干货 | 实用指南之fMRI表征相似性分析

Hello，大家好！
这里是壹脑云科研圈，我是喵君姐姐～

今天要给大家分享的是实用指南之fMRI表征相似性分析的相关内容，快来一起看看哦~

01
简介

研究视角
在过去的50年里，我们在理解记忆的神经生物学方面取得了巨大的进步。在动物模型上的研究揭示了海马体中与学习和行为相关的单细胞神经编码之间的详细关系。
神经成像，尤其是功能性磁共振成像(fMRI)——使研究人员能够将大脑活动的整体模式与支持记忆形成和提取的认知过程关联起来。
目前，由于神经成像和单细胞神经生理学所提出的问题类型存在根本差异，因而很难弥合这两种方法之间的差距。
在一项关于记忆的典型fMRI研究中，研究人员检查了在记忆编码或提取过程中，大脑活动的强度是否因随后记住或遗漏某项内容而不同。
这些类型的研究提出的相关问题是，记忆过程成功时的“激活”[即血氧水平依赖(BOLD)信号强度]是否高于记忆过程失败过程时的“激活”。
在单个单元记录中，研究人员也关注神经活动的幅度(即峰值率)，但与fMRI不同的是，典型的实验问题关注的是神经元的选择性，而不是总体的活动量。
神经生理学的最新技术进步提高了研究人员同时记录大量神经元的能力。
通过这种方法，神经生理学家已经能够理解并检查从神经元群而不是单个神经元中可以解码出什么。
随着基于神经元群的分析方法在神经生理学中的兴起，多变量分析方法已从根本上改变了记忆fMRI研究中提出的问题类型。
在一个典型的fMRI数据集中，任何给定脑区的活动，如海马体，将通过相当多的体素进行成像。
多体素模式分析(MVPA)方法不像传统方法那样关注整个体素群的平均活动水平，而是侧重于检查体素群内各个体素的活动模式。
MVPA使神经成像研究人员能够专注于与啮齿类动物神经元水平更相似的问题，从而“连接系统神经科学的分支”。
本文将重点介绍MVPA的一种特定形式，即表征相似性分析(RSA)。RSA是认知神经科学中主要的数据分析方法技术之一。
在这里，本文将考虑如何使用RSA来揭示记忆在人脑中的表现，介绍了RSA的实验设计，并从实用角度出发阐述了如何进行RSA，以及如何避免常见的分析和解释陷阱。
什么是表征相似性分析，与其他分析方法有什么关系？
在RSA中，依赖度量是在不同实验条件下体素模式的相似程度。通常，研究人员关注的是模式相似性(PS)，尽管一些研究人员检查了多维尺度指标中使用的并行方法的逆方法(即相异性)。
因此，可以执行RSA并沿着结果汇总图的轴报告均值PS。虽然本文的重点是RSA在人类fMRI数据上的应用，但RSA的主要优势之一是它不局限于对单一数据类型或物种进行假设检验。
RSA的基本原理植根于群体向量分析，其基本思想是，与其观察fMRI或直接神经记录测量的平均活动水平，不如观察体素或神经元之间编码的活动分布模式。
RSA目前也开始应用于人类电生理(EEG)记录，但这超出了本文的范围。接下来将深入探讨如何对fMRI数据执行这些计算的细节。
在评估是否使用RSA时，重要的是要了解它在分析总体信号幅值或将活动模式与分类结果(例如，预测一个人是在回忆一个物体还是一张面孔)相关联的MVPA方法的分析能力。
Kriegeskorte等人(2008a)将这些差异操作化为处理神经反应是否与刺激的属性直接相关(一阶同构；更典型的是基于分类器的多变量分析目标)，或者是否与理解刺激及其表征之间的联系有关(二阶同构；RSA的目标)。
传统上，fMRI数据是用单变量分析来检查的，因为分析的重点是BOLD信号的大小(即激活)作为单一的依赖度量。
单变量fMRI分析提出的相关问题是：“脑区X在实验条件A和实验条件B之间的激活量是否不同”。
在大量单变量分析中，研究人员同时对大脑中的每个体素进行单变量分析。
例如，研究人员可以测试，与不成功的检索相比，在成功回忆已学习的单词时，大脑特定区域的大部分体素是否显示出更强的激活。
如果这个区域支持与情景记忆相关的认知过程，这就是预期的模式；在这个例子中，观察到这种模式的可能区域是海马体。
由于与成功检索相关的过程(例如，认知控制的参与增加或反应选择的效率提高)，大脑区域可能会显示整体活动的变化。
因此，在回忆任何事件时活动数量的增加并不能告诉你大脑区域是否代表了所回忆的特定事件。
接下来的问题是记忆研究人员通常最关心的问题，以及像RSA这样的MVPA方法在哪些方面会有帮助。
模式分类方法开始解决利用多体素信号的可变性来理解认知的问题。模式分类依赖于这样一种想法，即在感兴趣的条件之间，体素的可变性存在系统差异。
例如，如果个体研究的是物体或面孔，那么部分体素会在观看房子时优先参与，而其他体素则会在观看面孔时优先参与。
有趣的是，这些体素甚至可能位于同一区域。这种体素参与的系统差异，或者参与的程度，可以被分类器用来预测在任何给定的试次中，个体是在观看房子还是物体。
MVPA是一种模式分类，它已经从简单的对象类别分类扩展到回答各种各样的问题，从双眼竞争到谎言检测。
可以使用不同的分类方案，包括线性分类器、神经网络、线性支持向量机和高斯朴素贝叶斯分类器。
抛开这些实现细节不谈，MVPA相对于单变量分析的一个巨大进步是，它能够利用区域内的可变性来理解大脑的编码方案。
当寻找给定类别(例如，物体/面孔)或认知状态(例如，将要被记住的信息类别)的存在与否时，MVPA是最强大的。
RSA是研究高维表征空间的最佳方法，其中各项之间可以以各种方式相互关联，并且特别适合于项目之间的连续关系，而不是离散关系。
例如，在RSA的首次应用中，Kriegeskorte(2008b)表明它可以用来帮助理解和测试不同物种的视觉表征模型。
由于RSA的目标是测试观察到的(神经)表征是否与理想的或理论的表征相匹配，因此基本上可以用数据测试任何合理的假设，甚至可以用探索性的方式来帮助理解数据是如何构造的。

02
如何进行表征相似性分析？

概述

RSA并不是一个复杂的方法，但与任何方法一样，我们可以优化实验设计和数据分析，以最大限度地利用该方法。这部分将从实验设计到结果解释，描述需要考虑的问题。

简而言之，需要设计这样的任务：试次可以彼此分离，不同条件下的试次对可以通过相似性指标(例如相关性)相互关联。

最后，对这些条件下的相似性指标的汇总值进行比较，并得出结论。以下是这些步骤的详细信息。

从单变量到多变量

RSA与传统单变量分析的区别之一是，所有试次都是根据它们之间的关系进行重新组合的。

因此，在单变量分析中，可以将一种条件下的所有试次与另一种条件下的所有试次进行比较。

而在多变量分析中，可以将相同实验条件下的试次进行关联，并比较具有某一特征的试次和不具有该特征的试次之间的相关