一句话定位:本研究利用猕猴下颞叶(inferior temporal, IT)皮层 674 个神经元对约 1,000 张物体图片的电生理记录,系统比较了上位(superordinate,如“有生命/无生命”)、中位/基本(mid-level/basic,如“脸/身体”)与下位(subordinate,如“个体身份”)三类范畴信息在神经响应中出现的时间进程,发现中位类别信息最先在群体表征中涌现,为心理物理学中的“基本水平优势”提供了单细胞分辨率的时间动力学证据。
研究背景
同一张图片可以在多个抽象层级上被归类:一只鹰既是有生命物,也是鸟,还可以进一步辨认具体种类或个体。类别识别因此不只是“能否区分”,还涉及哪一层信息最先可供行为使用。Rosch 等基本水平研究发现,人们通常更快提取“鸟”这类中位类别,而不是更宽泛的“动物”或更精细的下位类别;但快速动物检测等实验又说明,上位信息也能很早出现。行为结果并不完全一致,可能是因为不同任务使用的图片、类别边界和决策要求不同,不能简单把某个层级规定为永远最先。
神经记录也没有直接消除矛盾。MEG 研究曾报告类别信息随抽象程度提高而更晚出现,ERP 却显示“动物”等上位类别可在很早阶段影响脑电反应。这类信号混合了多个脑区和不同方向的加工,难以确定某一层类别信息在特定皮层中何时形成。猕猴 IT 是腹侧视觉通路的高阶视觉区域,已有单细胞研究发现全局信息早于身份等精细信息,支持“由粗到细”的描述;但若中位类别在行为上具有速度优势,IT 的时间顺序未必只是一条从宽泛到精细的直线。需要在同一批神经元、同一套嵌套图片和同一时间测量中比较三个层级。
本文据此利用 674 个 IT 神经元对约千张图片的反应,追踪上位、中位和下位类别在群体响应空间中何时变得可分。研究同时使用无监督的类别散度指标和有监督线性读出,避免结论只依赖某一种“信息出现”的定义;又通过去除面孔、剔除类别选择性细胞、匹配形状相似度和检查连续呈现中的前图影响,排查熟悉度、低阶图像特征及特殊神经元群造成的假象。其背景问题因此十分具体:IT 是否先沿某些中位类别边界组织视觉响应,再逐步形成更上位和个体身份信息,而不是预设所有抽象层级按固定顺序出现。
研究思路
研究的核心逻辑是将行为层面的基本水平优势转化为神经群体响应的动态可分性度量:通过无监督的可分性指数(separability index, SI)与有监督的线性支持向量机(SVM)分类器,在连续时间滑窗内检测不同范畴层级在神经表征空间中的分离时点(onset)与峰值时点(peak)。实验刺激覆盖同一图像体系下的三级嵌套层级(图 1),使上位、中位与下位维度的比较基于相同的数据集;通过固定时间窗口与判据阈值,直接对比不同层级的时间参数;并结合一系列控制分析(剔除面孔刺激、剔除类别特异性神经元、匹配形状相似度、区分快速序列视觉呈现中的前置刺激、分亚区计算以及对比低阶物理特征模型),系统排查低阶物理特征或神经元选择性偏差对时间进程的潜在混淆。
方法
实验数据来源于两只雄性猕猴的 IT 皮层(引自 Kiani 等 2005、2007 数据集),共纳入 674 个神经单元,记录位点覆盖 STS 下岸、TEv、TEd、TEp/TEa 等 IT 亚区(未包含后部 TEO)。刺激集包含 1,000 余张经过轮廓抠图的彩色物体图片,居中呈现在 7° 视野范围内。采用快速序列视觉呈现(rapid serial visual presentation, RSVP)范式:每张图片呈现 105 ms,无刺激间隔,猕猴需维持注视在 ±2° 窗口内。刺激构建了三级嵌套类别结构:上位(有生命/无生命)、中位(人脸/身体、灵长类/非灵长类脸、人/动物身体、恒河猴/非恒河猴脸、自然/人造无生命物等 25 组类别划分)、下位(4 个人脸个体身份)。
分析在群体和单细胞两个尺度进行:群体分析将每时刻的神经响应表示为 674 维向量(经 z 标准化),通过基于相关距离的多维标度(MDS)和主成分分析(PCA)观察降维流形;在 20 ms 滑动窗口(步长 1 ms)内计算可分性指数(SI,类间散度矩阵与类内散度矩阵谱范数之比),利用 500 次 bootstrap 估计误差,并采用 70%/30% 训练测试集划分训练线性 SVM 获得归一化分类准确率。Onset 定义为指标首次达到峰值 10% 且维持 10 ms 的时点,peak 定义为达到峰值 90% 并维持 2 ms 的时点。单细胞尺度采用接收者操作特征曲线下面积(AUROC)度量单神经元在滑窗内的类别区分度,基于 d' 随机化检验(P<0.05)筛选出对三对关键类别均具显著选择性的 126 个细胞。此外,基于凝聚层次聚类分析比较早期(85–105 ms)与晚期(155–175 ms)神经反应的聚类树结构。
主要结果
-
