно, существуют некоторые феноменальные свойства, которые не являются свойствами, вещи представлены как имея. Эти свойства, Бах предполагает, являются свойствами самого опыта.

Один возникает соблазн спросить, должно ли быть что-то в голове (что, мы предполагаем, где происходит опыт), который становится размытым, когда один снимает очки. это это , репрезентативный аппарат, некая часть зрительной коры, то, чей размытость, о которой человек начинает осознавать, когда вещи выглядят размытыми?

Конечно нет. Надев розовые очки (чтобы объекты выглядели розовыми) не меняет цвет вещей в глава. Зрительная кора не поворачивается розовый. Зачем же тогда взлетать очки, чтобы объекты выглядели размытыми, заставляют осознать что-то ( опыт в голове) что это размыто. Как только мы отказываемся от теории чувственных данных о восприятие, мы понимаем, что ничто — ни видимый объект, ни опыт этого — нужно быть размытым, чтобы объекты выглядели размытыми. И как только мы признаем этот факт, мы вернуться к репрезентативной теории опыта. Размытость — это то, как опыт представляет объекты, и вы не нужно размытое представление, чтобы представить вещи как размытые. Можно сделать это, например, резко печатные слова.

Это легко спутать: (1) свойства представления с (2) свойствами представление представляет объекты (представляемые) как имеющие (т. е. преднамеренные свойства). Это особенно с графическими изображениями. Представьте себе два изображения, одно из которых размытое (например, фотография, сделанная расфокусированной камерой) резко очерченного объекта (глыбы льда), другой — четко сфокусированное изображение объекта с нечеткими краями (например, облако). Четкое изображение нечеткого облако может напоминать расплывчатую картину острого льда. Так, если картина лед размыт, если размытость является свойством этого представления, то четкое изображение нечеткого облака, выглядящего почти таким же, также должно быть размыто. Но картина облака совсем не размыто. Может быть, это облако размыто (я так не думаю), но картинка точно нет. Он идеально в фокусе. Размытость применительно к изображениям относится к способ представления объекта. А изображение размыто, если оно представляет собой острый объект с нечеткими краями — когда, то есть свойство, которым обладает объект, не соответствует свойство представляемого объекта. Вот почему изображение облака, хотя оно и выглядит в точности как размытое изображение — не размытое. Есть никакого искажения. Границы представляемый объект настолько нечеток, насколько они представлены существование.

Когда Бах описывает опыт как размытый, он сбивает с толку намеренное свойство репрезентации — как опыт репрезентирует то, что должно быть — с свойство самого представления. Это легко сделать с размытыми графическими представлениями, поскольку графические изображения острого предмета на самом деле имеют свойство (нечеткие края) они представлять острый предмет, который нужно иметь. Так легко спутать интенциональное свойство со свойством представление. Никто не путает эти свойства в случае словесных представлений. Именно потому, что слова описание чего-либо как размытого (например, «размытого») не обязательно (например, изображение) имеют нечеткие края, чтобы сделать это.

Некоторые Примеры Пикока (1983), связанные с феноменом постоянства, вполне могут включать аналогичная путаница, хотя их труднее анализировать, поскольку в этом более раннем работы, Пикок не различает, как я здесь (и как он позже — Peacocke 1992), концептуальные из неконцептуальных репрезентаций. Если мы отложим эту разницу как можно лучше, мы Однако его примеры заслуживают обсуждения, потому что они поднимают глубокие и непонятные вопросы о природе перцептивный опыт и феноменальные качества, которые его определяют. Я расскажу только об одном из его примеров.

Вы видите два дерева, одно из них сто ярдов (назовем это Близким Деревом), другое (Дальнее Дерево) в двести дворы. Деревья одинакового размера, (механизмы постоянства такие, какие они есть) они выглядят для вас такими же размер: то есть, «принимая свой опыт за чистую монету, вы бы рассудили, что деревья имеют примерно одинаковый физический размер» (1983, стр. 12). Пикок признает, что это свойство (а именно, тот же физический размер) является репрезентативным свойством опыта. Это то, как ваш опыт представляет объекты. Тем не менее, Close Tree занимает больше вашего поля зрения, оно (как любят выражаться психологи) стягивает под большим углом, чем у Далекого Дерева. Этот особенность — это такая же особенность вашего опыта общения с деревьями, как и факт что они выглядят одинакового размера. В это чувство (относительное количество занятого поля зрения), то Close Tree выглядит больше , чем Дальнее дерево.

вопрос заключается в том, представляет ли чей-либо опыт общения с деревьями не только близкие Дерево того же размера, что и Far Tree (в результате операции size механизмов постоянства), но и в некоторых иных (но феноменологически доступном) смысле, представляет Близкое дерево как большее, чем Дальнее дерево.[6] Не вижу ничего плохого в том, чтобы сказать, что опыт представляет собой и вещей. Это, конечно, не противоречие. Это просто разница между объектно-центрированным (аллоцентрическим) описание деревьев (как одного размера) по сравнению с ориентированным на восприятие (эгоцентрическое) описание человека как большего, чем (т. е. занимающего больше поле зрения воспринимающего) другой. Деревья также представлены как находящиеся на разном расстоянии. от воспринимающего, и то, как деревья одинакового размера представляются как на разном расстоянии от воспринимающего заключается в том, что они представляются как занимающие различные зоны поля зрения.

Все это кажется простым и не только согласуется с, но и поддерживает репрезентативный учет перцептивного опыта. Тем не менее я упоминаю этот пример из-за своих подозрений, что некоторые люди найдут пример убедительным против репрезентативной теории по неправильным причинам — именно по тем причинам, которые заставили Баха спутать размытое осознание объектов с осознанием размытых объектов. Мысль идет так: видя деревья как одинаковый размер мы осознаем не только свойство деревьев представлены как имеющие (одинакового размера), но также и нерепрезентативные свойства, в силу которых они рассматриваются именно так, а именно, сравнительные количество поля зрения, которое занимают деревья. Близкое дерево «больше», чем Дальнее дерево, точно так же, как два пигментированные участки на перспективном рисунке деревьев одинакового размера (при разных расстояния) имеют разную величину. На рисунке два дерева изображены как того же размера, и то, как он это делает, пятнами пигмента другой размер. На чертеже Закрыть Дерево представлено 2-дюймовым пятном зеленого цвета, Далекое дерево — 1-дюймовым пятном. пятно зелени. Глядя на чертеже, мы осознаем как то свойство, которое изображают деревья, так и то, (одинакового размера) и свойство рисунка (изображения), посредством которого они представлены таким образом (пятно 2 дюйма в левом нижнем углу, пятно 1 дюйм пятно вверху слева). Это просто смутно думать, что наше обычное, непосредственное восприятие деревьев подобно это. Мы знаем и то, и другое (одинакового размера) наш опыт представляет деревья и (если мы уделим этому внимание) свойства представления (относительный размер представлений) на средства, которыми они представлены таким образом.

Тот та же ошибка, что и в примере Баха. Один неправильно идентифицирует представляемое имущество — сравнительная сумма поле зрения, занимаемое двумя деревьями, — со свойством репрезентации. Рассматривая фотографию двух деревьев, я знаю о свойстве представления (относительный размер двух пятна пигмента), а вот в просмотре деревьев нет. Оба свойства, которые я осознаю, когда вижу деревья, — оба их сравнительный размер (аллоцентрическое свойство) и удаленность от меня (эгоцентрическое свойство) — являются (относительными) свойствами деревья представлены как имеющие. В отличие от просмотра картинки я не в курсе (и не представляю должны быть) два объекта разного размера, которые (вместе с соответствующим размещением этих объектов в рисунок) изображают деревья одинакового размера. Единственные объекты, которые я осознаю, видя деревья, — это деревья. сами по себе, и они есть, и они представлены такими же размер. Если все работает правильно, эти объекты также представлены как находящиеся на разном расстоянии от меня и, следовательно, с точки зрения геометрии, как обязательно стягивающие разные углы и (что составляет одно и то же) занимая разные области моего зрительного поле. Однако это все свойства, которые деревья изображают обладающими, а не (как на рисунках деревья) свойства этих объектов (пятна пигмента на поверхности изображения), изображающие деревья.

4. Способы представления.

я завершите этот скудный обзор контрпримеров кратким обсуждением модусов презентации, идея, которая пользуется широкой популярностью, но которой нет места в репрезентативная теория опыта.

Нед Блок (1995) предлагает сравнить визуальное восприятие собственности с слуховое восприятие одного и того же свойства. Его выбор собственности накладных расходов . Он говорит, что слышать звук, идущий сверху, совсем другое дело. видеть что-то над головой. Качество опыта разное но переживается то же самое свойство (234). Итак, заключает он, существует феноменальное различие в этих переживаниях, которое нельзя проследить до репрезентативные различия. свойство служебная информация имеет разные режимы представления — в данном случае зрительный и слуховой режим.

Майкл Тай (1995: 157) утверждает, что слуховое, а не визуальное представление свойство overhead представляет громкость . Таким образом, феноменальная разница между видением что-то над головой и слышать что-то над головой не может быть результатом другой способ представления свойства накладных расходов (a нерепрезентативная разница) а разница в чем еще кроме накладные представляет. я предложил то же самое в (Dretske 1995). Чтобы показать, что модальное различие не является репрезентативным, недостаточно показать, что существует феноменальная разница в опыте одного и того же свойства. нужно показать что разница в опыте есть результат именно этого (и никакого другого) имущество. В остальном феноменальную разницу можно списать на то, что еще представлен в двух режимах.

И как можно это сделать? Это не будет легкий. Это будет непросто, потому что даже если бы можно было выделить свойство, переживаемое в гордом одиночестве в две различные модальности (ни в одном, ни в другом модальности не было представлено ничего другого) теоретик репрезентации всегда мог прибегнуть к возможности того, что какие бы феноменальные различия ни сохранялись в двух способах переживания этого имущество должно учитываться в репрезентативных терминах путем одновременного представления модальные различия . То есть, репрезентируя F-ность в режим V (зрение) и Т (осязание), феноменальная разница в нашем осознании F-ность можно объяснить как разницу в представлении F и (некоторый аспект) V в первом случае. и F и (какой-то аспект) Т в другом. При представлении свойства есть или всегда может быть представление канала, по которому передается информация об этом свойстве полученный. Если бы это было так, то даже если бы были феноменальные различия, связанные с разными способами доступа к объективные свойства, различия в нашем опыте объективных свойств все равно будут репрезентативные различия.

Есть это неправдоподобно? я не думаю так. Рассмотрим наше восприятие движение. Мы знаем, будь то или нет мы чувствуем движение в воспринимаемом объекте (независимо от того, кажется ли, что он движется в феноменальное чувство «появляться») зависит не только от того, что происходит на сетчатке. Это также зависит от информация, которую мозг получает, и команды, которые он дает независимо от того, выполнено (Rock 1975: 187) относительно положения и движения глаз. Если вы фиксируете неподвижный объект, вы чувствуете нет движения. Если вы отслеживаете перемещение объекта, сохраняя тем самым изображение на сетчатке неподвижным (таким же неподвижным, как если бы вы фиксировать неподвижный объект) — вы чувствуете движение. Таким образом, опыт движения зависит от информации, получаемой визуальным путем. система имеет о себе. На репрезентативный взгляд на опыт это означает, что качество опыта дается не просто информацией о том, что происходит на сетчатке (и указывает дальше), но и тем, что происходит в системе восприятия. себя (указывает дальше). Это существо Итак, не можем ли мы предположить, что модальные различия (предполагаемые различия в способе свойства представлены в двух сенсорных режимах) действительно репрезентативные различия — различия в том, что еще перцептивных системы представляют о себе?

я не знаю, насколько это правдоподобно. Может быть, это надумано. Все еще, возможность стоит упомянуть хотя бы для того, чтобы показать, как трудно найти эффективные контрпримеры к репрезентативному описанию опыта. Единственное, что невозможно согласно к репрезентативной теории относятся феноменальные различия с № репрезентативные различия. Пока тем не менее, поскольку существуют модальные различия, теоретик репрезентации может принять убежище в мысли, что, возможно, разные способы получения доступа к миру сами представлены в нашем восприятии мира.

ССЫЛКИ

Бах, К. 1997. Инженерия разума. Обзор Naturalizing the Mind от Фред Дрецке. Философия и Феноменологические исследования, LVII.2 (июнь 1997 г.), стр. 459-468.

Блок, N. 1995. О путанице с функция сознания. В Поведенческий и науки о мозге 18: 227-287.

Блок, N. 1997. Ответ автора. В Behavioral and Brain Sciences 20: 1. 159-166.

Дэвис, М. 1996. Экстернализм и опыт. Философия и когнитивные науки: Категории, сознание и мышление. ред. А. Кларк, Дж. Эскерро и Дж. М. Ларрасабай. Дордрехт: Kluwer Academic Publishers.

Дрецке, Ф. 1981. Знание и поток информации. Кембридж, Массачусетс; Массачусетский технологический институт Пресс.

Дрецке, Ф. 1995. Натурализация Разум. Кембридж, Массачусетс; Массачусетский технологический институт Пресс.

Дрецке Ф. 1996. Феноменальный Экстернализм: если смысла нет в голове, то где квалиа? Вопросы философии , 7 (1996), Энрике Вильянуэва, изд. Риджвью Издательская компания; Атаскадеро, Калифорния. Стр. 143-158.

Harman, G. 1989. Некоторые философские вопросы в когнитивной сфере. наука: квалиа, интенциональность и проблема разума и тела. В Основы когнитивных наук , Майкл Познер, изд. Кембридж, Массачусетс; Массачусетский технологический институт Нажимать. 831-848.

Harman, G. 1990. Внутреннее качество опыт. В Философский Перспективы, 4: Теория действия и философия разума , Джеймс Томберлин, изд., Атаскадеро, Калифорния; Издательство Риджвью, стр. 31-52

Haugeland, J. 1981. Mind Design. Кембридж, Массачусетс; MIT Press

Peacocke, C. 1983. Смысл и содержание: Опыт, мысль и их соотношение. Oxford: Clarendon Press

Peacocke, C. 1992. Исследование Концепции. Кембридж, Массачусетс; Массачусетский технологический институт Пресс.

Рок, I. 1975. Введение в Восприятие. Нью-Йорк; Макмиллан.

Тай, М. 1995а. Слепое зрение, оргазм и репрезентативное перекрытие. В Поведенческий и Brain Sciences 18, стр. 268-269.

Тайе, М. 1995б. Десять проблем Сознание . Кембридж, Массачусетс; Массачусетский технологический институт Нажимать.

ПРИМЕЧАНИЯ

Границы | Репрезентативный анализ подобия

Введение

Связь представлений в мозге и моделях

Вычислительная модель отдельного нейрона (например, в V1) может быть проверена и скорректирована на основе электрофизиологических записей активности этого типа нейрона при различных обстоятельствах (например, на разные раздражители). Это был один из успешных способов оценки вычислительных моделей отдельных нейронов с данными об активности мозга (например, Дэвид и Галлант, 2005 г. ). ; Кох, 1999 г. ; Рике и др., 1999 ). Однако этот подход к настройке отдельных единиц становится неудобным для вычислительных моделей в более крупном масштабе организации, которые имитируют всестороннюю обработку информации о мозге и включают популяции единиц с различными функциональными свойствами. Основной проблемой при сопоставлении таких моделей с данными об активности мозга является проблема пространственного соответствия: какой воксель записи одной клетки или функциональной магнитно-резонансной томографии (фМРТ) соответствует какой единице вычислительной модели? Для определения однозначного соответствия между единицами модели и каналами данных потребуется, чтобы функциональные свойства смоделированных и реальных нейронов были хорошо охарактеризованы заранее; и найти оптимальное соответствие будет по-прежнему сложной задачей. Еще больше усложняет ситуацию то, что во-первых, часто нельзя предполагать взаимно однозначное отображение; например, воксели и датчики изображения мозга отражают активность большого количества нейронов. Хотя единицы модели также могут представлять собой наборы нейронов, в общем случае мы не можем предполагать однозначное соответствие. Когда однозначного отображения не существует, попытка определить такое отображение явно плохо мотивирована. Более общее определение соответствия с помощью линейного преобразования потребует подгонки матрицы весов, которая часто будет иметь непозволительно большое количество параметров (количество единиц модели по количеству каналов данных).

Аналогичные проблемы соответствия возникают при сопоставлении паттернов активности между различными модальностями измерения мозговой активности. Современные методы многоканального измерения активности мозга (включая инвазивную электрофизиологию и электрофизиологию скальпа, а также фМРТ) могут собирать обширные образцы информации о структуре нейронов. Инвазивная электрофизиология является идеальной модальностью с точки зрения разрешения как в пространстве (один нейрон), так и во времени (мс). Однако одновременно можно регистрировать только очень небольшое подмножество нейронов. Методы визуализации (фМРТ и электрофизиология кожи головы) исследуют активность нейронов непрерывно в больших частях мозга или во всем мозге. Однако при визуализации один канал отражает совместную активность десятков тысяч (фМРТ высокого разрешения) или даже миллионов нейронов (электрофизиология кожи головы).

Если одни и те же паттерны активности измеряются двумя разными методами, мы ожидаем совпадения собранной информации. Тем не менее, разные методики отбирают паттерны активности принципиально разными способами. Инвазивная электрофизиология измеряет электрическую активность отдельных клеток, тогда как фМРТ измеряет гемодинамический аспект активности мозга. Хотя было показано, что гемодинамический сигнал фМРТ отражает активность нейронов (Logothetis et al., 2001 ; см. также Бандеттини и Унгерлейдер, 2001 г. ), картины фМРТ смещены в пространстве во времени, сглажены и искажены. Электрофизиология скальпа сочетает в себе высокое временное разрешение с пространственной выборкой активности нейронов, которая даже более грубая, чем при фМРТ.

Нейронаучная теория должна абстрагироваться от особенностей конкретных эмпирических модальностей. Для этого нам нужен независимый от модальности способ описания репрезентации области мозга. Такая характеристика также позволит нам выяснить, в какой степени различные модальности предоставляют согласованную или противоречивую информацию. Один из способов характеристики информации, представляемой областью мозга, — это психические состояния (например, восприятие стимулов), которые она различает (рис. 1). ). Здесь мы предлагаем связать модальности измерения мозговой активности и модели обработки информации путем сравнения матриц несходства паттернов активности. Наш подход устраняет необходимость определения явных пространственных соответствий или преобразований из одной модальности в другую.

Рисунок 1. Характеристика областей мозга по репрезентативной структуре сходства. Для каждой области значок графика сходства показывает сходство между паттернами активности, вызванными четырьмя стимулирующими изображениями. Изображения, расположенные близко друг к другу на значке, вызывали сходные модели ответов. Изображения, расположенные далеко друг от друга, вызывали разные реакции. Цвет каждой соединительной линии указывает, была ли разница в характере реакции значимой для группы (красный: p < 0,01; светло-серый: p ≥ 0,05, не значимо). Соединительная линия, подобно резиновой ленте, становится тоньше, если ее растянуть на длину, которая в точности отражала бы непохожесть, которую она представляет. Соединения также становятся толще при сжатии. Толщина линии, таким образом, указывает на неизбежное искажение двумерного представления многомерной структуры подобия. Толщина линий соединения выбирается таким образом, чтобы площадь каждого соединения (длина, умноженная на толщину) точно отражала меру несходства. Эта новая визуализация информации о характере ответа фМРТ сочетает в себе (A) Многомерное масштабирование сходства паттернов активности (введенное в фМРТ Edelman et al., 1998 ), (B) — новое графическое изображение неизбежных искажений в виде резиновой ленты, и (C) — результаты статистических тестов анализа информации о шаблонах (подробности теста см. в Kriegeskorte et al., 2007). ). Значки показывают групповой анализ с фиксированными эффектами для областей интереса, индивидуально определенных у 11 субъектов. Ранняя зрительная кора была анатомически определена; все остальные регионы были функционально определены с использованием набора данных, независимого от того, который использовался для вычисления значков графика подобия и статистических тестов.

Матрица репрезентативных различий

Для данной области мозга мы интерпретируем (Dennett, 1987 ) паттерн активности, связанный с каждым экспериментальным условием в качестве представления (например, представление стимула) ¹ . Путем сравнения моделей активности, связанных с каждой парой состояний (Edelman et al., 1998 ; Хаксби и др., 2001 г. ), получаем репрезентативную матрицу несхожести (RDM; рис. 2 ), которое служит для характеристики представления ² .

Рис. 2. Расчет репрезентативной матрицы несходства. Для каждой пары экспериментальных условий связанные паттерны активности (в области мозга или модели) сравниваются с помощью пространственной корреляции. Различие между ними измеряется как 1 минус корреляция (0 для идеальной корреляции, 1 для отсутствия корреляции, 2 для полной антикорреляции). Эти различия для всех пар условий собраны в RDM. Таким образом, каждая ячейка RDM сравнивает шаблоны ответов, вызванные двумя изображениями. Как следствие, RDM симметричен относительно диагонали нулей. Чтобы визуализировать представление для небольшого числа условий, мы предлагаем значок графика сходства (вверху справа, см. рис. 1). ).

RDM содержит ячейку для каждой пары экспериментальных условий (рис. 2). ). Каждая ячейка содержит число, отражающее несходство между паттернами активности, связанными с двумя состояниями. Как следствие, RDM симметричен относительно диагонали нулей. Мы предлагаем использовать корреляционное расстояние (1-корреляцию) в качестве меры несходства, хотя мы исследуем ряд мер ниже (рис. 10). ).

RDM указывает степень отличия каждой пары условий. Таким образом, его можно рассматривать как инкапсуляцию информационного содержания (в неформальном смысле), которое несет регион. Для любой расчетной модели (рис. 5 ), которые могут быть подвергнуты тем же экспериментальным условиям (например, предъявлены те же стимулы), мы можем получить RDM для каждой из его стадий обработки таким же образом, как и для области мозга (рис. 6). ).

RDM служат сигнатурами региональных представлений в мозге и моделях. Важно отметить, что эти подписи абстрагируются от пространственного расположения представлений. Они индексируются (по горизонтали и вертикали) в соответствии с экспериментальными условиями и, таким образом, могут напрямую сравниваться между мозгом и моделью. Интуитивно мы сравниваем представленную информацию, а не сами паттерны деятельности.

Сопоставление матриц несходства: изоморфизм второго порядка

RDM можно количественно сравнивать так же, как модели активности, например, используя корреляционное расстояние (1-корреляция) или ранг-корреляционное расстояние. Поскольку RDM симметричны относительно диагонали нулей, мы будем применять эти меры, используя только верхний (или, что то же самое, нижний) треугольник матриц.

Анализ структуры подобия имеет историю в психологии и смежных областях. При воздействии подходящего сенсорного стимула активность нашего мозга отражает многие свойства стимула. Отражение свойства стимула в уровне активности нейрона представляет собой то, что было названо изоморфизмом первого порядка между свойством и его представлением в мозгу. Большинство нейробиологических исследований репрезентаций мозга были сосредоточены на взаимосвязи между свойствами стимула и уровнем мозговой активности в отдельных клетках или областях мозга, то есть на изоморфизме первого порядка между стимулами и их репрезентациями. В основе нашего подхода лежит концепция изоморфизма второго порядка (Шепард и Чипман, 19).70 ), т. е. совпадение матриц несходства.

Когда мы сталкиваемся с трудностями при установлении прямого соответствия, т. е. изоморфизма первого порядка ^{3 90–100, при изучении отношений между стимулами и их представлениями мы можем вместо этого попытаться установить соответствие между отношениями между стимулами, с одной стороны, и отношениями между их представлениями, с другой, т. е. изоморфизм второго порядка. Мы можем изучать изоморфизм второго порядка, связывая структуру подобия объектов со структурой подобия представлений. Это обещает функциональную перспективу более высокого уровня, дополняющую перспективу изоморфизма первого порядка.}

Родственные подходы в литературе

Качественный и количественный анализ структуры подобия имеет долгую историю в философии, психологии и неврологии. Хороший вход в литературу дает Эдельман (1998). , кто (Эдельман и др., 1998 г. ) также первым применил анализ сходства к паттернам активности фМРТ с использованием техники многомерного шкалирования (MDS; Borg and Groenen, 2005). ; Крускал и Уиш, 19 лет78 ; Шепард, 1980 год. ; Торгерсон, 1958 год. ). Лааксо и Коттрелл (2000) сравнили представления в скрытых единицах коннекционистских сетей, сопоставив несходство структур их паттернов активности. Они предполагают, что этот подход можно использовать в качестве общего метода для сравнения репрезентаций и обсуждения философских последствий. Оп де Бек и др. (2001) связали репрезентативное сходство форм силуэтов в нижней височной коре обезьян с мерами физического и поведенческого сходства для этих стимулов.

На более общем уровне сходство паттернов активности связано с информацией о паттернах активности, на которую направлен ряд недавних исследований фМРТ человека (Carlson et al., 2003). ; Кокс и Савой, 2003 г. ; Давацикос и др., 2005 г. ; Фристон и др., 2008 г. ; Хэнсон и др., 2004 г. ; Хаксби и др., 2001 г. ; Хейнс и Рис, 2005a , б ; Хейнс и др., 2007 г. ; Камитани и Тонг, 2005 г. , 2006 г. ; Кригескорте и др., 2006 г. ; ЛаКонте и др., 2005 г. ; Митчелл и др. , 2004 г. ; Мурао-Миранда и др., 2005 г. ; Пессоа и Падмала, 2006 г. ; Полын и др., 2005 г. ; Серенс и Бойнтон, 2007 г. ; Спиридон и Канвишер, 2002 г. ; Стротер и др., 2002 г. ; Уильямс и др., 2007 г. ; обзоры см. в Haynes and Rees, 2006. ; Кригескорте и Бандеттини, 2007 г. ; Норман и др., 2006 г. ), а также в электрофизиологии обезьян (Hung et al., 2005). ; Цао и др., 2006 г. ).

