highcharts 显示平均值数值_PNAS:基于频率标记EEG分离视觉皮层数值和连续幅度提取的数值神经特征...

1、研究背景      当涉及到五个以上对象的集合时，我们可以不通过计算而快速得出对象数目的近似值。人类和其他动物物种一样，都有一种对数值数量的直觉。这种近似大量数值的能力背后的认知机制仍然存在诸多争论。研究人员偏向于假设我们拥有一个近似数字系统(ANS)，这是一种特定的系统，它从视觉场景中提取数值并建立离散数值尺度的心理表征。然而，一组对象不仅具有数量特征，而且还具有多个连续的视觉特征，包括单个对象的尺寸和集合的范围。这些连续的尺度维度本质上与数值相关(例如，数值越多的集合自然占据更大的区域)，并且可以用作获取数值的关键视觉提示。这使得一些作者提出，数字处理没有特定的认知机制，数值要么由一般的尺度机制处理，要么来自连续维度的组合。到目前为止，关于连续尺度对数值处理的贡献还没有达成共识，大量的证据表明，它们既可以促进数值判断，也可以干扰数值判断。当前的研究利用了一种频率标记电生理学方法，将数值从连续的尺度维度中分离出来，并测量两者共同驱动的特定大脑反应。      人类根据数值辨别对象集合的能力被认为与其他动物物种一样，早在语言发展之前很久就存在于婴儿身上。有大量的行为和神经成像证据证明了这种数值能力。例如，最近的实验强调了一种自发的偏向，即当参与者必须从三个点集中选择奇数项或将集合归类为“大”或“小”时，自发地倾向于数值而不是连续的尺度：在这两种情况下，数值都被自发地选为决定标准。此外，一些研究确定了人类和猴子顶叶皮质中特定的调节数值的神经元群体。理论模型假设，这种数值能力背后的机制在于将感觉输入转化为对视觉场景中存在的元素数量的抽象估计。然而，现有的这种机制的经验证据仍然是有问题的，因为连续的尺度变化与数值变化之间存在内在的关联。连续的尺度而不是数值本身可以解释观察到的结果。这是一个悬而未决的问题：认知系统是否能够快速提取必要的数字信息，以建立一个独立于连续尺度变化的表征——如果系统具有这种能力，那么随着数字的处理，协同变化的连续尺度信息会发生什么？ANS理论提出，在归一化阶段中会过滤掉所有连续的尺度，但由于连续尺度会严重影响数值判断，因此没有太多关于该过滤阶段的证据。      另一种理论认为，数值与连续的尺度处理有关。其中，尺度理论(ATOM)用一个独特系统来描述连续尺度和数值之间的关系，该系统能够表示任何类型的离散和连续尺度，包括数值、时间(持续时间)和空间(扩展)。一些作者提出了连续量和离散量的一般尺度概念，其中尺寸知觉在发展和进化上都比数值更为原始，而连续尺度在数值尺度处理的发展中起着关键作用。有大量的经验证据支持数值和连续尺度的公共和独立神经区域。在人类顶叶皮质内发现了用于数值和连续尺度提取的部分重叠的地形图，尽管在这些地形图中不同的神经调节和组织方式暗示了不同的处理机制。根据最近的功能性(fMRI)荟萃分析，在这些重叠区域内，右侧顶叶被确定为广义尺度处理系统的一个可能的解剖学位置。此外，一些作者认为，数值只是一种抽象的认知结构，是对视觉刺激中存在的所有连续尺度特征进行加权的结果，并且数值是通过根据特定情境的需要对低层感官信息进行自适应重组来提取的。这种感觉整合(SI)理论假设所有现有的数值提取证据都可以用处理连续尺度整合的认知控制机制来解释。      理清这些假设和理解数值处理机制的主要挑战是将数值从连续尺度中分离出来。已经为行为任务开发了几种控制连续维度的简洁方法，但是它们控制整个刺激集合中的所有尺度变化，尽管每个刺激仍然包含关于数值和连续维度的信息。事实上，任何视觉刺激都携带有关数值和连续尺度的信息。因此，在严格意义上，这些方法都不能将数值从非数值尺度处理中分离出来。重要的是，这一局限性适用于到目前为止提供的几乎所有支持ANS理论的证据。     当前的研究使用了频率标记方法，该方法包括记录稳态视觉诱发电位(SSVEP)，其对应特定于单个给定维度上周期性刺激变化的神经反应。