早期神经响应优先分离中位类别:MDS 分析显示,在刺激呈现后 85–105 ms 的早期阶段,IT 群体响应已能够明确区分人脸与身体、灵长类脸与非灵长类脸,而有生命与无生命、以及 4 个个体身份在此时尚无法有效分离;直到 155–175 ms 晚期阶段,所有层级才均表现出清晰的分离(图 2;早期前两维解释 67% 方差,晚期前两维解释 74% 方差,图 3)。时间演化动态显示,灵长类面孔最早在流形中形成独立簇,随后是身体,最后才出现有生命/无生命与个体身份的聚合。
-
群体可分性指数呈现明确的时间序列:中位类别的 onset 与 peak 均显著早于上位与下位类别(P<0.001,图 4)。Onset 潜伏期:有生命/无生命为 105.9±0.64 ms,脸/身体为 82.3±0.74 ms,灵长类/非灵长类脸为 83.3±1.26 ms,人脸个体身份为 103±14.7 ms;peak 潜伏期分别为 148.7±3.3 ms、121.9±3.2 ms、105.1±3.6 ms 与 152.2±16.5 ms。在拓展的 25 组中位类别对比中(表 1),中位类别优势保持一致;无论对照类别选取全集、无生命类还是其他有生命类(表 2、表 3),脸和身体的中位信息均先于上位信息出现。
-
SVM 线性读出证实解码时间差异:线性分类器在 72.5±2.9 ms(脸/身体)和 76.1±1.7 ms(灵长类/非灵长类脸)即可达到显著高于随机水平的解码准确率,而上位与个体身份的显著解码时点分别滞后至 85.4±4.7 ms 和 95.7±8.2 ms(P<0.01);peak 时点的差异达到 35–50 ms(P<0.01):脸/身体为 116.6±4.4 ms,灵长类脸为 106.8±4.6 ms,有生命/无生命为 135±7.5 ms,个体身份为 150.4±5.1 ms(图 5)。
-
无监督聚类树印证表征演化过程:凝聚层次聚类显示,在 85–105 ms 时段已聚合成面孔簇,在 95–115 ms 时段形成身体簇,而包含全部有生命刺激的大簇直到 155–175 ms 时段才最终成形(图 6);上位类别在树状结构中的对应匹配分数从早期至晚期增幅最为明显(有生命类增加 0.13,无生命类增加 0.09),而多数中位类别在早期已具备较高的匹配度(表 6)。
-
单细胞水平与非选择性神经元群体均保留时序特征:在 126 个对关键类别均具选择性的神经元中,AUROC onset 表现为脸/身体 81.6±1.20 ms、灵长/非灵长脸 78.3±1.16 ms,显著早于有生命/无生命(87.4±1.43 ms,P<0.05)与个体身份(85.7±4.85 ms,P<0.05);peak 时点同样表现出显著超前(113.1 ms、107.8 ms 对比 141.4 ms、143.0 ms,P<0.001,图 7)。神经元类别选择性强度(d')与其潜伏期呈负相关。在 157 个对测试类别均无显著选择性的神经元群体中,群体 SI 依然展现出相同的时间先后顺序(图 8;onset:脸/身体 96.2±4.34 ms 早于有生命/无生命的 135.6±16.21 ms)。
-
中位优势无法由低阶物理相似度解释,并在多种控制条件下稳健:25 组中位类别的出现时间整体显著早于有生命/无生命(P<0.001,图 9A),而利用 HMAX 模型各层(V1、V2、V4)、图像外形包络(footprint)及基本低阶物理属性计算的模型预测,均无法显著预测类别信息的神经潜伏期(图 9B 各相关性均未达统计显著)。排除全部面孔图像或剔除面孔选择性神经元后中位优势依然存在(表 4);控制轮廓形状相似度后结论保持(表 7);各 IT 亚区独立分析结论一致(表 8);按 RSVP 序列中前置图像类别(有生命或无生命)分别统计,中位优势依然稳固(图 10)。
图注解读
图 1 · 刺激集的三层类别树
原文图注:Fig. 1. Hierarchical category structure of the stimuli. Three category levels are defined: 1) superordinate level: animate vs. inanimate; 2) mid-level (basic level): face vs. body, primate faces vs. nonprimate faces, human body vs. animal body, rhesus face vs. nonrhesus face, and natural inanimate vs. artificial inanimate; 3) subordinate level: human individual identity. Photos courtesy of Hemera Photo-Objects/Jupiterimages.
刺激集所采用的三级嵌套范畴架构:顶层为有生命与无生命的上位划分,中间层包含脸与身体、灵长类与非灵长类脸等中位划分,底层为具体的人脸个体身份。同一张测试图片在结构上同时隶属于这三个层级,为跨层级的时间潜伏期直接比较提供了统一的基础。