Анализ явного подобия паттернов активности нейронов начали применять в фМРТ человека (Aguirre, 2007 ; Агирре и др., в процессе подготовки ; Друкер и Агирре, представлены ; Эдельман и др., 1998 г. ; Кригескорте и др., в печати ; О’Тул и др., 2005 г. ) и электрофизиология обезьян (Kiani et al., 2007). ; Оп де Бек и др., 2001 г. ).

Соединение ветвей системной нейронауки

В этой статье мы утверждаем, что теоретическая концепция изоморфизма второго порядка (Шепард и Чипман, 1970 г. ) может служить гораздо более общей цели, чем считалось ранее, связывая не только внешние объекты с их представлениями в мозгу, но и преодолевая разрыв между тремя ветвями системной нейронауки: поведенческими экспериментами, экспериментами с активностью мозга и вычислительным моделированием (рис. 3). ).

Рисунок 3. Матрица репрезентативных несходств как центр, связывающий различные репрезентации . (A) Системная нейронаука изо всех сил пыталась связать три основных направления исследований: поведенческие эксперименты, эксперименты с мозговой активностью и компьютерное моделирование. До сих пор эти ветви взаимодействовали в основном на двух уровнях: (1) они взаимодействовали на уровне вербальной теории, т. е. путем сопоставления выводов, сделанных из отдельных анализов. Этот уровень является существенным, но не количественным. (2) Они взаимодействовали на уровне характеристических функций, например, путем сравнения психометрических и нейрометрических функций. Эта форма приведения ветвей в соприкосновение столь же существенна и может быть количественной. Однако характеристические функции обычно содержат лишь небольшое количество точек данных, поэтому интерфейс не является информационно насыщенным. Обратите внимание, что показанный RDM основан только на четырех условиях, что дает только (4 ² − 4)/2 = 6 параметров. Однако, поскольку число параметров растет пропорционально квадрату числа условий, RDM может предоставить информационно насыщенный интерфейс для связывания различных представлений. Рассмотрим, например, обсуждаемый нами эксперимент с 96 изображениями, где матрица имеет (96 ² − 96)/2 = 4560 параметров. (B) На этой панели более подробно показано, какие различные представления могут быть связаны с помощью количественного интерфейса, предоставляемого RDM. Мы произвольно выбрали пример фМРТ, чтобы проиллюстрировать взаимосвязи внутри модальности, которые могут быть установлены. Обратите внимание, что все эти отношения трудно установить иначе (серые двойные стрелки).

Мы представляем структуру анализа, называемую анализом репрезентативного подобия (RSA), которая основана на обширной психологической и математической литературе (Edelman, 1995). , 1998 г. ; Эдельман и Дувдевани-Бар, 1997а , б ; Крускал и желание, 1 978 ; Лааксо и Коттрелл, 2000 г. ; Шепард, 1980 год. ; Шепард и Чипман, 1970 год. ; Шепард и др., 1975 г. ; Торгерсон, 1958 год. ). Основная идея состоит в том, чтобы использовать RDM в качестве сигнатуры представлений в областях мозга и вычислительных моделях. Мы определяем конкретный рабочий прототип RSA и подробно обсуждаем потенциал этого подхода:

(1) Интеграция компьютерного моделирования в анализ данных мозговой активности. Ключевым преимуществом RSA является то, что вычислительные модели обработки информации мозгом образуют интегрированный компонент анализа данных и могут непосредственно оцениваться и сравниваться. Мы демонстрируем, как применять многомерный анализ к набору матриц несходства из областей и моделей мозга, чтобы выяснить (1) какая модель лучше всего объясняет репрезентацию в каждой области мозга и (2) в какой степени репрезентации между областями и моделями похожи друг на друга. Другой. Мы вводим рандомизационный тест репрезентативной связанности и метод начальной загрузки для получения планок погрешностей в оценках согласия различных моделей.

(2) Связанные регионы, субъекты, виды и методы измерения мозговой активности. Мы обсудим, как можно использовать RSA для количественной связи:

• представлений в различных областях одного и того же мозга («репрезентативная связность»),

• соответствующих областей мозга в различных субъектах («межсубъектная информация»),

• соответствующие области мозга у различных видов (например, у людей и обезьян),

• и различных модальностей данных об активности мозга (например, записи клеток и фМРТ).

(3) Связь мозга и поведения. Мы обсуждаем, как RSA может количественно связать измерения мозговой активности с поведенческими данными. Эта возможность уже была продемонстрирована в предыдущей работе (Aguirre et al., при подготовке ; Киани и др., 2007 г. ; Оп де Бек и др., 2001 г. ).

(4) Обращение к более широкому кругу нейробиологических вопросов в каждом эксперименте с помощью дизайна, богатого условиями. В то время как RSA применим к традиционным экспериментальным планам, он синергизирует с новыми экспериментальными планами, богатыми условиями, где один эксперимент может решить большое количество нейробиологических вопросов. Мы демонстрируем это с помощью эксперимента с фМРТ, который имеет 96 отдельных состояний, и обсуждаем более широкие последствия.

Мы надеемся, что RSA внесет свой вклад в более интегрированную системную нейробиологию, где различные многоканальные измерения нейронной активности будут количественно связаны друг с другом, а также с вычислительной теорией и поведением посредством богатой информацией характеристики распределенных представлений, предоставляемых RDM.

Анализ репрезентативного подобия – шаг за шагом

В этом разделе мы шаг за шагом опишем основу RSA. Мы предполагаем, что анализируемые данные состоят из многомерного паттерна активности, измеренного для каждого из набора условий в данной области мозга, представление которой необходимо лучше понять. Данные могут быть получены из записей отдельных клеток или массивов электродов, из нейровизуализации или любого другого метода измерения активности мозга. Мы демонстрируем анализ эксперимента фМРТ, в котором испытуемые-люди просматривали 96 отдельных изображений объектов. Пошаговое описание, которое следует ниже, описывает метод. Эмпирические результаты для нашего примера эксперимента описаны и интерпретированы впоследствии.

Этап 1: Оценка шаблонов активности

Первым этапом анализа является оценка шаблона активности, связанного с каждым экспериментальным условием. В нашем примере паттерны активности представляют собой паттерны пространственного ответа от ранней зрительной коры (EVC) и от веретенообразной области лица (FFA). Анализ проводится независимо для каждого региона.

Вместо шаблонов пространственной активности мы могли бы использовать пространственно-временные шаблоны или просто временные шаблоны из одного места в качестве входных данных для RSA. Точно так же мы могли бы отфильтровать измерения каким-то нейробиологически осмысленным способом. Например, для записей клеток мы могли бы использовать в качестве входных данных подсчет спайков в окне, активность нескольких единиц или потенциалы локального поля.

В нашем примере фМРТ мы получаем оценку активности для каждого вокселя и состояния, используя массивное одномерное линейное моделирование (рис. 7). ). Матрица дизайна, используемая для моделирования ответа каждого вокселя, основана на последовательности событий и линейной модели гемодинамического ответа (Boynton et al., 19).96 ). Для каждой интересующей области результирующие паттерны активности, связанные с состоянием, формируют основу для вычисления репрезентативных различий.

Шаг 2: Измерение различий между моделями деятельности

Для расчета RDM (рис. 2 ), мы сравниваем шаблоны действий, связанные с каждой парой условий. Полезной мерой несходства паттернов активности, которая нормализует как средний уровень активности, так и вариабельность активности, является корреляционное расстояние, т. е. 1 минус линейная корреляция между паттернами (см. Aguirre, 2007). ; Хаксби и др., 2001 г. ; Киани и др., 2007 г. ). Альтернативные меры включают евклидово расстояние (см. Edelman et al., 19).98 ), расстояние Махаланобиса (ср. Kriegeskorte et al., 2006 ) и, чтобы связать RSA с обычным фМРТ-анализом на основе активации, абсолютное значение региональной средней разницы активации (рис. 10). ).

Значения несходства для всех пар условий собираются в РДМ, которая будет иметь ширину и высоту, соответствующие количеству условий, и симметрична относительно диагонали нулей (рис. 2). ). Мы можем использовать MDS для визуализации структуры сходства паттернов деятельности. Это показано на рисунке 4. , где условия представлены цветными точками. Расстояния между точками аппроксимируют различия моделей активности, с которыми связаны условия.

Рис. 4. Неконтролируемое расположение 96 экспериментальных условий, отражающее попарное сходство паттернов активности. Как на рис. 1 , но для 96 вместо 4 условий аранжировки отражают структуру сходства паттернов активности. Каждая панель визуализирует RDM из соответствующей панели на рисунке 10. . Каждое состояние (соответствующее представлению одного из 96 изображений объекта) представлено цветной точкой, где указаны цветовые коды категории (легенда внизу). На каждой панели точки, расположенные близко друг к другу, указывают на то, что два состояния были связаны с аналогичными моделями активности. Точки, расположенные далеко друг от друга, указывают на то, что эти два состояния были связаны с разными паттернами активности. На панелях показаны результаты неметрического многомерного шкалирования (минимизация функции потерь «стресс») для двух областей мозга (строки) и трех мер несходства моделей активности (столбцы). Обратите внимание, что категориальная кластеризация паттернов реакции изображения лица очевидна в правой FFA (нижний ряд), но не в ранней зрительной коре (верхний ряд). (Обратите внимание, что абсолютные различия в активации можно было бы представить в виде прямой линии, если бы матрицы различий не усреднялись по субъектам. )

Шаг 3: Прогнозирование репрезентативного подобия с помощью ряда моделей

В этом разделе мы опишем различные типы моделей, которые можно оценить с помощью RSA. Рисунок 5 показаны внутренние представления нескольких моделей-примеров, а на рис. 6 показаны матрицы несходства, характеризующие модельные представления.

Рис. 5. Модельное представление двух примеров изображений. Два примера изображений (A,B) из 9Эксперимент с 6 изображениями и их представления в ряде вычислительных моделей, включая стандартные преобразования обработки изображений, а также нейронаучно мотивированные модели. Обратите внимание, что каждое такое представление определяет уникальную структуру сходства для 96 стимулов (как показано в RDM на рис. 6). ).

Сложные вычислительные модели

Чтобы оценить вычислительную модель с RSA, модель должна имитировать некоторые аспекты обработки информации, происходящие в мозгу субъекта во время эксперимента. Таким образом, термин «модель» здесь имеет другое значение, чем обычно используется в статистическом анализе данных, где он часто относится к статистической модели, которая не моделирует обработку информации мозгом (например, матрица планирования на рис. 7). , который использовался для оценки моделей активности).

В нашем примере нас интересует визуальное восприятие объекта, поэтому используемые модели имитируют части визуальной обработки. Модели предъявляются к тем же экспериментальным стимулам, что и наши люди. Более того, их внутренние представления анализируются так же, как и измеренные представления мозга наших испытуемых.

Мы демонстрируем RSA с тремя сложными вычислительными моделями. Во-первых, мы используем модель V1, состоящую из ретинотопических карт смоделированных простых и сложных клеток на основе банков фильтров Габора для диапазона пространственных частот и ориентаций в каждом месте (подробности в Приложении). Мы также включили вариант этой модели, в котором мы попытались смоделировать локальное усреднение вокселей фМРТ путем объединения локальных ответов исходной модели V1 (модель V1, сглаженная).

Во-вторых, в качестве примера представления более высокого уровня мы используем модель, разработанную в рамках HMAX (Riesenhuber and Poggio, 2002). ; Серр и др., 2007 г. ), который включает блоки C2 на основе патчей естественного изображения в качестве фильтров и примерно соответствует уровню представления в V4.

В-третьих, мы используем вычислительную модель компьютерного зрения, преобразование RADON, компоненты которого в настоящей реализации не должны напоминать нейроны в зрительной системе приматов. Однако эта модель может быть реализована с помощью биологических нейронов и была предложена в качестве функционального объяснения представления зрительных стимулов в латеральном затылочном комплексе (Wade and Tyler, 2005). ) на основании данных фМРТ. Подробные описания модельных представлений можно найти в разделе «Методологические подробности».

Простые вычислительные модели

Описанные выше модели в некотором смысле предназначены для имитации обработки информации мозгом. Мы можем дополнительно использовать простые преобразования изображений в качестве конкурирующих вычислительных моделей. Хотя для таких моделей может не быть убедительной нейробиологической мотивации, они могут предоставить полезные ориентиры и помочь нам охарактеризовать информацию, представленную в данной области мозга. Сюда мы включаем (1) сами цифровые изображения в цветовом пространстве Lab (которое более точно отражает человеческое восприятие сходства цветов, чем цветовое пространство RGB, более часто используемое для хранения изображений), (2) шаблоны яркости (версии в оттенках серого) изображений. , (3) низкочастотные (т. на каждом изображении) и (6) силуэты объектов, в которых каждый пиксель фигуры равен 1, а каждый пиксель фона равен 0. Эти модели также более подробно описаны в Приложении.

Концептуальные модели

Матрицы различий моделей могут быть получены не только из явных расчетных счетов. Теория может указать, что данная область мозга представляет конкретную информацию и абстрагируется от другой информации, не уточняя, как вычисляется представление. В таких «концептуальных моделях» обработка информации чудесна (т. е. не определена), а паттерны деятельности неизвестны. Однако мы все еще можем указать гипотетическую структуру сходства, которую нужно проверить, сравнивая со структурами сходства, обнаруженными в разных областях мозга.

Здесь мы используем две категориальные модели как примеры этой разновидности моделей (рис. 6). ). Первая — это модель одушевленного и неодушевленного, в которой два изображения объекта идентичны (несходство = 0), если они либо оба одушевлены, либо оба неживые, и различны (несходство = 1), если они пересекают границу категории. Вторая категориальная модель следует той же логике для категории лиц: два предметных изображения идентичны (несходство = 0), если они либо оба являются лицами, либо оба не являются лицами, и 1043 разных (несходство = 1), если ровно одно из них является лицом.

Рис. 6. Репрезентативные матрицы различий для моделей и областей мозга. Матрицы различий для модельных представлений и региональных представлений мозга (как показано на рисунке 2). ). Мера несходства равна 1 — корреляция (корреляция Пирсона в пространстве). Обратите внимание, что каждая модель дает уникальную репрезентативную структуру сходства, которую можно сравнить со структурой каждой области мозга (пять нижних матриц). Это сравнение проведено количественно на следующем рисунке. Текстовые метки обозначают изображенное представление цветом, обозначающим тип: сложная вычислительная модель (синий), простая вычислительная модель (черный), концептуальная модель (зеленый), представление мозга (красный).

Рисунок 7. Матрица дизайна для фМРТ-дизайна с богатыми условиями негруппированными событиями. На обеих панелях показана матрица плана, использованная для эксперимента с 96 изображениями, пример плана негруппированных событий с большим количеством условий. На верхней панели показаны временные курсы гемодинамических предикторов для экспериментальных событий, происходящих в первые пару минут первого прогона. Обратите внимание, что события происходят при 4-секундной асинхронности начала пробы, приводя к перекрывающимся, но диссоциируемым гемодинамическим ответам и разумной частоте предъявления стимула. (Каждый из 96 условий выполняются ровно один раз в каждом прогоне. Последовательность условий рандомизируется независимо для каждого прогона.) Нижняя панель показывает полную матрицу плана с цветовой кодировкой амплитуды предиктора (см. цветную полосу справа). В дополнение к 96 предикторам для экспериментальных условий, матрица плана также включает компоненты, моделирующие медленные тенденции артефактов и остаточные артефакты движения головы (после коррекции движения головы твердого тела), а также предиктор смешения среднего для каждого запуска.

Кроме того, мы используем модель «лицо-животное-прототип», которая предполагает, что все лица вызывают прототипический паттерн реакции (подразумевающий небольшие различия между отдельными репрезентациями лица) и что то же самое в меньшей степени верно для более общего Класс изображений животных.

Структура сходства на основе поведения

Мы также можем использовать поведенческие меры для определения эталонных матриц различий. Значения несходства могут исходить из явных суждений о сходстве, времени реакции или ошибок путаницы в задачах сравнения (Aguirre et al., в процессе подготовки). ; Куцу и Эдельман, 1996 г. , 1998 г. ; Эдельман и др., 1998 г. ; Киани и др., 2007 г. ; Оп де Бек и др. 2001 г. ; Шепард и др., 1975 ). Такие матрицы поведенческих различий могут отражать представления, определяющие поведенческий выбор, время реакции или ошибки путаницы. Близкое соответствие между RDM области мозга и матрицей различий в поведении предполагает, что региональное представление может играть роль в определении измеряемого поведения.

Шаг 4. Сравнение матриц различий мозга и модели

После того, как матрицы различий репрезентаций мозга (рис. 10) ) и теоретических моделей (рис. 6 ) были указаны, их можно визуально и количественно сравнить. Один из способов количественной оценки совпадения между двумя матрицами несходства — с помощью коэффициента корреляции. Мы используем 1-корреляцию как меру различия между RDM (рис. 8). ). Поскольку матрицы несходства симметричны относительно диагонали нулей, корреляция вычисляется по значениям в верхней (или, что то же самое, нижней) треугольной области. Обратите внимание, что выше мы предложили использовать эту меру для сравнения моделей активности. Здесь мы предлагаем использовать его для оценки несходства второго порядка: несходства матриц несходства.

Рисунок 8. Сопоставление моделей с областями мозга путем сравнения матриц репрезентативных различий. Матрицы несходства, характеризующие репрезентацию в ранней зрительной коре (вверху) и правой FFA (внизу), сравниваются с матрицами несходства, полученными из модельных представлений и других областей мозга. Каждая полоса указывает на отклонение между RDM эталонной области (ранняя зрительная кора или правая FFA) и моделью или другой областью мозга. Отклонение измеряется как 1 минус корреляция Спирмена между матрицами несходства (для мотивации см. Шаг 4 и Приложение). Цвета текстовых меток указывают тип представления: сложная вычислительная модель (синий), простая вычислительная модель (черный), концептуальная модель (зеленый), представление мозга (красный). Столбики погрешностей указывают стандартную ошибку оценки отклонения. (Стандартная ошибка оценивается как стандартное отклонение 100 оценок отклонения, полученных в результате бутстраповской повторной выборки заданных условий.) Число под каждым столбцом указывает на p — значение для проверки родства между эталонной матрицей (ранняя зрительная кора или правая FFA) и матрицей модели или другой области. (Тест основан на 10 000 случайных выборок меток условий.) Черная линия указывает уровень шума, т. е. ожидаемое отклонение между эмпирическим эталонным RDM (с шумом) и базовым истинным RDM (без шума). Красная линия указывает ожидаемое отклонение при повторном тестировании между эмпирическими матрицами несходства, которое было бы получено для эталонной области, если бы эксперимент был повторен с другими субъектами (обе матрицы подвержены влиянию шума). Обе эти контрольные линии, а также отношение сигнал/шум несходства (ОСШ несходства: ниже заголовков) оцениваются на основе изменчивости оценок несходства между субъектами.

Мы могли бы использовать альтернативную меру расстояния, такую ​​как евклидово расстояние, для сравнения матриц несходства. Что касается сравнения паттернов активности, мы снова отдаем предпочтение корреляционному расстоянию, поскольку оно инвариантно к различиям в среднем и изменчивости различий. Для моделей, которые мы используем здесь, мы не хотим предполагать линейное соответствие между матрицами несходства. Поэтому мы используем коэффициент ранговой корреляции Спирмена для их сравнения. В приложении мы представляем еще один аргумент в пользу использования рангового корреляционного расстояния (вместо линейного корреляционного расстояния Пирсона или евклидова расстояния) для сравнения матриц несходства. Аргумент основан на наблюдении, что в многомерных пространствах отклика заметный компонент влияния шума модели активности на различия может быть объяснен монотонным преобразованием.

Рисунок 8 показаны отклонения (корреляция 1-Спирмена) моделей от RDM каждой области мозга. Меньшие полосы указывают на лучшее соответствие. Чтобы оценить изменчивость каждого отклонения модели, ожидаемого, если аналогичный эксперимент будет проводиться с другими стимулами (из одной и той же совокупности стимулов), мы вычислили каждое отклонение модели 100 раз для повторных выборок набора условий (т. е. 96). условия выбраны с заменой из оригинального набора 96 на каждой итерации) ⁴ . Этот метод привлекателен, (1) потому что он требует небольшого количества предположений, (2) потому что в качестве входных данных необходимы только матрицы несходства, (3) потому что он требует меньше вычислительных ресурсов, чем моделирование шума на более низком уровне, и (4) потому что он обобщает (насколько это возможно с учетом экспериментальных данных) набор условий, фактически используемых в эксперименте, на совокупность условий, из которых фактические условия можно рассматривать как случайную выборку. Эта процедура начальной загрузки также позволяет проверить, соответствует ли одна модель данным лучше, чем другая модель, как описано в Приложении 9.0099 5 .

Шаг 5: проверка родства двух матриц несходства путем рандомизации

Чтобы решить, связаны ли две матрицы несходства, мы можем сделать статистический вывод о корреляции RDM. Классический метод проверки корреляций предполагает независимые измерения двух переменных. Для матриц несходства такая независимость не может быть принята, потому что каждое сходство зависит от двух шаблонов ответов, каждый из которых также определяет сходство всех других своих пар в RDM.

Поэтому мы предлагаем проверять родство матриц несходства путем рандомизации меток условий. Мы выбираем случайную перестановку условий, переупорядочиваем строки и столбцы одной из двух сравниваемых матриц различий в соответствии с этой перестановкой и вычисляем корреляцию. Повторяя этот шаг много раз (например, 10 000 раз), мы получаем распределение корреляций, моделирующее нулевую гипотезу о том, что две матрицы несходства не связаны. Если фактическая корреляция (для согласованной маркировки между двумя матрицами несходства) попадает в верхние α × 100% смоделированного нулевого распределения корреляций, мы отвергаем нулевую гипотезу о несвязанных матрицах несходства с коэффициентом ложных срабатываний α. p — значение связи каждой области мозга с каждой моделью указано под полосой модели на рисунке 8. . Это консервативные оценки, основанные на 10 000 случайных переименований, поэтому наименьшая возможная оценка составляет 10 ⁻⁴ .

Шаг 6. Визуализация структуры сходства репрезентативных матриц несходства с помощью MDS

MDS обеспечивает общий метод для размещения объектов в низкоразмерном пространстве (например, двумерной фигуре на бумаге), чтобы их расстояния отражали их сходство: похожие объекты будут помещены вместе, а непохожие — врозь. На рисунке 4 мы использовали MDS для визуализации структуры сходства паттернов активности в EVC и FFA. Здесь мы предлагаем использовать MDS также для визуализации структуры подобия RDM.

Сначала мы собираем все попарные сравнения между матрицами различий моделей деятельности в матрице различий матриц различий (рис. 9). А), используя ранговую корреляцию в качестве меры несходства, как было предложено выше. Затем мы выполняем MDS на основе этой матрицы различий второго порядка.

Рисунок 9. Одновременное связывание всех пар представлений. Рисунок 8 показали отношения между двумя эталонными регионами и всеми моделями и другими регионами. Здесь мы одновременно визуализируем парные отношения между всеми моделями и областями (текстовые метки). Обратите внимание, что визуализация всех парных отношений обходится дорого: статистическая информация здесь опущена. Цвета текстовых меток указывают тип представления: сложная вычислительная модель (синий), простая вычислительная модель (черный), концептуальная модель (зеленый), представление мозга (красный). (A) Корреляционная матрица (ранговая корреляция Спирмена) RDM. (B) Многомерное масштабирование (минимизация метрического стресса) представлений. Обратите внимание, что MDS использовалась здесь для упорядочения паттернов активности (как на рисунках 1 и 4). ), а матрицы несходства. График с круглой резинкой (серые соединения) изображает неизбежные искажения, возникающие при размещении моделей в 2D (см. условные обозначения к Рисунку 1). для объяснения).

Этот метод исследовательской визуализации (рис. 9Б) одновременно связывает все RDM (из моделей и областей мозга) друг с другом. Таким образом, он обобщает информацию, которую мы могли бы получить, проверив гистограмму соответствия RDM (шаг 4), а не только для EVC и правильного FFA (как показано на рисунке 8). ), но для каждой модели и региона. За краткость визуализации MDS приходится платить: расстояния искажаются (в зависимости от количества включенных представлений), отсутствуют планки погрешностей или статистические показатели. Тем не менее, этот метод исследовательской визуализации обеспечивает полезное общее представление. Это может предупредить нас о взаимоотношениях, которые мы не рассмотрели, и предложить подтверждающий последующий анализ.

Эмпирические результаты и их интерпретация

Матрицы репрезентативных различий EVC и FFA

Рисунок 10 показывает, что матрица корреляции-расстояния для EVC и FFA. Для FFA, но не для EVC, матрица отражает категориальную структуру стимулов. Эта структура очевидна, поскольку последовательность условий для матриц несходства определялась категориальным порядком. Обратите внимание, однако, что этот порядок влияет только на внешний вид матриц. Изменение порядка условий не влияет на результаты RSA. Для FFA матрица корреляционных расстояний выявляет модель, заметно отличающуюся от той, что демонстрируется двумя другими мерами несходства модели активности. Матрица абсолютной разницы активации показывает заметный контраст в уровне активации между лицами и неодушевленными объектами и менее заметный между одушевленными и неодушевленными объектами. Матрица корреляции-расстояния нормализует эффекты активации в среднем по региону и показывает, что модели активности сильно коррелируют среди лиц (человека или животного) и в меньшей степени среди животных. Матрица евклидова расстояния чувствительна как к абсолютной разнице активации, так и к корреляции паттернов. Если не указано иное, последующие анализы основаны на матрицах корреляционных расстояний.