SSVEP已经成功地记录到对数值变化的反应，本研究通过频率标记的实验范式系统地隔离了对数值和连续尺度的区别，该范式不需要明确的任务(因此也不需要决定或判断)：视觉刺激遵循的是oddball范式，即在一系列标准刺激中周期性地引入偏差刺激。关键的是，研究人员严格控制了周期性变化的性质，因此只有考虑中的维度才会周期性波动。该操作允许记录与目标维度中的变化同步的神经响应，因为只有该特定维度会定期更新。目前的设计允许通过将每个维度指定为在单独的实验条件下的周期性偏差，来跟踪在数值中以及每个连续维度中的变化的神经辨别力。如果视觉系统对相对于波动维度的周期性变化很敏感，那么大脑应该产生与偏离频率及其谐波同步的反应。因此，研究人员能够记录与数值和每个连续维度的区别特别相关的大脑活动。 第三届脑电数据分析技术实战班(郑州，2020.10.10-10.14) 第二届磁共振数据分析技术基础班(郑州，2020.10.17-10.21) 2、研究方法 2.1 实验设计      给出了点阵列序列，以10Hz的基本速率(即每秒10个点阵列)更新。每个呈现的刺激都具有五个维度的特征：点数、点尺寸、总占用面积、凸包(即包围集合中所有点的最小轮廓)和密度。使点阵列在除某一维度之外的所有维度上随机变化，该维度以1.25Hz的速率系统地变化(即每八个项目一个偏差)。在每个44s块上，周期维度被制成数值或四个连续尺度(即点尺寸、总面积、凸包和密度)之一，见图1。偏离维度和标准维度的比率可以是1.1、1.2、1.3、1.4或1.5，从而形成由五个维度和五个比率组成的设计。25个条件中的每一个都在三个块中重复。此外，研究人员感兴趣的是评估沿着这些维度的每个维度的可变性是否可以期望在视觉处理层次结构的早期阶段引起反应。由于目前的电生理记录不能准确识别区别出现的确切位置，研究人员通过一个相对简单的早期视觉处理模型来运行刺激，该模型先前已被证明可以预测视觉皮层四个地形组织区域的反应。这提供了一个先验的、不需要假设的关于视觉皮层如何对刺激作出反应的估计。然后研究人员将这些估计与本研究的电生理结果进行比较，并用来将当前的研究与人类视觉系统的一般信息处理能力联系起来。

图1 2.2被试      25名本科生参加了本研究。患有任何神经或神经心理疾病病史、任何学习障碍(如计算障碍)或任何未纠正的视力障碍的志愿者不被允许参与。研究人员排除了四名参与者，因为他们的脑电信号中存在大量噪音。最终样本由21名参与者组成，平均年龄23.5岁(SD=2.7，9名女性)。由于实验的长度，一些参与者未能响应颜色更改任务(见下文)，并因某些条件而被排除在外，导致最终样本为“面积”19个、“凸包”18个、“数值”18个、“尺寸”19个和“密度”20个。没有参与者被排除在两个以上的条件之外。遵循美国心理协会(APA)的伦理标准进行本研究。学院伦理委员会在开始收集数据之前批准了该实验的方法和实施。所有参与者在参与研究之前都提供了他们的书面知情同意书。实验总共持续了2个小时，参与者获得了20欧元的参与费。 2.3快速周期性视觉刺激       刺激：为了创建点阵列，研究人员使用了NASCO软件的初步版本。NASCO是一个开放且可自由使用的MATLAB应用程序，它允许在保持给定维度恒定的同时生成点阵。关键的是，为了本研究目的，对于每个条件，研究人员生成了400张标准图片，其中只有一个维度(由所考虑的条件确定)是恒定的，而其他特征是随机变化的。然后，通过使用给定条件的比率来确定唯一操作的波动维度的值，研究人员使用类似的方法为每个条件创建了100个偏差数组。所有图片均为850×850像素的正方形。在创建图片之后，研究人员生成了440个这样的多个序列(因为整个刺激序列在44s内每秒有10个图片)，包括385个频繁刺激和55个偏差刺激。为了从统计角度验证与这些维度无关的随机波动在这些序列中不是周期性的，研究人员计算了每个维度随时间推移得出的值的快速傅立叶变换(FFT)。研究人员将频谱转换为Z分数，并将偏差频率值及其谐波的平均值平均到7次(1.25，2.50，3.75，5.00，6.25，7.50，8.75Hz)。