这篇文章利用 fMRI 在人类下颞皮层的两个类别选择区——梭状回面孔区(FFA)与海马旁回位置区(PPA)中,同时比较了单变量平均 BOLD 信号与多体素激活模式对同一组刺激(高/低对比度的面孔和房屋图像)的响应。研究发现:平均 BOLD 活动幅度随图像对比度上升,且对偏好与非偏好刺激均存在该效应;而多体素空间模式对对比度变化相对不敏感,从中解码刺激类别(面孔 vs 房屋)的准确率在两种对比度下均保持稳定。该结果表明单变量平均信号与多体素模式分析(MVPA)可反映脑区内互补的信息表征维度,并提示使用单变量对比界定感兴趣区时需注意物理属性对定位边界的影响。
研究背景
人类腹侧视觉研究常用类别之间的平均血氧反应差异定位功能区,例如以面孔相对于房屋的优势界定梭状回面孔区,以相反对比界定海马旁回位置区。这种方法说明局部活动具有类别偏好,却不保证反应只由类别决定。视觉对象的对比度等物理属性同样能改变输入强度,而一个区域即使支持稳定识别,平均活动也可能随这些属性起伏。已有研究发现面孔区的平均反应受到低级图像特征调制,因而提出一个需要直接检验的问题:类别选择区中的幅度变化,究竟反映对象身份、输入强度,还是二者同时存在;仅以反应更强来推断表征内容,可能遗漏其中的区别。
分布式编码为这一问题提供了另一种观察尺度。类别信息可以由不同神经群体之间的相对反应关系承载,而整体信号增大并不必然破坏这些关系。因此,平均活动受对比度调制,与多体素模式仍能区分类别并不矛盾。此前留下的缺口是,非偏好类别的对比度是否也调节这些区域,以及类别相关模式能否跨对比度读取。只在高、低对比度下分别得到高于机会水平的分类,还不能说明两个条件使用了稳定的判别关系;更有针对性的检验是在一种对比度训练、另一种对比度测试。此外,还需检查可解码类别信息是否仅依赖少数对比度敏感体素,避免把输入强度造成的差异误认作较抽象的表征。
本文在同一组面孔和房屋刺激、同一批独立定位的功能区内并行进行平均活动与多体素分析,并以早期视觉区为参照。高低对比度操控、跨条件分类及体素敏感性分组,使作者能够比较两类读出对类别和刺激强度的响应,也能考察功能定位边界是否随图像属性改变。研究意在说明同一区域内多种信息可以共存,不能预先设定“平均活动没有类别信息”或“类别只在模式中编码”。跨对比度成功泛化支持所测试范围内的稳定可读出信息,并不要求活动模式逐点不变;对比度分类未显著也不证明绝对没有对比度信息。有限对比度范围、成像分辨率和线性分类器的灵敏度,均限制将结果推广为彻底分离的两种神经机制。
研究思路
作者的分析策略是在同一批感兴趣区内对比两种分析方法:一侧采用单变量分析(计算 ROI 内所有体素 beta 值的平均),另一侧采用多体素模式分析(MVPA,利用机器学习分类器解码体素间的活动模式)。其逻辑在于:如果刺激类别信息主要由神经元群体的空间激活模式承载,那么即使平均 BOLD 幅度受对比度显著调制,MVPA 的类别解码表现仍应保持相对独立;反之,若下颞皮层对类别的空间表征依赖于特定对比度,MVPA 解码表现将随对比度发生明显改变。为检验这种独立性,研究设计了三重检验:其一是跨对比度泛化分类(以低对比度数据训练分类器并在高对比度数据上测试,反之亦然);其二是直接在 FFA/PPA 内解码对比度等级(高对比度 vs 低对比度);其三是将 ROI 内对对比度敏感性最高与最低的体素分为两组分别进行 MVPA,检验类别解码是否仅依赖对比度敏感体素。此外,以早期视觉区 BA17 作为对照区,以评估刺激呈现及低级物理属性的影响。
方法
17 名健康成人(平均 26 岁,7 名女性)参与,5 人因头动过大(≥3 mm)被剔除,实际进入分析的是 12 人(下文 ANOVA 自由度 F(1,11) 可印证)。扫描在 3.0 T Philips 设备上进行,BOLD 采用 EPI 序列(TR=2000 ms,体素 3×3×3 mm)。实验刺激为灰度面孔与房屋图像,高对比度定义为 RMS=0.25、低对比度为 RMS=0.025(归一化单位),并用 SHINE 工具箱使两类图像的对比度物理上相等。正式实验采用组块设计:16 秒刺激块与 16 秒注视交替,每块呈现 8 张图(每张 1700 ms、间隔 300 ms),每名被试完成 9–10 个 run;过程中被试做颜色觉察任务(整图变红时按键)以维持注意。