Рис. 10. Матрицы различий паттернов активности, выявленных в ранней зрительной коре и FFA при просмотре 96 изображений объектов. Матрицы различий (как показано на рис. 2 ) показаны для ранней зрительной коры (верхний ряд) и правой FFA (нижний ряд) и для трех различных показателей несходства (столбцы): 1 — корреляция (корреляция Пирсона в пространстве), евклидово расстояние между двумя паттернами ответов (в единиц ошибки) и абсолютной разницы активации (т. е. абсолютной величины разницы среднепространственного уровня активности). Абсолютная разница в активации чувствительна только к общему уровню активации и была включена только потому, что в анализе фМРТ обычно нацелена активация в среднем по регионам. Обратите внимание, что корреляционное расстояние (1 — корреляция) нормализует как общую активацию, так и изменчивость активности в пространстве. Следовательно, это предпочтительная мера для обнаружения распределенных представлений без чувствительности к глобальному уровню активности (который можно отнести, например, к вниманию). Евклидово расстояние сочетает в себе чувствительность к форме узора, среднему пространственному уровню активности и изменчивости в пространстве. Обратите внимание, что, как и ожидалось, использование евклидова расстояния дает RDM, напоминающую как полученную с корреляционным расстоянием, так и полученную с абсолютной разницей активации. Матрицы были отдельно выровнены по гистограмме (процентили) для облегчения сравнения. Матрицы несходства усреднялись по двум сеансам для каждого из четырех субъектов.

Структура сходства паттернов активности в EVC и FFA по данным MDS

Рисунок 4 визуализирует структуру несходства, оцененную с помощью трех показателей, путем размещения точек, которые представляют 96 изображений объектов в 2D с цветовым кодированием категорий, таким образом, что стимулы, вызывающие схожие модели ответов, размещаются близко друг к другу, а стимулы, вызывающие разные модели ответов, размещаются далеко друг от друга. Такие схемы рассчитываются MDS. Мы наблюдаем некоторую категориальную кластеризацию (для лиц и, в меньшей степени, для анимированных объектов) в FFA, но не в EVC. Это согласуется с нашей проверкой матриц несходства на рисунке 10. .

Модель подходит для EVC и FFA

Рис. 6 показывает RDM моделей. Прежде всего следует отметить, что каждая матрица представляет собой уникальный шаблон, характеризующий представление модели. Рисунок 8 показывает отклонение каждой модели от эмпирических RDM EVC и FFA. У нас нет места, чтобы полностью обсудить нейробиологические последствия этого анализа, но мы предлагаем некоторые основные наблюдения, которые демонстрируют, как RSA может помочь охарактеризовать региональные представления:

• Обратите внимание, что для EVC лучше всего подходит модель силуэтного изображения. Это правдоподобно, поскольку известно, что EVC содержит ретинотопические репрезентации зрительного ввода. Картины фМРТ в EVC, по-видимому, отражают в первую очередь форму стимулируемой ретинотопической области (т. Е. Форму фигуры, поскольку фон равномерно серый). То, что простая модель силуэта объясняет RDM здесь лучше, чем модель V1, предполагает, что информация об ориентации не так сильно отражена в RDM. Это согласуется с недавними результатами Kay et al. (2008) , которые показали, что изображения могут быть идентифицированы на основе их ответов фМРТ в EVC, при этом большая часть информации обеспечивается ретинотопическим представлением энергии края, а меньшая часть обеспечивается представлением ориентации края ⁶ . Ранняя информация о визуальной ориентации, вероятно, будет ослаблена в данных фМРТ из-за ее мелкомасштабной пространственной организации и объединения столбцов всех предпочтений ориентации в каждом вокселе фМРТ.

• Среди сложных вычислительных моделей модель V1 лучше всего соответствует данным EVC, но только в «сглаженной» версии, где мы имитировали локальное объединение ответов, специфичных для ориентации, в вокселах фМРТ. Как и хорошая подгонка модели силуэта, это согласуется с ограниченным пространственным разрешением наших вокселей фМРТ.

• RDM веретенообразных участков лица и парагиппокампа в любом полушарии соответствуют матрице EVC лучше, чем модель V1, но не так хорошо, как модель силуэта. Одним из объяснений этого является то, что традиционная модель V1 не отражает всей сложности представления в EVC. Это было бы правдоподобно по двум причинам: с одной стороны, наша область EVC содержит воксели из раннего слияния зрительных ямок, а не только из V1. С другой стороны, сама V1, вероятно, будет содержать более сложное представление, чем наша модель простых и сложных ячеек, основанная на Габоре.

• Представление HMAX-C2 более высокого уровня, основанное на фрагментах естественного изображения, вероятно, не передает ни структуру подобия, которую мы находим в EVC, ни простые преобразования изображения.

• Для правого FFA наиболее подходящая структура несходства состоит в эмпирическом несходстве FFA в противоположном полушарии. Это правдоподобно, учитывая тесную функциональную связь между регионами.

• Различия правого FFA лучше всего моделируются с помощью концептуальной модели: «модель лица-животного-прототипа». Это говорит о том, что в первом приближении разные лица вызывают прототипический паттерн реакции, что подразумевает небольшие различия между паттернами реакции отдельных лиц, что согласуется с Kriegeskorte et al. (2007) , и что то же самое в меньшей степени верно для более общего класса изображений животных.

• Среди сложных вычислительных моделей представление HMAX-C2, основанное на участках естественного изображения, обеспечивает наилучшее соответствие правильному FFA. Это может отражать более высокий уровень представлений в FFA.

• Правая FFA больше похожа на EVC, чем модель V1, силуэтная модель или любая другая область мозга. Это может отражать обратную связь от FFA к EVC. В качестве альтернативы, FFA может отражать некоторые из более сложных особенностей раннего визуального представления, которые не отражены ни в силуэте, ни в модели V1.

Структура сходства матриц репрезентативных различий, выявленная с помощью MDS

одновременно связывает RDM «сигнатуры» всех областей и моделей мозга друг с другом с помощью MDS. Это представление лишено признаков статистической значимости и неизбежно скомпрометировано геометрическими искажениями (поскольку многомерная структура представлена ​​​​в 2D). Тем не менее, он предоставляет полезный обзор всех парных отношений (а не только отношений, показанных на рис. 8). EVC и право FFA на другие представления). Хотя 2D-расстояния не совсем точно отражают фактические различия между матрицами несходства, почти все наблюдения на Рисунке 8 также отражены в расположении MDS на рисунке 9.. Однако расположение MDS дает нам много дополнительной информации. В качестве примеров дополнительной информации рассмотрим следующие наблюдения:

· Близкое межполушарное расстояние, наблюдаемое для левой и правой ФФА (рис. 8). ), также справедливо для левой и правой парагиппокампальной области места.

· Сглаживание, примененное к модели V1 и модели RADON для имитации объединения ответов в вокселах фМРТ, по-видимому, не приводит к радикальному изменению RDM любой из этих моделей.

· Все пять включенных областей мозга (красные) кажутся в некоторой степени родственными по своей репрезентативной структуре сходства. Тот факт, что среди них нет модели, предполагает, что в этих визуальных представлениях может быть общий компонент, который не охвачен ни одной из моделей.

Широкий потенциал репрезентативного анализа сходства

Связывание моделей, областей мозга, субъектов, видов и поведения

Системная нейронаука изо всех сил пыталась количественно связать три основные области исследований: поведенческие эксперименты, эксперименты с активностью мозга и вычислительное моделирование. RDM может служить центром, связывающим представления из различных источников в трех ветвях (рис. 3). ). Мы можем использовать матрицы различий для сравнения внутренних представлений между двумя моделями или двумя областями мозга одного и того же субъекта (репрезентативная связность, см. ниже). Кроме того, RSA обеспечивает решение мелкозернистой проблемы пространственного соответствия, возникающей при сопоставлении соответствующих областей мозга у разных субъектов эксперимента фМРТ. Традиционно разные испытуемые в эксперименте фМРТ связываются путем преобразования данных в общую пространственную систему отсчета, такую ​​как пространство Талайраха (Talairach and Tournoux, 19).88 ) или пространство поверхности коры, определяемое выравниванием на основе коры (Fischl et al., 1999). ; Гебель и Зингер, 1999 г. ; Гебель и др., 2006 г. ). Однако эти доступные общие пространства не обладают достаточной точностью для соотнесения вокселей фМРТ с высоким разрешением. Установление пространственного соответствия — это не просто техническая задача. Это фундаментальный эмпирический вопрос о том, какая пространственная точность межпредметного соответствия вообще существует в различных функциональных областях (Kriegeskorte and Bandettini, 2007). ). RSA предлагает привлекательный способ абстрагирования от пространственной схемы и даже от линейной основы представления, позволяя нам связать детализированные паттерны активности между субъектами. Даже разные виды и способы получения данных об активности мозга (например, запись отдельных клеток и фМРТ; Kriegeskorte et al. , в печати). ) может быть значимо связано с RSA.

Расширенные типы репрезентативного анализа подобия

Поиск подобия: поиск областей мозга, соответствующих модели

RSA также позволяет нам локализовать область мозга, внутреннее представление которой напоминает указанную модель. Для этого можно перемещать сферический или корково-патч-прожектор (Kriegeskorte et al., 2006). ) по всему измеренному объему, чтобы выбрать в каждом месте локальный непрерывный набор вокселей, для которых выполняется RSA. Результаты для каждой модели образуют непрерывную статистическую карту мозга, отражающую, насколько хорошо эта модель подходит для каждого локального района.

Анализ репрезентативной связности

Чтобы оценить, в какой степени две области мозга одного и того же субъекта представляют одну и ту же информацию, мы можем сравнить матрицы различий двух областей, основанные на состоянии или моменте времени (Kriegeskorte et al. др., в печати ). Последний подход может применяться либо к необработанным данным, либо к остаткам линейного моделирования эффектов, связанных со стимулами. Использование остатков сосредоточит анализ на внутренней репрезентативной динамике системы, включая стохастические инновации. По аналогии с анализом функциональной связности мы называем этот подход «репрезентативным анализом связности». Его можно комбинировать с методом прожектора (Kriegeskorte et al., 2006). ), чтобы найти набор регионов, репрезентативно связанных с данным регионом.

Подгонка параметров вычислительных моделей

Вычислительные модели, которые мы представляем здесь в качестве примеров, являются фиксированными моделями в том смысле, что они не имеют никаких параметров, подогнанных на основе данных. Будет интересно расширить наш подход к подбору параметров модели на основе эмпирического RDM. Например, сетевая модель может быть обучена (контролируемое обучение) для соответствия заданному RDM. Чтобы избежать циклического (т. е. самореализующегося) вывода, потребуется отдельный набор условий (например, различных экспериментальных стимулов) для оценки соответствия вычислительной модели экспериментальным данным.

Композитное моделирование матрицы репрезентативных различий области мозга

В нашей демонстрации мы рассматривали модели как отдельные учетные записи данных, которые должны оцениваться независимо. Дополнительный подход заключается в моделировании RDM области мозга путем объединения нескольких моделей. С этой целью можно объединить единицы из внутренних представлений нескольких моделей (как мы сделали для простых и сложных единиц V1-модели) и вычислить общее репрезентативное несходство. Затем можно подобрать параметры, в том числе количество единиц из каждой модели для включения в представление, чтобы наилучшим образом учесть эмпирический RDM. Более простой подход заключается в непосредственном моделировании эмпирического RDM как комбинации матриц различий моделей. Если мы используем евклидово расстояние для сравнения паттернов активности и предположим, что разные модели учитывают ортогональные компоненты паттернов активности (например, отдельные наборы единиц), то мы можем учесть квадрат эмпирической матрицы евклидова расстояния как линейную комбинацию квадратов модели евклидовых матриц расстояний. (Обратите внимание, что это не требует, чтобы паттерны несходства моделей были ортогональны; линейная модель будет использовать дисперсию несходства, однозначно объясняемую каждой моделью, чтобы устранить неоднозначность объяснения общей дисперсии несходства.) Более общеприменимым подходом было бы объяснение эмпирическая РДМ как взвешенная сумма монотонно преобразованных матриц несходства моделей, где для каждой модели одновременно с весами оценивается отдельное монотонное преобразование.

Взвешенный репрезентативный анализ показаний

До сих пор мы думали о репрезентации региона, характеризуемой одним RDM. В качестве альтернативы мы можем рассматривать репрезентацию как многомерную структуру, которая рассматривается с разных точек зрения считывающими ее областями. Если считывание состоит из множественных линейных взвешиваний репрезентативных единиц, то оно сводится к линейной проекции, которую можно уподобить преобразованию трехмерной структуры в ее двумерный «вид». В этом духе мы можем обратить логику предыдущего абзаца и посмотреть, в какой степени мы можем считывать конкретную структуру несходства из представления, взвешивая единицы перед вычислением RDM. Опять же, использование квадрата евклидова расстояния дает простое соотношение: каждая единица (например, воксель или нейрон) дает отдельный RDM. Общая квадратная евклидова матрица расстояний представляет собой сумму единичных квадратов евклидовых матриц расстояний. Теперь мы можем «объяснить» паттерн несходства каждой модели как линейную комбинацию одноэлементных матриц несходства. Это направление может быть истолковано как обобщение линейного дискриминантного анализа от одного контраста до сложной модели контрастных предсказаний. Это интересно из-за его нейронаучной мотивации с точки зрения считывания другими областями мозга. Как и в линейном дискриминантном анализе и классификации в целом, потребуются независимые тестовые данные для подтверждения любых взаимосвязей, предполагаемых такой подгонкой.

Основные концепции экспериментального дизайна

Какие экспериментальные проекты подходят для RSA? Отличительной чертой RSA является возможность одновременного использования пространственного и временного разнообразия многоканальных данных об активности мозга. Хотя RSA может применяться к широкому кругу обычных экспериментальных планов, для него может быть мало концептуальной мотивации в контексте определенных экспериментов, например, эксперимента фМРТ с блочным дизайном с низким разрешением, который нацелен на региональную активацию и усредняет очень разные процессы. (например, восприятие различных стимулов в пределах данной категории). Преимущества RSA будут максимальными для экспериментальных планов с большим количеством условий, ориентированных на информацию о характере активности с измерением с высоким разрешением. В этом разделе мы описываем новые типы планирования экспериментов, которые реализуемы с помощью RSA и оптимально используем его потенциал.

Конструкция с улучшенными условиями

RSA особенно полезен в сочетании с конструкциями с улучшенными условиями. Одним из примеров такой схемы является эксперимент с изображением 96 объектов, который мы представили для демонстрации подхода. Мы называем схему богатой условиями, если количество эффективных экспериментальных условий (то есть состояний мозга, которые необходимо различить) велико. Проекты с большим количеством условий приближаются к пределу временной сложности измеренного сигнала, чтобы в достаточной мере выбрать пространство всех возможных условий.

В рамках классического подхода массивного одномерного активационного анализа (Friston et al., 1994 , 1995 г. ; Уорсли и Фристон, 1995 г. ; Уорсли и др., 1992 г. ), одним из способов обогащения дизайна является параметризация условий. Результатом является большее количество состояний, которые по отдельности могут не давать стабильных оценок, но может быть стабильно оценена корреляция между параметрами состояния и активностью мозга — объединение данных по различным состояниям. Такие проекты также подходят для RSA: матрицы различий моделей могут быть вычислены из параметров условия.

Однако RSA не ограничивается проектами, условия которых регулярно выбирают заранее заданное пространство параметров. В RSA параметрические статистические модели, описывающие изменение активности во времени, заменяются вычислительными моделями, подвергающимися воздействию тех же экспериментальных условий. Регулярная параметризация может помочь сфокусировать эксперимент на конкретных гипотезах, но RSA также подходит для менее ограниченных планов, таких как план с изображением 96 объектов, который мы используем здесь в качестве примера.

Дизайн негруппированных событий

В классическом блочном подходе к экспериментам фМРТ экспериментальный блок, соответствующий одному из условий, обычно включает различные состояния мозга (например, соответствующие восприятию различных стимулов от одного и того же категории), которые должны быть усреднены. Хотя с помощью этого метода можно очень точно обнаружить различия между активацией по блокам, усредненные результаты будут неоднозначными по сравнению с обработкой одной попытки (Bedny et al., 2007). ; Кригескорте и др., 2007 г. ). Не менее важно и то, что временная способность сигнала фМРТ различать большое количество отдельных состояний мозга в значительной степени тратится впустую. В тематическом дизайне (Бакнер, 19 лет)98 ), стимулы могут появляться в сложных временных последовательностях, что позволяет решать более широкий круг экспериментальных задач. Однако экспериментальные события обычно по-прежнему группируются в наборы условий, а разнообразие событий, образующих одно условие, усредняется при анализе (например, путем моделирования каждого условия с помощью одного предиктора). Последовательность экспериментальных событий часто предназначена для максимизации эффективности оценки интересующих контрастов условий. В этом случае сам план будет подразумевать группировку экспериментальных событий.

Мы предлагаем избегать любого предопределенного группирования экспериментальных событий (дизайн несгруппированных событий). Каждое экспериментальное событие (например, каждый стимул) рассматривается как отдельное состояние (рис. 7). ; Агирре 2007 ; Кригескорте и др., 2007 г. ; Кригескорте и др., в печати ). Эксперимент с 4 изображениями является примером дизайна негруппированных событий. Эксперимент с 96 изображениями — это пример плана несгруппированных событий, который также содержит большое количество условий.

Один из подходов состоит в том, чтобы события происходили в случайной последовательности, не подразумевающей группировки. Чтобы включить разумное количество событий, но при этом иметь возможность различать паттерны активности, с которыми они связаны, мы используем здесь схему с перекрывающимися во времени, но все же разделяемыми гемодинамическими ответами в одном испытании. В нашем примере используется план с асинхронностью пробного начала (TOA) 4 с (рис. 7). ). Эффекты изменения TOA показаны на рисунке 11. . Более подробное обсуждение оптимальных последовательностей событий для планов с богатыми условиями (включая планы с негруппированными событиями) можно найти в Приложении (раздел «Оптимальный дизайн фМРТ с богатыми условиями»).

Рис. 11. Эффективность дизайна как функция асинхронности начала испытания для дизайна фМРТ с 96 условиями. На этом рисунке показаны результаты моделирования, изучающие, как статистическая эффективность зависит от асинхронности начала испытания (TOA) в предположениях о линейных системах для плана с 96 состояниями с одним предиктором гемодинамического ответа на состояние и случайной последовательностью экспериментальных событий (включая 25% нулевые события для базовой оценки). Мы предполагаем, что около 50 минут данных фМРТ должны быть собраны у одного субъекта. Моделирование позволяет сделать простой вывод: чем ближе испытания разнесены во времени, тем выше будет эффективность (верхние панели) для одиночных условий (голубой) и парных контрастов условий (красный). Таким образом, удвоение количества испытаний, уложенных в один и тот же 50-минутный период, повысит эффективность примерно на столько же, сколько повторение всего эксперимента дважды: уменьшит стандартные ошибки оценок примерно в sqrt(2) раз. Другими словами, стандартные ошибки пропорциональны sqrt(TOA). (Почему большее перекрытие ответов не снижает эффективность? Для интуитивного понимания учтите, что, хотя большее перекрытие ответов для более коротких TOA коррелирует предикторы, большее количество повторений событий декоррелирует их.) Однако важно то, что прямая связь, предложенная моделированием основывается на предположении о линейной нейронной и гемодинамической системе ответа. В действительности эффекты близко расположенных событий могут взаимодействовать на уровне нейронов, а гемодинамические ответы также могут вести себя нелинейно (например, три 16-мс стимула при TOA 32 мс вряд ли вызовут гемодинамический ответ, который в три раза больше). выше, чем на один такой стимул). Таким образом, выбор TOA требует информированного предположения относительно нелинейности короткого TOA для конкретных используемых экспериментальных событий. Для 9Эксперимент с 6 изображениями, мы выбрали TOA 4 с. Подробная информация о моделировании и интуитивно понятное объяснение результата приведены в Приложении (раздел «Оптимальный дизайн фМРТ с богатыми условиями») вместе с дальнейшим обсуждением вариантов дизайна, включая TOA.

Для оценки заданного контраста интереса план негруппированных событий с богатым набором условий со случайной последовательностью будет менее эффективным, чем план блоков или оптимизированный по последовательности план, связанный с быстрыми событиями. Однако, на наш взгляд, статистические затраты более чем компенсируются возможностью группировать события в произвольные наборы и, в более общем плане, изучать богатое пространство, которое они заполняют, и его связь с паттернами мозговой активности, с которыми они связаны. RSA предоставляет привлекательный метод для изучения этой богатой эмпирической информации и проверки конкретных гипотез.

План с уникальными событиями и непрерывные эксперименты

План с негруппированными событиями не группирует различные экспериментальные события в набор условий, но может содержать повторения идентичных экспериментальных событий. Крайним типом плана разгруппированных событий может быть план уникальных событий, в котором ни одно экспериментальное событие никогда не повторяется. RSA может работать с уникальными событиями точно так же, как и с любым другим дизайном. Это важное свойство, потому что схемы с уникальными событиями принимают сложность условий, установленных на пределе временной емкости измеряемого сигнала. Кроме того, существуют области нейробиологии, где точное повторение экспериментального события является сомнительной концепцией. Строго говоря, каждое экспериментальное событие в любом эксперименте — да и вообще любое пережитое событие — навсегда изменяет мозг. Во многих исследованиях мы можем выбрать план, который сводит к минимуму такие эффекты, чтобы мы могли пренебречь ими при анализе. Однако для изучения пластичности может оказаться привлекательным отслеживать изменения в системе вместе с динамикой ее активности. RSA в сочетании с достаточно гибкой вычислительной моделью может решить эту проблему.

Мы можем сделать еще один шаг и отказаться от понятия дискретных экспериментальных событий в пользу непрерывных во времени экспериментов (например, Hasson et al., 2004). ). Для непрерывных во времени проектов мы можем рассматривать каждый полученный том как отдельное условие и напрямую вычислять RDM из данных. Для каждой интересующей области результирующий RDM будет иметь ширину и высоту, соответствующие количеству моментов времени. Назовем такую ​​матрицу несходства временем ² матрица несходства. Для данных фМРТ матрица различий времени ² будет отражать временные характеристики гемодинамического ответа.

Непрерывный во времени RSA привлекателен для исследований непрерывного во времени восприятия стимулов, включая сложные естественные стимулы, такие как фильмы (Hasson et al., 2004). ) и, в более общем плане, для изучения непрерывных во времени взаимодействий, таких как игра в компьютерные игры или взаимодействие со средой виртуальной реальности (Baumann et al. , 2003). ). Обратите внимание, что непрерывные во времени эксперименты обеспечивают большую экологическую достоверность (т. е. экспериментальный опыт субъекта можно сделать более похожим на опыт в естественной среде). Однако в непрерывных во времени экспериментах также могут использоваться стимулы и взаимодействия, которые являются неестественными и предназначены для проверки конкретной гипотезы, обменивая экологическую достоверность на экспериментальный контроль.

Анализ репрезентативного подобия, основанный на данных и гипотезах

RSA подходит для широкого спектра анализов, от основанного на данных (где результаты полностью отражают данные) до основанного на гипотезах (где результаты строго ограничены теоретическими предположениями) и данные служат для проверки предопределенных гипотез). На первом конце спектра сам RDM богато отражает представление данного региона. Многомерное масштабирование условий, заданных в 2D (рис. 1 и 4). ) обеспечивает управляемую данными исследовательскую визуализацию, которая может позволить нам обнаруживать естественные группировки в репрезентативном пространстве (Эдельман и др. , 19).98 ). Но RSA становится явно управляемым гипотезой, когда мы проверяем, соответствует ли предопределенная модель представлению области мозга (рис. 8). ). Одной из отличительных черт анализа, основанного на гипотезах, является снижение сложности. Когда мы проверяем соответствие модели путем сравнения двух матриц несходства, матрица данных вокселей по времени сводится к одному параметру соответствия или результату статистического теста.

RDM во внешнем интерфейсе RSA, безусловно, представляет собой больше управляемое данными представление, чем скалярную меру соответствия модели. Но насколько он богат? Это зависит от количества условий. Обычно вычисление RDM уменьшает объем данных. Рассмотрим эксперимент с одним испытуемым с 96 условий (как в нашем примере здесь). Предположим, мы анализируем область из 100 вокселей, а эксперимент имеет 500 временных точек. Матрица данных имеет размер 100 × 500 = 50 000 чисел. RDM (симметричный относительно диагонали нулей) имеет (96 ² − 96)/2 = 4560 параметров. Таким образом, вычисление RDM представляет собой снижение сложности. С другой стороны, если мы рассмотрим матрицу различий времени ² , мы расширим матрицу данных до матрицы 500 × 500 с (500 ² — 500)/2 = 124 750 параметров.

Значимые статистические сводки

Чтобы извлечь уроки из огромного количества данных об активности мозга, которые мы можем получить сегодня с помощью таких методов, как фМРТ, а также скальп и инвазивные многоканальные электрофизиологические методы и визуализация с использованием чувствительных к напряжению красителей, нам нужны осмысленные статистические сводки, которые связывают сложный набор данных с теорией системного уровня. Во-первых, необходимы статистические сводки, чтобы уменьшить сложность эффектов и связать их с теорией. Во-вторых, статистические сводки объединяют данные многих зашумленных измерений, тем самым помогая нам отделить эффекты от шума.

Наиболее очевидный и распространенный метод суммирования данных — усреднение. Несмотря на потенциальную эффективность, усреднение, примененное слишком рано в анализе, может устранить эффекты, представляющие наибольший интерес для нейробиологов. В фМРТ, например, данные часто локально усредняются (т. е. сглаживаются) перед картографическим анализом. Это устраняет мелкозернистые эффекты пространственного паттерна, отражающие внутреннее представление каждой функциональной области (Kriegeskorte and Bandettini, 2007). ; Кригескорте и др., 2006 г. ). Точно так же во временном измерении планы сгруппированных событий (включая планы блоков) усредняются по очень разным экспериментальным событиям, что делает результаты неоднозначными по сравнению с обработкой одной попытки (Bedny et al., 2007). ; Кригескорте и др., 2007 г. ).