然后，研究人员为每个条件迭代地选择一个序列，其中感兴趣维度的平均周期大于标准正态分布的99%概率单边阈值(即2.32)，而其他四个维度的平均周期小于该阈值。在给定条件下使用完全相同的序列三次，以避免在平均重复时出现任何周期性伪影。       设备：研究人员使用MATLAB(MathWorks)和Psychophysics Toolbox扩展模块来显示刺激和记录行为数据。在屏蔽的法拉第笼(275cm×195cm×280cm)中进行脑电图(EEG)的记录。参与者舒适地坐在距离屏幕1米的位置，凝视着屏幕的中心(24英寸LED显示器，100Hz刷新率，1ms响应时间)。屏幕分辨率为1024×768像素。在脑电图记录过程中，参与者之间的条件顺序是平衡的。       流程：指示参与者将他们的目光保持在一个连续显示在屏幕中心的固定小菱形上来观看整个屏幕。在一个序列中，注视随机地从蓝色变成红色四到六次，指示参与者每次检测到颜色变化时都要用右手食指按下一个按钮。他们的回答被记录下来，以量化对指令的遵守情况。参与者对固定菱形颜色变化的平均反应率为96%。在44秒区块中，没有参与者错过颜色变化超过一次。如此高的检测率表明，参与者在EEG采集过程中遵循了指令，并将目光保持在屏幕的中心。刺激遮盖的最大视角为9°。刺激呈现遵循从0到100%的正弦对比度调制。基频频率为10Hz，即每秒显示10个刺激(因此每个刺激从开始到完全偏移总共持续100ms)。每个刺激序列持续48s，其中44s记录，未作分析的2s淡入淡出。     在每个序列中，点阵列需要一个保持恒定的特定特征，并且每八个项目就会周期性偏离这个恒定。换句话说，偏差刺激以1.25 Hz的频率周期性地显示在标准点阵列流中(见图1)。研究人员操作了两个因素：周期性波动的维度的性质和从标准阵列到偏差阵列的波动比率。对于维度，研究人员处理了点的数量(N)、单个点的尺寸(S)、点占据的总面积(A)、凸包的面积(CH)，以及阵列的密度(D)。至于比率，研究人员创建了五种不同比率(1.1、1.2、1.3、1.4和1.5)的偏离标准的点阵。操作维度和偏差率在块中是固定的。因此，通过这两个因素的结合，研究人员得到了25个不同的条件。每个条件重复三次，总共75个44s刺激序列。当在实验结束进行汇报时，参与者报告了点阵的变化，但没有参与者注意到任何维度上的周期性变化。       EEG记录：使用64通道BioSemi ActiveTwo系统(BioSemi B.V.)以1024 Hz采集EEG数据。电极按照标准10-20系统的位置被放置在帽上。另外两个电极，即共模感应(CMS)有源电极和驱动右腿无源电极，分别用作参考电极和地电极。参照CMS，电极的偏移量保持在40mV以下。用四个扁平型电极监测眼球运动；其中两个放置在受试者右眼的上方和下方，另外两个放置在眼角的外侧。       数据分析：分析是在Letswave 6的帮助下进行的。数据文件从1024 Hz下采样到512 Hz，以加快处理速度。数据用四阶带通巴特沃斯滤波器(0.1-100Hz)滤波，并参考共同平均值。     从分割44s(对应于440个刺激的显示)的EEG信号的分析中排除了淡入和淡出周期。这三次重复是在每个条件和每个参与者的平均水平上进行的。对信号进行FFT，以提取频率分辨率为0.016 Hz的64个通道的振幅谱。      基于频谱，研究人员计算了两个指标来确定大脑是否以及如何对五种情况下的偏差频率做出具体响应：基线校正的幅度之和(SBA)和Z分数。SBA以微伏表示，因此可以量化EEG信号内的变化。研究人员从目标频段(即1.25Hz)中减去20个周围频率频段的平均幅度和后者的20个周围频段(每侧10个，不包括与目标频段紧邻的频段)的平均幅度来计算基线校正后的幅度，这构成了基线幅度。研究人员类似地计算了感兴趣频率相对于其相邻频率的基线校正的谐波幅度(即向上18次谐波)。然后，研究人员将感兴趣的频率及其谐波所获得的基线校正幅度相加。      