另设局部化扫描(localizer),用独立的面孔/房屋图像配合 one-back 任务,逐人定义 ROI:FFA 取右侧中梭状回上"面孔>房屋"(p<10⁻⁴,未校正)的连续激活团块,PPA 取右侧海马旁回上"房屋>面孔"的团块,两者都用约 40 个体素以平衡 ROI 大小;对照区 BA17 由解剖模板与功能激活共同界定(约 100 个体素)。分析上先用 GLM 提取 beta 值做单变量 ANOVA;MVPA 用 PyMVPA 的线性支持向量机(support vector machine, SVM),留一 run 交叉验证(cross-validation),并用 1000 次 Monte Carlo 置换检验确定解码准确率是否高于机会水平。此外还把 ROI 放宽阈值扩到约 100 个体素,按对对比度的敏感性均分为最敏感的 50 个体素与最不敏感的 50 个体素两半,重复上述 MVPA。
主要结果
- 平均 BOLD 幅度受对比度调制:FFA 中类别主效应(F(1,11)=126.04,p<0.001)与对比度主效应(F(1,11)=6.27,p<0.05)均达显著水平,交互作用不显著;PPA 同样表现出显著的类别主效应(F=107.01,p<0.001)与对比度主效应(F=20.94,p<0.01),交互作用不显著。即无论呈现面孔还是房屋,高对比度刺激均诱发 FFA 与 PPA 更强的平均 BOLD 反应。对照区 BA17 仅表现出对比度主效应(F=26.45,p<0.001),未见类别效应(图 2)。
- 类别解码准确率保持稳定:混淆矩阵显示 FFA 与 PPA 内面孔与房屋的空间模式高度可分,而高低对比度条件之间常出现混淆;BA17 未呈现此模式分离(图 3A)。分类准确率方面,FFA 对高对比度面孔/房屋的解码准确率为 83.41%(p<0.05),低对比度为 88%(p<0.01);PPA 对应为 83.19% 与 81.39%,均显著高于 50% 的机会水平;BA17 约为 62%(p=0.059 与 0.064,未达显著水平)(图 3B)。
- 跨对比度泛化分类成功:使用低对比度数据训练并测试高对比度数据(及反向测试)时,FFA 的分类准确率分别为 85.12% 与 87.11%,PPA 分别为 84.64% 与 75.72%,均显著高于机会水平;BA17 的跨对比度分类(54.97% 与 51.91%)则处于机会水平附近。结果表明 FFA 与 PPA 的多体素激活模式主要携带面孔与房屋的类别区分信息(图 3B)。
- 对比度等级本身在 FFA 与 PPA 中无法可靠解码:直接对高对比度与低对比度进行二分类时,FFA 准确率为 54.54%(p=0.26),PPA 为 57%(p=0.27),在各刺激类别下均接近机会水平;而 BA17 达到边缘显著(64.1%,p=0.052)。表明 FFA 与 PPA 的空间模式并未稳定编码对比度强弱(图 3C)。
- 类别解码不依赖于对比度敏感体素,且单变量定位边界受对比度影响:将扩大后的 ROI 体素按对比度敏感性均分为高敏感与低敏感两组(每组 50 个体素),两组间的对比度敏感性差异显著(FFA t(11)=7.31,PPA t(11)=7.16,均 p<0.001),但类别解码准确率相近,PPA 中高敏感组的解码表现略低于低敏感组(F(1,11)=19.31,p<0.01)(图 4)。此外,分别使用高对比度与低对比度刺激进行单变量对比定位 FFA 时,体素重叠比例约为 74%/70%;PPA 约为 57%/66%,表明单变量方法界定的功能区空间边界会随输入对比度发生偏移(图 5)。
图注解读
图 1 · 刺激、ROI 定位与示例被试的时间曲线
原文图注:Fig. 1. (A) Examples of stimuli. (B) Localization of ROIs in a representative participant. The FFA (red), PPA (blue) and BA17 (green) are shown in coronal, sagittal and horizontal views. (C) The averaged BOLD responses in these ROIs as a function of time. Error bars represent 1 S.E.M.
