NATURE NEUROSCIENCE:大脑动态隐性状态是行为导向的工作记忆的基础

来自牛津大学的学者Michael J Wolff等人在Nature Neuroscience期刊上发文,提出了一种功能扰动的方法来探测大脑的隐性状态,并从这种隐性状态中解析出用于指导行为的工作记忆。通过两个主体实验,作者证实了可以从工作记忆维持阶段的脉冲刺激诱发响应中解析出工作记忆的内容,而遗忘记忆在该阶段不能被解析,可能已经被从工作记忆中清除。在实验二中,作者进一步证明了未被注意的工作记忆内容也可以从脉冲响应中很好地被解析出来,暗示着记忆的维持和注意力聚焦可能是相互独立的。并且工作记忆的准确性(即行为学表现的准确率)和大脑隐性状态的可解析度有关。

实验一:30名被试执行视觉工作记忆任务,同时记录EEG数据。实验流程如图1a所示,被试的行为学准确率随测试刺激与记忆刺激之间角度差异的增大而提高,而后部电极α波侧向化也证实了线索刺激的有效性,综上所述,实验数据真实有效。

图1: 实验一的任务结构,行为学表现和注意力相关的α波活动。a. 一个试次的图解。两个记忆项目被呈现(随机朝向的光栅刺激),被试被指导去记忆这两个朝向的刺激。一个后线索暗示哪一个朝向的光栅在本试次的最后被测试(100%有效)。脉冲刺激(高对比度,与任务无关的视觉输入)在后续间歇期被呈现,此时被试只需要在工作记忆中保留被提示的那个朝向的光栅刺激。在本试次的最后,一个测试刺激出现在屏幕中央,被试必须回答这个测试刺激与被线索提示的刺激之间的朝向是顺时针还是逆时针。b. 箱形图显示工作记忆的准确性是记忆刺激和测试刺激之间绝对角度差异(度数)的函数。中线代表中位数,箱形的上下边界显示1/4和3/4位数,上下棒指的是1.5倍的四分间距。极值分开显示(十字)。虚线指50%的准确率,即机会概率。c. 时频呈现对侧于和同侧于提示半球的后部电极之差。α频段的显著簇暗示显著的对侧去同步化。(置换检验,n=30,簇形成阈值P<0.05,校正后显著性阈值P<0.05)。在x轴下方的颜色条代表a图中对应的刺激时刻。

记忆朝向的解码:利用马氏距离来表征差异性的大小,如果EEG数据确实包含朝向信息,那么对于给定的试次,其朝向与其他朝向之间的马氏距离,应该与两个朝向之间角度的差异成正比。具体的解码流程如图2 a-d所示。记忆项目的解码可以从记忆项目起始的56~1026ms实现。

探测大脑潜在状态:脉冲刺激响应可以清楚地区别工作记忆的内容。对于记忆光栅,从脉冲刺激之后的148~398ms就可以解析其朝向,但不能解析遗忘光栅。

图2: 利用EEG进行光栅朝向解码和探测工作记忆的隐性状态。a-d. 解码程序。a. 单个试次和所有其他试次之间的神经响应模式差异性被计算作为朝向差异的函数。b. 在记忆项目呈现和之后的每一个时间点上所有试次模板的平均距离,上下图分别代表左侧和右侧记忆项目。距离是中心平均的,并且符号反转。(值大等价于差异性大,响应模式之间小的马氏距离)。c. 余弦与数据进行卷积。上图,蓝绿色线代表左侧记忆项目的数据;下图,紫色线代表右侧记忆项目的数据。实线是数据,虚线是为了说明余弦。d. 被卷积的调谐曲线的矢量平均(比如,解码准确性),左右侧记忆项目的平均。黑色条,显著解码(置换检验,n=30,簇形成阈值P<0.05,校正后显著性阈值P<0.05);误差阴影,95%置信区间。X轴上的灰色条代表记忆项目的起始。e. 探测隐藏状态。类似于主动式声呐:隐藏状态的不同通过对脉冲响应的不同来推测。f. 在脉冲段解码结果。蓝色条,显著解码记忆项目;紫色条,记忆与遗忘项目之间可解度的显著性差异(置换检验,n=30,簇形成阈值P<0.05,校正后显著性阈值P<0.05)。误差阴影,95%置信区间。X轴上的黑色条代表脉冲刺激的起始。右侧:箱形图和叠加上的带误差棒的圆圈(均值和95%置信区间)显示从脉冲起始之后的100~500ms的平均解码。1.5倍四分位距之外的数据点用十字单独显示。显著性的平均解码和记忆和遗忘项目的平均可解度之间的显著性差异用星号标注(置换检验,n=30,记忆项目:P=0.004;差异项: P=0.028)。

解析脉冲响应的试次间差异可以预测工作记忆表现的变化。解析记忆光栅准确率高的试次伴随着行为学上更好的表现(如图3a所示)。而对于遗忘光栅也存在高解析率的试次,说明个别试次中被试可能没有按照要求遗忘该光栅或者没有正确地利用线索刺激,则行为学表现相较于按要求遗忘的试次(即低解析遗忘光栅的试次)较差,如图3 b左侧平均准确率之差呈负。S形图显示被试的行为学表现与测试刺激与记忆刺激之间角度差的关系。