图 2 · 早期与晚期响应的 MDS 二维图
原文图注:Fig. 2. 2D Representations of categories at 3 levels of hierarchy in early and late phases of neural responses. These representations are generated using multidimensional scaling on the neural population responses at 3 levels of the hierarchy. Early (85–105 ms; left) and late (155–175 ms; right) phases of the neural responses are shown. The rows show animate vs. inanimate, face vs. body, primate faces vs. nonprimate faces, and 4 human face identities. Ellipses demonstrate 2 SD of the distribution of category members in the 2D representations.
多维标度分析(MDS)在早期(85–105 ms,左列)与晚期(155–175 ms,右列)神经响应下的二维投影,椭圆代表各类别样本分布的 2 倍标准差范围。在早期时间窗内,仅“脸 vs 身体”与“灵长类 vs 非灵长类脸”出现清晰分离的置信椭圆,上位及个体身份椭圆高度重叠;而在晚期时间窗,三个层级均形成明确分离。该结果直观展示了中位类别信息在神经表征中的优先涌现。

图 3 · PCA 降维的方差解释率
原文图注:Fig. 3. The percentage of unexplained variance. The percentage of unexplained (residual) variance against the number of PCA dimensions used for construction of the movie. The first 2 dimensions of the PCA analysis reported here were used to make the movie. The neural population responses to all stimuli in the 65- to 170-ms time window were used to extract the principle dimensions by PCA. The gray arrows indicate the values for second, fourth, sixth, and eighth dimensions.
主成分分析(PCA)中未解释残差方差随提取维度增加的衰减曲线,前两个主成分解释了神经响应时间窗(65–170 ms)内约 62% 的方差变异,支持了利用前两个维度进行低维动力学流形分析与可视化呈现的有效性。