这张图是全文的"铺垫图":A 给出四类实验条件(高/低对比度 × 脸/房)的刺激示例;B 展示一名代表性被试的三个 ROI 空间位置——FFA 红色、PPA 蓝色、BA17 绿色,分别以冠状、矢状、水平三个切面呈现;C 是该被试在三个 ROI 内对应四种条件的事件平均时间曲线,纵轴为信号变化百分比,横轴为扫描时间点(TR)。读图时注意 FFA 对脸的曲线抬升高于房、PPA 相反、BA17 只随对比度整体抬升——这为后面的正式统计先给出直观印象。
图 2 · 单变量平均 BOLD:类别与对比度双双起效
原文图注:Fig. 2. Results of the univariate BOLD responses in the FFA, PPA and BA17. The averaged beta values corresponding to the four experimental conditions (low-contrast faces, high-contrast faces, low-contrast houses and high-contrast houses) are shown. Error bars represent 1 S.E.M.
图示为三联柱状图,分别展示 FFA、PPA 与 BA17 的结果,纵轴为平均 beta 值,横轴在每个脑区内按低对比度与高对比度列出面孔与房屋条件。观察维度包括:类别间的均值差异对应类别主效应,同类别内部高低对比度的差异对应对比度主效应。FFA 中面孔反应高于房屋,且高对比度高于低对比度;PPA 中房屋反应高于面孔,同时伴随对比度效应;BA17 中仅观察到对比度的整体提升,面孔与房屋之间无明显差异。该图表明在单变量层面,刺激类别与低级对比度信息共同对平均 BOLD 振幅产生影响。
图 3 · MVPA 三联证据:类别可解码、泛化成立、对比度不可解码
原文图注:Fig. 3. Results of MVPA in the FFA, PPA and BA17. (A) Confusion matrices to the four experimental conditions. (B) Pattern classification accuracies of the experimental conditions corresponding to object categories. (C) Pattern classification accuracies of decoding stimulus contrast. Error bars represent 1 S.E.M. * indicates p < 0.05, and ** indicates p < 0.01.
A 为混淆矩阵:行代表真实条件,列代表分类器预测结果,对角线高亮表示正确识别。FFA 与 PPA 的矩阵显示出结构性特征:面孔的高低对比度条件与房屋的高低对比度条件分别聚类,跨类别混淆较少,但同类别内部高低对比度之间存在明显混淆;BA17 未呈现该聚类结构。B 为类别解码准确率柱状图(虚线 50% 为机会水平),分别展示高对比度训练/测试、低对比度训练/测试以及跨对比度训练/测试四种情况:FFA 与 PPA 在各条件下准确率均在 75%–88% 之间且达统计显著水平,BA17 约为 60% 且未达显著。C 为直接解码对比度等级的准确率:FFA 与 PPA 均处于机会水平附近且不显著,BA17 达到边缘显著。该图结果表明 FFA 与 PPA 的多体素空间模式主要编码类别信息而非对比度信息,与单变量分析形成互补。
图 4 · 按对比度敏感性拆分体素:解码依旧稳定
原文图注:Fig. 4. Results of MVPA in the FFA using high sensitivity to contrast voxels (HCFFA), low sensitivity to contrast voxels (LCFFA), and in the PPA using high sensitivity to contrast voxels (HCPPA), low sensitivity to contrast voxels (LCPPA). (A) Spatial distributions of the HCFFA (red) and the LCFFA (green) on the cortical surface of one representative participant (left panel). The averaged effect of contrast in the HCFFA and LCFFA (right panel). (B) Confusion matrices to the four experimental conditions in the HCFFA and LCFFA. (C) Pattern classification accuracies of the experimental conditions corresponding to object categories in the HCFFA and LCFFA. (D)(E)(F) 为 PPA 的对应内容,及各显著性标记说明(略)。
