利用脑成像多体素模式分析解码认知的神经表征：原理和应用.pdf

心理科学进展 2010, Vol. 18, No. 12, 1934–1941 Advances in Psychological Science 利用脑成像多体素模式分析解码认知的神经表征：原理和应用 1,2 2 2 1 2 雷 威 杨 志 詹旻野 李 红 翁旭初 (1 西南大学心理学院, 重庆 400715) (2 中国科学院心理学研究所脑高级功能实验室, 北京 100101) 摘 要 多体素模式分析(multi-voxel pattern analysis, MVPA)是一种基于机器学习理论发展出来的新 的功能磁共振数据分析技术。MVPA 技术通过训练分类器, 对由不同认知状态引起的多体素信号模式 进行分类。与传统的基于单个体素的分析方法相比, 该技术可更敏感地检测脑对认知状态的表征, 并 使得从神经信号解码认知状态成为可能。文章介绍MVPA 技术的基本原理、分析步骤以及可以用MVPA 来解决的科学问题, 并对应用中可能面临的问题提供了参考建议。 关键词 多体素模式分析; 表征; 功能磁共振成像; 分类 分类号 B841.1 如何从神经成像数据中提取出与特定认知 知 状 态 相 对 应 的 神 经 信 号 模 式 (Davatzikos, 状态相联系的神经表征信息, 是认知神经科学研 Ruparel, Fan, Shen, Acharyya, 2005; Hutchinson, 究的基本问题。传统功能磁共振成像(functional 2006; MacEvoy Epstein, 2009), 还能从这些模 magnetic resonance imaging, fMRI)数据分析试图 式中解码被试所处的认知状态或其知觉内容 通过基于单个体素 (voxel) 的血氧依赖性水平 (Kay, Naselaris, Prenger, Gallant, 2008; (blood oxygenation level dependent, BOLD)信号 Miyawaki et al., 2008) 。 变化描述神经活动如何随认知状态的不同而改 本文第一部分概述 MVPA 的基本原理以及 变 (Kanwisher, 2000; Norman, Polyn, Detre, 它相对于传统分析方法的优势; 第二部分介绍 Haxby, 2006) 。但由于 fMRI 数据信噪比(signal MVPA 的实现方法和技术细节; 第三部分通过已 noise ratio, SNR) 较低和必须对结果进行多重比 有的研究案例介绍可以用这种技术来解决的科 较校正 , 基于单个体素的单变量分析方法 学问题; 最后对 MVPA 技术在研究和实践中的应 (voxel-wise analysis)对数据中携带的信息的统计 用进行展望。 检测力不足 (Norman et al., 2006) 。 1 MVPA 原理 近年来, 通过借鉴机器学习研究中的模式分 1.1 模式分析的基本原理 类(pattern classification)技术, 研究者们发展出一 MVPA 技术的核心原理是利用在不同认 种新的多变量 fMRI 数据分析方法—— “ 多体素 知状态下由多个体素信号形成的空间模式训练 模式分析”(multi-voxel pattern analysis, MVPA) 。 分类器, 再用独立的实验数据测试分类器的性 该方法将多个体素的信号看作一个多维变量, 即 能( 图 1)。训练和测试分类器的过程称为模式分 空间模式(spatial pattern), 并求解判别函数(分类 析, 是机器学习理论中的重要技术,