由于申请季实在太忙所以搁置了,太久时隔3个月,公众号终于再次更新啦。
这次的内容是一篇文献分享,文章是今年年初发表在《Social Cognitive and Affective Neuroscience》上的一篇综述:
![44bc1d4a52cea11886c065a0de55e55d.png](https://img-blog.csdnimg.cn/img_convert/44bc1d4a52cea11886c065a0de55e55d.png)
这篇文章对RSA的方法的使用介绍很清晰、精炼,所以路同学选择从中抽取了自认为关键的部分进行了翻译与整理,希望能让不仅仅是做社会神经科学研究以及其他认知神经科学领域的同学对RSA有一个初步的理解。
![f20e9b540ccd10b246752b3b66329704.gif](https://img-blog.csdnimg.cn/img_convert/f20e9b540ccd10b246752b3b66329704.gif)
表征相似性分析(Representational similarity analysis, RSA)是一种对刺激进行配对比较来揭示它们在高维空间表征的计算方法。在神经成像背景下,单变量分析和其他多变量分析可以提供表征了什么信息以及在哪表征信息,但它们不能说明信息如何被表征。社会神经科学是一个特别受益于结合RSA方法来探究关于多维数据的表征、表征如何预测行为、不同群体的表征差异以及多模态数据与理论进行比较的领域。单变量分析、MVPA解码分析和RSA之间的比较见下表1。
表1. 不同fMRI分析方法间的比较
![b6f0e61ae5ebc7dbbe1f8083c20eae46.png](https://img-blog.csdnimg.cn/img_convert/b6f0e61ae5ebc7dbbe1f8083c20eae46.png)
RSA独一无二的作用是进行不同源之间的数据比较(如下图1)。比如,RSA可以用来比较社会情境相关的行为学测量量(比如比率、反应时、错误率或者潜在的语义分析指标等等)和同样刺激的神经激活反应。甚至,还可以用来比较来自不同空间尺度的数据(比如单神经元记录vs区域的激活)、不同物种的数据(猴vs人)。当与计算模型连接时,RSA不仅可以研究社会信息的细粒度表征,也可以探究支持社会处理的动态神经计算(比如自底向上vs自顶向下处理)。RSA最适用于系统性地“维度化“的刺激或状态。在视觉研究中,可以参数化地操纵刺激维度,比如色调、亮度以及线条的朝向等等并测量视觉皮层的表征敏感度。在社会神经科学