分左右两半:A–C 针对 FFA,D–F 针对 PPA。每个 A/D 面板左半是把高敏感体素(红)与低敏感体素(绿)画到皮层表面上——空间分布看起来相当随机、并无分离的亚区;右半验证拆分有效,即两组体素的高减低对比度 beta 差异确实天差地别(***,p<0.001)。B/E 的混淆矩阵和 C/F 的分类准确率柱状图是关键:无论用"对对比度敏感"还是"不敏感"的体素,脸/房解码都同样成功。这张图排除了"类别解码其实靠少数对比度敏感体素"的替代解释,也否定了 FFA/PPA 内存在对比度不变/不变感亚区块的简单设想,支撑第 5 条结果的前半。
图 5 · 单变量定位随对比度漂移的方法学警示
原文图注:Fig. 5. The spatial distribution on the cortical surface of the FFA and PPA localized by contrasting univariate averaged BOLD responses to faces and houses in a representative participant. Using the same statistical criterion, cortical areas that were localized only through comparing BOLD responses corresponding to high-contrast faces vs. high-contrast houses are shown in red; areas that were localized only through comparing BOLD responses corresponding to low-contrast faces vs. low-contrast houses are shown in green; overlapping areas that can be localized by either using high-contrast faces vs. high-contrast houses or using low-contrast faces vs. low-contrast houses are shown in yellow.
皮层表面展开图,展示同一被试、同一统计阈值下用不同对比度材料做"脸>房"(FFA)与"房>脸"(PPA)单变量对比所得的 ROI:红色是只有高对比度材料能定位出的体素,绿色是只有低对比度材料能定位出的体素,黄色是两者重叠部分。读图要点在于红绿区域的存在本身——若定位结果与图像对比度无关,图上应几乎全是黄色。文中给出的数字是 FFA 重叠约 74%/70%、PPA 约 57%/66%。它支撑第 5 条结果的后半,也把全文的方法学含义点破:既然模式层面的类别信息与对比度无关,那么用单变量对比定位的 ROI 边界却随对比度移动,后续基于这些 ROI 的模式分析选址就需谨慎。
讨论
作者将研究结果归纳为腹侧皮层中互补的表征机制:非特异的刺激强度信息(对比度)通过前馈投射推高早期视皮层放电,并在宏观尺度上反映为 FFA 与 PPA 的平均 BOLD 信号上升;而刺激类别这类离散属性则由局部神经元群体的空间激活模式承载,在一定对比度变化范围内保持相对恒定。作者提出集合编码(ensemble coding)模型:类别特异信息与非特异强度信息可共存于同一皮层区域,并分别通过多体素模式与单变量均值两种途径提取。针对“FFA 内部可能存在对比度不变亚区”的假设,体素敏感性分组分析未发现分离的空间亚区。研究亦指出了相关局限:实验测试的高低对比度范围有限,更极端的对比度变化对模式的影响仍有待检验;受 fMRI 空间分辨率限制,无法排除微观尺度模式对对比度的潜在编码;线性 SVM 分类器对神经群体方差变化等高阶统计特征的敏感度亦受算法本身限制。最后,基于不同对比度刺激定位功能区时出现的边界偏移提示,在采用单变量对比定义感兴趣区并开展模式分析时,需注意刺激层级物理特征对区域界定的潜在影响。
一句话总结
本研究表明人类下颞皮层的类别选择区同时包含两种互补的表征形式:平均 BOLD 幅度受图像对比度等非特异强度信息调节,而多体素空间模式在不同对比度下稳定表征刺激类别。