研究人员将四个感兴趣的后部区域的电极分组，以便进一步分析：内侧枕叶区(O1，O2，Oz，Iz)、内侧枕顶区(Pz，POz，P1，P2，P3，P4，PO3，PO4)、左侧枕顶区(P5，P7，P9，PO7)和右侧枕顶区(P6，P8，P10，PO8)。 2.4视觉皮层反应预测      研究人员将对视觉刺激BOLD反应的级联前馈模型，即二阶对比度(SOC)模型应用于具有最大比率(1.5)的图像。该模型首先使图像通过对比度归一化的、局部化的、类似V1的滤波器组，然后在测量第一级的输出中的对比度可变性的第二阶段中对输出进行再处理。SOC模型已经适用于V1、V2、V3和V4的数据，并且能够有效地预测这些区域对包括光栅和纹理在内的简单视觉刺激的响应，同时还捕捉到对条纹外视觉区域中自然场景结构的更高的敏感度。这些特征使得它成为一个合理的模型来估计点图像在早期视觉皮层中引起的活动。然后，研究人员将每个图像上的模型输出相加，以获得每个大脑区域对每个图像更新的预测平均响应。根据SOC模型，这使得研究人员能够比较对标准和偏差图像更新的预测平均反应，并使用比较来估计偏差将在多大程度上驱动早期视觉皮质中的同步大脑反应。 3、研究结果     为了测量与每个维度的辨别相对应的神经反应，研究人员将目标频率(1.25 Hz)及其18次谐波(即响应显著的最高谐波)的基线校正幅度相加，不包括基频的谐波(如先前研究中的10Hz和20Hz)。计算每个参与者和每个条件的基线校正幅度(SBA)总和，然后在组级别上求平均值。研究人员发现，在组级别上，三个视觉维度(总面积、凸包和数值)的最大比率，对偏差刺激有明显的反应(图2)。最强的SBA峰记录在枕内侧电极Oz附近，这与以前的数字辨别结果一致。全头皮最大比值(1.5)及其95%置信区间(CI)平均值分别为：“总面积”0.27μv[0.23，0.31]，“数值”0.25μv[0.21，0.28]，“凸包”0.23μv[0.19，0.27]，“密度”0.12μv[0.08，0.15]，“对象尺寸”0.0 2μv[0.00，0.05]。为了更清楚地了解这些结果，研究人员考虑了四个感兴趣的后部区域进行进一步分析：内侧枕叶区、内侧枕顶区、左侧枕顶区和右侧枕顶区。

图2      为了评估比率操作的效果，研究人员构建了一个线性混合模型，将比率和区域作为SBA的固定预测因子，将参与者作为随机因素。对残差地块的目测检查没有发现任何明显偏离同方差或正态分布的情况。研究人员使用χ2检验对数似然值，将完整模型与两个分别不包括比率和区域预测值的简化模型进行比较。对于数值来说，完整模型比两个简化模型拟合得更好，χ2(1)=21.60，P<0.001；χ2(3)=10.874，P=0.01，以上分别为无比率和无区域。对于总面积也有类似结果，完整模型比两个简化模型拟合得更好，χ2(1)=23.915，P<0.001；χ2(3)=31.077，P<0.001，以上分别为无比率和无区域。因此，研究人员在这两种情况下都观察到了显著的比率效应。对数值和总面积周期性变化的最强反应记录在枕内侧电极。对于凸包，完整模型的拟合效果好于无比率的简化模型，χ2(1)=35.53，P<0.001，但不优于无区域的简化模型，χ2(3)=2.66，P=0.45。在密度方面，完整模型的拟合效果略好于无比例模型，χ2(1)=4.07，P=0.04，但与无区域模型没有显著性差异，χ2(3)=0.171，P>0.10。最后，就尺寸而言，完整模型的拟合程度并不明显好于任何一个简化模型，χ2(1)=0.171，P>0.10，χ2(3)=4.55，P=0.21。      因此，线性混合模型表明，大脑对数值和总面积周期性变化的反应受到偏差和标准比率以及电极位置的显着影响(图2)。这种效应很大程度上是由枕内侧区的反应驱动的：在组级别上，当比率大于或等于1.3时，枕内侧区对面积的周期性变化产生明显的SBA反应(比率1.3的平均SBA=0.43μv；95%CI [0.24，0.62])。