Поздняя комбинация данных

Центральной темой RSA является позднее сочетание данных: чтобы лучше использовать сложность данных для нейробиологических выводов, пространственное, а также временное усреднение (по наборам различных экспериментальных событий) ) опущен. Это не означает, что анализ требует меньшего количества комбинаций доказательств для уменьшения сложности. Вместо этого объединение доказательств происходит позже, способами, которые концептуально лучше мотивированы.

Доказательства объединяются в RSA, например, когда (1) паттерны активности в расширенной интересующей области суммируются в RDM, когда (2) матрицы различий для данной функциональной области усредняются по субъектам, и когда ( 3) сложная структура полученного среднегруппового RDM сравнивается с модельными матрицами несходства (суммированием функции региона по степени ее соответствия нескольким моделям или по показателю наилучшей модели).

Объединение доказательств требует теоретических допущений. Если мы сделаем шаг назад, чтобы посмотреть на эмпирический цикл в целом, мы сможем мотивировать позднее объединение доказательств с точки зрения поздней приверженности теоретическим предположениям.

Поздняя приверженность: использование теоретических допущений для ограничения анализа, а не проектирования

На первом этапе эмпирического цикла мы стремимся свести к минимуму теоретические допущения, встроенные в экспериментальный план. Этот подход мотивирован наблюдением, что планы, например экспериментов с фМРТ, можно сделать гораздо более универсальными (что позволит нам решать больше нейробиологических вопросов) при умеренных затратах с точки зрения статистической эффективности (для решения данного вопроса). Общий дизайн, который может ответить на 100 вопросов, кажется более полезным, чем ограниченный дизайн, который решает один вопрос с несколько большей эффективностью.

Статистическая мощность достигается за счет объединения данных – обычно путем усреднения. Когда мы решаем сгруппировать экспериментальные события (например, для блочного дизайна), мы обязуемся использовать определенный способ объединения данных и, таким образом, отказываемся от универсальности. Планы с негруппированными событиями позволяют нам комбинировать свидетельства различными способами во время анализа . Во-первых, этот подход позволяет проводить исследовательский анализ, который может (1) проверить основные предположения в области, (2) с пользой направить наше внимание на более крупные явления (с точки зрения объясненной дисперсии) и (3) привести к неожиданным открытиям. Во-вторых, планы с негруппированными событиями позволяют выполнять широкий набор теоретически ограниченных анализов одних и тех же данных. И в-третьих, как следствие, такие схемы позволяют нам объединять данные разных исследований и исследовательских групп, чтобы решать конкретный вопрос с силой, недостижимой иначе. В Приложении мы подробно оцениваем этот третий пункт, потенциал обмена данными в подобластях нейробиологических исследований.

Обсуждение

В какой степени информация об измеренных закономерностях отражает представления нейронов?

Фундаментальный вопрос системной нейробиологии заключается в том, в какой степени паттерны активности мозга, измеренные с помощью различных методов, отражают информацию о паттернах нейронов. RSA характеризует информацию о шаблонах с точки зрения подобия шаблонов и, таким образом, предоставляет один привлекательный путь для решения этой проблемы. Здесь мы сосредоточим наше обсуждение на фМРТ, зависящей от уровня кислорода в крови (Bandettini et al. , 19).92 ; Квонг и др., 1992 г. ; Огава и др., 1990 г. , 1992 г. ), но аналогичные аргументы справедливы и для других модальностей.

Трудно предсказать, какая информация о паттернах будет использоваться фМРТ и активностью нейронов, потому что воксели фМРТ отбирают нейронную активность посредством сложного пространственно-временного преобразования: гемодинамики. Если бы воксели отражали просто локальное пространственно-временное среднее нейронной активности, то любые различия нейронных паттернов в затухающих полосах высоких пространственных и временных частот были бы уменьшены или устранены в структурах сходства фМРТ. Однако выборка вокселов фМРТ, вероятно, будет более сложной, чем локальное усреднение, и может иметь чувствительность к информации о структуре нейронов на неожиданно высоких пространственных (и, возможно, временных) частотах (см. Kamitani and Tong, 2005). ). Неожиданная чувствительность фМРТ обнадеживает, но также предполагает более сложное преобразование нейронных паттернов в фМРТ, что затрудняет прогнозирование того, какие именно аспекты нейронной информации отражаются в паттернах фМРТ.

Мы использовали RSA, чтобы соотнести нейронные паттерны, зарегистрированные у ИТ обезьян (Kiani et al., 2007). ) в паттерны фМРТ, полученные с помощью того же набора из 92 изображений объектов (набор также используется в нашем примере здесь) в ИТ человека (Kriegeskorte et al., в печати ). Несмотря на смешанные различия между видами, результаты показывают удивительное соответствие между двумя матрицами несходства (линейная корреляция = 0,49, p <0,0001). Это указывает не только на то, что ИТ обезьяны и человека представляют аналогичную информацию об изображении объекта, но также и на то, что эта информация аналогичным образом отражается в записях отдельных клеток и фМРТ высокого разрешения при анализе с помощью многомерных методов, основанных на информации. Конвергенция фМРТ и нейронных записей ранее не рассматривалась на уровне информации о паттернах, и наши результаты обнадеживают. В конечном счете, однако, для оценки того, в какой степени информация о паттернах распределяется между активностью нейронов и фМРТ, потребуется одновременное измерение в обоих модальностях, как и для локальной активности (Logothetis et al. , 2001). ; Шмуэль и др., 2007 г. ).

Вполне вероятно, что фМРТ высокого разрешения (Cheng et al., 2001 ; Дуонг и др., 2001 г. ; Харел и др., 2006 г. ; Хайд и др., 2001 г. ; Кригескорте и Бандеттини, 2007 г. ; Якуб и др., 2003 г. ), и окажется, что запись клеток передает перекрывающиеся, но не идентичные компоненты лежащей в основе информации о нейронном паттерне. В то время как фМРТ ограничена слиянием гемодинамических сигналов, дающим неоднозначный комбинированный сигнал в каждом вокселе, инвазивные электрофизиологические методы ограничены селективной субдискретизацией нейронных ответов. Будет интересно посмотреть, предоставит ли фМРТ нам только подмножество информации, записанной имплантированными многоэлектродными массивами, или же она может также дать нам информацию о структуре нейронов, отсутствующую в данной записи массива. RSA кажется привлекательным для связывания модальностей, а также для использования в каждой модальности, независимо от того, какими окажутся их отношения.

Связь между RSA и другими инструментами анализа информации о паттернах

Многомерные методы анализа информации о паттернах недавно получили распространение в фМРТ и электрофизиологии (см. список ссылок в разделе «Введение»). RSA имеет общую ключевую особенность с упомянутыми подходами к информации о шаблонах: он мотивирован теоретической концепцией распределенного представления и нацелен на информацию о шаблонах действий, объединяя данные в пространстве и времени. Однако RSA отличается от упомянутых подходов с информацией о шаблонах тем, что он рассматривает, как матрица несходства моделей активности связана с матрицами различий, предсказанными теоретическими моделями, то есть изоморфизмом второго порядка. Упомянутые подходы с информацией о паттернах, напротив, пытаются продемонстрировать, что каждое состояние связано с отдельным паттерном активности, то есть изоморфизмом первого порядка.

RSA можно рассматривать как особый вариант анализа информации о шаблонах, который не требует декодирования или классификации внутренних представлений. Но в то же время RSA можно рассматривать как обобщение анализа информации о шаблонах, когда многие предсказания контраста шаблонов проверяются вместе. Тест на различимость паттернов активности, связанных с двумя состояниями, обрабатывается как частный случай с использованием матрицы несходства бинарной модели ^{. 7} .

Важной особенностью RSA является цель понимания и количественного объяснения эмпирического RDM. Это влечет за собой здоровое внимание к основным компонентам данных, объясняющим дисперсию. Напротив, в анализе информации о шаблонах на основе классификаторов мы обычно сосредотачиваемся на конкретном измерении, определяемом наборами экспериментальных условий, которые мы намереваемся различать. Таким образом, анализ информации о шаблонах на основе классификатора обычно имеет более сильную теоретическую предвзятость, чем RSA. Тем не менее, мы можем поступиться дисперсией ради систематической ошибки, проверив модельные пространства с ограничениями. Например, вместо того, чтобы спрашивать, какая из ряда моделей лучше всего объясняет репрезентативное несходство FFA (RSA), мы могли бы просто спросить, можно ли просто расшифровать одушевленность из шаблонов ответов FFA (анализ информации о шаблонах). Или мы могли бы решить тот же более мелкий вопрос с помощью RSA, спросив, объясняет ли матрица одушевленных и неодушевленных какое-либо различие различий.

Простая реализация RSA, которую мы здесь описываем, менее сложна, чем методы классификации, в том, как она учитывает структурированный шум и нелинейную репрезентативную геометрию. Это может предполагать использование более сложных мер непохожести. Однако оценка нелинейных отношений требует значительных объемов данных. Одной из сильных сторон RSA является ее способность обрабатывать и интегрировать информацию о большом количестве условий. Для экспериментов с большим количеством условий объем данных на пару условий будет небольшим, и методы, учитывающие более сложную геометрию, вероятно, потребуют объединения информации по многим условиям, чтобы обеспечить стабильные оценки.

RSA и теоретико-информационная количественная оценка

Рассмотрение RDM мотивировано идеей, что она инкапсулирует в интуитивном смысле информацию о шаблонах, которую область передает об условиях эксперимента. Естественно требовать формальной теоретико-информационной количественной оценки. Было бы желательно получить оценки информации о паттернах (т. е. взаимную информацию между экспериментальными условиями и паттерном пространственно-временной активности), которые не зависят от предположений о коде (как это делают подходы к классификации паттернов или «декодированию»). С этой целью мы могли бы оценить многомерное распределение паттернов для каждого условия и вычислить подключаемую оценку взаимной информации. Но оценки многомерных распределений по небольшому количеству точек данных (которые доступны в фМРТ по отношению к количеству вокселей) очень чувствительны к шуму, если только они не ограничены сильными предположениями. Сложность будет расти с количеством условий. Современные подходы к оценке взаимной информации обходят явные многомерные оценки распределения и используют теоретико-графовый подход (Красков и др., 2004). ). Однако в наших руках стремление к такой общности в анализе фМРТ было связано с запретительными штрафами с точки зрения стабильности оценок. Тем не менее, теоретико-информационная количественная оценка является важным направлением для дальнейших исследований.

Приложение

Оптимальный дизайн фМРТ с богатыми условиями

Как должна быть спроектирована последовательность событий для эксперимента фМРТ с богатыми условиями, такого как эксперимент с 96 изображениями? В этой области разработаны сложные методы проектирования последовательностей экспериментальных событий для оптимизации статистической эффективности (например, Wager and Nichols, 2003). ). Эти методы являются общими и применяются к проектам с большим количеством условий в качестве особого случая. Однако большое количество условий имеет некоторые последствия, заслуживающие внимания.

Нашей целью здесь является оценка (1) амплитуды отклика для каждого условия и (2) контраста амплитуды отклика для каждой пары условий. Мы предполагаем линейную модель гемодинамического ответа (Boynton et al., 1996). ) для получения матрицы плана эксперимента (рис. 7 ). Оптимизация последовательности событий для максимизации стабильности этих оценок приведет к двум основным последствиям: (1) события, принадлежащие к одному и тому же условию (идентичные события в плане несгруппированных событий), будут сгруппированы во времени. (Это улучшает стабильность оценки, поскольку перекрывающиеся во времени гемодинамические реакции на последовательные испытания будут суммироваться, чтобы увеличить сумму квадратов, т. е. энергию предиктора.) (2) События будут упорядочены таким образом, чтобы приблизительно ортогонализовать предикторы гемодинамической реакции для всех пары условий. (Это повышает стабильность оценок, поскольку уменьшает взаимную зависимость для пар оценок условий, тем самым устраняя неоднозначность совместной оценки методом наименьших квадратов.)

Мы утверждаем, что в контексте дизайна, богатого условиями, (1) временная кластеризация может быть нежелательной, (2) случайные последовательности могут давать достаточно низкую корреляцию предикторов и (3) более короткий TOA дает большую мощность, если линейность ответов держится.

(1) Временная кластеризация может быть нежелательной. Для схемы с большим количеством условий временная группировка условий может быть нежелательной. Рассмотрим наш пример с 96 условиями. Мы предположим реалистичный сценарий, согласно которому в течение одного экспериментального сеанса мы получаем около 50 минут данных фМРТ для основного эксперимента. При TOA 2 с (около минимума, если мы хотим избежать нелинейности гемодинамического ответа) мы можем повторить каждое условие только около 12 раз за сеанс. Временное группирование таких нескольких повторений в течение 50-минутного эксперимента нежелательно: это означает, что данное состояние возникает лишь несколько раз (с двумя или более последовательными повторениями) в течение всего сеанса, создавая временные помехи (например, предмет усталости) серьезное беспокойство. Эта проблема будет еще более выраженной при более длительных TOA (таких как 4-секундный TOA, используемый в нашем эксперименте), потому что повторений будет еще меньше. Мы предпочитаем равномерно распределять повторения каждого условия по всему эксперименту. В нашем эксперименте мы повторяли каждое условие ровно один раз в каждом запуске, что имеет дополнительное преимущество, заключающееся в том, что неудачные запуски не создают дисбаланса в количестве данных, доступных для каждого условия.

(2) Случайные последовательности могут давать достаточно низкую корреляцию предикторов. Оптимизация последовательности может служить для ортогонализации предикторов. Насколько большую выгоду это обещает? Рисунок 11 исследует эффективность проектирования для проектов с 96 условиями в зависимости от TOA. Мы использовали неоптимизированную случайную последовательность для каждого прогона (с случайным вкраплением 25% нулевых событий), объединяя такие последовательности, чтобы заполнить 50-минутный экспериментальный сеанс. Матрицы корреляции предикторов для этих неоптимизированных случайных последовательностей предполагают, что корреляция предикторов уже низка. Для коротких TOA (например, 2 с) есть возможности для улучшения. Для немного более длинных TOA (например, 4 с, как используется в эксперименте здесь) корреляция предикторов зависит в основном от непосредственных временных соседей каждого состояния (поскольку перекрытие гемодинамических ответов незначительно для испытаний, между которыми есть промежуточное испытание). В случае 4-секундного ТОА каждое условие повторяется шесть раз в течение 50-минутного эксперимента. Используя случайные последовательности, большинство условий не имеют повторяющихся временных соседей, около трети условий имеют одного повторяющегося временного соседа. Это отражено в матрице корреляции предикторов, которая показывает однородно низкие корреляции (ниже 0,1) между парами состояний. Оптимизация последовательности может немного приблизить схему к идеалу ортогональности предиктора, но прирост эффективности будет очень небольшим, поскольку возможностей для улучшения мало. Практические соображения дополняют аргумент в пользу использования случайных последовательностей: возможно, нам придется иметь дело с неудачными запусками. Более того, во время анализа мы можем захотеть разделить данные на подмножества прогонов (например, нечетные прогоны в качестве тренировочного набора, четные прогоны в качестве тестового набора). Оптимизация последовательности в идеале должна предвидеть эти возможности, что усложняет процесс. Таким образом, оптимизация последовательности событий должна учитываться при разработке эксперимента фМРТ с богатыми условиями. Однако в некоторых сценариях, таких как данный пример, преимущества могут быть незначительными.

(3) Более короткая асинхронность пробного начала дает большую мощность, пока сохраняется линейность. Каков оптимальный TOA для эксперимента фМРТ с богатыми условиями? Рисунок 11 исследует, как статистическая эффективность зависит от TOA для плана с 96 условиями с использованием последовательности случайных событий (включая 25% нулевых событий). Моделирование позволяет сделать простой вывод: чем ближе испытания разнесены во времени, тем выше будет эффективность (рис. 11). , верхние панели) для оценок амплитуды с одним условием (голубой) и парных контрастов амплитуды (красный) — при условии линейности ответов. Таким образом, выбор TOA требует информированного предположения: это должен быть самый короткий TOA, для которого сохраняется линейность для конкретных используемых экспериментальных событий.

Теперь мы подробно опишем моделирование и объясним, почему допущение о линейных системах не предсказывает большую стоимость перекрытия ответов во времени. Мы снова предполагаем, что около 50 минут данных фМРТ должны быть собраны у одного субъекта в данном сеансе. Если TOA составляет 8 с, мы можем повторить каждое из 96 условий три раза (с 25% нулевых событий в каждом прогоне). Если TOA составляет 4 с, мы можем повторить каждое из 96 условий шесть раз, но теперь гемодинамические ответы явно перекрываются. Большее количество повторений во время измерения повышает эффективность конструкции. Однако перекрытие гемодинамических ответов делает предикторы неортогональными, что снижает эффективность дизайна. Неортогональность предикторов отражается в матрицах корреляции предикторов (рис. 11). , нижний ряд) для TOA 2 с (слева), 4 с (в центре) и 8 с (справа). Мы используем стандартную общую структуру линейной модели для прогнозирования стандартных ошибок оценок (1) амплитуд отклика для отдельных условий (голубой цвет в верхнем ряду) и (2) контрастов между парами состояний (красный цвет в верхнем ряду). Оценка стандартной ошибки равна sqrt(var(остатки) × c ^T ( X ^T X ) ⁻¹ c ), где c — контраст интересов, а X — матрица дизайна. Наносим sqrt( c ^T ( X ^T X ) ⁻¹ c ), который можно интерпретировать как стандартную ошибку в единицах стандартного отклонения шума (sqrt(var(остатки)) . Стандартная ошибка представлена ​​как функция TOA (обратно связана с количеством повторений, поскольку каждое моделирование предполагает одинаковую общую продолжительность измерения 50 минут). Моделирование предполагает, что потери из-за гемодинамического перекрытия незначительны. Это связано с тем, что более короткие TOA также допускают большее количество повторений: данное условие будет больше перекрываться, но также и повторяться чаще (и перекрываться с другими условиями при каждом повторении). В результате удвоение числа испытаний примерно делит стандартную ошибку на sqrt(2), как и ожидалось при отсутствии перекрытия. Однако для более коротких TOA стандартная ошибка попарных оценок контраста больше варьируется в зависимости от контраста, потому что некоторые пары условий перекрываются больше, чем другие (для длинных TOA нет перекрытия ни для одной пары условий). Моделирование основано на предположении о линейной системе, которая будет ломаться для коротких TOA, потому что ответы на последовательные испытания будут взаимодействовать. Такие взаимодействия могут происходить как часть гемодинамики и как часть нейрокогнитивных процессов, происходящих в эксперименте. Таким образом, для каждого эксперимента нам нужно оценить, насколько близко, по нашему мнению, мы можем разнести испытания и по-прежнему полагаться на предположение о линейных системах для анализа.

В нашем примере используется схема с TOA 4 с (рис. 7). ). Поскольку это быстрее, чем план с медленным событием (то есть план с неперекрывающимися гемодинамическими ответами на последовательные события, TOA ≥ 12 с), но медленнее, чем большинство быстрых планов, связанных с событием (которые имеют перекрывающиеся гемодинамические ответы, TOA < 4 с). ), мы называем его быстрым дизайном фМРТ, связанным с событием . Если линейность соблюдается, более быстрый план, например, с использованием TOA в 2 с, должен обеспечить большую статистическую эффективность. Оценка ответов в одной попытке будет скомпрометирована для 2-секундного TOA, но это не может считаться недостатком.

Должны ли испытания подвергаться временному флуктуации на сетке с более мелкой сеткой, чем минимальный TOA? Временное дрожание важно, когда целью является оценка формы гемодинамического ответа (например, с использованием модели конечной импульсной реакции). Здесь нашей целью является оценка амплитуд ответа и контрастов парных амплитуд при допущении формы гемодинамического ответа (Boynton et al. , 1996). ). Мелкомасштабное временное дрожание, как правило, не улучшает стабильность оценки в этом контексте.

RSA и обмен данными в подобластях нейробиологических исследований

Обмен данными имеет большой потенциал во многих областях, включая различные дисциплины нейронауки. Для фМРТ человека Национальный центр данных фМРТ (Van Horn et al., 2005 г. ) стала пионером централизованного обмена данными. Проблема, которую необходимо преодолеть, заключается в сложности отдельных экспериментов, которые должны быть описаны и поняты другими исследователями. Тот факт, что эксперименты часто разрабатываются для проверки конкретных гипотез, снижает универсальность данных. Ученый, повторно анализирующий заданный набор данных, может обнаружить, что определенные детали плана не позволяют ответить на вопрос, который предстоит решить в ходе повторного анализа. Это может сделать повторный анализ менее привлекательным, чем проведение нового эксперимента, разработанного специально для рассматриваемой гипотезы.

Предлагаемый здесь подход, заключающийся в сохранении более общего дизайна по отношению к рассматриваемым гипотезам, расширяет возможности для обмена данными. Чтобы преодолеть разъединение, препятствующее сегодняшнему обмену данными, необходимо, чтобы большая общность дизайна сочеталась с усилиями по обмену данными, специфичными для конкретных подполей. Это обещает совместную синергию, которую раньше было трудно себе представить. Например, это может позволить нам мгновенно проверить данную новую гипотезу, используя большой объем данных, полученных несколькими группами за несколько лет. В подполях планы экспериментов часто схожи во многих своих общих чертах. Это, безусловно, относится к подполям поля зрительного восприятия. Рассмотрим фМРТ с предметным зрением, где единственные существенные различия между большим количеством экспериментов касаются представленных изображений и их группировки. (Безусловно, существуют исследования с уникальным дизайном или манипулированием задачами. Однако значительное подмножество может быть ассимилировано с общим подходом.) Существенные сходства дизайна также очевидны в подполях областей слухового восприятия, исследований памяти, высшего познания и моторики. контроль.

В рамках фМРТ с видением объекта было бы полезно собирать изображения стимулов вместе с образцами ответов, которые они вызывают у отдельных субъектов. Сбор экспериментальных данных в этом формате шаблона стимула и шаблона ответа должен быть объединен с набором вычислительных моделей (например, в Matlab), способных обрабатывать произвольные изображения стимула. Мы предполагаем фазу неофициального обмена данными и моделями (во время которой будут обсуждаться форматы), кульминацией которой станет разработка веб-портала для совместной работы для фМРТ с объектным зрением (и, возможно, других модальностей). Портал фМРТ с объектным зрением позволит загружать наборы данных и вычислительные модели, а также онлайн-тестирование вычислительных моделей и теоретических гипотез. В результате отдельные группы нейробиологов-теоретиков и нейробиологов-экспериментаторов могли связать свой вклад через информационный количественный интерфейс. С одной стороны, это позволит людям специализироваться либо на теоретической, либо на экспериментальной работе, сохраняя при этом другой аспект неотъемлемой частью их количественного анализа. С другой стороны, это позволит исследователям, интересующимся как вычислительной теорией, так и экспериментальной работой, вывести свой междисциплинарный подход на новый уровень.

Дополнительные статистические тесты для RSA

Существует обширная литература по поиску низкоразмерных представлений на основе несходства или матриц расстояний. Популярные методы включают MDS (Kruskal and Wish, 1978). ; Шепард, 1980 год. ; Торгерсон, 1958 год. ) и алгоритмы кластеризации (например, Johnson, 1967). ; фон Люксбург, 2007 г. ), а также методы нелинейного обучения многообразию, такие как изомап (Tenenbaum et al. , 2000). ) и локально линейное вложение (Roweis and Saul, 2000). ). Однако нам не известна литература по статистическому тестированию взаимосвязей между двумя или более матрицами несходства. Анализ отношений RDM представляет собой интересный частный случай многомерного анализа, когда пространство обычно имеет очень большое количество измерений (4560 в наших 9-ти измерениях).пример с 6 условиями), и эти измерения связаны особым образом — поскольку каждое соответствует паре условий. Мы кратко обсудим некоторые основные статистические тесты для матриц несходства, которые еще предстоит разработать (или найти в литературе, если они существуют).

Разница между двумя матрицами несходства

Мы предложили процедуру рандомизации для проверки родства двух матриц несходства (Шаг 5). Отдельный статистический вопрос заключается в том, различны ли две матрицы несходства. Почему это отдельный вопрос? Во-первых, неспособность найти значительную связь не означает, что связи нет; шум в данных может просто скрыть эффект. Во-вторых, многомерные объекты, такие как матрицы несходства, могут быть одновременно связаны и различны — так же, как два человека (например, братья) могут быть связаны, не будучи идентичными. Чтобы проверить разницу между двумя матрицами несходства, нам нужно оценить распределение меры соответствия (например, корреляции между матрицами) при нулевой гипотезе о том, что две матрицы несходства идентичны. Мера соответствия будет варьироваться из-за шума измерения, влияющего на одну или обе матрицы несходства.

Разница в соответствии двух матриц несходства моделей матрице несходства данных о мозге

Мы можем пожелать оценить, соответствует ли одна модель RDM данным RDM для данной области мозга лучше, чем другая. Ранее обсуждавшиеся тесты не имеют прямого отношения к этому. Рассмотрим, например, случай, когда обе модели существенно связаны с RDM данных и существенно отличаются от него. Один из них может по-прежнему соответствовать данным значительно лучше (учитывая шум измерения), чем другой. Рисунок 8 показывает две гистограммы соответствия модели RDM (для EVC и FFA). Стандартные планки ошибок оцениваются как стандартное отклонение подходящего параметра, полученного для бутстраповской повторной выборки набора условий. Передискретизация начальной загрузки также может использоваться для формальной проверки различий между двумя моделями при подгонке RDM данных.

