文献阅读 Day15

文献信息

Freund, M. C., Etzel, J. A., & Braver, T. S. (2021). Neural coding of cognitive control: The representational similarity analysis approach. Trends in Cognitive Sciences, 25(7), 622–638. https://doi.org/10.1016/j.tics.2021.03.011

外显地对认知控制的表征进行建模

Representational Approaches Explicitly Model Control Representations

MVPA可以区分多个同样需要认知控制的状态。MVPA方法可以简单分为两种：基于分类的解码（classification）、RSA。

认知控制中使用classification的越来越多，采用RSA方法的相对较少。

• 可能因为：classification 与认知控制的经典方法相一致，适合二元问题——沿着单一的维度对任务条件进行分类
• 而RSA最初是为视觉神经科学中丰富的条件开发的，更像是一个研究感觉和知觉过程的探索性工具。

然而，RSA是一个一般框架，中心目标：在几个相互竞争的表征模型之间进行选择。两个特点：

1. 灵活性，在活动模式的相似性结构或其表征几何上操作，而不是在活动模式本身上。
2. 目标性，由于从模型到大脑的 "forward"推理方向，建模表征的目标是明确的

认知控制中特征的平衡和RSA很适配。RSA还可以利用因子设计的优势。
全因子RSA提供了一个简单而强大的框架：

• 全因子RSA可以消除混淆并研究神经表征中的交互作用：
  • Stroop任务中，目标因素（颜色）与干扰因素（单词）构成三种编码模型：目标、干扰、不一致（下图A右）。每个模型都描述了一个理想的编码方案：例如，目标模型——在只编码颜色（正确反应）的区域被观察到。通过多元回归，将模型相似矩阵与观测相似矩阵拟合。β值反映了每个因子唯一编码的强度。
    
  • 但是，目标模型包括多种编码方案：感觉编码、运动编码、注意模板编码。 所以添加Rule（下图）可以使这些编码方案不被混淆，因为编码注意模板的区域将被期望在任务规则的基础上重新配置它们的编码方案。
    
  • 此外，全因子RSA允许检验交互假设。例如，如果增加不一致trial的频率会促使被试采取主动控制模式，则规则编码强度也会相应增加。这种相互作用可以通过比较不同不一致概率块的规则编码强度（上图：Rule模型）来测试。
  • 全因子设计的一个重要限制：实验时间。由于时间有限，每次额外的操作通常会减少每种情况的trial数。不过更大的RSA矩阵（更多的条件）一定程度上可以抵消较少trial数造成的不稳定性。然而，应该明智地添加操作，只在特定的维度上提高精度。

更全面地利用RSA——模型比较：

• RSA最初表述：一组相互竞争的模型（假设）被拟合到一个观察到的几何图（例如，一个脑区），如果一个假设的相应模型明显提供了更好的拟合，那么就可以获得该假设的证据。
• 然而，一旦拟合，建模的表征（即 “编码强度”）也可以通过很多方式进行比较：解释行为测量的能力（例如，经典的控制对比）、对叠加的实验操作的敏感性（例如，过程级因素）、解释其他建模表征的调制的能力（下游区域或随后的时间点，“表征连接分析” ）。