数值的周期性变化也在枕内侧区域产生明显的SBA反应，尽管只有在最大比率1.5时(平均SBA=0.53μv；95%CI [0.30，0.74])。凸包和密度均产生显著的比率效应，但区域效应不显著，而在这两种情况下，枕内侧区域的反应最强。对于凸包，只有比值1.5达到显著性水平(平均SBA为0.43μv；95%CI [0.19，0.61])，密度比为1.4(平均SBA为0.19μv；95%CI [0.05，0.33])刚刚达到显著性的限度。然而，大脑对对象尺寸周期性变化的反应不显著(平均SBA=0.11μv；95%CI [−0.02，0.25])，这与线性混合效应模型中缺乏区域或比率效应是一致的。      为了丰富对电生理测量的解释，研究人员进行了另一项分析，旨在测试早期视觉处理的相对简单模型(其设计目的并不是解释数字处理)是否可以预测研究人员观察到的结果。为此，研究人员将二阶对比度(SOC)模型应用于实验中使用的图像。研究人员绘制了图3中的模型输出，以及标准图像和偏差图像在五个维度上的可变性。模型输出与本研究的SSVEP数据紧密一致：对于引起显著同步大脑反应的三个维度，数值、总面积和凸包，偏差图像往往比标准图像引起更强的模型反应，图3中不重叠的框图证明了这一点。对于数值和总面积，当建模V1以外的可视区域时，此效果较弱，而对于凸包，此效果在V4中最强。对于点尺寸和密度这两个没有引起同步大脑反应的维度，每个偏差图像产生的模型反应都在标准反应的第25和75%百分位数内，这表明该模型无法区分标准反应和偏差反应。值得注意的是，该模型旨在捕捉由简单光栅、纹理和自然场景在视觉皮层中引发的活动，并适合fMRI数据，这是一种与本研究使用的不同的神经成像模式。事实上，这样一个模型的输出与本研究的测量数据如此一致，这对该模型和本研究方法来说都是个好消息。该模型尽管没有被设计为捕获或解释数值，但能够近似地估算出对数值的电生理反应的能力尤其引人注目，并且可能表明数值处理的初始阶段依赖于早期视觉皮层中进行的相对简单的计算。

图3

4、讨论      本研究的目的是分离和对比特定的大脑对数值和四个连续视觉尺度变化的反应。研究人员观察到了清晰的电生理反应，这些反应与周期性出现的偏差刺激的频率同步，而该偏差刺激包含与某些视觉特征类似的数值变化。这些同步的反应支持这样的观点，即人脑可以自发地辨别周期性的数值变化。感兴趣区的观察效果和模型方法的结果进一步表明，这种能力主要是在枕叶皮质驱动的。本研究中采用的频率标记法使研究人员能够克服数值和连续尺度之间的相关性问题，这意味着研究人员可以选择自然维度作为视觉特征的低水平变化的一个强有力的比较点。事实上，本研究证明，当数值是唯一在序列水平上没有连续尺度周期性变化的周期性变化的参数时，它的变化仍然可以像总面积和凸包的变化一样自动地被区分出来。      这些发现与最近的研究一致，这些研究确认了对数值的快速电生理反应(刺激呈现后75ms)，并有证据表明数值的编码在视觉处理流中很早就发生了：数值的调节已经在枕叶皮质(V1，V2和V3)的早期视觉区域中被证明。至关重要的是，由于本研究的实验设计确保了在给定的刺激序列中只有一个维度周期性地变化，所以当前观察到的反应可以唯一地与数值相关联，并且可以排除来自孤立的任何连续维度的贡献。值得注意的是，本研究只涉及被动观看。因此，本研究的发现并不排除维度之间存在后来的交互作用，例如那些在涉及决策和认知控制的非符号比较任务中反复报告的行为交互作用。目前的频率标记范式并不是为了捕捉后一种过程，也不是为了捕捉顶叶或额叶区对后续加工阶段的相对贡献。因此，在执行数值任务(例如，非符号估计或比较任务)的同时，各种尺度信息的加权或归一化仍然可能在稍后的处理阶段发生。最近的研究支持这样的观点，即这种互动是刻意的、战略性的，而不是感知性的。换言之，目前的结果不支持这样的假设，即视觉场景中的项目数量最初是通过在该早期处理阶段的连续尺度的主动加权来处理的。      对连续尺度进行操作的条件的结果显示，同步响应可能与点占据的总面积和凸包的范围唯一相关。