Вывод из экспериментальной выборки состояний на совокупность состояний

Статистический вывод в нейробиологии обычно обобщается в пределах испытуемых (т. предметы были выбраны случайным образом). Обе эти формы вывода могут быть выполнены в RSA, но методы еще не разработаны. Кроме того, план с большим количеством условий обещает возможность выполнения статистического вывода для обобщения экспериментальных условий, фактически использованных в эксперименте, на совокупность экспериментальных условий, из которых фактические условия были выбраны случайным образом. Начальная повторная выборка набора условий (используется для вычисления стандартных планок погрешностей на рис. 8). ) является одним из методов оценки распределения подгонок RDM для случайных наборов экспериментальных условий. Формальный статистический вывод о состоянии популяции является захватывающей темой для дальнейших исследований.

Мотивация использования рангового корреляционного расстояния при сравнении репрезентативных матриц несходства величины несходства между моделями и регионами. Таким образом, евклидово расстояние не подходит для сравнения матриц несходства, если только эти матрицы не будут каким-либо образом нормализованы. Нормализация может состоять в ранговом преобразовании каждого RDM (т. е. замене каждого значения его рангом в контексте всех других значений в матрице). Это дает равномерное распределение значений несходства, сохраняющее порядок. В качестве альтернативы мы могли бы наложить гауссово распределение различий, снова сохранив порядок

Вместо нормализации каждого RDM перед вычислением евклидовых расстояний мы могли бы выбрать меру расстояния, которая подразумевает нормализацию, например, корреляционное расстояние, т. е. 1 − r . Если мы ожидаем, что истинная связь между значениями несходства в двух матрицах будет линейной, мы можем использовать коэффициент линейной корреляции Пирсона для вычисления r . Всякий раз, когда одна из матриц имеет просто порядковый масштаб или правдоподобна нелинейная монотонная связь между различиями, коэффициент ранговой корреляции является более подходящим.

Другая аргументация предполагает использование ранговой корреляции для сравнения различий между мозгом и моделью, даже если ожидается линейная связь между истинными различиями. Аргумент основан на влиянии шума паттерна активности на RDM области мозга. Мы предполагаем, что (1) паттерны активности имеют большую размерность (сотни или тысячи значений в каждом паттерне активности) и (2) что шум паттернов активности является аддитивным, независимым от паттернов активности и изотропным. Высокая размерность пространства паттернов активности имеет желаемое последствие (благо размерности, если хотите): смещение каждого истинного паттерна активности аддитивным шумовым паттерном, вероятно, будет (1) приблизительно ортогональным каждому из действий. -структуры различия и смещения шума друг к другу, и (2) приблизительно постоянной евклидовой длины. Приблизительная ортогональность возникает из-за того, что в многомерном пространстве очень много направлений, и большинство из них приблизительно ортогональны любому заданному направлению. Приблизительно постоянная длина обусловлена ​​тем, что изменчивость евклидовых длин перемещений (относительно их средней длины) становится все меньше и меньше по мере увеличения размерности. Таким образом, мы можем думать о шуме модели активности как о влиянии на евклидову матрицу расстояний (от условия к условию) примерно следующим образом:1043 D _I ′ = SQRT ( D _I ² + 2 C ² ), где D _I — True Difsances, D _I — True Difsances, D _I . оценки расстояния по зашумленным данным, i индекс пары условий и c норма смещения шума, влияющего на каждую оценку модели активности. Таким образом, шум модели активности возводит квадраты евклидовых расстояний на пьедестал. В результате евклидова матрица расстояний преобразуется нелинейно, но монотонно. Преобразование монотонно, потому что ни одна из трех операций (возведение в квадрат, добавление c и извлечение квадратного корня) изменяет порядок значений. Наиболее заметные особенности преобразования заключаются в том, что значения уменьшаются (меньшая дисперсия различий по матрице) и сдвигаются вверх (большая средняя разница).

На практике влияние шума паттерна активности на RDM не будет в точности соответствовать этому прогнозу, (1) поскольку размерность паттерна активности конечна, и, следовательно, шумовые смещения паттернов активности не будут точно постоянными длина или точно ортогональны истинным различиям шаблонов, (2) потому что предположения о шуме могут не выполняться, и (3) потому что мы можем использовать расстояние, отличное от евклидова расстояния (например, корреляционное расстояние) для матрицы несходства шаблонов активности . Тем не менее, это соотношение может сохраняться приблизительно. Ожидаемый значительный сдвиг вверх всех значений в RDM и его нелинейное и приблизительно монотонное преобразование предполагают использование расстояния ранговой корреляции (например, 1 — ранговая корреляция Спирмена) для сравнения репрезентативных матриц подобия.

Детали методологии

Эксперименты фМРТ

Показанные здесь результаты для демонстрации RSA ранее не представлялись. Однако эксперименты были ранее описаны и проанализированы для решения различных вопросов в Kriegeskorte et al. (2007; эксперимент с 4 изображениями) и Kriegeskorte et al. (в печати; эксперимент с 96 изображениями) , где можно найти дополнительные подробности эксперимента.

Разгруппированные события и задачи

Эксперимент с 4 изображениями. Мы выполнили план негруппированных событий, используя 4 фотографии объекта в качестве стимулов. Конкретные стимулы показаны на рисунке 1. . Перед экспериментом испытуемые были ознакомлены с четырьмя изображениями и получили указание постоянно фиксировать центральный крест, который всегда был виден, и выполнять задачу по обнаружению аномалий во время эксперимента. В 12% испытаний каждого экспериментального запуска были представлены тонкие вариации четырех изображений. В каждой аномальной версии общая форма объекта, а также некоторые детали были слегка искажены. Субъектов просили нажимать кнопку, расположенную под их правым указательным пальцем в обычном испытании, и кнопку под их левым указательным пальцем, когда они обнаруживали аномальное изображение. Задача служила для того, чтобы мотивировать испытуемых обращать внимание на каждую презентацию изображения даже после многих повторений, и позволяла нам контролировать внимательное рассмотрение. Мы использовали быстрый план, связанный с событием, с базовой продолжительностью пробы 3 с (минимальный TOA), что соответствует двум функциональным объемам времени до повторения (TR) = 1,5 с. Последовательность событий была оптимизирована для оценки контрастов между реакциями на четыре исходных изображения методом, основанным на генетическом алгоритме (Wager, Nichols, 2003). ). Каждое изображение предъявлялось в течение 400 мс. В каждом прогоне было 63 предъявления каждого из четырех исходных изображений, 33 предъявления аномальных версий изображений и девять нулевых испытаний, на которых представление изображения было опущено, а фиксационный крест оставался видимым. Таким образом, общее количество 3-х временных интервалов составило 4 × 63 + 33 + 9.= 294, а продолжительность прогона с двумя пустыми временными интервалами в конце составила (294 + 2) × 3 с = 14,8 мин.

Эксперимент с 96 изображениями . Мы выполнили дизайн негруппированных событий, используя 96 фотографий объектов в качестве стимулов. Стимулы были выбраны из набора, использованного Kiani et al. (2007) , чтобы включить тела людей и животных (включая лица), а также естественные и искусственные объекты. Стимулы были уникальными для запуска, при этом каждое изображение предъявлялось ровно один раз в каждом запуске. Стимулы предъявлялись шириной 2,9° угол обзора в течение 300 мс при минимальном времени обзора 4 с (рис. 7). ). Для оценки базовой активности последовательность также включала нулевые события (25% испытаний) без предъявления стимула. Стимулы предъявлялись в случайном порядке (без оптимизации последовательности) на постоянно видимом однородном сером фоне, в то время как испытуемые фиксировали белый фиксационный крест. Испытуемые выполняли задание на различение цветов: во время предъявления стимула фиксационный крест становился либо зеленым, либо синим, и испытуемый отвечал нажатием правой кнопки большого пальца для синего цвета и нажатием кнопки левого большого пальца для зеленого цвета. Мы использовали разные последовательности случайных событий в каждом из 18 прогонов (до трех сеансов фМРТ) для каждого субъекта. Изменения фиксации-перекреста на синий или зеленый цвета были выбраны в соответствии с независимой случайной последовательностью. Стимулы были центрированы по отношению к фиксационному кресту.

Измерения фМРТ

Эксперимент с 4 изображениями. Мы получили 15 поперечных функциональных срезов с помощью сканера Siemens Magnetom Trio (3 Тл) с использованием однократной последовательности градиентно-эхо-эхо-плоскостного изображения (EPI) и стандартной катушки для птичьей клетки. Изображаемый объем состоял из височно-затылочной плиты толщиной 3 см, включая ранние зрительные области, а также весь вентральный зрительный поток. Параметры последовательности импульсов были следующими: разрешение в плоскости: 2 × 2 мм ² , толщина среза: 2 мм (без зазора), порядок получения срезов: чередующийся, поле зрения (FoV): 256 × 256 мм ² , матрица сбора данных: 128 × 128, TR: 1,5 с, время до эхо (TE): 32 мс, угол поворота (FA): 75°. Функциональная пробежка длилась 14,8 мин. Каждый субъект прошел один сеанс визуализации, включающий два функциональных прогона и Т1-взвешенное сканирование анатомической намагниченности с высоким разрешением, подготовленное быстрым градиентным эхом (MPRAGE), продолжительностью 9,8 мин (192 среза, толщина среза: 1 мм, TR: 2,3 с, TE: 3,9). 3, ТВС: 8°, поле зрения: 256 × 256 мм ² , матрица: 256 × 256). Эксперименты проводились в Центре когнитивной нейровизуализации Дондерса (Неймеген, Нидерланды).

Эксперимент с 96 изображениями. Измерения, зависящие от уровня кислорода в крови, проводились с высоким пространственным разрешением с использованием МРТ-сканера 3T GE HDx. Для приема сигнала мы использовали массив поверхностных катушек всего мозга только для приема (16 элементов, NOVA Medical Inc., Уилмингтон, Массачусетс, США). Было получено 25 аксиальных срезов толщиной 2 мм (без промежутка), охватывающих затылочную и височную доли, с использованием однократной чередующейся EPI с градиентным повторением. Параметры визуализации были следующими: Размер матрицы EPI: 128 × 96, размер вокселя: 1,95 × 1,95 × 2 мм ³ , TE: 30 мс, TR: 2 с. Каждый функциональный запуск состоял из 272 томов (9 минут и 4 секунды на запуск). Четыре субъекта были просканированы в два отдельных сеанса каждый, в результате чего на одного субъекта было выполнено от 11 до 14 прогонов, всего 49 прогонов (эквивалентно 7 часам, 24 минутам и 16 секундам данных фМРТ). В качестве анатомического эталона мы получили Т1-взвешенные анатомические сканы всего мозга с высоким разрешением с последовательностью MPRAGE. Параметры изображения были следующими: размер матрицы: 256 × 256, размер вокселя: 0,86 × 0,86 × 1,2 мм ³ , 124 ломтика.

Предварительная обработка данных

Наборы данных фМРТ подвергались корректировке времени сканирования срезов и коррекции движения головы (в указанном порядке) с использованием пакета программного обеспечения BrainVoyagerQX (R. Goebel, Маастрихт, Нидерланды). (1) Регулировка времени сканирования среза выполнялась путем повторной выборки временных курсов с линейной интерполяцией таким образом, чтобы все воксели в заданном объеме представляли сигнал в один и тот же момент времени. (2) Небольшие движения головы были автоматически обнаружены и скорректированы с использованием анатомического контраста, присутствующего в функциональных МР-изображениях. Алгоритм Левенберга-Марквардта использовался для определения параметров перемещения и вращения (шесть параметров), которые минимизируют сумму квадратов разностей интенсивности по вокселям между каждым объемом и первым объемом первого запуска каждого сеанса. Затем каждый объем подвергался повторной выборке с использованием трилинейной интерполяции в трехмерном пространстве, чтобы выровнять его с первым объемом первого запуска сеанса. Весь дальнейший анализ проводился в Matlab. Реконструкция поверхности коры на рисунке 1. выполняли с помощью программного пакета AFNI-SUMA (R. Cox and Z. Saad, Bethesda, MD, USA).

Извлечение ответов на условия с помощью одномерного линейного моделирования

Мы объединили прогоны в сеансе по временному измерению. Для каждого воксела мы выполнили подгонку одной одномерной линейной модели, чтобы получить оценку амплитуды активности для каждого из 96 стимулов. Модель (рис. 7 ) включал предиктор гемодинамического ответа для каждого из 96 стимулов. Поскольку каждый стимул появлялся один раз в каждой прогонке, каждый из 96 предикторов имел один гемодинамический ответ на прогон и распространялся на все включенные прогоны внутри сеанса. Временные изменения предикторов рассчитывались с использованием линейной модели гемодинамического ответа (Boynton et al. , 19).96 ) и предполагая мгновенный прямоугольный нейронный ответ во время каждого состояния визуальной стимуляции. Для каждого прогона матрица дизайна включала эти предикторы стимулов вместе с шестью временными курсами параметров движения головы, предиктор линейного тренда, базис Фурье с 6 предикторами для нелинейных трендов (синусы и косинусы до трех циклов за прогон) и предсказатель смешения среднего. Таким образом, тренды моделировались отдельным набором предикторов для каждого прогона. Предикторы тренда для конкретного прогона не имели записей для всех других прогонов за это время. Для моделей движения головы и смешанных средних также для каждого запуска учитывались отдельные предикторы (рис. 7). ). Из-за большого количества данных, объединенных во временном измерении для каждого сеанса, подгонка модели выполнялась по пространственным фрагментам. Для каждого из 9Для 6 стимулов мы преобразовали карту оценки амплитуды активности (бета) в t-карту. Полученные 96-тонные карты были использованы для RSA.

Определение областей интереса

Все области интереса (ROI) были определены на основе независимых экспериментальных данных. В эксперименте с 4 изображениями (Kriegeskorte et al., 2007 ), мы использовали подмножество основных экспериментальных данных для определения FFA (Kanwisher et al., 1997). ) с помощью контрастных граней минус здания. В 9Эксперимент с 6 изображениями (Kriegeskorte et al., в печати ), мы определили FFA с помощью отдельного эксперимента по проектированию блоков, включающего блоки с лицами, местами и объектами (подробнее об эксперименте с локализатором см. ниже). FFA определялся контрастом лиц минус объекты. Полученная t-контрастная карта была пороговой, чтобы определить FFA в диапазоне размеров (подробности см. в Kriegeskorte et al., в печати). ). Чтобы определить EVC, мы выбрали наиболее визуально чувствительные воксели в пределах заданной вручную анатомической маски, выбрав расширенную область коры вокруг шпорной борозды. Зрительную реакцию оценивали с помощью 9Карта 1043 t для средней реакции на 96 изображений, оцененная для одной трети прогонов в каждом сеансе. Остальные прогоны использовались для выполнения RSA на ROI. (Поскольку визуальная чувствительность ортогональна интересующим здесь эффектам, разделение данных может не иметь решающего значения для настоящего анализа. Однако мы предпочитаем последовательно использовать отдельные наборы данных для определения ROI, потому что это позволяет нам определять ROI с помощью анализов, связанных с анализ ROI. Использование тех же данных в этом контексте сделало бы цикл анализа ROI.)

Эксперимент по проектированию блока локализатора. Наряду с экспериментом с 96 изображениями мы провели эксперимент с функциональным локализатором, используя ту же последовательность фМРТ, что и для основного эксперимента с 96 изображениями. Испытуемые просматривали фотографии лиц, мест и объектов в градациях серого, представленные в блоках категорий. Каждый блок длился 30 с (SOA: 1 с; продолжительность стимула: 700 мс), чередуясь с 20-секундными блоками фиксации. Для каждой категории стимулов (лицо, место, объект) было представлено по три блока, в результате чего общая продолжительность прогона составила 7 мин 50 с. Стимулы предъявлялись на постоянно видимом однородном черном фоне, при этом испытуемые фиксировали белый фиксационный крест. Субъекты постоянно фиксировали центральный крест и выполняли задание на обнаружение повторений на изображениях, отвечая нажатием кнопки большого пальца левой руки на каждое последовательное повторение (от трех до пяти повторений на блок). Каждый стимул предъявлялся только один раз, за ​​исключением немедленных повторений, которые должны были быть обнаружены в задаче с одной спиной. Стимулы были центрированы по отношению к фиксационному кресту.

Статистика групп субъектов

Чтобы объединить информацию по субъектам, мы просто усредняем матрицы различий, рассчитанные для каждого субъекта отдельно. Обратите внимание, что это позволяет репрезентативным паттернам быть уникальными для каждого субъекта, но при этом требуется согласованность между субъектами на уровне структуры сходства. В качестве альтернативы усреднению по субъектам можно вычислить RDM на основе объединения наборов вокселов ROI по субъектам (метод группового мозга). Эти две альтернативы похожи, но не эквивалентны для корреляционного расстояния. Вычисление отдельного RDM для каждого субъекта потребуется, если обобщение на популяцию должно основываться на анализе случайных эффектов. Анализ фиксированных эффектов обеспечивает большую статистическую чувствительность. Однако тогда обобщение на популяцию будет зависеть от предположения, что изучаемая функция мозга имеет нейронный механизм, одинаковый для всей популяции. Это предположение может быть разумным для основных зрительных функций, общих даже для разных видов.

Модельное представление стимулов

Мы обработали наши стимулы, чтобы получить их представления в ряде низкоуровневых моделей. Затем мы проанализировали эти модельные представления так же, как и данные об активности мозга. Каждое изображение было преобразовано в репрезентативный вектор, как описано ниже для каждой модели. Что касается данных об активности мозга, каждый репрезентативный вектор затем сравнивался с каждым другим репрезентативным вектором с помощью 1 − r в качестве меры несходства (где r — линейная корреляция Пирсона.

Цветное изображение (CIELAB). Цветные изображения RGB (175 × 175 пикселей) были преобразованы в цветовое пространство CIELAB, которое аппроксимирует линейное представление воспринимаемого человеком цветового пространства. Затем каждое изображение CIELAB было преобразовано в вектор пикселей (175 × 175 × 3 числа).

Яркость изображения. Цветные изображения RGB (175 × 175 пикселей) были преобразованы в изображения яркости. Затем каждое яркостное изображение было преобразовано в вектор пикселей (175 × 175 чисел). Мы дополнительно использовали сглаженные версии этих изображений (с низкими частотами), которые были рассчитаны путем свертки изображений с гауссовским ядром 11,75 пикселей (угол обзора 0,2 °) по всей ширине на половине максимума. Мы также использовали версии изображений с высокими частотами, которые дополняли версии с низкими частотами (исходное изображение минус версия с низкими частотами).

Бинарное силуэтное изображение. Цветные изображения RGB (175 × 175 пикселей) были преобразованы в бинарные изображения силуэтов, в которых все пиксели фона имели значение 0, а все пиксели фигуры имели значение 1. Затем каждое бинарное изображение силуэта было преобразовано в вектор пикселей (175 × 175 двоичных чисел).

Совместная гистограмма CIELAB (6 × 6 × 6 интервалов). Цветные изображения RGB (175 × 175 пикселей) были преобразованы в цветовое пространство CIELAB. Три измерения CIELAB ( L , a , b ), затем были разделены на 6 ячеек одинаковой ширины. Совместная гистограмма CIELAB была рассчитана путем подсчета количества пикселей фигуры (без серого фона), попадающих в каждый из бинов 6 × 6 × 6. Совместная гистограмма была преобразована в вектор (6 × 6 × 6 чисел).

Модель V1. Яркостные изображения (175 × 175 пикселей, угол обзора 2,9°) были использованы в качестве исходных данных для популяции смоделированных простых и сложных клеток V1 (Kiani et al., 2007). ; Лампл и др., 2004 г. ; Ризенхубер и Поджио, 2002 г. ). Рецептивные поля (РП) простых клеток моделировали фильтрами Габора 4-х различных ориентаций (0°, 90°, −45° и 45°) и 12 размеров (7–29 пикселей). RF клеток были распределены по стимульному изображению с интервалом 0,017° в декартовой сетке (для каждого пикселя изображения была простая и сложная ячейка каждой селективности, RF которой была сосредоточена в этом пикселе). Отрицательные значения на выходах корректировались до 0. RF сложных ячеек моделировались операцией MAX, выполняемой на выходах соседних простых ячеек с аналогичной селективностью по ориентации. Операция MAX состоит в выборе самого сильного (максимального) входа для определения выхода. Это делает выходные данные сложной ячейки инвариантными к точному местоположению стимула, который ими управляет. Простые клетки были разделены на четыре группы в зависимости от размера их RF (7–9, 11–15, 17–21 и 23–29 пикселей), и каждая сложная клетка объединяла ответы соседних простых клеток в одной из этих групп. Пространственный диапазон объединения варьировался в четырех группах (4 × 4, 6 × 6, 9 × 9 и 12 × 12 пикселей для четырех групп соответственно). Это дало 4 (избирательность ориентации) × 12 (размеры RF) = 48 карт простых ячеек и 4 (селективность ориентации) × 4 (объединенные наборы размеров RF простых ячеек) = 16 карт сложных ячеек 175 × 175 пикселей. Все карты выходных сигналов простых и сложных клеток были векторизованы и объединены для получения репрезентативного вектора для каждого изображения стимула.

Модель HMAX-C2 на основе фрагментов естественного изображения. Это представление модели, разработанное Serre et al. (2005) основывается на выходных данных сложной ячейки модели V1, описанной выше (реализованной той же группой). Признаки C2, использованные в анализе, могут быть сопоставимы с признаками, обнаруженными у приматов V4 и заднего IT. Модель имеет четыре последовательных этапа: S1–C1–S2–C2. Первые два этапа соответствуют описанным выше простым и сложным ячейкам соответственно. Этапы S2 и C2 используют те же механизмы объединения, что и этапы S1 и C1 соответственно. Каждый блок на этапе S2 локально собирает информацию из этапа C1 с помощью линейного фильтра и ведет себя как радиальная базисная функция, наиболее сильно реагируя на определенный входной шаблон прототипа. Прототипы соответствуют случайным фрагментам, извлеченным из набора естественных изображений (стимулы, не зависящие от используемых в настоящем исследовании). Выходы S2 локально объединяются блоками C2, использующими операцию MAX для степени допуска положения и масштаба. Подробное описание модели (включая настройки параметров и размеры карт, которые мы здесь использовали) можно найти в Serre et al. (2005) . Модель, включая фрагменты естественного изображения, была загружена с сайта автора в январе 2007 г. (актуальную версию см. на http://cbcl.mit.edu/software-datasets/standardmodel/index. html). ).

Преобразование Радона. В качестве примера модели, вдохновленной обработкой изображений, мы включили преобразование Радона, которое было предложено в качестве функционального описания представления зрительных стимулов в латеральном затылочном комплексе (Wade and Tyler, 2005). ). Преобразование Радона двумерного изображения представляет собой матрицу, каждый столбец которой соответствует набору интегралов от интенсивностей изображения вдоль параллельных прямых под заданным углом. Мы использовали функцию Matlab radon для вычисления преобразования Радона для каждого яркостного изображения.

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Благодарности

Мы благодарим Зиада Саада за реконструкцию поверхности коры на рисунке 1. . Мы благодарим Джудит Питерс и Гарри Смита за то, что они предоставили свои лица в качестве стимулов для эксперимента с 4 изображениями, и Рузби Киани за то, что он предоставил свое лицо для эксперимента с 9 изображениями. Изоморфизм первого порядка между объектом и представлением можно интерпретировать несколькими способами. Наивно: представление есть воспроизведение предмета, т. е. тождественное с ним. (Проблема: стул не помещается в человеческом черепе.) Более разумно мы можем интерпретировать изоморфизм первого порядка как простое сходство некоторого рода. Например, ретинотопическое представление изображения в V1 может не излучать свет, быть меньшим и искаженным, но имеет топологическое сходство с изображением. Более осторожно мы могли бы утверждать, что изоморфизм первого порядка требует только того, чтобы представление имело свойства (например, частоту возбуждения нейронов), которые связаны со свойствами представляемых объектов (например, ориентация линии). В то время как наивная интерпретация явно несостоятельна, другие интерпретации общеприняты в неврологии. Мы согласны с этим широко распространенным мнением, которое мотивирует исследования селективности стимулов на уровне отдельных клеток и областей мозга. Однако мы считаем, что анализ изоморфизма второго порядка (который может отражать изоморфизм первого порядка) столь же многообещающ и предлагает дополнительную функциональную перспективу более высокого уровня. 9 Сложность этого метода заключается в том, что бутстрапная повторная выборка набора условий перемещает нули из диагональных частей матрицы в недиагональные части всякий раз, когда условие выбирается несколько раз в бутстрапной повторной выборке. Включение этих недиагональных нулей приводит к искусственно малым оценкам отклонения модели (поскольку это увеличивает корреляцию между значениями несходства). Во избежание недооценки отклонений модели при бутстреп-симуляции эти искусственные недиагональные нули (здесь около 1% значений несходства) были исключены перед вычислением отклонений модели. 9 Обратите внимание, что Kay et al. (2008) использовали стимулы с углом зрения около 20 ° (в отличие от стимулов 2,9 °, используемых здесь), что приводило к более расширенному ретинотопическому представлению, что может обеспечить большую мощность для обнаружения более тонкой информации об ориентации, присутствующей в сигналах фМРТ. Обратите также внимание на то, что в этих двух исследованиях используются очень разные подходы к анализу паттернов активности. Наконец, набор стимулов всегда влияет на то, к каким аспектам представления мы чувствительны в любом нейрофизиологическом эксперименте. Наш набор стимулов может не обеспечивать большой чувствительности к информации об ориентации в контексте RSA: заданная пара изображений может быть сходной по ориентации в одном месте сетчатки и неодинаковой в другом, так что общее репрезентативное несходство (по всей протяженности сетчатки). image) заканчивается промежуточным значением для всех пар изображений. Иные результаты можно было бы ожидать для решетчатых стимулов, где некоторые пары стимулов имеют одинаковую ориентацию на всем протяжении изображения, а другие пары везде различаются по ориентации (см. Kamitani and Tong, 2005). ). 9 Мы вводим 1 в матрицу несходства моделей, когда гипотеза предсказывает различные модели активности, и 0 в противном случае. Чтобы получить достаточные значения несходства для корреляции несходств, нам может потребоваться использовать несколько оценок модели активности, полученных для повторения каждого условия. Рассмотрим простейший случай эксперимента с двумя условиями. Нижний треугольник матрицы несходства будет содержать одну ячейку, что сделает корреляцию несходства невозможной. Однако мы могли бы разделить данные, чтобы получить две независимые оценки модели активности для каждого состояния, или мы могли бы использовать каждое испытание как отдельную оценку. 9 Гауссианизация может быть полезным преобразованием перед усреднением матриц несходства (например, по сеансам или предметам). Поскольку результирующие расстояния между матрицами несходства не ограничены по диапазону (как в случае корреляционного расстояния или любого расстояния с ранговым преобразованием), распределение смещений шума в пространстве RDM может быть ближе к изотропному, что делает среднее значение более значимой мерой Главная тенденция.