图3:项目特异的脉冲解码和工作记忆准确性之间的关系。a. 左侧:高解码试次和低解码试次之间工作记忆表现的整体差异。右侧:高解码试次和低解码试次的顺时针反应百分比是测试刺激和记忆刺激之间角度差的函数。误差棒,95%置信区间。嵌入的小图显示的是高低解码试次之间斜率参数的差异(一种记忆精度的测量)。1.5倍的四分位距之外的数据点用小十字表示。叠加的圆和误差棒代表均值和95%置信区间。b. 同a图,只是表示的是遗忘刺激。高低解码试次之间的显著性精度差异用星号突出(置换检验,n=30,记忆光栅:准确率P<0.043,精度P<0.023;遗忘光栅:准确率P<0.001)。箱形图中,水平线表示中位数;上下边界线表示1/4位和3/4位数。棒指1.5倍四分位距,极值用十字表示。

实验二:

研究人员为了探究未被注意的但是保留在工作记忆中的信息是否也能从脉冲响应中解析出来。运用了图4 a所示的实验范式,两个光栅需要同时被记忆,但是其中一个优先被检测,另一个保留在工作记忆中,但是暂时不被注意。图4 b、c同图1 b、c验证试验的有效性。

图4 : 实验二的任务结构,行为学表现和注意力相关的α波活动。

在刺激呈现期间解码,如图5a:优先刺激具有更高的解码准确性和更长时间的可解性。图5 b说明两点:1.对角线以外的点相较于对角线上的点,解析准确率下降,说明解析的时间分辨率。2.注意刺激相较于非注意刺激,具有更长时间的可解析性。进一步说明非注意刺激在脑电活动延迟阶段无法直接解析出来,需要借助脉冲刺激的诱发反应。

图5:优先级依赖的编码和在工作记忆中的维持。

利用脉冲刺激响应解码,研究人员发现在第一个脉冲刺激之后,优先光栅和次级光栅都可以被解析,只是优先光栅的解析准确率高于次级光栅,这与行为学上优先光栅更好的记忆表现相一致。而在第二个脉冲刺激之后,只能解码次级光栅,不能解码优先光栅,暗示着此时优先光栅已经与任务无关,已经从工作记忆隐藏状态中清除,就像实验一中的遗忘光栅那样。

图6:在脉冲刺激1和2之后的时间段内的注意和非注意工作记忆项目,以及他们和行为学表现的关系。

综上所述,作者证实了可以从工作记忆维持阶段的脉冲刺激诱发响应中解析出工作记忆的内容,而遗忘记忆在该阶段不能被解析,可能已经被从工作记忆中清除。在实验二中,作者进一步证明了未被注意的工作记忆内容也可以从脉冲响应中很好地被解析出来,暗示着记忆的维持和注意力聚焦可能是相互独立的。并且工作记忆的准确性(即行为学表现的准确率)和大脑隐性状态的可解析度有关。

参考文献: Wolff M J, Jochim J, Akyürek E G, et al. Dynamic hidden states underlyingworking-memory-guided behavior[J]. Nature Neuroscience, 2017, 20(6): 864-871.

原文发布于微信公众号 - 思影科技(siyingkeji)

原文发表时间:2017-09-06

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏美团技术团队

深度学习及AR在移动端打车场景下的应用

作为美团点评技术团队的传统节目,每年两次的Hackathon已经举办多年,产出很多富于创意的产品和专利,成为工程师文化的重要组成部分。本文就是2017年冬季Ha...

3579
来自专栏逍遥剑客的游戏开发

GDC2017: PlayStation VR Worlds中的渲染优化

3004
来自专栏数据小魔方

图表案例——网易数独经典图表仿作

大家平时看新闻的时候是不是都喜欢看那种多图少字、图文并茂的呀,冗长的文字看着烦死了,还累眼睛(躺枪的举手我看看~_~) 哈哈其实这很正常,白天累死累活干一天,看...

4284
来自专栏机器学习之旅

Python:需求预估

之前写了一篇以基于elastic的需求预估的文章,只不过用的是R语言开发的,最近在学python,就仿照逻辑写了一篇python的,主要修改点如下:

1172
来自专栏AI研习社

TensorFlow 全网最全学习资料汇总之TensorFlow的技术应用【4】

【AI研习社】关注AI前沿、开发技巧及技术教程等方面的内容。欢迎技术开发类文章、视频教程等内容投稿,邮件发送至:zhangxian@leiphone.com 随...

3197
来自专栏AI科技大本营的专栏

手把手搭建游戏AI—如何使用深度学习搞定《流放之路》

翻译 | 彭硕,姜沂,reason_W 编校 | reason_W DeepMind开源《星际2》AI平台,OpenAI人工智能系统打败Dota2游戏顶级玩家....

4407
来自专栏思影科技

结合fMRI对猕猴面部刺激处理区域(AF)的神经元集群内部的功能特异性研究

来自美国国家心理卫生研究所的Soo Hyun Park 等人在Neuron杂志上发表了一篇文章,结合了fMRI影像与电生理信号研究了前底(AF)区域的神经元集群...

3758
来自专栏美团技术团队

外卖订单量预测异常报警模型实践

前言 外卖业务的快速发展对系统稳定性提出了更高的要求,每一次订单量大盘的异常波动,都需要做出及时的应对,以保证系统的整体稳定性。如何做出较为准确的波动预警,显得...

8463
来自专栏大数据挖掘DT机器学习

天池大赛—商场中精确定位用户所在店铺 作品分享

题目回顾 题目地址: 题目要求给定一条用户的消费记录,求该用户当前所在的店铺。 下面介绍题目数据和评测方式 1. 店铺和商场信息表(mall) ? 2. 用户...

4856
来自专栏深度学习与数据挖掘实战

【AI头条&优质资源】时间序列预测模型:使用深度神经网络RNN+Attention机制

放arxiv那天看了一下,整篇paper思路读下来还是非常清晰的,实验效果也很不错。

2942

扫码关注云+社区