相反，对于密度和点尺寸的周期性变化，没有观察到这样的同步。这种结果模式表明，大脑可以自发地区分总面积和凸包，但不能区分密度和点尺寸：总面积和凸包都与低级视觉特征直接相关：总面积与刺激亮度交叉，刺激亮度是视觉系统以近乎垂直的方式响应的视觉场景的主要属性。凸包与视觉场景中占据的空间的尺寸相交叉，从而与整个刺激所维持的视角的宽度和高度相交叉，这些属性已知会影响大脑对刺激的响应。因此，人类视觉似乎被提供了对数值的早期辨别机制，其操作方式与解码低级视觉特征所涉及的机制相同，这表明数值也可以被认为是主要的视觉特征。数值的拓扑不变性已被提出为区分数字与连续尺度的关键视觉属性。数值的这一独特方面可能是其作为视觉场景的主要特征的实用性的关键。      SOC模型的设计是为了捕捉相对简单的图像刺激在视觉皮层中激发的活动，并与fMRI数据进行拟合。该模型预测的反应与本研究的电生理数据高度一致，因此在产生同步大脑反应的维度上的可变性也系统地产生了不同的预测模型反应。这表明，同步的大脑反应可能是由该模型设计捕捉的早期视觉皮层的机制引起的。正如模型所表明的那样，早期的视皮层对总面积和凸包很敏感可能并不奇怪。然而，随着数值变化的刺激(而不是其他维度的刺激)也会引起系统不同的预测模型反应。这一发现更值得注意，因为该模型并不是为了检测这种变化而设计的。因此，它支持了这样的观点，即数值是一种至少在最初的处理阶段依赖于早期视觉皮层中发生的相对简单计算的主要的视觉特征。      值得注意的是，在各个维度观察到的差异表明，观察到的同步电生理反应并不反映对任何周期性偏差的一般反应机制，而是关键取决于大脑对变化的敏感度。结果表明，大脑对数值、总面积和凸包很敏感，而研究人员没有发现对点尺寸或密度周期性变化敏感的证据。缺乏密度效应可能是由于本研究中使用的点的数量范围所致。事实上，一些作者认为，只有当点数远远大于本研究使用的范围(即超过数百个点)时，点阵列的密度才会变得突出。根据他们的结果，小于50个点的阵列不会出现对密度变化的电生理响应，这与本研究的观察结果是一致的。缺乏点尺寸效应可以通过将注意力分配到全局视觉场景而不是其个别部分来解释。视觉系统可以分割场景来提取相关信息，而且先前的研究表明，是对场景进行有效的总体描述，而不是对单个点进行编码。因此，尽管研究人员没有观察到对点尺寸和密度变化的特定响应，但这些属性可能在不同的实验设置下是可测量的，包括更大的比率或更长的呈现时间，后者的操作可能允许将注意力定向到个别场景部分。      综上所述，目前的研究结果为Burr和Ross提出的视觉数感理论提供了证据，该理论认为数值是可以从视觉场景中提取的主要视觉属性。最近的证据提供了进一步的支持，该证据强调了视觉流中非常早期对数值的特定神经敏感性，这被解释为数值信息的直接和自动编码。开创性的ANS理论提出，与连续尺度相关的低级视觉特征必须在所谓的归一化阶段被消除，该归一化阶段是在以抽象的、非模态的方式提取数字之前。最近在早期和晚期ERP成分中发现的神经对数值的敏感性被解释为在晚期总和阶段之前在初级视皮层中发生这一正常化阶段的神经证据。这里提供的数据也可以被认为是初级视皮层早期总和阶段的证据。目前的结果表明，基于数值和一些连续尺度的特定辨别可能在视觉流中相似且非常早。重要的是要注意到，在自然环境中，维度并不像当前的实验范式那样是孤立的，因此彼此之间有很强的相关性，早期的视觉辨别能力可能要强得多。事实上，最近的神经成像证据支持在顶叶区和枕叶区都有数值表征，而且对背侧流的数值越来越敏感，特别是当数值与任务相关时。 5、结论      目前的研究报告了大脑检测数值和连续尺度变化的能力的孤立指标，而没有出现通常由于这些维度之间的相关性而产生的交叉。结果表明，数值能够独立于其他视觉特征在视频流中被快速辨别，从而支持了早期视觉数感的假说。研究人员进一步认为，数值是可以直接从视觉场景中提取的主要属性。需要进一步的研究来确定直接提取数字的能力究竟是与生俱来的能力，还是通过视觉发展过程中习得的能力。