Ссылки

Агирре, Г.К. (2007). Дизайны непрерывного переноса для фМРТ. Нейроизображение 35, 1480–1494.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Агирре Г.К., Томас А., Ху Д. и Керр В. (в процессе подготовки). Диссоциируемое представление черт лица в грубом и мелком нейронном масштабе.

Бандеттини, П.А., и Унгерлейдер, Л.Г. (2001). От нейрона к BOLD: новые связи. Нац. Неврологи. 4, 864–866.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Бандеттини П.А., Вонг Э.К., Хинкс Р.С., Тикофски Р.С. и Хайд Дж.С. (1992). Временная динамика EPI функции человеческого мозга во время активации задачи. Маг. Резон. Мед. 25, 390–397.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Бауманн С., Нефф С., Фетцик С., Штангл Г., Баслер Л. , Веренек Р. и Шнайдер В. (2003). Система виртуальной реальности для нейроповеденческих и функциональных МРТ-исследований. Киберпсихология . Поведение . 6, 259–266.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Бедни, М., Агирре, Г.К., и Томпсон-Шилл, С.Л. (2007). Анализ предметов в функциональной магнитно-резонансной томографии. Нейроизображение 35, 1093–1102.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Борг, И., и Гроенен, П.Дж.Ф. (2005). Современное многомерное масштабирование — теория и приложения, 2-е изд. Нью-Йорк, Спрингер.

Бойнтон Г.М., Энгель С.А., Гловер Г.Х. и Хигер Д.Дж. (1996). Линейный системный анализ функциональной магнитно-резонансной томографии человека V1. J. Neurosci. 16, 4207–4221.

Опубликовано Резюме | Опубликован полный текст

Бакнер, Р.Л. (1998). ФМРТ, связанная с событием, и гемодинамический ответ. Гул. Карта мозга. 6, 373–377.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Карлсон Т.А., Шратер П. и Хе С. (2003). Закономерности деятельности при категориальном представлении объектов. J. Cogn. Неврологи. 15, 704–717.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Ченг К., Ваггонер Р. А. и Танака К. (2001). Колонки глазного доминирования человека, выявленные с помощью высокопольной функциональной магнитно-резонансной томографии. Нейрон 32, 359–374.

Опубликовано резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Кокс, Д.Д., и Савой, Р.Л. (2003). Функциональная магнитно-резонансная томография (фМРТ) «чтение мозга»: обнаружение и классификация распределенных паттернов активности фМРТ в зрительной коре человека. Нейроизображение 19, 261–270.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Куцу Ф. и Эдельман С. (1996). Точное представление сходства между трехмерными формами в человеческом зрении. Проц. Натл. акад. науч. США 93, 12046–12050.

Полный текст перекрестной ссылки

Куцу, Ф., и Эдельман, С. (1998). Представление подобия объектов в человеческом зрении: психофизика и вычислительная модель. Видение Рез. 38, 2229–2257.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Давацикос, К., Рупарел, К., Фан, Ю., Шен, Д. Г., Ачарья, М., Лоххед, Дж. В., Гур, Р. К., и Ланглебен Д. Д. (2005). Классификация пространственных паттернов активности мозга с помощью методов машинного обучения: приложение к детекции лжи. Нейроизображение 28, 663–668.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Дэвид, С.В., и Галлант, Дж.Л. (2005). Прогнозирование реакции нейронов при естественном зрении. Сеть 16, 239–260.

Опубликовано Резюме | Опубликован полный текст

Деннет, Д. (1987). Преднамеренная позиция. Кембридж, Массачусетс, MIT Press/A Bradford Book.

Друкер, Д.М., и Агирре, Г.К. (представлено). Различные пространственные масштабы представления сходства объектов в латеральном и вентральном ЛОК.

Дуонг Т.К., Ким Д.С., Угурбил К. и Ким С.-Г. (2001). Реакция локализованного мозгового кровотока при субмиллиметровом столбцовом разрешении. Проц. Натл. акад. науч. США 98, 10904–10909.

Полный текст перекрестной ссылки

Эдельман, С. (1995). Представление сходства при различении трехмерных объектов. Нейронные вычисления. 7, 408–423.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Эдельман, С. (1998). Репрезентация есть репрезентация подобия. Поведение. наук о мозге. 21, 449–498.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Эдельман С. и Дувдевани-Бар С. (1997a). Модель визуального распознавания и категоризации. Филос. Транс. Р. Соц. Lond., B, Biol. науч. 352, 1191–1202.

Полный текст перекрестной ссылки

Эдельман С. и Дувдевани-Бар С. (1997b). Подобие, коннекционизм и проблема репрезентации в видении. Нейронные вычисления. 9, 701–721.

Полный текст перекрестной ссылки

Эдельман С., Гриль-Спектор К., Кушнир Т. и Малах Р. (1998). На пути к прямой визуализации внутреннего пространства формы с помощью фМРТ. Психобиология 26, 309–321. [Специальный выпуск по когнитивной нейронауке представления и распознавания объектов.]

Фишл, Б., Серено, М.И., Тутелл, Р.Б.Х., и Дейл, А.М. (1999). Межпредметное усреднение с высоким разрешением и система координат корковой поверхности. Гул. Карта мозга. 8, 272–284.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Фристон, К., Чу, К. , Мурао-Миранда, Дж., Хьюм, О., Рис, Г., Пенни, В., и Эшбернер, Дж. (2008). Байесовское декодирование изображений мозга. Нейроизображение 39, 181–205.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Фристон К. Дж., Холмс А. П., Уорсли К. Дж., Полайн Дж. П., Фрит С. Д. и Фраковяк Р. С. Дж. (1995). Статистические параметрические карты в функциональной визуализации: общий линейный подход. Гул. Карта мозга. 2, 189–210.

Полный текст перекрестной ссылки

Фристон К.Дж., Джеззард П. и Тернер Р. (1994). Анализ функциональных временных рядов МРТ. Гул. Карта мозга. 1, 153–171.

Полный текст перекрестной ссылки

Гебель, Р., Эспозито, Ф., и Формисано, Э. (2006). Анализ данных конкурса функционального анализа изображений (FIAC) с помощью BrainVoyager QX: от анализа общей линейной модели одного субъекта до кортикально выровненной группы и анализа независимых компонентов самоорганизующейся группы. Гул. Карта мозга. 27, 392–401.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Гебель, Р., и Сингер, В. (1999). Статистический анализ данных функциональной магнитно-резонансной томографии на основе корковой поверхности. Нейроизображение 9, S64.

Хэнсон, С.Дж., Мацука, Т., и Хаксби, Дж.В. (2004). Комбинаторные коды в вентральной височной доле для распознавания объектов: новый взгляд на Haxby (2001): существует ли область «лица»? Нейроизображение 23, 156–166.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Харел, Н., Угурбил, К., Улудаг, К., и Якуб, Э. (2006). Границы картирования мозга с помощью фМРТ. Дж. Магн. Резон. Визуализация 23, 945–957.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Хассон У., Нир Ю., Леви И., Фурманн Г. и Малах Р. (2004). Межпредметная синхронизация корковой активности при естественном зрении. Наука 303, 1634–1640.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Хаксби, Дж. В., Гоббини, М. И., Фьюри, М. Л., Ишай, А., Схоутен, Дж. Л., и Пьетрини, П. (2001). Распределенные и перекрывающиеся представления лиц и объектов в вентральной височной коре. Наука 293, 2425–2430.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Хейнс, Дж. Д., и Рис, Г. (2005a). Прогнозирование ориентации невидимых стимулов по активности первичной зрительной коры человека. Нац. Неврологи. 8, 686–691.

Полный текст перекрестной ссылки

Хейнс, Дж. Д., и Рис, Г. (2005b). Прогнозирование потока сознания по активности зрительной коры человека. Курс. биол. 15, 1301–1307.

Полный текст перекрестной ссылки

Хейнс, Дж. Д., и Рис Г. (2006). Нейровизуализация: расшифровка психических состояний по активности мозга у людей. Нац. Преподобный Нейроски. 7, 523–534.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Хейнс, Дж. Д., Сакаи, К., Рис, Г., Гилберт, С., Фрит, К., и Пассингем, Р. Э. (2007). Чтение скрытых намерений в человеческом мозгу. Курс. биол. 17, 323–328.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Хунг, С.П., Крейман, Г., Поджио, Т., и ДиКарло, Дж.Дж. (2005). Быстрое считывание идентификатора объекта из нижней височной коры макаки. Наука 310, 863–866.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Хайд, Дж. С., Бисвал, Б. Б., и Джесманович, А. (2001). ФМРТ высокого разрешения с использованием мультисрезового частичного k-пространства GR-EPI с кубическими вокселами. Маг. Резон. Мед. 46, 114–125.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Джонсон, Южная Каролина (1967). Иерархические схемы кластеризации. Психометрика 2, 241–254.

Полный текст перекрестной ссылки

Камитани, Ю., и Тонг, Ф. (2005). Расшифровка визуального и субъективного содержимого человеческого мозга. Нац. Нейроски . 8, 679–685.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Камитани, Ю., и Тонг, Ф. (2006). Расшифровка увиденных и посещаемых направлений движения по активности зрительной коры человека. Курс. биол. 16, 1096–102.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Канвишер, Н., Макдермотт, Дж., и Чун, М.М. (1997). Веретенообразная область лица: модуль экстрастриарной коры человека, специализирующийся на восприятии лица. J. Neurosci. 17, 4302–4311.

Опубликовано Резюме | Опубликован полный текст

Кей, К.Н., Населарис, Т., Пренгер, Р.Дж., и Галлант, Дж.Л. (2008). Идентификация естественных образов деятельности человеческого мозга. Природа 452, 352–355.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Киани Р., Эстеки Х., Мирпур К. и Танака К. (2007). Структура категорий объектов в паттернах ответов нейронной популяции в нижней височной коре обезьяны. J. Нейрофизиол. 97, 4296–4309.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Кох, К. (1999). Биофизика вычислений: обработка информации в одиночных нейронах. Нью-Йорк, издательство Оксфордского университета.

Красков А., Штёгбауэр Х. и Грассбергер П. (2004). Оценка взаимной информации. Физ. Преп. E Стат. Нонлин. Физика мягких веществ. 69, 066138.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Кригескорте, Н. , и Бандеттини, П. (2007). Анализ информации, а не активации, для использования фМРТ высокого разрешения. Нейроизображение 38, 649–662.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Кригескорте, Н., Формисано, Э., Зоргер, Б., и Гебель, Р. (2007). Отдельные лица вызывают отчетливые паттерны реакции в передней височной коре человека. Проц. Натл. акад. науч. США 104, 20600–20605.

Полный текст перекрестной ссылки

Кригескорте, Н., Гебель, Р., и Бандеттини, П. (2006). Информационное функциональное картирование мозга. Проц. Натл. акад. науч. США 103, 3863–3868.

Полный текст перекрестной ссылки

Кригескорте Н., Мур М., Рафф Д., Киани Р., Бодурка Дж., Эстеки Х., Танака К., Бандеттини П. (в печати). Сопоставление представлений категориальных объектов в нижней височной коре человека и обезьяны. Нейрон .

Крускал, Дж. Б., и Уиш, М. (1978). Многомерное масштабирование. Беверли-Хиллз, Калифорния, Sage Publications.

Квонг, К.К., Белливо, Дж.В., Чеслер, Д.А., Голдберг, И.Е., Вайскофф, Р.М., Понселе, Б.П., Кеннеди, Д.Н., Хоппель, Б.Е., Коэн, М.С., Тернер, Р., и др. (1992). Динамическая магнитно-резонансная томография активности головного мозга человека при первичной сенсорной стимуляции. Проц. Натл. акад. науч. США 89, 5675–5679.

Полный текст перекрестной ссылки

Лааксо, А., и Коттрелл, Г.В. (2000). Контент и кластерный анализ: оценка репрезентативного сходства в нейронных системах. Филос. Психол. 13, 47–76.

Полный текст перекрестной ссылки

ЛаКонте С., Стротер С., Черкасский В., Андерсон Дж. и Ху Х. (2005). Машины опорных векторов для временной классификации данных фМРТ блочной конструкции. Нейроизображение 26, 317–329.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Лампл И. , Ферстер Д., Поджио Т. и Ризенхубер М. (2004). Внутриклеточные измерения пространственной интеграции и работы MAX в сложных клетках первичной зрительной коры кошки. J. Нейрофизиол. 92, 2704–2713.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Логотетис, Н.К., Паулс, Дж., Аугат, М., Тринат, Т., и Олтерманн, А. (2001). Нейрофизиологическое исследование основы сигнала фМРТ. Природа 412, 150–157.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Митчелл Т.М., Хатчинсон Р., Никулеску Р.С., Перейра Ф. и Ван Х. (2004). Обучение декодированию когнитивных состояний по изображениям мозга. Маха. Учиться. 57, 145–175.

Полный текст перекрестной ссылки

Мурао-Миранда, Дж., Бокде, А.Л., Борн, К., Хампель, Х., и Стеттер, М. (2005). Классификация состояний мозга и определение различающих паттернов активации: машина опорных векторов по данным функциональной МРТ. Нейроизображение 28, 980–995.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Норман, К.А., Полын, С.М., Детре, Г.Дж., и Хаксби, Дж.В. (2006). Помимо чтения мыслей: многовоксельный анализ данных фМРТ. Познание тенденций. науч. 10, 424–430.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Огава, С., Ли, Т.М., Кей, А.Р., и Танк, Д.В. (1990). Магнитно-резонансная томография головного мозга с контрастированием в зависимости от оксигенации крови. Проц. Натл. акад. науч. США 87, 9868–9872.

Полный текст перекрестной ссылки

Огава С., Танк Д. В., Менон Р., Эллерманн Дж. М., Ким С.-Г., Меркл Х. и Угурбил К. (1992). Внутренние изменения сигнала, сопровождающие сенсорную стимуляцию: функциональное картирование мозга с помощью магнитно-резонансной томографии. Проц. Натл. акад. науч. США 89, 5951–5955.

Полный текст перекрестной ссылки

Оп де Бек, Х. , Вагеманс, Дж., и Фогельс, Р. (2001). Нижневисочные нейроны представляют низкоразмерные конфигурации параметризованных форм. Нац. Неврологи. 4, 1244–1252.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

О’Тул А., Цзян Ф., Абди Х. и Хаксби Дж. В. (2005). Частично распределенное представление объектов и лиц в вентральной височной коре. J. Cogn. Неврологи. 17, 580–590.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Пессоа, Л., и Падмала, С. (2006). Расшифровка околопорогового восприятия страха по распределенной однократной активации мозга. Церебр. Кора 17, 691–701.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Полын, С.М., Нату, В.С., Коэн, Дж.Д., и Норман, К.А. (2005). Активность коры, специфичная для категории, предшествует извлечению во время поиска в памяти. Наука 310, 1963–1966.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Рике Ф., Варланд Д., Де Рюйтер ван Стивенинк Р. и Биалек В. (1999). Шипы: изучение нейронного кода. Кембридж, Массачусетс, MIT Press.

Ризенхубер, М., и Поджио, Т. (2002). Нейронные механизмы распознавания объектов. Курс. мнение Нейробиол. 12, 162–168.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Ровейс, С.Т., и Сол, Л.К. (2000). Нелинейное уменьшение размерности за счет локально-линейного вложения. Наука 290, 2323–2326.

Опубликовано резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Серенсес, Дж. Т., и Бойнтон, Г. М. (2007). Представление поведенческого выбора движения в зрительной коре человека. Дж. Нейроски . 27, 12893–12899.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Серр, Т. , Олива, А., и Поджио, Т. (2007). Архитектура с прямой связью обеспечивает быструю категоризацию. Проц. Натл. акад. науч. США 104, 6424–6429.

Полный текст перекрестной ссылки

Серр, Т., Вольф, Л., и Поджио, Т. (2005). Распознавание объектов с функциями, вдохновленными зрительной корой. В материалах конференции IEEE Computer Society по компьютерному зрению и распознаванию образов (CVPR 2005), июнь 2005 г., Сан-Диего, США.

Шепард, Р. Н. (1980). Многомерное масштабирование, подгонка дерева и кластеризация. Наука 210, 390–398.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Шепард, Р. Н., и Чипман, С. (1970). Изоморфизм второго порядка внутренних представлений: формы состояний. Познан. Психол. 1, 1–17.

Полный текст перекрестной ссылки

Шепард, Р. Н., и Килпатрик, Д. В., и Каннингем, Дж. П. (1975). Внутреннее представление чисел. Познан. Психол. 7, 82–138.

Полный текст перекрестной ссылки

Шмуэль, А., Раддац, Г., Чаймов, Д., Логотетис, Н.К., Угурбил, К., и Якуб, Э. (2007). Классификационный анализ с несколькими разрешениями столбцов доминирования глаз, полученных при 7 Тесла от V1 человека: механизмы, лежащие в основе сигналов декодирования. 37-е ежегодное собрание Общества нейробиологов, Сан-Диего, США.

Спиридон, М., и Канвишер, Н. (2002). Насколько распределена информация о зрительных категориях в затылочно-височной коре человека? ФМРТ-исследование. Нейрон 35, 1157–1165.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Стротер, С.К., Андерсон, Дж., Хансен, Л.К., Кемс, У., Кустра, Р., Сидтис, Дж., Фрутигер, С., Мули, С., ЛаКонте, С., и Роттенберг, Д. (2002 г. ). Количественная оценка экспериментов по функциональной нейровизуализации: структура анализа данных NPAIRS. Нейроизображение 15, 747–771.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Талайрах, Дж., и Турну, П. (1988). Копланарный стереотаксический атлас человеческого мозга. Нью-Йорк, Thieme Medical Publishers.

Тененбаум, Дж. Б., де Сильва, В., и Лэнгфорд, Дж. К. (2000). Глобальная геометрическая структура для нелинейного уменьшения размерности. Наука 290, 2319–2323.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Торгерсон, У. С. (1958). Теория и методы масштабирования. Нью-Йорк, Уайли.

Цао, Д.Ю., Фрайвальд, В.А., Тутелл, Р.Б., Ливингстон, М.С. (2006). Область коры, полностью состоящая из клеток, селективных к лицу. Наука 311, 670–674.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Ван Хорн, Дж. Д., Вулф, Дж., Аньоли. А., Вудворд Дж., Шмитт М., Добсон Дж., Шумахер С. и Вэнс Б. (2005). Базы данных нейровизуализации как ресурс для научных открытий. Междунар. Преподобный Нейробиол. 66, 55–87.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

фон Люксбург, У. (2007). Учебник по спектральной кластеризации. Стат. вычисл. 17, 395–416. [См. также Технический отчет 149, Институт биологической кибернетики им. Макса Планка, 2006 г.]

Полный текст перекрестной ссылки

Уэйд, А. Р., и Тайлер, К. В. (2005). Латеральная затылочная кора человека содержит неретинотопическую карту зрительного пространства. Материалы ежегодного собрания Организации картирования человеческого мозга, Торонто, Канада.

Вейджер, Т. Д., и Николс, Т. Е. (2003). Оптимизация экспериментального дизайна в фМРТ: общая структура с использованием генетического алгоритма. Нейроизображение 18, 293–309.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Уильямс, Массачусетс, Данг, С. , и Канвишер, Н. (2007). При выполнении задачи считываются только некоторые пространственные паттерны фМРТ-ответа. Нац. Неврологи. 10, 685–686.

Опубликовано резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Уорсли, К.Дж., Эванс, А.С., Марретт, С., и Нилин П. (1992). Трехмерный статистический анализ исследований активации CBF в мозге человека. Дж. Цереб. Кровоток Метаб. 12, 900–918.

Опубликовано Резюме | Опубликован полный текст

Уорсли, К.Дж., и Фристон, К.Дж. (1995). Еще раз об анализе временных рядов фМРТ. Нейроизображение 2, 173–181.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Якуб, Э., Дуонг, Т.К., Ван Де Муртеле, П.Ф., Линдквист, М., Адриани, Г., Ким, С.Г., Угурбил, К., и Ху, X. (2003). ФМРТ спинового эха у людей с использованием высокого пространственного разрешения и сильных магнитных полей. Маг. Резон. Мед. 49, 655–664.

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Внимание и репрезентативный импульс

Адресная корреспонденция:

Эми Хейс
Кафедра психологии
1227 Университет Орегона
Юджин, OR 97403-1227
Интернет: Эми@dynamic.uoregon.edu

Аннотация

Репрезентативный импульс, тенденция к искажению памяти в направлении подразумеваемой трансформации, предполагает, что динамика являются неотъемлемой частью перцептивных представлений. Мы рассмотрели влияние внимания на динамическое представление путем тестирования на репрезентативный импульс в условиях отвлечения внимания. Вперед сдвиги памяти увеличиваются при разделении внимания. Внимание может быть участвует в остановке, но не в поддержании динамических представлений.

Текст

При столкновении с объектом очевидная цель нашего восприятия системы состоит в том, чтобы определить идентичность объекта. Секунда поровну Однако важная цель состоит в том, чтобы ответить на вопрос: что является объект делает ?

Слайд 1: Змея Фото

Когда я вижу змею на своем пути, мне нужно ее идентифицировать и Я хочу знать: отдыхает или готовится к удару? На бейсболе игре, я могу признать, что этот объект, летящий по воздуху, является мяч с фолом, но важный вопрос, попадет ли он в меня? Выйти на улица Я хочу знать: этот человек машет мне рукой или вызывает такси? Каждое из этих критических восприятий зависит от понимания динамику объекта, или другими словами, восприятие какого-либо изменения, или потенциальное изменение объекта с течением времени.

В наших текущих экспериментах мы изучаем, как такая динамика воспринято и представлено.

В одном направлении исследований мы спрашиваем об отношениях между процессами внимания и динамическими представлениями. Оба внимание и динамические представления связаны с ожидание и готовность к действию. Какую роль, если таковая имеется, внимание играть в настройку и регулировку динамики представления?

Чтобы исследовать этот вопрос, мы используем репрезентативный импульсная парадигма. В исследованиях репрезентативного импульса мы обнаруживаем, что когда люди пытаются вспомнить конечное состояние движения или преобразование, стимул, они делают ошибки памяти, которые являются последовательными с продолжением трансформации.

Слайд 2: Фрейд и Финке, 1985

Например, в одном исследовании Фрейд и Финке (1985) представили субъекты со статической фигурой в выбранной последовательности ориентаций от возможного пути вращения. Субъектам было дано указание помнит третью ориентацию, которую они видели, и им представили четвертая ориентация, которая была либо такой же, либо отличной от третий. Ориентация тестов изменялась параметрически вокруг Правда-такой же. Мы нашли в целом симметричное унимодальное распределение «те же» ответы сосредоточены не на том же самом, а на вращении вперед от истинного же. То есть испытуемые демонстрировали сдвиг в памяти на должность.

Это прямое смещение памяти было интерпретировано как указание на то, что ум не может мгновенно остановить представление динамика объекта. Хотя задача испытуемого состоит в том, чтобы запомнить конечное состояние объекта, в течение интервала удержания динамика продолжает представляться, и результатом является прямая память ошибка. Характер ошибки памяти обеспечивает след представляет динамику, и это мера, которую мы используем в нашей эксперименты.

Исследования репрезентативного импульса уже пролили свет на способ представления динамической информации. Например, мы обнаружили, что размер прямого сдвига памяти сильно связаны со скоростью и скоростью объекта (Фрейд и Финке, 1985 год; Finke, Freyd & Shyi, 1986) и продолжительности интервал удержания (Freyd & Johnson, 1987). Это говорит о том, что динамика представлена ​​непрерывным образом.

Еще одним важным открытием стало то, что репрезентативное сдвиг импульса, по-видимому, отражает адаптивное ожидание будущее движение объекта, а не просто экстраполяция локальное движение. Например, Хаббард и Бхаруча (1988) и Verfaillie & d’Ydewalle (1991) показали, что память для периодическое движение может изменить сдвиг, когда ожидаемое движение в противоречии с экстраполяцией локального движения. Итак, контекст в которой происходит движение, влияет на сдвиг.

Кроме того, воспринимаемая идентичность объекта может повлиять на ожидаемая динамика. Рид и Винсон (в печати) недавно показали что смещение прямой памяти больше для стимула, когда он интерпретируется как ракетный корабль, чем когда тот же стимул интерпретируется как колокольня церкви.

Репрезентативный импульс в основном изучался в условия, когда один объект отслеживается с полным вниманием. В Однако в реальной жизни интересующие объекты обычно встроены в сцены, содержащие другие объекты и события, конкурирующие за наше внимание.

Влияют ли распределение внимания и цели наблюдателя на способ, которым представлена ​​динамика объекта?

Сначала мы манипулировали вниманием, заставляя испытуемых разделять внимание между двумя объектами на экране.