图 4 · SI 时间进程与 onset/peak 延迟
原文图注:Fig. 4. Time course of the separability index (SI) for the 3 levels of hierarchy. A: time courses of SI. The time courses were offset by the mean value of index at the 1- to 50-ms interval from stimulus onset. Shaded areas represent SD, calculated using the bootstrap procedure. Surrounding scatter plots are 6 frames from Supplemental Movie 1. The 107-, 127-, and 161-ms time points correspond to SI peak times of primate faces vs. nonprimate faces, face vs. body, and animate vs. inanimate, respectively. B: onset (left) and peak (right) latencies of SI; onset latency is defined as the first time that the index exceeds 10% of its maximum value for 10 ms. Peak latency is defined as the time that the index exceeds 90% of its maximum value at least for 2 ms.
A 展示四对代表性类别的可分性指数(SI)时间曲线(扣除 1–50 ms 基线),周围散点图对应补充动画中不同时间切片的样本分布;B 展示三个层级对应的 onset 与 peak 潜伏期柱状图。中位类别(脸/身体、灵长类/非灵长类脸)在 onset 和 peak 两个指标上均显著早于上位(有生命/无生命)和下位(人脸身份),构成主要结果 2 的核心定量证据。

图 5 · SVM 分类精度的时间进程
原文图注:Fig. 5. Time courses of classification accuracy for the 3 levels of hierarchy. A: time courses of normalized classification accuracy using SVM. Shaded areas are the SE. B: corresponding onset (left) and peak (right) latencies.
A 展示基于线性 SVM 读出的归一化分类准确率时间进程,B 展示对应的 onset 与 peak 潜伏期对比。有监督线性读出结果与无监督的 SI 指标表现出高度一致性,中位类别在 70–80 ms 区间即可实现显著解码,而上位与下位分类在时间上均表现出系统性延迟。

图 6 · 早期与晚期相位的层次聚类树
原文图注:Fig. 6. Hierarchical clustering of IT response patterns at early and late phase of response. Hierarchical cluster trees were computed at early (A and B; 85–105 and 95–115 ms, respectively) and late (C; 155–175 ms) phases of response. At the lowest level of the tree (horizontal axes), face, body, other animate, and inanimate exemplars are indicated by red, purple, yellow, and blue lines, respectively. All animates, excluding face and body categories, make "other animate" stimuli. The vertical axes indicates average neural distance between the stimuli of subclusters.
三个时间窗内神经响应模式的层次聚类树结构(A 为 85–105 ms,B 为 95–115 ms,C 为 155–175 ms)。底端分支按类别属性着色(红为脸、紫为身体、黄为其他动物、蓝为无生命物),纵轴表示子簇间的平均神经距离。面孔簇在最早时间段即聚集成形,身体簇在随后时段形成,而统合所有有生命物体的上位大类分支直到晚期时间窗才完全聚合。

图 7 · 单细胞 onset/peak 延迟散点与分布
原文图注:Fig. 7. Onset and peak-latency scatter plots of single cells. Each panel (A–D) shows the scatter plot of onset (triangles) and peak (circles) latencies of 1 pair of categories against another pair (A: face vs. body against animate vs. inanimate, B: primate faces vs. nonprimate faces against animate vs. inanimate, C: face vs. body against human identity, and D: primate faces vs. nonprimate faces against human identity). Each point represents 1 cell. The distributions of latencies (top: onset; bottom: peak) for the corresponding categories are depicted on the right side of the scatter plots. The dashed, vertical lines in distribution plots show the mean latencies.
单细胞水平上不同类别配对的潜伏期散点图与边缘分布(A–D 分别对比中位与上位、中位与下位,三角代表 onset,圆圈代表 peak)。数据点系统性偏离对角线,落入中位类别潜伏期更短的一侧,表明中位优先的时序特性在单个神经元水平上普遍存在。

图 8 · 非选择性神经元的 SI 时间进程
原文图注:Fig. 8. Time courses and latencies of separability index (SI) in the nonselective cell population at the 3 levels of hierarchy. A: time courses of nonselective cell population. Nonselective cells are those that show no significant selectivity to face, body, animate, or inanimate images. Selectivity of the target category against the other stimuli is examined by 1-tailed t-test, P ≤ 0.05. B: the mean onset (left) and mean peak (right) latencies are shown. Shaded areas (A) and error bars (B) represent SE.
仅采用 157 个对各测试类别均无显著选择性的神经元重构的群体 SI 时间进程(A)与延迟统计(B)。在该非选择性神经元子群中,中位类别的 SI 依然表现出显著早于上位与下位类别的出现时限,表明范畴动力学时序由群体高维空间的协同结构支持,并非仅依赖特异性调谐细胞。

