预测错误处理和信息预期的锐化在面孔感知中的作用

2024-07-01 Mon
科学报告背景介绍感知和神经处理感官信息极大程度上受先验期望的影响。感知不仅仅是被动的接收，而是通过将现有的感官信息与基于过去经验和当前情境获得的先验信息结合而成的一种主动推理过程。这种信息的结合方式可以通过不同的机制表现出来：一种是专注于异常输入，即预测误差信号处理（Prediction Error，简称PE）；另一种是通过对预期信息的增强实现的锐化表示。本文研究了这两种机制在面孔感知中的表现。
研究来源本研究由德国汉堡大学医疗中心(University Medical Center Hamburg-Eppendorf)系统神经科学系的Annika Garlichs和Helen Blank进行，论文发表于2024年4月的《Nature Communications》期刊。
研究流程及方法研究设计及步骤实验设计：研究基于功能磁共振成像（fMRI）数据，并结合深度神经网络（DCNN）进行计算建模。参与者首先学习将场景图像和后续呈现的面孔图像联系起来，实验图像包括四张不同男性面孔。通过对这些面孔进行变形生成模棱两可的面孔，以在面孔识别时引入不确定性。
实验流程：实验共分四部分，第一部分为面孔图像的个体化校准，第二部分为关联训练，第三部分为fMRI主要实验，最后一部分为功能定位器实验。在主要实验中，参与者需要根据识别面孔用右手按下对应按钮，以指示他们识别的面孔身份。
多重对比分析：在数据分析中，使用大脑不同区域的多重对比分析来区别PE和锐化表示。比较不同实验条件下的神经表征不相似性矩阵（RDM），并结合深度卷积神经网络（DCNN）模型（如vgg-face、vgg-16和resnet50）来优化假设模型，用以解释面孔表征的变化。
单变量与多变量数据分析：使用单变量分析来发现期望与非期望面孔信息的全脑激活差异，特别是脸敏感的区域（比如枕部脸区（OFA）、梭状回脸区（FFA）和前颞叶（ATL））。进一步结合多变量fMRI表示相似性分析（RSA）及计算建模，识别大脑中不同区域的信息处理机制。
具体研究步骤个体面孔变形校准：首先使用Facegen软件创建四张不同的男性面孔，调整面孔特征使其在形状、颜色和位置信息上差异显著。将这些面孔对参与者进行面孔变形校准，以确定每个参与者对50/50变形面孔感知的个体阈值。
关联训练：参与者学习将四个场景图像与四张面孔图像联系起来，训练后在fMRI实验中首先呈现场景图像然后呈现预期、非预期或者模棱两可的面孔图像，参与者需要根据提示选择他们识别的面孔。
功能磁共振成像实验：通过fMRI记录参与者在观看并识别人脸图像时的大脑活动。对模棱两可的面孔进行多变量fMRI表示相似性分析（RSA），结合深度神经网络模型（如vgg-face）提取信息处理的神经表示。
假设模型生成：基于神经网络层的激活数据（如vgg-face的pool4和pool5层）生成假设表示不相似性矩阵（RDM），并与神经数据比较，检测PE和锐化机制在面孔识别中的作用。
主要结果同化效应：行为数据表明，预期的面孔识别反应时间更短（图3b），模棱两可的面孔被识别为预期面孔的频率更高（图3a），表现出明显的同化效应。
fMRI激活降低：对预期面孔的fMRI激活较非预期面孔显著降低，特别是在梭状回中后部（pFFA）和中下颞回（ITG/MTG）区域（图4）。
PE和锐化表示：RSA结果显示，整个面孔处理层级（OFA、pFFA至ATL）中存在PE处理机制（图4a, d-f），在早期面孔处理区域OFA也有锐化表示的证据（图4b）。
结论与意义本研究揭示了预期上下文字境在面孔感知中的神经表征机制，通过多变量fMRI结合深度神经网络分析得出以下结论：
1. 预测误差在面孔处理中的重要性：从枕部脸区（OFA）、梭状回脸区（FFA）到前颞叶（ATL）的整个面孔处理层级中，预测误差处理占主导地位。
锐化表示的存在性：在面孔处理的早期阶段（如OFA），发现了锐化表示的证据。
大脑如何整合先验知识与感官输入：研究提供了支持脑内整合先验知识与感官输入的预测处理机制的证据，这一机制影响了我们对面孔的感知。
研究亮点多变量分析区分PE和锐化机制：通过多变量fMRI结合深度神经网络激活模型，成功区分预测误差处理和锐化表示，在面孔感知领域提供了新的理解。
新颖的实验设计：本研究通过模棱两可面孔和场景关联训练，在控制前提下的精确测量神经表征差异。
附加信息方法的准确性与重复性：使用先进的深度神经网络（如vgg-face、vgg-16和resnet50）来模拟和分析大脑面孔处理的机制，结果显示PE和锐化表示可以共存，增进了对大脑视觉信息处理机制的理解。
未来研究方向：未来研究可以进一步探讨这些表征是否与大脑不同层次的信息处理机制有关，特别是在更高空间分辨率的研究中。
本研究提供了大脑如何通过预测和锐化机制整合先验知识来处理面孔信息的深入理解，突显了这些机制在感知过程中的作用和重要性。