Слайд 3: Схема предполагаемого движения Стимулы

Два объекта были розовыми точками, которые двигались в направлениях перпендикулярны друг другу в подразумеваемой последовательности движений. Каждое испытание состоял из вызывающего дисплея и теста памяти. В побуждении на дисплее точки появлялись вместе три раза, каждый раз оставаясь на экране в течение 250 мс. ISI составляла 250 мс, а расстояние до каждого точка, перемещаемая между появлениями, составляла полградуса угла зрения.

Половина испытуемых видели, как точки движутся навстречу друг другу, как в Рисунок А, и половина увидела, что точки удаляются друг от друга, как на Рисунок B. Испытуемых просили распределить свое внимание по две точки, и лучше запомнить третью позицию обеих точек они могли. Когда третье предъявление точек исчезло, 250 мс после интервала удержания следовал тест памяти на положение одной из точек.

Тест памяти состоял из зондовой точки, которая находилась либо в в том же месте, что и одна из точек в третьей презентации, или находился впереди или позади истинного того же места в направлении подразумеваемое движение точки. Для каждой точки было девять тестовых позиций. происходит с шагом в три пикселя в диапазоне от 12 пикселей слишком далеко назад на 12 пикселей слишком далеко вперед. Представлены тестовые позиции в верхнем слайде по галочкам.

Задача испытуемого состояла в том, чтобы указать, находится ли зондовая точка в в том же месте, что и точка на третьем дисплее, или это было в другом месте. Память на положение двух точек исследовались одинаково часто в случайном порядке, и в данном испытании испытуемые не знали, какая точка будет проверена.

Это состояние разделенного внимания сравнивали с сосредоточенным вниманием. условия, при которых появилась одна точка. Было два сосредоточенных условия внимания, соответствующие горизонтальному движению точки и тот, который соответствовал вертикальному движению точки. Все три условия проходили отдельными блоками. Участвовало семнадцать субъектов.

Мы задавались вопросом: не повредит ли разделенное внимание способности представляют динамику, что приводит к меньшему прямому смещению памяти в состояние разделенного внимания? Или это было бы так, что внимание требуется остановить представленный динамик? Если бы это было true, то условие разделенного внимания может показывать большее значение вперед. предвзятость. Будет ли внимание вообще иметь какой-либо эффект?

Результаты обобщены на следующем слайде.

Слайд 4: Точки Результат

Зависимой мерой на этих графиках является распределение «одинаковые» ответы на тестовых позициях. Ось X представляет девять тестовых положений, при этом истинное положение обозначено значком пунктирная линия. Ось Y представляет процент испытаний, в которых испытуемые ответили, что зонд находится в том же месте, что и точка на третьем дисплее. Эти данные свернуты по субъектам, и поперек направления движения, как внутрь, так и наружу, и горизонтальное и вертикальное движение. Из этих распределений мы можем оценить центральную тенденцию памяти для третьей точки должность.

Если бы не было прямого смещения, эти распределения были бы симметрично относительно истинного же положения. Однако оба эти распределения показывают сдвиг вперед . Это основной эффект репрезентативного импульса.

Оценка смещения вперед может быть получена путем подгонки квадратичная кривая к распределению и решение для положения соответствует максимальной точке. Как и в предыдущих исследованиях, мы пропущены тестовые позиции, для которых было менее 20% «одинаковых» ответы. Это устранило две самые отрицательные тестовые позиции из анализ. Сдвиг вперед для состояния сосредоточенного внимания был оценивается в 3,0 пикселя, а сдвиг для разделенного внимания состояние было оценено в 5,1 пикселя.

Сдвиг вперед в условиях разделенного внимания был значительно больше, чем смещение фокусированного внимания условие. Это говорит о том, что в условиях разделенного внимания динамики для этого дисплея действительно представлены. Возможно, однако, остановка представления нарушена уменьшением внимание.

В нашем следующем исследовании мы манипулировали вниманием, вводя второстепенной задачей, а не манипулированием самим дисплеем. Хотя проблема восприятия динамики нескольких объектов в сцене является важным вопросом, и будущие исследования в наша лаборатория будет продолжать, мы хотели увидеть, сможем ли мы наблюдать изменение в смещение вперед при наличии отвлекающего фактора, который не зрительно-пространственный.

В этом эксперименте репрезентативный дисплей импульса был то же, что и условие горизонтальной одиночной точки из первого эксперимента. второстепенным заданием было сосчитать вслух до 30 в такт под метроном с частотой 58 ударов в минуту. Когда было достигнуто 30, начался отсчет. снова без перерыва. В трех отдельных блоках испытуемые должны были считать метрономом до 30 по одному, по двое или по трое, что было попытаться изменить сложность задачи параметрически.

В четвертом блоке, в состоянии сфокусированного внимания, испытуемые делали не нужно считать при выполнении задачи репрезентативного импульса, и метроном не включался. Участвовало 12 субъектов, и порядок блокировки был уравновешен по предметам.

Результаты показаны на следующем слайде.

Слайд 5: Подсчет результатов вслух

На этом графике показаны сдвиги вперед для сосредоточенного внимания. условие и для трех условий разделенного внимания: счет по по одному, по двое и по трое. Сдвиги оцениваются по взвешенным означает. Как и в первом эксперименте, сдвиг вперед увеличивается в условия разделенного внимания. Хотя условие счета двойками не больше, чем условие счета единицами, все разделенные условия внимания показывают большие сдвиги, чем сфокусированное внимание условие. Линейный тренд имеет большое значение.

Этот результат Эксперимента 2 подтверждает вывод Эксперимента 1 видно, что для этого дисплея динамика представлена, несмотря на пониженное внимание, но, возможно, трудно остановить представлена ​​динамика без внимания. Эксперимент 3 исследовал это гипотезу более непосредственно, вводя вторичную задачу, в которой отвлечение происходит во время ретенционного интервала, но не во время вызывающий дисплей. В этом эксперименте звук воспроизводится во время интервал удержания. В условиях одиночного задания испытуемым не нужно обратить внимание на тон. В условиях двойного задания испытуемые необходимо судить о громкости тона. 24 предмета принимала участие.

Слайд 6: Результаты тона

Сдвиг вперед в задаче репрезентативного импульса значительно больше, когда испытуемые должны сделать суждение о тон, чем когда тон присутствует, но оценка не требуется. Этот вывод согласуется с идеей о том, что трудно остановить динамика в условиях отвлечения внимания. Далее мы рассмотрим эффект отвлечения, когда он ограничивается показом, побуждающим к посмотреть, влияет ли пониженное внимание на настройку представлена ​​динамика. Можно предположить, что для этого очень просто, повторяющийся дисплей, мало внимания требуется для представления динамика. В будущем мы расширим эти исследования, чтобы изучить роль внимания в представлении более сложной динамической информации.

При навигации в реальном мире восприятие динамики конечно сложный процесс. Динамическая информация извлекается из обширного разнообразие источников, а также мотивы сбора таких информация широко распространена.

Возвращаясь к примерам, приведенным в начале выступления, в дело о приближающемся бейсболе, динамика интереса заключаются в быстром движении по траектории, а мотивация к правильная оценка — это немедленное избегание. В случае свернувшаяся змея, потенциала динамики воспринимаются из статики конфигурационные сигналы, и эта информация может быть использована для осторожного планирование медленное, осторожно избегание. В случае лица на машем рукой на улице или ловим такси, мы ищем информацию в едва уловимых тонах. жесты руки и руки, чтобы проинструктировать наши соответствующие социальные помолвка.

Очевидно, что наше выживание и наше понимание мира построены при восприятии действий и потенциальных действий объектов. Изучение роли внимания в этом процессе будет важным шаг к пониманию этого жизненно важного компонента восприятия объекта.

Каталожные номера

Финке, Р. А., Фрейд, Дж. Дж. и Шии, Г. К. В. (1986). Подразумевается скорость и ускорение вызывают преобразования зрительной памяти. Journal of Experimental Psychology: General , 115 (2), 175-188.

Фрейд, Дж. Дж. и Финке, Р. А. (1985). Эффект скорости для представительский импульс. Бюллетень психономики Общество , 23 , 443-446

Фрейд, Дж. Дж. и Джонсон, Дж. К. (1987). Исследование хода времени представительского импульса. Журнал экспериментальной психологии: Обучение, память и познание , 13 , 259-268.

Хаббард, Т. и Бхаруча, Дж. Дж. (1988). Предполагаемое смещение в очевидное вертикальное и горизонтальное движение. Восприятие и Психофизика , 44 (3) 211-221.

Рид, К.Л., и Винсон, Н.Г. (в печати). Концептуальное воздействие на представительский импульс. Журнал экспериментальной психологии: Человеческое восприятие и производительность .

Верфайи, К. и д’Идеваль, Г. (1991). Представительный предвосхищение импульса и хода событий в восприятии подразумеваемых периодические движения. Журнал экспериментальной психологии: обучение, Память и познание , 17 (2), 302-313.

Примечание:

Представленное здесь исследование было поддержано грантом NIMH R01-Mh49. 784 присужден Дж. Дж. Фрейду

Слайды

Слайд 1: Фото змеи

Примечание : Этот документ содержит текст и копии слайды, использованные в презентации по психономике; этот первый слайд, однако не является точной копией того, что используется в презентации. Это слайд Новой мексиканской молочной змеи, Lampropeltis triangulum. celaenops, любезно предоставлено Майк Пинглтон и является частью его Герп картинки Галереи.

Примечание. На экспериментальном дисплее тестовые положения были равномерно распределены.

Последовательная зависимость и импульс репрезентации в однократных перцептивных решениях

Введение

Наш визуальный мир демонстрирует сильную временную зависимость: предыдущие события во многом определяют события в настоящем и будущем. Это позволяет нашему мозгу строить ожидания относительно своего визуального ввода на основе предыдущего опыта ^1,2 . Например, мы можем ожидать, что характеристики статической сцены останутся неизменными во времени или что движущиеся объекты будут продолжать двигаться по своим путям и траекториям. Эти ожидания в конечном итоге ориентируют нашу систему восприятия на стабильность или изменение событий в окружающей среде, что приводит к систематическим искажениям в наших перцептивных представлениях и решениях.

Два различных типа искажений, известных как серийная зависимость (SD) ³ и репрезентативный импульс (RM) ⁴ , были связаны с ожиданиями относительно стабильных или динамических сенсорных сигналов. При СД недооцениваются небольшие и непредсказуемые изменения стабильной в других отношениях зрительной информации, и мы воспринимаем настоящие стимулы как более похожие на прошлые, чем они есть на самом деле. Вместо этого в RM отчеты о восприятии смещены в сторону будущих состояний по предсказуемой траектории динамических стимулов. Эти противоположные явления предполагают, что репрезентации восприятия имеют тенденцию либо стабилизироваться, либо смещаться вперед в зависимости от ожидаемой динамики сенсорных событий.

Например, в типичной парадигме SD, включающей реакции на ориентацию, участники воспроизводят функцию (например, ориентацию лоскута Габора) в серии испытаний. Обнаружено, что реакции адаптации систематически смещаются в сторону ориентации, наблюдаемой за одну или несколько попыток до этого, даже несмотря на то, что стимулы предъявляются в случайной последовательности и с относительно длинными интервалами между попытками (например, 5–10 с) ³ . SD возникает в основном для слабых (например, низкоконтрастных) и кратко представленных сенсорных сигналов и показывает широкую пространственную настройку (например,  ~ 15 ³ ). Недавняя работа предполагает, что SD может возникать за рамками ранней сенсорной обработки (например, во время процессов принятия решений или памяти ^5,6 ) и действует непосредственно на восприятие следующего стимула ⁷ . Это явление было связано с прогностическими процессами, посредством которых внутреннее представление предыдущего стимула используется в качестве предшествующего для текущего восприятия ^7,8 .

В типичном эксперименте RM участники подвергаются воздействию последовательности стимулов, которые содержат регулярную динамику (например, вращающиеся прямоугольники). В отличие от SD, суждения о восприятии и воспоминания о последнем стимуле, как правило, смещаются вперед, в направлении подразумеваемой динамики (например, сообщается, что прямоугольник ориентирован больше по часовой стрелке, чем он есть, после последовательности прямоугольников, вращающихся по часовой стрелке 9).0099 4 ). Смещение вперед зависит от когерентного пути предшествующих стимулов и исчезает, когда последовательность перемешивается, а подразумеваемая динамика нарушается ^4,9,10 . На РМ влияет множество факторов, в том числе динамические свойства стимула, такие как скорость и ускорение ⁹ , и аспекты более высокого уровня, такие как ожидания и семантические знания (например, стимул с названием «ракета» вызывает большее РМ, чем стимул с названием «собор» ¹¹ ). РМ также требует, чтобы идентичность стимулов оставалась неизменной во время последовательности, как в одном и когерентно изменяющемся объекте 9.0099 12 . Обычно считается, что РМ отражает процессы высокого уровня и связанные с памятью, а не низкоуровневые сенсорные предубеждения ¹⁰ , которые могут полагаться на внутреннюю физику сенсорных событий для преодоления «разрыва» между восприятием и действием ⁹ .

Следовательно, как SD, так и RM были связаны с ожиданиями и прогностическими процессами, которые могут быть запущены, соответственно, непредсказуемостью или когерентным поведением последовательности стимулов. В настоящей работе мы показываем, что SD и RM также могут присутствовать одновременно. Однако, несмотря на их одновременное присутствие, мы показываем, что они полагаются на разные типы обработки. С настоящей парадигмой мы обнаружили положительную SD исключительно для последовательных решений, независимо от того, воспринимались ли стимулы как когерентные объекты. РМ требовал представления единого объекта с согласованной пространственно-временной динамикой ^9,13,14 .

Результаты

В эксперименте 1 четырнадцати участникам была представлена ​​последовательность из шести низкоконтрастных стимулов Габора, и их попросили воспроизвести ориентацию последнего, используя реакции адаптации (рис. 1А). Стимулы предъявлялись в одном и том же фовеальном месте, и последовательность ориентаций разворачивалась либо случайным образом (случайно), либо следовала обычной траектории вращения (вращение) (рис. 1B). Мы сравнили ошибки ответа в двух условиях, чтобы проверить, будут ли искажения восприятия демонстрировать RM в ротационных испытаниях и SD в случайных испытаниях. С этой целью мы выполнили основанный на модели и не модельный анализ ошибок настройки (указанный минус фактическая ориентация) как функцию разницы ориентации между целевым стимулом (последним в последовательности) и предыдущим (Δ, предыдущая минус настоящая ориентация, см. раздел «Методы»). Δ между двумя последними стимулами одинаково варьировалось (от  ± 20° до  ± 60°) в зависимости от условий, но предыдущая история изменилась, содержа либо вращательные последовательности, либо случайно перемешанные последовательности. Следуя условию, использованному в предыдущей работе ^3,5 , ошибки и Δ с одним и тем же знаком указывали на смещение приспособительных реакций в сторону предыдущей ориентации (т.е. привлекательность, положительный знак). Ошибки и Δ с противоположным знаком указывали на отклонение от предыдущей ориентации (т. е. отталкивание, отрицательный знак) (см. раздел «Методы» и рис. 2). В этом соглашении, которое отличается от того, которое обычно используется в области RM (см. раздел «Методы»), SD согласуется с предвзятостью притяжения ³ , тогда как RM согласуется с предвзятостью отталкивания: переоценка разницы между настоящая и предыдущая ориентация. Эти термины являются синонимами смещения назад и вперед в литературе по РМ, а мера ошибки эквивалентна стандартной M — мера смещения в исследованиях РМ, но с перевернутым знаком ⁹ .

( A ) Пример пробной последовательности. В каждом испытании участникам предъявлялась последовательность ориентированных Габоров, и они воспроизводили ориентацию последнего, регулируя шкалу ответов. ( B ) Два условия эксперимента 1 со стимулами, предъявляемыми в центральной ямке. В отдельных блоках испытаний последовательность ориентации разворачивалась либо случайным образом, либо по импульсу вращения (здесь — по часовой стрелке). ( C ) В эксперименте 2 стимулы предъявлялись в случайных местах в пределах   ±   3° от фиксации. ( D ) В эксперименте 3 использовались более длинные последовательности (от 4 до 12) низкоконтрастных и шумных стимулов Габора. Случайные последовательности были разработаны для получения более сильного адаптационного смещения, чем условие вращения (например, большее количество Габоров наклонено в одном и том же направлении относительно цели, здесь по часовой стрелке, Δ = 20°–40°). Зеленое пятно фиксации было представлено в начале каждой последовательности в экспериментах 1 и 3 и оставалось на экране в течение всей последовательности в эксперименте 2. Стимулы не нарисованы в масштабе.

Полноразмерное изображение

( A ) Результаты анализа на основе модели, без модели и анализа доминирования Эксперимента 1. Отталкивающая адаптация следовала случайным последовательностям сенсорных сигналов (оранжевые кружки, кривые и полоса) . Наличие вращательных структур отодвинуло отчеты о восприятии от предыдущих стимулов к будущим состояниям (небесно-голубые круги, кривая и полоса). Предыдущие ориентации (последняя цель) имели противоположный эффект, вызывая последовательную зависимость от прошлого (зеленые ромбы, кривая и полоса). Смещение, вызванное вращательными последовательностями, доминировало в сообщениях о восприятии (коробчатые диаграммы справа). ( B ) Результаты эксперимента 2. Предъявление стимулов в разных местах сетчатки устраняло как адаптационные, так и RM-эффекты, в то время как SD по предыдущим мишеням оставалось значительным. В этом эксперименте преобладало смещение в сторону прошлого, особенно во время случайных последовательностей стимулов (прямоугольники справа). ( C ) Результаты эксперимента 3. Полярный график слева показывает пропорцию адаптеров, показанных в этом эксперименте, чтобы вызвать большее смещение адаптации в случайном порядке по сравнению с вращательным условием. На центральном графике показана средняя ошибка по Δ в двух условиях (с поправкой на среднее значение для каждого условия), выявляющая более значительные отклонения отталкивания для вращательных последовательностей, чем для случайных последовательностей, несмотря на спроектированную асимметрию в смещении адаптации. Использование зашумленных и низкоконтрастных изображений Габора устранило общие эффекты адаптации, в то время как эффекты импульса остались значительными (результаты без модели, гистограмма справа). Столбики погрешностей представляют собой стандартные ошибки среднего значения на линейных графиках и 95% ДИ среднего значения в гистограммах.

Полноразмерное изображение

Мы не обнаружили значительного притягательного смещения SD после случайных последовательностей, но устойчивый отталкивающий эффект предыдущих стимулов с пиковым отрицательным отклонением 2,16° при Δ =  ± 24°, что соответствует отклонению около 8% к предыдущей ориентации (см. раздел «Методы»; анализ подбора модели: бутстрап p  < 0,001; безмодельный анализ: t (13) = − 2,44, p  = 0,02, двусторонний t-критерий против ноль, Коэн д  = 0,65; Рис. 2А; раздел «Методы»). Наличие явной вращательной динамики дополнительно увеличивало отталкивающее смещение почти в три раза (пиковое отрицательное смещение 5,26° при Δ =  ± 23°, отклонение 22 %; анализ подгонки модели: бутстрап p  < 0,001; свободный анализ: t (13) = − 7,53, p  < 0,001, Коэн d  = 2,01), что приводит к статистически большему смещению в вращении, чем в случайном условии (анализ подбора модели: бутстрап р  < 0,001; результаты без модели: t (13) = 4,25, p  < 0,001, парный t-тест, Коэн d  = 1,02; раздел «Методы»).

В эксперименте 1 смещение отталкивания после случайных последовательностей очень напоминало хорошо известные последействия адаптации, при которых восприятие смещается от признаков, выставленных в прошлом, феномен, возникающий на ранних стадиях обработки зрительной информации ^5,15,16 . Когда в последовательность были встроены вращательные структуры, РМ добавила адаптацию нейронов, смещая отчеты о восприятии еще дальше от прошлого к будущему.

Отсутствие SD в случайных последовательностях незарегистрированных стимулов повторяет предыдущие результаты с использованием аналогичной парадигмы ⁵ . Однако этот результат не является однозначным. Есть как минимум два альтернативных объяснения. Следуя предыдущей работе, одна возможность состоит в том, что SD возникает только для стимулов, которые имеют отношение к поведению и подвергаются полной обработке внимания и принятию решений ^5,6,17 . В качестве альтернативы, развитию SD могла помешать адаптация, поскольку эти два феномена, вероятно, сосуществуют и взаимодействуют при перцептивной обработке ⁵ . Чтобы оценить первую возможность, мы измерили остаточные отклонения в ответах на адаптацию из-за ориентации, о которой сообщалось в предыдущем испытании. Это выявило положительное смещение примерно на 4% в сторону целевой ориентации, о которой сообщалось в последнем испытании (анализ подбора модели: бутстреп p  < 0,001; анализ без модели: t (13) = 3,39, p  = 0,004, Cohen’s d  = 0,90), с пиком 1,24°, когда разница между последовательными ориентациями (Δ) составляла 28,3°, в соответствии с формой и размером SD, о которых сообщалось ранее ^5,6 .

Во втором эксперименте (Эксперимент 2, пятнадцать участников) мы проверили, будет ли SD возникать также для неописанных стимулов в отсутствие адаптации. Это остается фундаментальным аспектом для проверки предыдущей работы и выводов о природе SD ⁵ . Адаптация к ориентированным стимулам включает изменения чувствительности в ранних зрительных нейронах, которые избирательны в отношении локализации сетчатки, тогда как SD имеет более широкую ретинотопическую организацию ^18,19 . Таким образом, если два явления мешают друг другу, последовательные стимулы в разных местах должны препятствовать адаптации и снимать эффекты последовательной зависимости. Чтобы учесть эту возможность, мы использовали те же последовательности и условия, что и в эксперименте 1, но стимулы предъявлялись в разных, случайно назначенных местах (в пределах   ±   3 ° от фиксации; рис. 1C). Благодаря предотвращению повторной стимуляции в одном и том же месте сетчатки отталкивающие эффекты полностью исчезли (рис. 2B; анализ подбора модели: как случайный, так и вращательный, бутстрап 9).1043 р  > 0,05; безмодельный анализ: оба p  > 0,05, все коэновские d  < 0,40). Тем не менее, стандартное отклонение из-за указанных ориентаций не изменилось (пиковое смещение 1,70° при Δ =  ± 28°, отклонение около 6% в сторону предыдущей ориентации, анализ подгонки модели: бутстрап p  < 0,001; анализ без модели: t (14) = 3,02, p  = 0,009, Cohen d  = 0,78), несмотря на то, что целевой стимул в последнем испытании и в настоящем может появиться на расстоянии шести градусов в координатах сетчатки.

Наши первые два эксперимента подтвердили, что РМ требует представления единого визуального объекта, демонстрирующего когерентную динамику в пространстве и времени ^4,9 . Однако одновременное присутствие адаптации и РМ частично искажало истинную природу этого эффекта. Например, наблюдаемое смещение ошибок в направлении вращения может быть просто результатом более сильных эффектов адаптации, вызванных последовательностями, содержащими больше сигналов ориентации в том же направлении. Например, Δ − 20° всегда предшествует Δ − 40° во вращательной, но не в случайной последовательности. Чтобы устранить неоднозначность между низкоуровневой адаптацией и РМ, мы провели последний эксперимент, предназначенный для (1) уменьшения общих эффектов адаптации и (2) систематического представления большего количества адаптационных ориентаций в случайных условиях, чем в условиях вращения (см. 1D, 2С). Если бы результаты эксперимента 1 были связаны исключительно с адаптацией, эти манипуляции должны были бы привести к большим смещениям отталкивания в случайном состоянии из-за большего количества адаптационных ориентаций (рис. 2C). В то же время смещения из-за подразумеваемого вращения с меньшей вероятностью возникали в случайных последовательностях, где компонент вращения был предотвращен. Результаты у девяти участников выявили эффекты РМ, выходящие за рамки какого-либо эффекта адаптации. Несмотря на увеличение числа адаптеров в случайных условиях, смещения отталкивания были больше для вращательных последовательностей, чем для случайных последовательностей (безмодельный анализ: t (8) = − 4,67, p  = 0,002, парный t тест; Cohen’s d’  = 1,56). Кроме того, для использованного здесь низкоконтрастного и шумного Габора чистые последствия адаптации не были значительными (безмодельный анализ: t (8) = − 0,98, p  = 0,35, парный t-критерий). Тем не менее, ошибки настройки в условиях вращения значительно отклонялись от нуля (безмодельный анализ: t (8) = − 6,20, p  < 0,001, парный t тест, тест Коэна д  = 2,06).

В совокупности наши эксперименты показали отчетливые предубеждения, возникающие из-за истории сенсорных процессов, интернализованной динамики и поведенчески релевантных сенсорных сигналов. Это дополнительно установило существование противоборствующих сил в отчетах о восприятии с одной пробой, вызывающих либо отталкивание, либо RM, либо SD ⁵ . Чтобы оценить относительное влияние этих противодействующих сил, на последнем этапе мы провели анализ доминирования (см. раздел «Методы»), сравнивая влияние незарегистрированных и зарегистрированных ориентаций в первых двух экспериментах. Анализ выявил преобладание недавних стимулов над теми, о которых сообщалось ранее, в эксперименте 1, где сенсорная стимуляция была зафиксирована в центральной ямке, а последовательности вращения оказывали наибольшее влияние на искажения восприятия (рис. 2A, B, крайние правые панели). Наоборот, положительные зависимости от зарегистрированных ориентаций преобладали, когда стимулы возникали в разных местах в пространстве, хотя их доминирование было менее выраженным в испытаниях с вращением.