图 9 · 25 组中位类别的延迟分布与物理模型的失败
原文图注:Fig. 9. Distribution of latencies and relationship of physical similarity and latencies of category representation in IT cortex. A: the distribution of onset (left) and peak (right) latencies for 26 pairs of tested categories (25 mid-levels and 1 superordinate level). The dashed lines show the onset (left) and peak (right) latency of superordinate level, animate vs. inanimate, and the arrows show the mean value of latency distributions. B: in each panel, we calculated the within/between class physical distinction using SI and different physical models (V1, V2, V4, foot print, and basic properties) …
A 展示 25 组中位类别与 1 组上位类别的潜伏期分布直方图,虚线标出上位类别的潜伏期,箭头表示中位均值,显示中位分布整体前移;B 将各类物理特征计算模型(HMAX 早期层、包络模型及底层视觉特征)预测的物理可分性与神经反应潜伏期作相关分析,各面板均未出现显著相关,排除了低阶物理相似度作为潜伏期差异主要决定因素的假设。

图 10 · RSVP 前置刺激的分组对照
原文图注:Fig. 10. The time course of category representation in trial with animate or inanimate preceding stimuli. Time courses of separability index, the mean onset, and mean peak latencies were computed in trials in which an animate image preceded the stimulus (A) and those in which an inanimate image preceded the stimulus (B). Shaded areas (top) and error bars (bottom) represent SE.
针对 RSVP 范式中前置图像潜在残留影响的对照检验,分别统计前置刺激为有生命(A)和无生命(B)条件下的 SI 时间进程与延迟。两组条件下中位类别的潜伏期优势均保持稳定,排除了序列呈现中前置刺激残留反应引入的系统偏差。

讨论
作者指出了本研究的一项实验限制:数据来源于被动注视任务下的非人灵长类,神经反应的时间进程与主动分类行为之间的直接因果联系仍需在行为任务态中进一步检验。在此基础上,文章就已有文献中的分歧进行了讨论:首先,针对 Sugase 等(1999)提出的“全局信息早于精细信息”观点,本研究在中位与下位比较上与其吻合(如灵长类面孔早于个体身份),但进一步证明更为宽泛的上位信息(有生命/无生命)出现时间晚于中位信息,表明腹侧通路的表征演化并非单向的由粗到细;其次,针对人类 MEG 实验中报告的精细个体信息早于类别信息的结果,作者指出单细胞尖峰发放反映局部输出信号,而无创脑磁/脑电信号融合了突触后电位、输入信号与全脑同步化活动,二者测量的神经生理过程存在差异;第三,关于快速动物检测行为中上位类别快速通达的现象,作者认为行为上的快速上位判断可通过识别面孔或身体等典型中位特征来实现。
在潜在机制方面,作者推测中位类别的快速表征主要由 IT 皮层的局部前馈与侧向连接网络支持,其在表征空间中对应于类内紧凑、类间差异显著的自然边界;而更高层级的上位抽象或更精细的个体辨别,可能需要皮层内部更长时间的递归处理或前额叶皮层的自上而下反馈参与。此外,视觉经验对神经潜伏期具有调节作用,高熟悉度类别表现出更短的 onset 潜伏期。作者同时说明了研究刺激集的局限性:上位对比仅涵盖了有生命与无生命一组,且实验猴具有较为丰富的非标准实验室视觉经验,后续研究有必要在更广泛的类别体系和多样化控制条件下进一步验证。
一句话总结
本研究通过大规模单细胞电生理记录证实,猕猴 IT 皮层在视觉刺激输入后约 80 毫秒优先建立中位(基本水平)类别的神经表征,显著早于宽泛的上位类别与精细的个体身份信息,且这一动态时序独立于低阶物理相似度与单细胞的特异性调谐,为视觉分类的基本水平加工优势提供了高时间分辨率的皮层动力学解释。