文献阅读 Day16

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

RSA与认知控制的经典研究

RSA and Cognitive Control: A Collection of Exemplary Studies

主要目标：验证理论化的控制表征和测量的神经活动之间的映射关系（结果为现有理论提供支持）

Task-Set Representation

1. 联合编码

许多认知控制的理论模型的核心要素是任务集表征。一个广泛的认知理论提出，在目标驱动的行为过程中，知觉、行动和环境信息会立即被绑定到联合表征中，即所谓的 “事件档案（eventfiles）”，用来指导行动选择。

一对基于规则的行动选择研究（RSA和EEG， [63,64]）对空间刺激（某个象限内的点）应用空间转换规则（如水平、垂直或对角线）按键反应。联合编码被建模为EEG几何学中的组成部分，这些组成部分是由每个刺激、规则和反应组合（这些因素的非线性组合）唯一而稳定地诱发。

• 鉴于上述组成因素（即刺激、规则和反应）是正交的，用全因子RSA分开联合编码与每个因素的 "纯 "编码（类似于从它们的相互作用中分解主效应）。
• 此外，新开发了一个one-trial的RSA方法，使主体内的大脑行为关系可以通过层次模型来检验。

联合编码在刺激后相对较早出现（反应编码之前），与逐trial的反应时间密切相关，并且解释了事件档案的一个决定性行为标志——“部分重复成本（partial repetition cost）”。

一个后续的实验加了一个额外的停止信号操作，以评估哪一个编码方案会受到抑制性控制过程的影响。

• 在停止信号出现后不久，只有联合编码被抑制，在成功停止的试验中被选择性地抑制，抑制的程度独特地预测了停止的成功。

综上所述，联合编码反映了行动选择的一个重要位置，它既是行为的近端，又是抑制性控制的目标或中介。

2、 如何调节任务集

多任务和任务切换范式：相互竞争的任务集被激活并在trial中频繁切换

• 基础——行为切换成本：在连续的试验中，人类通常在切换任务和重复任务时速度较慢且更容易出错。在理论上，认知控制过程必须克服这种"惯性"，在需要时迅速激活新的任务表征（重新配置）
• 额叶任务表征（通过与纹状体的相互作用）被认为介导这些动态。

一个有提示的任务切换实验（连续trial的RSA+fMRI）验证了这种任务切换的认知理论和额叶编码动态之间的强烈对应。

• 惯性（inertia）：任务表征在重复试验和切换试验后更强（试验与试验的相似性更高）
• 重构（reconfiguration）：在提示到目标的时间段内还会加强
• 神经动态与行为一致，如任务表征的更强重构与转换成本的减少有关。

然而有时，一个不相关的任务集可能是一个强有力的竞争者，不是因为它最近的使用，而是因为自动性的稳定差异。

• 这种类型的调节在刺激-反应冲突范式中得到了研究
• 争议：虽然控制的基础模型提出Stroop干扰的关键媒介是LPFC规则和注意模板表征，但最近的证据表明**，认知控制所起的作用比原来想象的要小**
• RSA可以帮助应对争议。用全因子RSA分解Stroop范式可以提供一套丰富的编码变量，反过来可以用来分解Stroop的经典行为测量，或者作为干扰调节操作的功能进行跟踪。
• 因此，RSA方法不仅可以帮助检验调节反应冲突的机制，还可以在行为中更好地测量它们。

Learning Latent Task Structure

现实世界的任务往往有一个在时间上展开的潜在结构。学习这种结构可以促进表现。最近提出：潜在结构是由内侧和眶额皮层编码的，通过与中脑电路的相互作用，引导形成额叶任务表征，协调目标导向的行为（即计划和行动准备）

时间潜在结果也可以进行形式化的建模。将假设形式化的一个有用方法是人工神经网络（ANNs），它通过分布式表征 执行任务，在训练中学习。通过将人工表征与大脑中观察到的表征联系起来，神经数据可以约束认知控制的ANN模型。鉴于这些表征中的每一个都可能是高维的，通常评估这种联系的最简单方法是通过它们的几何学–也就是通过RSA。

• 例：被试和ANN都学习一对日常任务中存在的潜在顺序结构：煮咖啡或泡茶。这任务需要组织和维持先前时间的信息——ANN中关键的 "背景 "水平的编码（下图左）。该水平中出现的相似性结构作为RSA模型（下图，上下文层模型），与被试在执行同一任务时记录的神经活动模式（相似性结构）相适应。
• 上述模型选择性地与MPFC的表征相关，超过了从其他行为相关变量定义的竞争模型（如下图，序列模型）——MPFC可以为下游脑区提供对当前目标进展的灵活表述。

后续研究可以通过研究MPFC情境表征的强度如何与其他区域的任务表征和其他操作相联系来进一步加强这种解释：例如，在反应冲突大的情况下，与LPFC和前运动皮层的协调可能是关键，或者在学习期间与海马体的协调。另一个澄清的方向可能是使模型的竞争更加激烈：例如，通过测试从竞争的网络结构中得到的替代表征。同样，最近的工作可能有助于在此整合，使用分类和RSA方法来确定序列秩序控制的独特机制，牵涉到海马和额叶区域形成分层和 "分块 "表征。