Обсуждение

В целом, наши результаты подтверждают два основных вывода. Во-первых, временные структуры в сенсорной информации вызывают устойчивые отклонения в отчетах о восприятии относительно будущего состояния стимулов, что подтверждает большой объем работ по RM. RM доминирует над одновременными эффектами истории и требует представления единого и связного визуального объекта. Во-вторых, SD не сохраняет прежней степени объектности и поддерживается релевантностью задачи и активным поведением. Отсутствие РМ в эксперименте 2, несмотря на явное указание участникам на регулярность или случайность перед каждым блоком (см. раздел «Методы»), указывает на то, что эффект зависит не только от вращения как такового, но и от экологической валидности стимула (например, , маловероятно, что один вращающийся объект изменит положение случайным образом в краткосрочной перспективе).

Предыдущая работа зафиксировала несколько факторов, действующих в направлении, противоположном RM, например эффекты центральной тенденции ²⁰ и смещения компенсации ²¹ . Эти эффекты обычно связаны с процессами, которые возникают с более длительными интервалами хранения, такими как сдвиги памяти в сторону среднего состояния последовательности стимулов ²⁰ . Здесь мы показываем, что смещения SD, также действующие в направлении, противоположном RM, могут наблюдаться одновременно с RM.

Наши результаты имеют важное значение для текущих перспектив SD. Во-первых, SD зависит в основном от стимулов, релевантных поведению, даже если учитываются последствия адаптации. Это бросает вызов общей идее о том, что восприятие фундаментально смещено в сторону предшествующих сенсорных событий, постулату байесовских моделей SD 9.0099 22,23,24 . Здесь мы показываем, что простое воздействие последовательностей случайных ориентаций, хотя оно посещается и воспринимается сознательно, вообще не приводит к систематической предвзятости. Это наблюдалось даже после учета искажений адаптации и во временной шкале, когда считается, что предыдущие стимулы отражают информативные предшествующие факторы в более естественных контекстах (т. е. менее 4 с, продолжительность нашей последовательности) ²⁴ . Напротив, в том же временном масштабе после циклических последовательностей наблюдалось сильное искажение восприятия, что согласуется с эффектом ожиданий и антиципационных механизмов, в значительной степени вовлеченных в RM 9. 0099 11,25 . Альтернативная возможность заключается в том, что SD для стимулов в пробной последовательности могло быть уменьшено за счет короткого интервала между стимулами (400 мс по сравнению с секундами в типичных парадигмах SD). Эта возможность, однако, подтверждает, что SD и RM полагаются на разные типы обработки и разные временные масштабы. Второй очевидный вывод заключается в том, что предубеждения притяжения и отталкивания затрагивают разные этапы обработки и могут не основываться на одной и той же истории. Хотя предполагается, что SD отражает предвзятое декодирование сенсорной информации, которое преобладает над адаптацией для более поздних испытаний ²² , наши результаты показывают, что два феномена отслеживают различную и несовместимую историю событий: в нашей парадигме адаптация зависела от последовательности сенсорных событий; SD зависела от последовательностей перцептивных решений и, следовательно, не зависела от чистой истории стимуляции. Это поддерживает недавний иерархический взгляд на исторические искажения ⁵ и накладывает очевидные ограничения на теоретические и вычислительные модели исторических искажений. Наблюдаемая диссоциация между SD и сенсорной историей, например, не полностью согласуется с чисто байесовской моделью наблюдателя, где недавний сенсорный ввод систематически действует как предшествующий для текущих перцептивных решений ²² .

Наши результаты показали, что SD возникает на более поздних стадиях, чем ранняя сенсорная кора ⁷ , вероятно, вовлекая обработку, связанную с задачей ⁵ . Мы не можем исключить существование SD на нескольких этапах обработки, как предполагалось в предыдущей работе ²⁶ . Судя по нашим результатам, перцептивные решения оказались необходимыми для SD, но одних процессов принятия решений может быть недостаточно, и взаимодействие между решениями и конкретным типом перцептивной обработки, необходимой для задачи, также может играть роль. Здесь мы показали, что для стимулов, требующих идентичной обработки (например, сигналов ориентации), положительному SD способствовали прошлые решения, а не просто история стимулов. В соответствии с этим результатом недавняя работа показала, что SD снижается во время изменений вторичных признаков (например, изменения цвета стимула во время суждений о направлении движения), но только тогда, когда эти признаки имеют отношение к текущей задаче ²⁷ . Это говорит о том, что SD возникает в результате обработки задач, а не в результате чистого воздействия сенсорных сигналов. Обратите внимание, что этот вывод относится к источнику SD. Наше исследование не исключает, что СД в конечном счете приводит к изменениям внешнего вида стимулов, т. е. что источник является постперцептивным, а место действия является перцептивным ⁷ . Перцептивные решения ⁵ и когнитивные искажения более высокого уровня могут по-прежнему распространяться на сенсорную кору, непосредственно искажая внешний вид стимулов ⁷ .

Третий важный аспект наших результатов заключается в том, что SD и RM работают с разными представлениями. В то время как РМ, по-видимому, полагается на предсказания когерентной пространственно-временной динамики отдельного объекта, SD происходит на более абстрактном уровне репрезентации, где единственным измерением сенсорного ввода, которое имеет значение, является то, которое имеет отношение к решениям (например, ориентация, но не ориентация). пространственное положение). Это не исключает, однако, участия прогностических процессов в СД. Ожидания действительно могут быть сформированы, но на уровне последовательных решений, в которых только относящееся к задаче измерение сенсорного ввода действует как предшествующее. Требование задачи может связать воедино решения и соответствующие характеристики стимулов в единое целое.1043 файл событий , который, как ожидается, скоро будет повторно активирован ²⁸ , придавая большее значение их связанным представлениям, чем история незарегистрированных функций и стимулов. С этой точки зрения, SD в предубеждениях восприятия является последовательным эффектом решений по конкретному измерению сенсорного ввода, который может быть независимым от всех других аспектов стимулов ¹⁷ . Интересно, что это могло бы даже предсказать SD для совершенно разных стимулов, при условии, что они имеют общее релевантное для задачи измерение ²⁹ .

Таким образом, мы показываем, что отдельные отчеты о восприятии содержат подписи как будущих, так и прошлых состояний сенсорных сигналов. Этот вывод верен в используемой здесь парадигме, где история стимулов и история решений манипулировались независимо. Тем не менее, результаты свидетельствуют против общего представления о том, что восприятие фундаментально предвзято относится к прошлым состояниям. Две противоположные предвзятости, описанные здесь, возникли из-за разных типов обработки, при которых восприятие и решения следуют независимой истории стимулов и поведения, связанного с задачей.

Методы

Заявление об этике

Исследование было одобрено локальным комитетом по этике Фрибургского университета и Федеральной политехнической школы Лозанны (EPFL) и проводилось в соответствии с Хельсинкской декларацией.

Участники

Всего сорок здоровых людей из Университета Фрибурга и EPFL приняли участие в исследовании за кредиты курса или денежное вознаграждение (30 швейцарских франков). Пятнадцать испытуемых участвовали в эксперименте 1 (13 женщин, средний возраст 20,26 ± 1,03 года) и в эксперименте 2 (10 женщин, средний возраст 21,66 ± 2,49 года).годы). В эксперименте 3 участвовали десять испытуемых (3 женщины, средний возраст 23 ± 3,82 года). Все участники имели нормальное или скорректированное до нормального зрение и были наивны в отношении целей экспериментов. У всех участников заранее было получено письменное информированное согласие.

Аппарат

Стимулы предъявляли на мониторе Multiscan G500 CRT 21″ (1024 × 768 пикселей, 100 Гц; эксперимент 1–2) и на мониторе VG248QE с гамма-коррекцией (1920 × 1080 пикселей, 120 Гц, эксперимент 3) и были сгенерированы с помощью сценариев, написанных на заказ, написанных в Matlab и Psychophysics Toolbox 9.0099 30 , работает на компьютерах под управлением Windows. Эксперименты проводились в затемненной комнате, и участники сидели на расстоянии 70 см (Эксперимент 1–2) и 57 см (Эксперимент 3) от экрана компьютера, положив голову на упор для подбородка. Все стимулы предъявлялись на сером фоне.

Стимулы и процедуры

Пример пробной последовательности в эксперименте 1 показан на рис. 1А. Каждое испытание начиналось с центральной точки фиксации зеленого цвета (0,5°, 500 мс), за которой следовала последовательность стимулов Габора в центральной ямке. Стимулы Габора имели пиковый контраст Майкельсона 25%, пространственную частоту 1,2 цикла на градус и контрастную огибающую по Гауссу 1,5°. В 80% испытаний последовательность состояла из шести стимулов Габора (по 200 мс каждый), чередующихся с 400 мс пустым интервалом 9.0099 5 . В оставшихся 20% контрольных испытаний последовательность заканчивалась в случайном месте перед шестым Габором (после 1–5 Габоров). Были включены контрольные испытания, чтобы проверить, обращали ли участники внимание на всю последовательность и, что наиболее важно, на пятый стимул перед ориентацией, о которой следует сообщать (величина ошибки пятого и шестого стимула, Эксперимент 1: t (13) = 0,009, p  = 0,99 Эксперимент 2: t (14) = 1,86, p  = 0,08, двусторонний т тест). Задача требовала от участников воспроизвести ориентацию Габора, которого видели в последний раз, регулируя панель ответов с помощью компьютерной мыши. Мы также включили 16% дополнительных контрольных испытаний в условиях вращения, в которых последняя ориентация была выбрана случайным образом, а не в соответствии с ожидаемой последовательностью. Эти испытания были включены, чтобы выяснить, могут ли предсказуемые последовательности, в дополнение к RM, повысить точность отчетов о поведении. Однако величина ошибок в этих испытаниях существенно не отличалась от испытаний с полными вращательными последовательностями (Эксперимент 1:9).1043 т (13) = 1,28, р  = 0,22; Эксперимент 2: t (14) = − 0,28, p  = 0,77, двусторонний t тест).

Для каждой последовательности случайным образом выбиралась ориентация первого стимула в диапазоне 0–160° (шаг 20°). В каждом испытании условия вращения изменения в ориентации последовательных стимулов создавались путем случайного выбора дельта-ориентации (разница между предыдущей и настоящей ориентациями, Δ) в диапазоне   ±   60 ° (с шагом 20 °) и сохранение Δ фиксируется в течение одного испытания, чтобы имитировать постоянное вращательное движение либо по часовой стрелке, либо против часовой стрелки. Испытания случайного условия были созданы путем перетасовки порядка стимулов в условиях вращения с ограничением сохранения одинакового количества точек данных для каждого Δ, но удалением любой временной структуры из последовательности. Шумовая маска не предъявлялась после каждого стимула, а фаза синусоидального компонента каждого Габора изменялась случайным образом при каждом предъявлении (0–360°, шаг 15°), чтобы минимизировать последействие контраста. Через 400 мс после смещения последнего Габора в последовательности в центре экрана появлялась полоса ответа, и участники должны были указать ориентацию последнего стимула. Были проанализированы только испытания, в которых последовательность была завершена после шести Габоров. Было четыре блока по 72 испытания в каждом, всего 288 испытаний. Один испытуемый в Эксперименте 1 собрал только 192 испытания из-за сбоя компьютера. Стимулы и процедуры были идентичны в эксперименте 2, за исключением того, что стимулы Габора предъявлялись в случайных местах в радиусе  ± 3° от центра монитора, а зеленое пятно фиксации оставалось на экране.

В эксперименте 3 стимулы и последовательность были изменены для контроля эффекта адаптации. Чтобы уменьшить адаптационную силу каждого стимула, Габоры были линейно объединены с участками белого шума с гауссовскими окнами, отфильтрованными с той же пространственной частотой, что и Габор. Результирующий стимул (50% Габора и 50% шума, см. рис. 1D) был представлен с низким контрастом (пик контраста Майкельсона 10%). Случайные последовательности были разработаны так, чтобы содержать больше потенциальных адаптеров, чем вращательные последовательности (например, больше сигналов ориентации в том же направлении   ±   20, 40° к цели). Точнее, в обоих условиях использовались более длинные последовательности, от 4 до 12 стимулов. В условиях вращения разница между последовательными ориентациями была зафиксирована на уровне  ± 20° или  ± 40°. Таким образом, последовательность вращения могла бы охватывать весь диапазон ориентации, но включала бы не более двух Δ, предпоследний и предпоследний, которые могут оказывать чисто адаптационное смещение (т. е. Δ ± 20° или 40°). , как это наблюдалось в эксперименте 1). В случайном условии стимулы с Δ больше  ± 40° были заменены стимулами с Δ в диапазоне адаптации (например,  ± 20 и  ± 40° относительно цели). Таким образом, мы получили последовательности, в которых ротационный компонент был нарушен, но общее количество эффективных адаптеров было увеличено (см. рис. 2C). Было четыре блока по 80 испытаний в каждом, всего 320 испытаний. Все остальные аспекты были такими же, как и в эксперименте 1.

Во всех экспериментах в начале каждого блока участники информировались письменной подсказкой о регулярности или случайности предстоящего блока. Перед каждым экспериментом участники проводили короткую тренировочную сессию (~ 20 испытаний).

Анализ

Перед статистическим анализом испытания, содержащие абсолютные ошибки корректировки, превышающие 3 стандартных отклонения от среднего значения участника, и время реакции менее 500 мс или более 10 с, были отмечены как выбросы (всего менее 5%). Контрольные испытания, испытания с выбросами и испытания сразу после были удалены из последующего анализа. Ошибки уравнивания рассчитывались как средний скорректированный острый угол разницы между заявленной и фактической ориентацией. Участники выполнили задание на настройку со средней абсолютной ошибкой 90,24 ± 1,68° в эксперименте 1, 10,86 ± 2,96° в эксперименте 2 и 11,52 ± 4,70° в эксперименте 3. Среднее время реакции составило 1,56 ± 0,27 с в эксперименте 1, 1,67 ± 0,40 с в эксперименте 2 и 1,51 0,3 4 4 Эксперимент 3. Один участник эксперимента 1 и один участник эксперимента 3 были исключены из анализа из-за стандартного отклонения ошибок настройки более 30°.

Следует отметить, что анализ и соответствующая терминология, используемые в этом исследовании, соответствуют стандартам в области SD ^3,5,31 . Это соглашение иногда отличается от того, которое используется в работах RM. Например, мы использовали термин «привлекательный» или «отталкивающий», чтобы указать на предвзятость приспособительных реакций в сторону предыдущей ориентации стимула или в сторону от нее. Более того, в некоторых анализах (например, в безмодельном анализе, см. ниже) мы представляем их с использованием положительных и отрицательных знаков соответственно. Как правило, в литературе по РМ подобные смещения обозначаются как смещение назад или вперед, и их знак инвертируется 9.{ — 0,5}\), а \(w\) — величина, обратная ширине кривой. Параметр амплитуды DoG α количественно определяет отклонение предсказанных ошибок в градусах от фактической ориентации как функцию переменной Δ (относительная разница между последовательными ориентациями, вычисленная как предыдущая минус текущая ориентация).

Амплитуда кривой DoG была оценена путем решения задачи нелинейной минимизации с ограничениями с суммой квадратов невязок в качестве функции стоимости ³² . Оценка проводилась на групповом уровне с использованием стратифицированной бутстрепной повторной выборки. Процедура повторной выборки была выполнена путем объединения 80% случайно выбранных испытаний от каждого участника в большой набор данных субъектов и повторения 5000 раз 9. 0099 6,33 . Подгонка модели применялась к каждому интересующему условию отдельно. Статистические значения p были получены как доля параметров бутстрапа α ниже или выше нуля. Для прямого сравнения условий суррогатные параметры α были получены путем случайного перетасовывания меток условий 10 000 раз и сравнения распределения полученных различий с наблюдаемым. Смещение пика, выраженное в процентах, рассчитывалось как отношение между максимальным прогнозируемым отклонением ошибок от нуля (например, пиком DoG α) и соответствующим значением Δ .

В безмодельном подходе, который служил контрольным анализом, мы вычли среднюю ошибку для Δ 20° и 40° из средней ошибки соответствующего отрицательного Δ ³¹ . Полученный показатель, количественно характеризующий величину систематического отклонения ошибок от нуля (как в положительную, так и в отрицательную сторону), использовался для последующего анализа. Тот же подход был использован для анализа Сообщенных стимулов. Анализ Эксперимента 3 был основан исключительно на безмодельном подходе, учитывая ограниченный диапазон используемого Δ (± 20° и 40°).

Чтобы сравнить эффект последнего стимула в условиях вращения и случайного выбора с эффектом ориентации, о котором сообщалось в предыдущем испытании, мы провели линейный анализ доминирования для первых двух экспериментов ⁵ . Анализ проводился с использованием той же процедуры начальной загрузки, описанной выше, и генерирования двух переменных на основе знака Δ для последнего стимула и последней сообщаемой ориентации (Δs были ограничены  ± 20°–40°, диапазоном, в котором DoG приближается к линейной функция). Эти две переменные затем использовались для прогнозирования ошибок в текущих отчетах. Распределения относительного прогностического доминирования (Δ[последний стимул] − Δ[последний отчет]) были получены с помощью процедуры бутстрапа отдельно для условий вращения и случайных условий (рис. 2A, B, крайние правые панели).

Ссылки

1. «>

   Кларк А. Что дальше? Прогнозирующий мозг, ситуативные агенты и будущее когнитивной науки. Поведение. наук о мозге. 36 , 181–204 (2013).

   Артикул Google ученый

2. фон Гельмгольц, H. Handbuch der physiologischen Optik (Леопольд Фосс, Лейпциг, 1867 г.).

   МАТЕМАТИКА Google ученый

3. Фишер Дж. и Уитни Д. Серийная зависимость в зрительном восприятии. Нац. Неврологи. 17 , 738–743 (2014).

   КАС Статья Google ученый

4. Фрейд, Дж. Дж. и Финке, Р. А. Репрезентативный импульс. Дж. Экспл. Психол. Учиться. Мем. Познан. 10 , 126 (1984).

   Артикул Google ученый

5. Паскуччи, Д. и др. Законы связанного восприятия: Видение идет за новизной, решения за настойчивостью. PLoS Биол. 17 , e3000144 (2019).

   КАС Статья Google ученый

6. Фриче, М., Мостерт, П. и де Ланге, Ф. П. Противоположные эффекты недавней истории на восприятие и решение. Курс. биол. 27 , 590–595 (2017).

   КАС Статья Google ученый

7. Чиккини, Г. М., Бенедетто, А. и Берр, Д. К. История восприятия распространяется на ранние уровни сенсорного анализа. Курс. биол. 31 , 1245–1250 (2020).

   Артикул Google ученый

8. Берр Д. и Чиккини Г. М. Видение: эффективное адаптивное кодирование. Курс. биол. 24 , R1096–R1098 (2014).

   КАС Статья Google ученый

9. Хаббард, Т. Л. Репрезентативный импульс и связанные с ним смещения в пространственной памяти: обзор результатов. Психон. Бык. Ред. 12 , 822–851 (2005).

   Артикул Google ученый

10. Рао, Х. и др. Участие префронтальной коры в репрезентативном импульсе: исследование фМРТ. Нейроизображение 23 , 98–103 (2004).

    Артикул Google ученый

11. Рид, К.Л. и Винсон, Н.Г. Концептуальные эффекты репрезентативного импульса. Дж. Экспл. Психол. Гум. Восприятие. Выполнять. 22 , 839 (1996).

    КАС Статья Google ученый

12. Келли, М. Х. и Фрейд, Дж. Дж. Исследования репрезентативного импульса. Познан. Психол. 19 , 369–401 (1987).

    КАС Статья Google ученый

13. Фрейд, Дж. Дж. и Финке, Р. А. Эффект скорости для репрезентативного импульса. Бык. Психон. соц. 23 , 443–446 (1985).

    Артикул Google ученый

14. Хаббард, Т. Л. Подходы к репрезентативному импульсу: теории и модели. Восприятие пространства-времени. Действие 338–365 (2010).

15. Clifford, C.W. et al. Визуальная адаптация: нейронные, психологические и вычислительные аспекты. Виз. Рез. 47 , 3125 (2007).

    Артикул Google ученый

16. Гибсон, Дж. Дж. Адаптация с отрицательным последействием. Психология. 44 , 222 (1937).

    Артикул Google ученый

17. Фриче, М. и де Ланге, Ф. П. Роль внимания, основанного на признаках, в визуальной сериальной зависимости. Дж. Вис. 19 , 21–21 (2019).

    Артикул Google ученый

18. «>

    Коллинз, Т. Поле непрерывности восприятия является ретинотопным. Науч. 9 , 1–6 (2019).

    Google ученый

19. Кнапен, Т., Рольфс, М., Векслер, М. и Кавана, П. Система отсчета последействия наклона. Дж. Вис. 10 , 8–8 (2010).

    Артикул Google ученый

20. Фрейд, Дж. Дж. и Джонсон, Дж. К. Исследование динамики репрезентативного импульса во времени. Дж. Экспл. Психол. Учиться. Мем. Познан. 13 , 259 (1987).

    КАС Статья Google ученый

21. Джорденс, С., Спалек, Т. М., Разми, С. и Ван Дуйн, М. Заводной апельсин: компенсация противоположного импульса в памяти для местоположения. Мем. Познан. 32 , 39–50 (2004).

    Артикул Google ученый

22. «>

    Fritsche, M., Spaak, E. & de Lange, F.P. Байесовская модель и модель эффективного наблюдателя объясняют одновременные привлекательные и отталкивающие искажения истории в визуальном восприятии. Elife 9 , e55389 (2020).

    Артикул Google ученый

23. Калм, К. и Норрис, Д. Предвзятость визуальной новизны объясняется смешанной моделью внутренних представлений. Дж. Вис. 18 , 1 (2018).

    Артикул Google ученый

24. van Bergen, R. S. & Jehee, J. F. Вероятностное представление в зрительной коре человека отражает неопределенность в последовательных решениях. J. Neurosci. 39 , 8164–8176 (2019).

    Артикул Google ученый

25. Verfaillie, K. & d’Ydewalle, G. Предвосхищение репрезентативного импульса и хода событий при восприятии подразумеваемых периодических движений. Дж. Эксп. Психол. Учиться. Мем. Познан. 17 , 302 (1991).

    Артикул Google ученый

26. Киёнага А., Шимека Дж. М., Блисс Д. П. и Уитни Д. Последовательная зависимость восприятия, внимания и памяти. Тенденции Cogn. науч. 21 , 493–497 (2017).

    Артикул Google ученый

27. Фишер, К. и др. Контекстная информация поддерживает последовательную зависимость множества визуальных объектов от эпизодов памяти. Нац. коммун. 11 , 1–11 (2020).

    Google ученый

28. Hommel, B. Файлы событий: связывание функций в восприятии и действии и через них. Тенденции Cogn. науч. 8 , 494–500 (2004).

    Артикул Google ученый

29. «>

    Ceylan, G., Herzog, M.H. & Pascucci, D. Серийная зависимость не возникает из-за низкоуровневой обработки изображений. Познание 212 , 104709 (2021).

    Артикул Google ученый

30. Брейнард Д. Х. и Вижн С. Набор инструментов для психофизики. Спат. Вис. 10 , 433–436 (1997).

    КАС Статья Google ученый

31. Самаха, Дж., Свитцки, М. и Постл, Б. Р. Уверенность повышает последовательную зависимость при оценке ориентации. Дж. Вис. 19 , 25–25 (2019).

    Артикул Google ученый

32. Манасси, М., Либерман, А., Чейни, В. и Уитни, Д. Воспринимаемая стабильность сцен: серийная зависимость в ансамблевых представлениях. Науч. Респ. 7 , 1971 (2017).

    ОБЪЯВЛЕНИЕ Статья Google ученый

33. «>

    Паскуччи, Д., Мегна, Н., Паничи, М. и Бальдасси, С. Акустические сигналы для визуального обнаружения: исследование классификационного изображения. Дж. Вис. 11 , 7–7 (2011).

    Артикул Google ученый

Загрузить ссылки

Эволюция репрезентативного принятия решений – блог The Brains

Почему некоторые организмы отказались от рефлексии — т.е. чисто перцептивным — от взаимодействия с миром до использования инструментов репрезентативного принятия решений? Какие адаптивные и другие преимущества дает опора на репрезентативное принятие решений? Сегодня я набросаю аспекты ответов на эти вопросы; более подробно см. главы 4-6 моей книги.

Чтобы описать эволюцию репрезентативного принятия решений, прежде всего необходимо отметить, что широко признано, что репрезентативное принятие решений сопряжено с рядом когнитивных издержек: оно, как правило, происходит медленнее, чем рефлекторное принятие решений, и требует больше времени. когнитивные ресурсы, такие как концентрация и внимание. Учитывая это, какие преимущества дает репрезентативное принятие решений, которые могут, по крайней мере иногда, перевешивать эти затраты и, таким образом, объяснять его эволюцию?

Когда дело доходит до эволюции принятия когнитивных репрезентативных решений, следует отметить, что она позволяет организмам переходить от таблицы рефлексов, которая, вероятно, содержит много избыточности, к таблице, которая намного меньше. Чисто рефлексивным организмам часто необходимо связать множество различных состояний восприятия с одной и той же поведенческой реакцией, чтобы вести себя адаптивно. (Это ключевое понимание когнитивной эволюции человека, сделанное Стерельным в 2003 г. [1]). Тем не менее, репрезентативные лица, принимающие решения, могут избежать этой избыточности: они могут определить соответствующую поведенческую реакцию на мир, сначала «раздробив» информацию, полученную от их перцептивных систем, а затем реагировать на комбинации этих «разделенных» состояний. В свою очередь, это приносит этим организмам два вида адаптивных преимуществ. Во-первых, им может быть легче приспосабливаться к изменениям в окружающей среде: организмам не нужно изменять большое количество ассоциаций между состояниями восприятия и поведенческими реакциями, а просто (как правило) меньше ассоциаций между представлениями о состоянии организма. Мировые и поведенческие реакции. С другой стороны, принятие когнитивно-репрезентативных решений может оптимизировать когнитивную и нервную системы организма: опора на разрозненную информацию может позволить организмам более эффективно использовать свои нейронные ресурсы.